英伟达黄仁勋：智能是世界上最有价值的商品，我们将大规模生产它

OpenESG OpenESG易思捷思

BG2 播客：Welcome Jensen Huang | BG2 w/ Bill Gurley & Brad Gerstner

OpenESG

10月14日，英伟达CEO黄仁勋接受BG2 POD采访，主要讨论了如何将智能扩展到AGI、英伟达的竞争优势、推理与训练的重要性、AI领域未来的市场动态、AI对各个行业的影响、Elon的孟菲斯超级集群与X.ai、OpenAI等话题。

【重要观点】

——人们曾经认为预训练是一个挑战，而推理相对简单。但随着技术的进步，这种看法正在发生变化。推理的复杂性和计算需求正在逐渐上升，促使我们重新审视整个AI模型的训练和应用过程。

——传统上，人们可能认为思维是一次性的，然而这种观点显然过于简化。思维过程是多层次的，包含快速思考和慢速思考、推理、反思、迭代和模拟等多个方面。这些概念的出现和发展，反映了我们对思维过程的深入理解，也为AI模型的设计和优化提供了新的视角。

——仅仅拥有强大的GPU并不能保证一家公司在AI领域取得成功。英伟达在计算领域的成功，主要源于其将底层架构与科学算法的深度融合。机器学习不仅仅是软件，它关乎整个数据管道。机器学习的飞轮才是最重要的。我们对公司的看法以及你真正在做什么的看法会体现在产品中。

——AI将改变人们看待工作的方式。智能是世界上已知的最有价值的商品，现在我们将大规模生产它。如果你被这些人工智能包围着，并且他们做得非常好，比你好得多，会发生什么。

——我们正在尝试每年建造一个全新的，并且每年我们提供两到三倍的性能，因此，每年我们将成本降低两到三次，我们将能源效率提高两到三次。所以我们要求我们的客户，不要一次买所有的东西，原因是我们希望它们的未来成本是平均的，所有的设施都兼容。

ESG 影响力 | 循环经济

此外，英伟达的股价在过去几天内持续上涨创历史新高。英伟达将于今年第四季度开始向亚马逊以及微软等批量交付 Blackwell架构的全新AI GPU，并表示已经优化到仅仅需要3千兆瓦级别的电力来开发 OpenAI 的 GPT-4 AI大模型。

十年前，这一过程将需要5500千兆瓦的电力。欧洲可持续投资资管巨头Impax Asset Management近期表示，随着能源需求的持续增加，Nvidia 和其他开发更高效模型的公司将对环境更友好。

，时长01:21:13

BG2

现在是10月4日（星期五），我们在英伟达总部。我们将在星期一举行投资者会议，我们的年度投资者会议，我们将讨论人工智能的所有后果，我们扩展智能的速度。我想不出有谁比你作为股东和意见领袖更好地推动这个计划。谢谢你来到这里。

你知道，今年的主题是将“规模化AGI”。令人难以置信的是，当我们两年前做这件事时，那是在ChatGPT前两个月。想想所有的改变。所以我想我们可以用一个思想实验和一个预测来开始它。

如果我通俗地认为AGI是我口袋里的个人助理。如果我把AGI想象成口语助手，它了解我的一切，对我有着完美的记忆，可以与我交流，可以为我预订酒店，或者为我预约医生。当你看到当今世界的变化速度时，你认为我们什么时候会在口袋里放那个个人助理？

Jensen Huang 黄仁勋

是的，很快就会以某种形式出现。并且那个助手会随着时间的推移变得更好。这就是我们所知道的技术之美。所以一开始它会非常有用，但并不完美。然后随着时间的推移，它会变得越来越完美。

BG2

像所有的技术一样，当我们观察变化的速度时，Elon Musk 说唯一真正重要的是变化的速度。在我们看来，变化的速度已经急剧加快，我们已经在AI上徘徊了十年，甚至更长。这是你职业生涯中看到的最快变化速度吗？

Jensen Huang 黄仁勋

我们重新发明了计算技术，在10年的时间里将计算的边际成本降低了1000倍（摩尔定律大约是100倍）。我们用这几种方式做到了。我们通过引入加速计算来做到这一点，将那些在CPU上不是很有效的工作放在GPU上。通过发明新的数值精度和架构，英伟达开发了张量核心，并采用系统化的公式化方式。NVLINK技术的引入使得高速内存HBM的集成成为可能，并通过NVLINK实现了系统的扩展。此外，Infiniband在整个堆栈中发挥了关键作用。这些创新共同推动了超级摩尔定律的加速发展，显著提升了计算性能和效率。

现在，真正令人惊奇的是，由于这个原因，我们从人类编程转向了机器学习，而机器学习的惊人之处在于，机器学习可以随着时间的推移快速学习。因此，当我们重新制定分配计算的方式时，我们进行了各种并行处理，张量并行处理，管道并行处理，各种并行处理，并且我们擅长在新的训练方法之上发明新算法。所有这些发明都是在彼此之上复合的，对吗？

摩尔定律的运作方式表明，硬件的进步速度远远超过软件的静态特性。在过去，软件通常是预编译的，像商品一样被放置在商店中，而底层硬件则以摩尔定律的速度不断增长。这种增长使得整个技术堆栈得以同步创新，推动了计算能力的显著提升。

随着技术的发展，尤其是在人工智能领域，我们见证了模型规模化的非凡进展。过去，预训练模型的扩展被认为是一个复杂的过程，通常需要将模型大小和数据量成比例地增加。根据现有的观察，所需的计算能力每年以四倍的速度增长，这反映了对更大规模模型的需求和能力的提升。

现在，除了预训练模型的扩展外，后期训练和推理的缩放也变得越来越重要。人们曾经认为预训练是一个挑战，而推理相对简单，但随着技术的进步，这种看法正在发生变化。推理的复杂性和计算需求正在逐渐上升，促使我们重新审视整个AI模型的训练和应用过程。

现在一切都很困难，认为所有人类的思维都是一次性的，这是一种荒谬的，因此必须有一种快速思考和缓慢思考、推理、反思、迭代和模拟等概念，现在它正在出现。

BG2

关于英伟达最被误解的事情之一就是真正的英伟达模式有多深。但事实是，您在过去十年中一直在构建从GPU到CPU到网络的完整堆栈，特别是使应用程序能够在英伟达上运行的软件和库。当你想到今天英伟达的护城河时，你认为今天英伟达的护城河 是大于还是小于，三到四年前？

Jensen Huang 黄仁勋

嗯，我很感谢你认识到计算技术的变化。事实上，人们认为，许多人仍然认为，你设计一个更好的芯片的原因是，它有更多的flips，更多的flops，知道我在说什么吗？你看到了。你看到他们的主题演讲幻灯片，它有所有这些flips和flops，知道条形图和类似的东西。这都很好。我的意思是，马力确实很重要，所以这些东西从根本上很重要。

然而，不幸的是，这是旧的思维方式：软件是在Windows上运行的一些应用程序，软件是静态的，这意味着改进系统的最佳方法就是制造越来越快的芯片。

但我们意识到机器学习不是人类编程。机器学习不仅仅是关于软件，它还涉及整个数据管道，事实上，机器学习飞轮是最重要的事情。那么，如何考虑一方面启用这个飞轮，另一方面使数据科学家和研究人员在这个飞轮中具有生产力？而那个飞轮是从非常开始的地方开始的。

正是，正是因为更智能的人工智能来管理数据，我们现在甚至有了合成数据生成和各种不同的管理数据的方法，将数据呈现给用户。

因此，在你训练之前，你就已经涉及了大量的数据处理。于是人们会想，哦，PyTorch，那是世界末日的开始。这非常重要。但是不要忘记PyTorch是一个月的工作量，PyTorch是工作量，关于飞轮的事情确实是你应该思考的方式，思考整个飞轮以及如何设计计算系统，一种计算架构可以帮助尽可能高效地使用这个飞轮？这不只是训练，这只是一个步骤。

在飞轮上的每一步都很难，所以你应该做的第一件事就是不要想着如何更快地超越自己？我该如何让厄运更快呢？那是过去的日子，对吗？现在你必须考虑如何让这个飞轮更快？而这个飞轮有很多不同的步骤。机器学习没有任何容易的事情，正如你们所知，OpenAI或X所做的事情，或者Gemini、团队和DeepMind所做的事情都不容易。我的意思是，他们做的事情并不容易。

这是整个过程，你想要尊重阿姆达尔定律的部分（阿姆达尔定律是由吉恩·阿姆达尔于1967年提出的，它描述了计算机系统中并行处理所能提高的性能，具体取决于被加速部分的执行时间比例）。

如果这是30% 的时间，而我将其加速了3倍，我并没有真正将整个过程加速那么多，你真的想创造一个加速每一个步骤的系统。

因为只有在做整个事情时，你才能真正实质性地改善循环时间和飞轮，学习的速度最终会导致指数级增长。所以我想说的是，我们对公司的看法以及你真正在做什么的看法会体现在产品中。请注意，我一直在谈论这个飞轮，你知道的，整个周期，没错，我们现在加速一切，现在主要关注的是视频。很多人都专注于物理AI和视频处理。想象一下，前端，每秒数TB的数据进入系统。给我一个流程例子，它将摄取这些数据，首先准备训练，这样整个过程就会加速。

BG2

所以我听到你说我们今天的优势比三到四年前更大，因为我们正在改进每一个组成部分。这是组合的。你知道，当你想到，例如，作为一个商业案例研究英特尔，谁有一个主导模式，相对于你今天在堆栈中的主导地位，也许再把它归结一点，将您的竞争优势与他们在周期高峰期所拥有的竞争优势进行对比。

Jensen Huang 黄仁勋

英特尔是非凡的。因为他们可能是第一家非常擅长制造工艺工程、制造和制造芯片的公司，对吧？以及在x86架构中设计芯片和架构芯片，并构建越来越快的x86芯片。这就是他们的才华。他们将其与制造业融合在一起。

我们公司在感知上有所不同，我们认识到这一点，事实上，并行处理并不需要每个晶体管都是优秀的。串行处理要求每个晶体管都非常出色。并行处理需要大量的晶体管以提高成本效益。我宁愿拥有10倍以上的晶体管，比10倍以下的晶体管慢20%，快20% 感知。

它们是相反的，因此单线程性能、单线程处理和并行处理是非常不同的。因此，我们观察到，事实上，我们的世界并不是为了变得更好而下降。我们想要变得非常好，尽可能地优秀，但我们的世界实际上是关于更好的发展。

并行计算。并行处理很困难，因为每个算法都需要以不同的方式重构和重新设计算法的架构。人们没有意识到的是，你可以有三个不同的CPU，它们都有自己的C编译器。你可以把软件编译成那个Isa。这在加速计算中是不可能的。这在并行计算中是不可能的。提出架构的公司必须提出自己的Opengl。

因此，我们因为我们的特定领域库CUDNN而彻底改变了深度学习。因为它是下面的一层。PyTorch和TensorFlow，caffe和Theano，现在是Triton，有一大堆不同的框架。

如果我们没有发明，上面的任何应用程序都无法工作。你们明白我的意思吗？英伟达真正擅长的是将底层架构之上的科学融合在一起的算法，这就是我们真正擅长的。

BG2

现在所有的注意力都集中在推理上。但我记得两年前，布拉德和我一起共进晚餐，我们问你一个问题，你，你认为你的护城河在推理方面会像在训练中一样强大吗？你刚才谈到了很多这些元素，它们之间的可组合性，或者说我们不知道在某一时刻的总混合。对于客户来说，能够在两者之间保持灵活是非常重要的。但是你能不能简单地谈谈，你知道，现在我们处于这个推理的时代，你的推理训练正在大规模地进行推理，对吧？

Jensen Huang 黄仁勋

所以，如果你训练得很好，很可能会推断出如果你在这个架构上构建它而不考虑任何因素，它将在这个架构上运行。你仍然可以去为其他架构优化它。但至少，由于它已经是架构，你知道，建立在英伟达上，它将在英伟达上运行。

当然，另一个方面就是资本投资方面。当你训练新模型时，你希望你最好的新装备用于训练，这会留下你昨天用过的装备。而这个装备非常适合推理。所以有免费装备的踪迹。因此，我们非常有纪律，确保我们始终兼容，以便我们留下的一切将继续保持出色。

现在，我们也投入了大量的精力来不断重新发明新的算法，以便在时机到来时，Hopper 架构比他们购买时要好2、3、4倍，这样基础设施仍然非常有效。因此，我们所做的所有改进新算法、新框架的工作，请注意它有助于我们拥有的每一个安装基础。

我想萨姆只是告诉我，他们最近在OpenAI上的基础设施刚刚退役了。所以我认为我们留下了这条安装基础的线索。就像所有计算安装基础一样重要。而英伟达在每个云本地都一直部署到边缘。因此，在云端创建的Vila视觉语言模型在机器人边缘完美运行，无需修改。

因此，我认为这种架构兼容性的想法对大型企业很重要。对于iPhone来说没有什么不同，对于其他任何东西也没有什么不同。我认为安装基础对于推理非常重要，但我真正受益的是我们正在努力在新的架构中训练这些大型语言模型，我们能够思考如何在某一天创造出能够出色推理的架构。

因此，我们一直在考虑推理模型的迭代模型，以及如何为您的个人代理创造非常非常互动的推理体验，我必须思考一段时间，您必须快速与您互动。那么我们如何创造这样的东西呢？

结果是nvlink，你知道的，nv link，这样我们就可以使用这些非常适合训练的系统。但是当你完成它时，推理性能非常出色。

所以你想在这个时候优化第一个令牌。而且到第一个令牌的时间实际上非常困难，因为到第一个令牌的时间需要大量的带宽。但如果你的背景也很丰富，那么你需要很多flops。因此，您需要无限数量的带宽，同时无限数量的flops，才能实现仅几毫秒的响应时间。所以建筑真的很难做到。我们为此发明了NVlink链接。

BG2

英伟达对我们来说是一个巨大而重要的合作伙伴，并且就我所能看到的未来而言，英伟达仍将是我们的一个巨大而重要的合作伙伴。

世界靠英伟达运转，对吧？因此，当你想到正在构建的定制asic将要针对目标应用程序时，也许是Meta的推理加速器，也许是亚马逊的trainium，或者谷歌的TPU。然后你会想到你今天面临的供应短缺。这些东西是否改变了这种状态或对他们从您那里购买的系统的想法？

Jensen Huang 黄仁勋

我们只是在做不同的事情。我们正在尝试完成不同的事情。英伟达试图为这个新世界、机器学习世界、生成式AI世界、agentic AI世界建立一个计算平台事业部。我们正在尝试创造，正如你所知，在经历了60年的计算之后，我们重新发明了整个计算堆栈，从编程到机器学习的编写软件的方式，从CPU到GPU处理软件的方式，就像应用程序从软件到人工智能一样。因此，计算堆栈和技术堆栈的每个方面都已经发生了变化。你知道，我们想做的是创建一个随处可用的计算平台事业部。

我们所做的事情的复杂性在于，如果你想想我们所做的事情，我们正在建立一整套AI基础设施，并且我们将其视为一台计算机。

我之前说过，数据中心现在是计算单位。对我来说，当我想到电脑时，我并没有想到那个芯片。我在想这件事，它是我的心理模型、所有的软件、所有的编排、所有的内部机器，这是我的使命，那是我的电脑，我们每年都试图建造一台新的电脑。是的，这是疯狂的说，没有人比以前有过这样的经历。我们正在尝试每年建造一个全新的，并且每年我们提供两到三倍的性能，因此，每年我们将成本降低两到三次，我们将能源效率提高两到三次。所以我们要求我们的客户，不要一次买所有的东西，每年买一点。原因是我们希望它们的未来成本是平均的，和所有的基础设施都兼容。

现在，按照我们正在做的速度单独构建它是非常困难的，双重困难的部分是我们把所有这些都拿走，而不是把它作为基础设施出售或作为服务出售。我们将所有这些分解并将其集成到GCP中。我们将它集成到AWS中，我们将它集成到Azure中，我们将它集成到X中。

每个人的集成是不同的，我们必须得到，我们所有的架构库、所有的算法和所有的框架，并集成到他们的框架中。我们将我们的安全系统集成到他们的系统中，我们将我们的网络集成到他们的系统中，对吗？对，那么我们基本上要做10个集成，现在我们每年都会这样做。

BG2

我的意思是，这太疯狂了。你试图这样做是疯狂的。想想，是什么驱使你每年都这么做？与此相关的是，你知道克拉克刚从台北、韩国和日本回来，与你有十年关系的所有供应伙伴会面，这些关系对组合数学有多重要，它建立起了竞争的护城河？

Jensen Huang 黄仁勋

是的，那就是当你系统地分解它时，你们越分解它，每个人就越分解它。他们越惊讶，今天整个电子生态系统怎么可能与我们合作，最终建立一个集成到所有这些不同生态系统中的计算机立方体？

而且协调是如此无缝。因此，显然我们向后传播的APIs、方法、业务流程和设计规则以及我们向前传播的方法。架构和APIS已经强化了几十年，几十年来一直在加强，并且随着我们的发展而不断发展。当时机成熟时，所有这些事情，你知道，在世界各地的制造中，它们将降落在Azure的数据中心的某个地方。他们会聚在一起的。

单击，单击，单击，单击。有人只是称之为OpenAI API，它就能正常工作。没错，这完全是一种疯狂的整体。所以这就是我们发明的，这就是我们发明的这个庞大的计算基础设施，整个地球都在与我们一起工作。它被整合到每个地方。你可以通过戴尔出售它，也可以通过HPE出售它，它托管在云中，一直在边缘。人们现在在机器人系统中使用它，人类机器人，他们在自动驾驶汽车中使用它，它们在建筑上都是兼容的，现在相当疯狂，现在很疯狂，克拉克，我不想，不想让你留下我没有回答这个问题的印象。

我们作为一家公司正在做一些不同的事情。作为一家公司，我们希望具备情境意识。我非常了解我们公司和生态系统周围的一切，对吗？

我知道所有在做另类事情的人以及他们正在做什么。有时它对我们是敌对的，有时它不是。我非常清楚这一点。但这并不会改变公司的宗旨。我们公司的唯一目的是建立一个可以无处不在的平台架构，这就是我们的目标。我们不想从任何人那里拿走任何份额。英伟达是做市商，而不是股份接受者。如果你看我们公司的幻灯片，我们不会展示，这家公司没有一天谈论市场份额？不是在里面。

我们正在谈论的是我们如何创造下一件事？下一个我们可以解决的问题是什么？我们怎样才能为人们做更好的工作？我们如何处理那个过去需要大约一年时间的飞轮？我们如何把它降到一个月左右？你知道的，那光速是多少，对吗？所以我们在考虑所有这些不同的事情，但有一件事我们不是，我们不是在情境上意识到一切，但我们确信我们的使命非常独特。

唯一的问题是，这个使命是否必要，没有感知，你知道，在所有公司，所有伟大的公司都应该有这个使命。在它的核心，它是关于你在做什么？唯一的问题是，它是否必要，它是否有价值，它是否有影响力，它是否有助于人们？

我相信你是一名开发者，你是一家生成式AI初创公司，你即将决定如何成为一家公司，你不必做出的一个选择就是支持哪一个。如果你只是支持一个cuda，你可以去任何地方，你以后总是可以改变主意，但我们是通往AI世界的入口，不是吗？一旦你决定进入我们的平台，其他的决定，你可以推迟，以后你可以建立自己的ASIC来对抗它。我们没有被冒犯到。

如果你有一个唯一的目的，你的目的是有意义的，你的使命对你和其他人来说都是珍贵的，那么你就可以透明。请注意，我的路线图在GTC是透明的。我的路线图更深入地介绍了我们在Azure、AWS和其他公司的朋友。即使他们正在构建自己的ASIC，我们在做任何事情时都没有遇到任何麻烦。

BG2

我认为，你知道，当人们观察业务时。你最近说对布莱克威尔的需求是疯狂的。你说你工作中最困难的部分之一就是在一个计算机短缺的世界里对人们说不的情感代价。但批评者说这只是一个趋势，对吧？他们说这就像2000年的思科。我们正在建造光纤。这将是繁荣和萧条。你知道，当我们在23年开始共进晚餐时，英伟达在23年1月的那次晚宴上的预测是，您将在2023年获得260亿美元的收入，您将获得600亿美元的收入，对吗？

我们在11月22日非常兴奋，因为我们有像Inflection穆斯塔法，Character在我们的办公室谈论投资他们的公司。他们说，如果你不能允许投资我们的公司，那就购买英伟达吧，因为世界上的每个人都在试图用英伟达的芯片来构建这些将改变世界的应用程序。

当然，ChatGPT也发生了寒武纪时刻。尽管如此，这25位分析师仍然专注于加密货币赢家，以至于他们无法想象世界上正在发生的事情，好吗？所以它最终变得更大了。

你用非常简单说，对Blackwell的需求是疯狂的，到目前为止，在你所能看到的范围内，它将会是那样的。当然，未来是未知和不可知的，但为什么批评者如此错误？这不会像思科那样在2000年出现过度建设的情况。

Jensen Huang 黄仁勋

思考未来的最佳方式是从基本原则出发进行推理。所以问题是，我们做事情的首要原则是什么？第一，我们在做什么？我们在做什么？我们正在做的第一件事是重新发明计算，不是吗？我们刚才说过，未来的计算方式将是高度机器学习的。高度机器学习，好吗？我们所做的几乎每件事，几乎每一个应用程序，如excel、PowerPoint、photoshop、premiere autocad，你给我你最喜欢的应用程序，都是手工设计的。我向你保证，它将来会非常机器学习，对吗？所以所有这些工具。除此之外，您还将拥有机器和代理来帮助您使用它们。所以我们现在知道这是事实，不是吗？

我们重新发明了计算机。我们不会回去。整个计算技术堆栈正在被重新发明。

好的，现在我们已经做到了，我们说过软件将会不同，什么软件可以写将会不同，我们使用软件的方式也将不同。所以现在让我们承认这些是我的基本真相。是的，现在的问题是发生了什么？

那么让我们回到过去，让我们来看看计算是如何完成的？所以我们过去拥有价值一万亿美元的计算机。我们看着它，只是打开门，看着数据中心，然后你说，那些计算机是你想要做的吗，做那个未来？答案是否定的，你后面有所有这些Cpu。

我们知道它能做什么和不能做什么，我们只知道我们有价值一万亿美元的数据中心需要进行现代化改造。所以现在，就在我们说话的时候，如果我们要在未来四到五年内有一个现代化的轨迹，那不是不合理的，是明智的。

对的，好吧，让我们再做一个测试。你有500亿美元的资本支出。您喜欢支出选项A，选项B，为未来建立资本支出或像过去一样建立资本支出。你已经拥有过去的资本支出，它就在那里，它不会变得更好。

摩尔定律大部分已经终结，那么为什么要重建它呢？让我们把500亿美元投入到生成式AI中，对吗？所以现在你的公司变得更好。现在，你愿意投入这500亿中的多少，而我愿意投入这500亿中的100%，因为我已经有了四年的基础设施，这是过去的事情了。所以现在你只是从某人从基本原则思考的角度来推理它。这就是他们正在做的事情。聪明的人在做聪明的事情。

现在，第二部分是这样的。所以现在我们有一万亿美元的容量去账单，对吧，一万亿美元的基础设施，我们称之为1500亿美元，好吗？因此，我们有一万亿美元的基础设施需要在未来四到五年内建设。

我们观察到的第二件事是，软件编写的方式不同，但软件未来的使用方式不同。我们将会有代理人，对吗？我们公司将会有数字化员工，在你的收件箱里，你的小脸上会有这些小点。在未来，应该是AI的小图标，对吗？我不再用C ++ 编程计算机，我要用提示来编程Ai，对吗？

现在这和我的谈话没有什么不同，你知道，今天早上我来这里之前写了一堆电子邮件。我在提示我的团队课程，对吧？我会描述背景。我会描述我所知道的基本限制，并为他们描述任务。我会留下足够的指导，以便他们理解我需要什么，我希望尽可能清楚地知道结果应该是什么。但我在创造力空间上留下了足够的模糊空间，这样他们就可以给我一个惊喜，不是吗？

这与我今天如何提示AI没有什么不同，这正是我如何提示AI，因此将发生的是在我们将要现代化的基础设施之上，将会有一个新的基础设施。这个新的基础设施将是操作这些数字人类的人工智能工厂，它们将一直运行7乘24。

我们将为世界各地的所有公司提供它们，我们将在工厂中提供它们，我们将在自治系统中提供它们，是这样的，所以有一个完整的计算结构层。世界必须制造的一整层我称之为AI工厂的东西，今天根本不存在。

所以问题是，目前还无法得知有多大？目前可能有数万亿美元无法得知，但当我们坐在这里时，将这个新数据中心现代化的架构融入美丽的事物中。AI工厂的架构是相同的。这是件好事。

BG2

你已经明确了这一点，你有一万亿个旧东西，你必须现代化，你至少有一万亿个新的AI工作负载即将到来，今年会带来1250亿美元的收入，你知道的。曾经有人告诉你，这家公司的价值永远不会超过十亿。当你今天坐在这里的时候，如果你在数万亿塔姆中只有1250亿美元，你有什么理由不会拥有今天收入的2倍，未来收入的3倍，有什么理由你的收入不呢？

Jensen Huang 黄仁勋

公司只受到鱼池大小的限制。你知道一条金鱼，它只能这么大。所以问题是，我们的鱼塘是什么？我们的池塘是什么？这需要很多想象力，这就是做市商在不创造新鱼塘的情况下思考未来的原因。这很难，回顾过去并尝试分享很难理解这一点。你的股份接受者只能这么大，做市商可以相当大。

所以，你知道，我认为我们公司的好运在于，自从我们公司成立以来，我们必须发明市场让我们去发挥。人们当时并没有意识到这一点，但现在我们已经站在创造3D游戏电脑市场的起点上了。我们在很大程度上发明了这个市场以及所有生态系统和显卡生态系统，我们发明了所有这些。因此，需要发明一个新的市场，以便以后为其服务。这对我们来说是非常舒适的事情。

BG2

让我们把话题转移到模型和OpenAI上。如你所知，OpenAI本周筹集了65亿美元，估值约为1500亿美元。我们俩都参加了，真的为他们高兴，真的很高兴他们聚在一起。是的，他们做了一件很棒的事情，团队也做了很棒的工作。

报告显示，他们今年将实现50亿的收入或运营收入，明年可能达到100亿。如果你看看今天的业务，它的收入大约是谷歌首次公开募股 (IPO) 时的两倍。

他们每周平均拥有2.5亿用户，我们估计这是谷歌首次公开募股 (IPO) 时的两倍。如果你看一下业务的倍数，如果你相信明年有100亿美元，那大约是未来收入的15倍，这大约是谷歌和Meta在首次公开募股 (IPO) 时的倍数，对吧？当你想到一个22个月前收入为零、每周平均用户为零的公司时。

当你想到这个的时候。请与我们谈谈OpenAI作为您的合作伙伴的重要性，以及OpenAI作为一种力量和驱动力的重要性。

Jensen Huang 黄仁勋

嗯，这是我们这个时代最重要的公司之一。纯粹玩AI公司追求AGI的愿景，无论它的定义是什么，我几乎不认为定义是什么很重要，我也不认为。我真的相信时间很重要。我唯一知道的就是AI。随着时间的推移，AI将拥有一个能力路线图。随着时间的推移，这个能力路线图将会非常壮观。在这个过程中，甚至在他得出任何人对AGI的定义之前，我们就会将其充分利用。

你现在所要做的就是我们说话，去与数字生物学家、气候技术研究人员、材料研究人员、物理科学、天体物理学家、量子化学家交谈。你去问视频游戏设计师，制造工程师，机器人专家，选择你最喜欢的，无论你想选择什么行业，你深入其中，与重要的人交谈，你问他们，AI是否彻底改变了你的工作方式？你拿了这些数据点回来，然后你可以问自己，你想要有多怀疑？

因为他们不把AI当作概念上的好处来谈论，他们现在谈论的是使用AI，现在，农业技术，材料技术，气候技术，你选择你的技术，你选择你的科学领域，它们正在进步。AI正在帮助他们，推进他们的工作。现在就在我们说话的时候，每一个行业，每一个公司，每一所大学，令人难以置信，不是吗？它绝对会以某种方式改变业务，我们知道，对吗？

我们，我的意思是，我们知道它是如此具体，你可以今天就发生，所以我认为AI的觉醒ChatGPT触发了，这完全令人难以置信。我喜欢他们的速度和推进这一领域的独特目的。所以真的非常重要。

BG2

他们建造了一个引擎，可以为下一个前沿模型提供资金。我认为硅谷越来越普遍的共识是，整个模型层正在商品化Llama，这使得许多人构建模型非常便宜。

所以早期，我们有很多模型公司，Character、Cohere、Mistra，然后浏览名单。很多人质疑这些公司是否能够建立商业模式上然后达到逃逸速度，以继续为下一代提供资金。我的感知是，将会有，这就是为什么你看到了整合，对吧？

OpenAI显然已经达到了逃逸速度。他们可以为自己的未来提供资金。我不清楚这些其他公司中的许多人是否能够做到。我们将像在许多其他市场一样进行这种整合，以使市场领导者能够负担得起，拥有经济引擎，并允许他们继续投资？

Jensen Huang 黄仁勋

首先，模型和人工智能之间有一个根本的区别，对吧？模型是人工智能的必要但不充分的必要成分，对吗？所以人工智能是一种能力，但是为了什么？那么应用是什么？自动驾驶汽车的人工智能与人类机器人的人工智能有关，但与聊天机器人的人工智能不同，但不同，对吗？所以你必须了解堆栈的分类法。是的，在堆栈中。在堆栈的每一层，都有机会，但不是每一层的每个人都有无限的机会去部署。

现在，我只是说了些什么，你所要做的就是将 “模型” 这个词替换为 “GPU”。事实上，这是我们公司32年前的伟大观察，GPU图形芯片或GPU与加速计算之间存在根本区别。而加速计算与我们使用AI基础设施所做的工作是不同的。它是相关的，但并不完全相同，它是建立在彼此之上的。这并不完全相同。每一层抽象都需要基本的不同技能。

一个非常擅长构建Gpu的人，不知道如何成为一家加速计算公司。我们发明了Gpu，但你知道，我们不是今天唯一制造Gpu的公司，你知道吗？所以到处都有Gpu，但它们不是加速计算公司。

而且有很多人，你知道，他们是加速器，加速器做应用程序加速，但这与加速计算公司不同。例如，一个非常专业的AI应用程序可能是一个非常成功的事情，这是正确的，但它可能不是具有广泛覆盖和广泛能力的公司类型。

所以你必须决定你想去哪里。可能在所有这些不同的领域都有机会，但就像建立公司一样，你必须注意生态系统的变化以及随着时间的推移什么会被商品化，认识到什么是特性、什么是产品、什么是公司。

BG2

当然，有一个新的进入者有钱，聪明，雄心勃勃，那就是X做AI，对吧？而且，有报道说你、拉里和Elon共进晚餐关于10万个H-100。你认为他们能够组件超级数据中心的能力如何？还有人谈论他们又赢得了10万H2百个，对吧？

Jensen Huang 黄仁勋

首先，跟我们谈谈X和他们的野心以及他们所取得的成就。但是，我们已经到了需要200和300000 Gpu集群了吗？答案是肯定的。

然后首先是成就的认可，而从概念的那一刻起，到一个已经准备好让英伟达拥有我们的设备的数据中心，直到我们打开它的电源，将它全部连接起来并进行了第一次训练，这是值得的。

好的，第一部分，只是建造一个大型工厂，液冷，充满活力，允许在短时间内完成。我的意思是，这就像超人一样，你知道，据我所知，世界上只有一个人能做到这一点，你知道吗？

我的意思是，在对工程、建筑和大型系统的理解方面，埃洛是独一无二的。编组资源。是的，简直难以置信。然后，当然，他的工程团队是非凡的。

我的意思是，软件部很棒，网络团队很棒，基础设施团队也很棒。你知道，Elon非常了解这一点，从我们决定与我们的工程团队、网络团队或基础设施计算团队一起规划的那一刻起，软件部就提前做好了所有准备工作，然后是所有的基础设施，当天进来的所有物流、技术和设备以及视频、基础设施和计算基础设施以及所有这些技术都需要进行19天的培训。

19天是令人难以置信的，但退后一步，只做一下，你知道，19天是多少天，也有点不错。这只是几个星期。如果你看到它，它的技术数量是令人难以置信的。所有的布线和网络，网络英伟达设备与网络超大规模数据中心非常不同。一个节点中连接的电线数量，计算机背面就是所有电线。刚刚整合了这么多技术，所有的软件都令人难以置信。所以我认为Elom和接下来的团队所做的事情，我真的很感激他感谢我们和他一起做的工程工作和规划工作等等。但是他们所取得的成就是独一无二的，以前从未做过。

只是为了换个角度来看，100000个Gpu，那很容易成为地球上最快的超级计算机。这是一个集群，你要建造一台超级计算机通常需要三年的时间来计划，然后他们交付设备，需要一年的时间来让它全部运行。我们谈论的是19天。

BG2

哇，这归功于英伟达平台，对吧？

Jensen Huang 黄仁勋

整个流程都变得更加坚固，一切都已经开始工作了，当然，还有一大堆X算法和X框架X堆栈之类的东西。我们有吨整合工作要做，但它的规划非常出色。只是预先计划一下。你知道，有n个是正确的。

BG2

这是否会扩展到500000，是否会扩展到100万，对您产品的需求是否取决于它是否会扩展到数百万？

Jensen Huang 黄仁勋

我认为是分布式训练必须工作，分布式计算将会发明出来，某种形式的联合学习和分布式计算，异步的分布式计算将会被发现，我对此非常热情和乐观。

需要意识到的是，Scaling Law曾经是关于预训练的。现在我们已经进入了多模态。我们必须合成数据生成。预训练现在已经扩大了令人难以置信的合成数据生成，奖励系统，基于强化学习，然后现在推理扩展已经达到了极高水平。

模型在回答你的答案之前已经进行了内部推断，令人难以置信，重复了10000次。这可能不是不合理的。它可能已经完成了树搜索。这可能是强化学习完成的。这可能是，你知道，它可能做了一些模拟，肯定做了很多反思。它可能正在查找一些数据，查看一些信息，对吗？所以他的背景可能相当大。

我的意思是，这种智能就是我们所做的，对吧？因此，如果你只是做了那个数学计算并将其复合，你每年在模型大小和计算大小上复合4倍，另一方面，需求在使用量上持续增长。

我们认为我们需要数百万个Gpu吗？毫无疑问，是的。现在这是第一次确定。所以问题是，我们如何从数据中心的角度构建它？这与数据中心是一次千兆瓦还是一次250兆瓦有很大关系，我的感知是两者都可以。

BG2

我认为分析师总是关注当前的基础设施。但我认为这次谈话最大的收获之一是，你考虑的是整个生态系统和许多年后的情况。所以要知道这个想法，你知道，因为英伟达只是在扩大规模或扩展它是为了满足未来，所以不要仅仅依赖于一个拥有50万或100万GPU集群的世界。你知道的，当有分布式训练的时候，你已经编写了启用它的软件。

Jensen Huang 黄仁勋

记得如果没有我们七年前与之合作开发的Megatron，这些大型培训工作的规模化就不会发生。所以我们发明了威震天，我们发明了镍GPU，我们用DMA所做的所有工作都使得管道并行变得容易。所有正在进行的模型并行，所有分布式训练的颠覆，所有的批处理等等，都是因为我们做了早期的工作，现在我们正在为未来，为下一代做早期的工作。

BG2

所以让我们谈谈草莓01。但首先，我认为他们以O 1签证的名字命名01很酷，对吧，这是关于招募世界上最优秀和最聪明的人，你知道，把他们带到美国是我知道我们双方都非常热衷的事情。

所以我喜欢这样的想法，即建立一个能够思考并将我们带到智能扩展的下一个水平的模型，是对这些通过移民来到美国的人们的致敬，正是这些人使我们成为了现在的我们，将他们的集体智慧带到外星智能上来。当然，你知道，这是由我们的朋友诺亚布朗带头的。当然，他在Pluribus和Cicero工作。这个meta是什么时候？推理时间推理作为一种全新的扩展智能向量，与权利分离且不同，只是构建更大的模型，这有多重要？

Jensen Huang 黄仁勋

很多智能无法先验完成，你知道的，而且很多计算，甚至很多计算都无法重新排序。我的顺序执行可以先验地完成，你知道吗？因此，许多只能在运行时完成的事情。因此，无论你是从计算机科学的角度考虑，还是从智能的角度考虑，过多的考虑都需要背景信息。

环境，你要寻找的答案类型。有时仅仅是一个快速的答案就足够了，因为答案的后果影响取决于该答案的使用性质。所以一些答案，只需要一个晚上的时间，一些答案需要一周。

所以我完全可以想象我向我的AI发送一个提示，并告诉它，你知道，想一夜，一夜之间，不要马上告诉我，对吧？我希望你整晚思考一下，然后明天回来告诉我你最好的答案和理由是什么？所以我认为 从智力的不同阶段来考量。现在，从产品角度来看，将有一次性版本。是的，然后会有一些需要五分钟的。

BG2

以及将这些问题根植于正确使用案例的正确模型的智能层。我的意思是，我们昨晚使用了高级语音模式和0 1预览。我正在指导我的儿子进行AP历史测试，就像世界上最好的AP历史老师坐在你旁边思考这些问题一样。这真的非常特别。再次，我的导师今天是一个AI。我，当然，他们今天在这里，这又回到了这一点，你知道，你今天超过40% 的收入是推理。

Jensen Huang 黄仁勋

但是推理是因为推理链已经准备好了，对吗？它即将以十亿倍的速度增长，通过十亿倍的x，对吧？这是大多数人尚未完全内化的部分。这是我们谈论的行业，但这是工业***，这是智能的生产，对吧？它将上升十亿倍。

BG2

每个人都非常关注英伟达，就像在更大的模型上进行训练一样。如果您的收入今天达到50美元，那么将来会做更多的推断，我的意思是，训练将始终很重要，但推理的增长将比我们的培训大得多。我们希望这是正确的。

Jensen Huang 黄仁勋

但我们的目标是让你以后在社会上更有生产力，所以我们为了训练更好的模型。但是目标是影响他们，你是否已经在自己的业务中使用推理链和01等工具来改善自己的业务？

我们今天的网络安全系统如果没有我们自己的代理就无法运行。我们有AI芯片设计师，AI软件工程师，AI验证工程师，因为我们有能力，我们更愿意利用这个机会自己探索技术。

BG2

你知道，今天当我走进大楼时，有人走过来对我说，问问Jensen关于文化的问题，这都是关于文化的，我看业务，你知道，我们经常谈论健身和效率，扁平化的组织可以快速执行。小的团队。你知道英伟达在自己的联盟中，每名员工的收入约为400万，每名员工的利润或自由现金流量约为200万。你已经建立了一种效率文化，真正释放了创造力和创新，所有权和责任，你已经打破了职能管理的模式。每个人都喜欢谈论你所有的直接下属。利用AI是否会继续让你在保持高效的同时保持超级创造力？

Jensen Huang 黄仁勋

毫无疑问，我希望有一天英伟达拥有32000名员工，而我们在以色列有4000个家庭。我希望他们好好想想你们，我也希望英伟达有一天能够成为一家拥有5万名员工、1亿人工智能助理的公司。在每个组中，我们将有一个完整的Ai目录，这些Ai通常擅长做事。我们也有我们的收件箱，里面会装满我们使用的Ai目录，我们知道这些Ai非常好，专门研究我们的技能。因此，Ai将招募其他Ai来解决问题。Ai将彼此之间以及与人类和人类之间处于松弛通道中。因此，如果您愿意的话，我们将只是一个大的知名员工群体。其中一些是数字和AI，有些是生物，我希望其中一些甚至是机电一体化。

BG2

你知道，我认为从商业角度来看，这是一件非常被误解的事情。你刚刚描述了一个公司，它生产的产品是一个拥有15万员工的公司，但你却只生产了5万员工。现在，你并没有说我要解雇我所有的员工。你仍在增加组织中的员工数量，但该组织的产出将会显著增加。

Jensen Huang 黄仁勋

这经常被误解。AI会改变每一项工作。AI将改变人们看待工作的方式。

让我们承认，AI有潜力做出令人难以置信的贡献，它有可能造成伤害，我们必须建立安全的AI，让我们奠定基础。被忽视的部分是当公司使用人工智能变得更有效率时，它很可能表现为更好的业绩或更好的增长，或两者兼而有之。

当这种情况发生时，首席执行官的下一封电子邮件可能不是裁员公告，当然，因为你正在成长，是的，原因是因为我们有更多的想法，我们无法探索，我们需要有人在自动化之前帮助我们思考。

因此，它的自动化部分AI可以帮助我们做到这一点。显然，这也将帮助我们思考它，但它仍然需要我们去弄清楚我想解决什么问题？有一万亿件事情我们可以去解决。一个公司需要解决哪些问题？并选择这些想法，找出自动化和扩展的方法。因此，随着我们变得更有生产力，我们将雇用更多的人。

忘记这一点，你知道的，如果你回到过去，显然我们今天比200年前有更多的想法。这就是为什么雇佣更多的人，尽管我们正在疯狂地自动化。

BG2

但这是这个时期非常重要的一点，几乎所有人类繁荣都是自动化的副产品，过去200年的技术。我的意思是，你可以看看，你知道，从亚当斯密和shpet的创意，破坏式创新。

查看过去200年中人均特许国内生产总值（GDP） 增长。它只是加速了，这让我想到了这个问题。如果你看看90年代，美国的生产力增长率大约是每年2.5到3%，好吗？然后在2000年代，它放缓至约1.8%。

然后过去10年是生产率增长最慢的十年。这就是劳动力和资本的数量，或者固定数量的劳动力和资本的产出量，实际上是我们有记录以来最慢的。很多人对此的原因进行了辩论，但如果世界像你刚才描述的那样，我们将利用和制造智能，那么我们是否处于人类生产力急剧扩张的边缘？

Jensen Huang 黄仁勋

这是我们的希望。这是我们的希望。当然，你知道，我们生活在这个世界上，所以我们有直接证据，对吧？

我们有直接证据，无论是孤立的案例，还是作为个体研究人员的案例，都可以肯定，他现在能够通过AI以如此非凡的规模探索科学，这是无法想象的，这就是生产力，生产力的衡量标准。

或者我们正在以如此快的速度设计出如此令人难以置信的芯片。芯片复杂性和我们正在建造的计算机复杂性呈指数级增长，而公司的员工基础并不是生产力的衡量标准，对吗？我们开发的软件越来越好，因为我们正在使用AI和超级计算机来帮助我们，员工数量并不是线性增长。

好的，再一次展示生产力。因此，无论它是否可以进入，我可以在许多不同的行业中进行抽查，我可以自己检查商业，这是正确的。所以我可以，你知道，当然你不能，我们可能会过度适应，但艺术性，当然是概括我们正在观察的是什么，以及这是否可能在其他行业中表现出来。

毫无疑问，智能是世界上已知的最有价值的商品，现在我们将大规模生产它。而我们，我们所有人都必须擅长，如果你被这些人工智能包围着，并且他们做得非常好，比你好得多，会发生什么。

当我反思这一点时，这就是我的生活。我有60个直接下属，对吧？原因是，他们在电子步骤上的原因是因为他们在他们所做的事情上是世界级的，而且他们做得比我更好，对吧？比我好多了。我与他们互动没有问题，我也没有问题提示工程，因为我没有问题编程。所以，我认为这就是人们将要学习的事情，他们都将成为首席执行官，对吗？他们都将成为AI代理的Ceo，有能力、创造力和意志。和一些知识以及如何推理分解问题，这样你就可以编程这些Ai来帮助你实现像我这样的事情。这就是所谓的经营公司。

BG2

你提到了一些东西，对齐安全的AI，你提到了中东正在发生的悲剧。我们有很大的自主权AI正在世界各地使用。所以让我们谈一下坏人，安全的AI，以及与华盛顿州的协调。你今天感觉如何？我们走在正确的道路上吗？我们是否有足够的协调水平？你知道，我认为马克·扎克伯格曾经说过，我们击败坏的Ai的方法是我们让好的Ai变得更好，你如何描述你的观点，即我们如何确保这对人类是积极的净利益，而不是让我们在这个反乌托邦的世界里没有目的？

Jensen Huang 黄仁勋

关于安全的谈话真的很重要而且很好。抽象的观点，人工智能是一个巨大的神经网络的概念观点，不太好，好吗？其原因是，因为我们知道，人工智能和大型语言模型是相关的，而不是相同的。

有很多我认为非常棒的事情正在进行中。一个开放的采购模型，以便整个研究人员社区以及每个行业和每个公司都可以与人工智能互动，并学习如何利用这种能力进行优秀的应用。

第二，它在致力于发明人工智能以保护人工智能安全的技术数量之下。AI是为了管理数据，携带信息，训练AI。AI，创建它以对齐AI，合成数据生成AI可以扩展AI的知识，使其更少地产生用于矢量图像或图形的所有Ai的幻觉或者无论如何，通知一个AI监管，以监视其他AI，创建安全Ai的Ai系统受到庆祝，对吧？

我们已经建立了，我们正在建立整个行业的每个人，方法论，红色团队，流程，模型卡，评估系统，基准系统，所有这些，所有正在以已经建造的速度建造的吊带都是令人难以置信的。每个人都需要开始谈论人工智能作为人工智能系统和工程系统的系统。工程系统是精心设计的，从第一性原理构建的，经过良好测试的，等等。

记住人工智能是一种可以应用的能力，并且对重要技术进行监管是必要的，但也不要过度到一些监管应该在应用程序，大部分监管应该在美国航空技术委员会进行，美国食品药品监督管理局，所有已经规范技术应用的不同生态系统，现在必须规范注入了AI的技术应用，所以我认为。别误会。不要忽视世界上必须为AI激活的大量监管。

BG2

你们推出了一个非常重要、非常大、非常有能力的开源模型。最近，显然Meta正在为开源做出重大贡献。我发现当我阅读Twitter时，你知道，你有这种开放与封闭的很多谈论它。你对开源、自己的开源模型、跟上前沿的能力有什么看法？这将是第一个问题。第二个问题是，你知道，有开源模型和闭源模型，它们正在推动商业运营，你开源和闭源的未来如何看？

Jensen Huang 黄仁勋

开源与闭源的区别与安全有关，但不仅仅是安全。例如，拥有封闭源模型绝对没有错，这些模型是维持创新所必需的经济模型的引擎。我全心全意地庆祝。我相信，要么封闭要么开放的想法是错误的，对吧？它应该是封闭和开放的。因为开放，许多行业需要被激活。

现在，我们还没有开源。所有这些不同的科学领域如何能够在AI上激活？因为他们必须开发自己的特定领域AI，并且必须使用开源模型开发自己的AI，创建特定领域AI。它们是相关的。

再说一遍，不一样的只是因为你有一个开源模型并不意味着你有一个AI。因此，您必须拥有开源模型才能创建Ai。所以金融服务、医疗保健、交通运输、行业列表、科学领域现在由于开源而被启用，令人难以置信。

我们做Nemotron原因是为了合成数据 -- 直观地生成一个想法，即一个AI会以某种方式坐在那里循环并生成数据来学习自己，这听起来很脆弱。

你能绕过那个无限循环多少次，那个循环，你知道，值得怀疑，不管我的心理形象多么善良，就像让一个超级聪明的人把他放进一个填充房间，关上门大约一个月，你知道，所出来的可能不是一个更聪明的人。

但是你可以让两三个人坐在一起的想法，我们有不同的人工智慧，我们有不同的知识分配，我们可以来回交流。我们三个人都可以变得更聪明。因此，你可以让AI模型交换、交互、来回讨论、强化学习、合成数据生成等想法，例如直觉上表明它是感知的。

是的，所以我们的模型Nemotron-4-340B是世界上奖励系统最好的模型。有趣的是，如此奇妙的模型可以增强其他人的模型，无论别人的模型有多好。我建议使用Nemotron-4-340B来增强并使其更好。

BG2

作为在2016年交付了dgx 1的人，这真的是一段令人难以置信的旅程。你的旅程不太可能，同时也是不可思议的，谢谢你活了下来。就像在早期幸存下来一样，这是非常非凡的。你在2016年交付了第一个dgx 1，我们在2022年经历了这个寒武纪的时刻，所以我要问你一个我经常得问的问题，那就是你能在60个直接报告下维持你今天所做的事情多久？你无处不在，你正在推动这场***，你玩得开心吗？还有其他你更愿意做的事情吗？

Jensen Huang 黄仁勋

让我们看看，我认为给人留下我们的工作一直很有趣的印象是不对的。我的工作并不总是有趣的，我也不指望它总是有趣的。你是否曾经期望它一直很有趣？我认为这一直都很重要。拿，我不把自己太当回事。我非常认真地对待这工作。我非常认真地对待我们的责任。我非常认真地对待我们的贡献和时刻。

总是很有趣吗？不，但我总是喜欢它吗？是的，就像你所知道的所有事情一样，无论是家人，朋友，孩子，总是很有趣吗？不，我们总是喜欢它吗？非常深入，我认为如此。

我可以这样做多久？真正的问题是我能持续多久？而这只重要的是那条信息，这个问题只能用怎样的方式回答？我将如何继续学习？今天我更加乐观了。

我不是因为我们今天的话题才这么说的。由于有了AI，我对自己保持相关性并继续学习的能力更加乐观。我用它。我不知道，但我相信你们知道。我几乎每天都在使用它。没有一项研究是我不涉及AI的，没有一个问题即使我知道答案，我也会用AI仔细检查。而且令人惊讶的是，你知道，我接下来问的两三个问题揭示了一些我不知道的东西。

你选择你的主题，你选择你的主题，我认为AI是一位导师。AI作为助手，AI作为就像与伙伴进行头脑风暴。仔细检查我的工作。

你知道的，伙计们，这完全是***性的。这就是，你知道我是一个信息工作者，你知道，我的输出是信息。所以我认为所有人对社会的贡献都是非常非凡的。如果是这样的话，如果我能像这样保持相关性，我可以继续做出贡献，我知道这项工作对我来说足够重要，让我想继续追求它。所以我会说，我无法想象你和我已经在这方面工作几十年了。我无法想象错过这个时刻，这是我们三年来最重要的时刻。