买车不如买机器人……
点击蓝字关注我们
继“硅谷钢铁侠”埃隆·马斯克和“OpenAI之父”山姆·奥特曼之后,英伟达CEO“皮衣教主”黄仁勋现已成为全球各界最受欢迎的企业家之一。
近日,黄仁勋参加了“CadenceLIVE硅谷2024”大会,以嘉宾身份围绕“人形机器人”这样颇具科幻气质的话题,谈到人工智能和加速计算在塑造行业大趋势中的关键作用。
今天,益读社为大家整理了他的部分分享内容,enjoy~
演讲者:黄仁勋
通常设计工具只能完成一次处理,但大部分设计师想做的是多次探索多维多模态。在这个问题上,没有正确答案只有最佳答案。
加速计算的好处是,过去使用CPU扩展很难,但采用加速计算能够带来1000倍的X因素,除此之外还有30倍的系数。当把生成式人工智能加进去,在此基础上,就会再有另外10万倍的X因素。
我们想要并需要探索成千上万个不同的领域,但对浩瀚的设计空间进行彻底探索实在是难以实现。无限量的计算无法做到这一点,因此我们需要人工智能来帮助我们进入探索和优化的特定领域,然后使用有原则的求解器专门从事这项工作,这样我们就可以同时做各种不同的事情。我们能够设计出更好、更节能的产品。
现在请记住,你设计了一次芯片,但能够以万亿倍的速度出货;你建造了一个能够节约6%电力的数据中心,节约出的电力可供10亿人使用一整天。通过设计更好的软件、芯片和系统,我们为世界节省的能源将对社会产生永久的效益。一方面,人工智能消耗更多的电力和数据中心;另一方面,通过更好的产品设计、更好的计算机、更好的汽车、更好的手机、更好的材料等等,我们将减少其他98%的电力和能源消耗。
所以我认为,我们真的是处于拐点,这些都是完全正确的。当前真的是令人兴奋的时刻。
我做芯片设计师已有很长时间,我的整个职业生涯都在从事这项工作。英伟达是如何完美无暇地完成了从芯片到系统、软件、数据的转变?
首先需要注意的是,程序中的一小部分代码占用了绝大多数的租用时间。就拿CFD为例,3%的代码占用了99.9999%的租用时间。如果是这样的话,为什么要使用完全相同的工具、相同的仪器、相同的处理器来处理90%或者是全部的代码呢?为什么不为97%的代码做一些事情,并为剩余3%的代码做一些特殊的事情呢?通过这样做,可以把应用程序的速度提高10万倍。
需要这种优势来进行重写的应用程序非常非常少,我们很聪明地选择了计算机图形作为突出计算的首选,因为它是一种需要大量并行计算的应用程序,有利于并行处理,而且这是一个非常大的市场,发展非常快,创新非常多,所以我们选择了一个好的市场作为起点。
加速计算与通用计算并不相同,我创造了“加速计算”一词,我的意思是,可以加速一个应用程序,这是一个应用程序加速计算平台,我们必须知道什么应用程序是正确的。就英伟达而言,我们从选择计算机图形起步,但我们也做了成像,然后我们做了分子动力学(molecular Dynamics)。
目前我有三个超级兴奋的产业。除了生命科学,还有一个是数据中心或者仅仅是计算机技术,一个是自动技术,不过我可以将这种技术抽象为机器人、自动机器和自动系统和半自动系统。这是一个总的类别。
无论是汽车还是卡车,披萨外卖机器人还是人形关节自连接机器人,这类系统有很多共性,它们都需要有许多传感器,更重要的是需要功能安全。设计计算机和验证计算机的方式,要求操作系统不是普通类型的操作系统,这一点非常重要。
人工智能的使用非常广泛,这些系统将随时连接到云,连接到数据中心,这样它就可以更新体验,报告故障和新的情况,然后下载新模型。可以说,我喜欢整个自动系统领域,它是一个全新的类别。在不久的将来,我们所有人都要制造的设备将会是人形机器人。人形机器人的制造成本可能会低很多。
一些人认为,人形机器人的售价会超过1-2万美元。既然当前廉价汽车的售价在1-2万美元,我们为什么不能在这个价格区间内购买一个人形机器人?
在一个我们为人类设计的环境中,机器人可能会更加灵活和多功能。过去的生产线是为人类设计的,仓库是为人类设计的,一大堆东西都是为人类设计的。在这种环境中,人形机器人可能更具生产力。
我很喜欢这一点,我很喜欢将把生物学变成工程领域。科学发现过程确实至关重要,但它是零星的,这就是为什么反摩尔定律(Eroom’s Law)是正确的。顺便说一下,如果我们不转向加速计算,如果不转向人工智能,计算机行业将经历反摩尔定律,原因非常清楚,我们所做的工作量和计算量都在增长,但是CPU的扩展速度已经放缓,因此我们的计算成本将会增长,而不是降低。
鉴于此,我们必须转向加速计算以节约电力、时间、支出,无论如何,我认为数字生物学将经历一场全面的复兴。科学和工程越来越紧密,这是一个非常复杂的领域。
我们必须创新,不过我们第一次拥有了必要的工具——计算系统,帮助我们处理非常混乱的大型系统的算法。我认为未来这三个行业是正确的,它们的市场规模都将非常庞大,单是人形机器人的市场规模就已足够惊人。
—- END -—
往期推荐