黄仁勋,克里森对话(5)
克里森：接下来，我们来深入探讨一下AI领域的进展。假设现今全球所有GPU的总计算能力为X，那么你认为在未来五年内，我们会达到X的多少倍？
黄仁勋：让我们从几个关键点出发来推理。首先，全球数据中心的投资已达约一万亿美元，这些数据中心主要用于通用计算，但通用计算已逐渐接近其极限。因此，为了处理日益增长的数据量，世界将需要加速数据处理。当这一加速发生时，每个数据中心、每台计算机都将升级为加速服务器。考虑到当前全球计算机的总价值约为一万亿美元，如果在未来四年到六年内我们没有任何增长，仅为了维持当前水平，我们就需要更换价值一万亿美元的计算机。然而，若计算机行业继续以约20%的年增长率发展，那么在接下来的几年里，我们可能需要投入约两万亿美元来更换这些计算机，用加速计算来替代传统的通用计算。接下来，我们正在经历一场前所未有的工业革命。这次工业革命的核心在于我们首次大规模生产了一种全新的东西——Token。这些Token，即浮点数，具有巨大的价值，因为它们代表着智能，即人工智能。它们可以被重新组合，转化为语言、蛋白质、化学品、图形、图像、视频、机器人驱动等多种形式。我们正在以前所未有的规模生产Token，并通过人工智能发现了几乎任何类型Token的生产方式。因此，世界将生产大量的Token，这些Token将在新型的数据中心——我们称之为AI工厂中生产。在上一次工业革命中，水被注入机器，转化为蒸汽，进而驱动电子的流动，原子进入循环，而电力则作为最终产物输出。在当时，电子的价值尚未被普遍认知，然而如今，电力已成为我们生活中不可或缺的一部分，被量化并以千瓦时为单位进行交易。类似地，我们正处在一个新的工业革命浪潮之中，其中电子成为输入，而浮点数则作为智能的载体被生产出来。如同电力在上个世纪的普及过程，当前的Token对于许多人而言或许同样难以完全理解其潜在价值。然而，在未来十年内，随着Token在各个领域内创造新产品、新服务，提升行业生产力，并预计产生高达100万亿美元的价值，这一变革将成为常态。面对这样的行业前景，一个高效、安全的支付平台变得至关重要。我要特别提及Stripe，它是我极为欣赏的公司之一。尽管初次接触时，Stripe的概念显得颇为复杂，但其所蕴含的创新和潜力令我深受启发。你们所打造的这一平台，无疑将在这个新时代的变革中占据举足轻重的地位。
克里森：关于这些Token工厂，我深感好奇的是模型是否会饱和。例如，我们最近在舞台上展示了Sigma助手，它能将自然语言转换为SQL。从70亿参数的模型到700亿参数的模型，我们看到了显著的准确率提升。然而，是否使用比那大10倍的模型真的必要呢？在某个点上，模型可能已经足够好，足以可靠地将自然语言转换为SQL。你如何看待这个饱和曲线？多少用例需要一个1万亿参数的模型或10万亿参数的模型？
黄仁勋：这是一个值得深入探讨的问题。我们可以从一些实例出发来探讨。以2012年的AlexNet为例，它是计算机视觉ImageNet图像识别的模型，准确率约为82%。在接下来的大约七年里，其准确率每年几乎翻倍。换句话说，模型的性能、准确率和可信度都在不断提高。现在，它已经超越了人类的识别能力。类似的情况也发生在语音识别和自然语言理解领域。这个行业将不断追求更高的可信度和准确性。我坚信，在未来的自然语言理解领域，我们也会看到类似的进步。当然，问题远比这复杂，但我相信我们会持续提高模型的准确率，直到达到极高的水平。在许多情况下，当你与这些模型交互时，你会感到它们的答案非常准确，值得信赖。这种信任对于AI技术的发展至关重要。第二个问题是关于大语言模型与人工智能的未来发展方向。如今，我们所看到的大语言模型和人工智能成果都只是一个起点，它们并不是一劳永逸的解决方案。正如我们所知，许多复杂问题的解决需要反复迭代和持续改进。在规划解决问题的策略时，我们可能需要运用各种工具、查找专有数据、进行深入研究，甚至可能需要与其他智能主体，包括其他人工智能和人类，进行交互和沟通。因此，未来的大语言模型将会是一个能够不断迭代、思考和规划，并可能包含多个具有特定技能的子模型的规划模型。这样的发展路径意味着我们距离真正智能、全面的人工智能还有很长的路要走。


贴主:laosanjie于2024_07_01 23:01:36编辑