黄仁勋：我们不想当行业领导者

一水 发自 凹非寺
量子位 | 公众号 QbitAI

去年7月，英伟达宣布向Recursion投资5000万美元，以加速人工智能在药物发现领域的突破性基础模型开发。

除了跨界AI制药，英伟达还在电信、人形机器人以及AI视频生成等领域动作频频。

虽然外人看起来眼花缭乱，但老黄大方揭秘了 英伟达 投资三原则：

• 问题是否具有挑战性？

• 英伟达能否提供独特的贡献？

• 此举是否会产生深远影响？

且看老黄如何将上述原则掰开了，揉碎了讲。

• “ 算法、足够快的计算机 以及 知识 的结合，才真正将“方法论”这一词汇引入现代芯片设计中。”

• “我们简单地 调整设计规则 ，这就是我们所做的。”

• “我们曾认为拥有足够的超级计算能力就可以模拟人体，但如今我们已 基本放弃 了这个想法。”

• “每家公司本质上都处在危险状态，如果不能保持全力以赴，英伟达也可能会在 30天内破产 。”

• “ 生成式AI 将颠覆软件编写和处理领域，帮助开发新的软件类型并解决新的问题。”

吉布森： 上次的交谈中，你提到了自己的职业生涯早期，硅芯片行业如何从实验室和实证为基础 转变为几乎完全依赖计算机模拟 。我们可以从这次转变中学到哪些生物学领域的经验？这两者之间是否存在某种相似之处？

黄仁勋： 这两者之间的确有许多相似之处。我的职业生涯始于41年前，那时正是 计算机辅助设计（AED） 在芯片设计上崭露头角的时期。

虽然之前也有人提，但直到那时， 算法、足够快的计算机以及即时知识的结合 ，才真正将“方法论”这一词汇引入现代芯片设计中。

在此之前，这个词汇并不常见，而它正是由我和林恩·康威教授（Lynn Conway，《VLSI系统导论》（Introduction to VLSI Systems）作者）共同提出的。

我不知道你们是否读过《VLSI系统导论》这本书，其中描述了我们如何使用简单的方法论， 基于第一性原理 创建并简化芯片设计方法论的系统，从而能够制造出巨大的芯片。

这本书是关于 超大规模集成电路 （VLSI）系统的，这个概念使得硅芯片变得足够大且复杂，以至于能够容纳整个系统。书中详细阐述了设计、晶体管布局、模拟以及缩放的方法论。这部著作确实激励了一代又一代的芯片设计师。

这 三项核心要素 ——算法、算力和专业技能，如今正在你的行业中蓬勃发展。

在芯片设计的领域，尽管 专业技能 对于你所在行业所需的数据量并非核心，但当我们深入探究Recursion的本质时，这三种元素都在发挥着至关重要的作用。

深度学习等新算法或算法家族的涌现，以及你所利用的超级计算能力，正是我们双方共同合作创造的成果。

当然，还有从机器人实验室中系统生成和收集数据的专业技能，以及从这些数据中提炼出生物学意义的专业知识，这些意义都深深植根于生命的奥秘之中。所有这些元素在生物学领域的融合，正展现出其巨大的潜力和价值。

我有幸在40年前 首次在芯片设计中 见证了类似的历程。

令人惊奇的是，当时的芯片设计师们，包括我在内，已经逐渐走出实验室，在实验室外也能自如地进行设计工作。 而现在的芯片设计师几乎不再需要进入实验室 ，除非是为了庆祝芯片的成功运行。

想象一下，成千上万名工程师共同工作三四年，将他们的智慧和努力凝聚在一个小小的芯片之中。这个芯片随后被嵌入到一个庞大的系统中，与成千上万个这样的芯片（许多都是不同类型的）共同协作。当我们启动这个系统时，它开始正常工作，这对我来说并不能算是奇迹， 而是完全符合预期的结果 。

事实上，这只是芯片生命周期中的又一个平凡日子。

原因在于，这个芯片在硅中早已存在，它一直在做着它应该做的工作。而这一切，都只是在我们之前制造的芯片基础上的一次迭代和进化。

因此， 我们得到了这样的循环和迭代 ：芯片在不断地创造和进化，为我们提供了设计下一代芯片所需的算法和工具。这种过程几乎就像是一种递归，但它正是我那一代人在芯片设计领域所经历的真实写照。

吉布森： 你当时是否觉得这种进步是不可避免的？对于其他人来说，这样的发展也是必然的吗？

黄仁勋： 当时，大多数人可能会告诉你，这种方法行不通。他们认为，由于边缘条件的复杂性、问题的长尾效应、实验室中的种种困难和挑战，以及那些频繁失效的芯片，他们无法相信这是可能实现的。

然而，我认为 每个行业的演进都遵循着类似的轨迹 。那些早期开拓者经历了无数的痛苦和挫折，以至于当事情开始顺利运作时，他们甚至不敢相信这会如此简单。当然，它并不简单，但我们已经将这些经验融入了我们的工具中。

就我们而言，我们有能力 重新塑造我们的晶体管 ，这是你们所面临的困难之一，也是我们花费大量时间的原因。

我们可以改变晶体管的结构，直到它们可以按照我们的期望进行设计。但你们不同，你们必须接受生物学的晶体管—— 也就是生物体本身 ，它们就是它们，无法改变。

而我们则是通过塑造我们的晶体管，让它们的行为符合我们的预期或模拟结果。如果我们无法预测晶体管或芯片在极端条件下的表现，我们就不会尝试制造它们。 我们简单地调整设计规则 ，这就是我们所做的。

这就是为什么我们有这些被称为 “设计规则” 的东西。不幸的是，生物学就是遵循这些规则的，进化也是如此。

我们有机会塑造我们的晶体管和芯片，直到它们变得非常微小，以至于在统计上呈现出差异。例如，如果一个晶体管指向这个方向，而另一个指向那个方向，它们的表现就会有所不同。为了解决这个问题， 我们让所有的晶体管都指向同一个方向 。这样，我们的芯片设计就按照我们理解的方式运作，直到我们达到技术的极限。

我们有这些被称为设计规则和方法论的东西，然后 一切都在这个框架内运行 。

而对于你们来说，挑战要大得多。你们必须学习生物学的行为，理解它们的意义、行为和特性，正如它们自然存在的那样。但好消息是，你们现在终于拥有了实现这一目标所需的 技术 。我坚信，凭借你们在机器人实验室中的创新、数据处理能力、系统数据收集、机器学习以及我们共同打造的超级计算机，你们距离真正理解生命的意义只有一步之遥。

吉布森： 我听说你们有三个指导原则：问题是否具有挑战性？英伟达能否提供独特的贡献？以及此举是否会产生深远影响？显然，生命科学在医疗保健领域无疑是一个巨大的挑战，其影响力不言而喻。那么，英伟达在医疗保健领域的独特贡献究竟是什么呢？你们对医疗保健领域的整体愿景又是什么？

黄仁勋： 除了与Recursion的合作外，从更宏观的视角来看，我们的另一种选择是 更好地做别人已经做得很好的事情 。我们明白，追求快速的投资回报和胜利是商业世界的常态，但这并非我们的终极追求。

我们渴望去做一些别人从未做过的事情，做一些如果我们不做，别人也不会做的事情。当我们选择这样的道路时，我们深知其中的艰难与挑战，但正是这些挑战，让我们的人生变得更有意义，让我们的贡献更加独特。 这就是英伟达，这就是我们对待机遇、威胁和挑战的方式。

当然，理解生命的奥秘，用计算机进行药物发现，这无疑是一个极其艰巨的挑战。然而，我相信，在我们这一代人的有生之年，我们有能力为这个领域带来实质性的突破。

正如我们之前所强调的，算法、算力和方法论是三大核心要素。

在大规模场景下，这更像是特定领域的专业知识范畴。值得强调的是，我们在其中的 两个关键要素上 能够提供极其深入的见解和贡献。鉴于我们并未拥有，也并不渴望拥有这种特定的领域专业知识， 我们更愿意成为值得信赖的合作伙伴。

我们的愿景是助力未来的每一辆车实现自动驾驶，以确保它们能达到尽可能高的安全标准。然而，我们并无成为汽车公司的意图。

我们渴望推动人工智能在安全、速度和效能上实现显著的进步。但与此同时，我们 并非意在运营或提供大语言模型服务。

请注意，在诸多领域和行业，正如各位所提及的， 我们并不寻求成为行业的引领者。

相反，我们期待行业内出现领军者，这样我们才能专注于我们独特的价值贡献。

因此，我相信在我们所提及的三个核心支柱的交集之处，我们能够发挥真正卓越的作用。你们凭借深厚的领域专业知识、对方法论的满腔热情以及开拓精神，致力于实现这一切。因此，我非常欣赏你们这样的人，你们的努力，以及你们本身。我认为这极其出色。

吉布森： 谈及合作，我们的团队曾夜以继日地工作，甚至睡在数据中心的地板上，只为在短短三周内完成相关设置。而你们的团队也展现出了同样的努力。我时常想，如果我们不睡觉，持续工作，是否能在更短的时间内完成这项任务。现在，我们的成果——Biofarma中最快的超级计算机，已经诞生。你是否惊讶于这款超级计算机是由我们这样的小公司而非大型生物制药公司建造并运营？

黄仁勋： 当我走进去时，我意识到，这就是我们的超级计算机所在的地方。英伟达是 首个为自己制造超级计算机的芯片公司 ，事实证明这是一个明智的决策。同样，特斯拉作为汽车公司涉足超级计算机领域，也是一个值得借鉴的例子。还有很多其他类似案例。

简而言之，我们是否相信， 仅凭有原则的模拟 ，就能从某些事物中发掘出知识呢？

过去，我们曾认为拥有足够的超级计算能力就可以模拟人体，但如今， 我们已基本放弃了这个想法。

我们的视角已经发生了转变，不是吗？曾经，我甚至怀揣着这样的梦想：拥有足够强大的超级计算机，能够按分钟为单位模拟全球每一个区域的天气，精确到公里甚至几百米的范围。

然而，如今我们认识到，即使借助英伟达的先进加速计算系统，要达到那样的规模仍需要超出我们想象的十亿倍的计算能力，这恐怕 还需几十年 的时间方能实现。尽管如此，我仍抱有期望，期望在有生之年能够见证这一奇迹的诞生。

在我们解决问题的过程中，例如，在计算机图形领域，我们采用了一种名为光线追踪的技术。

曾经，我们认为光线追踪的实现还需要漫长的三十年。但如今，我们已经拥有了更为先进的路径追踪技术。我们解决问题的方法不仅高效，而且效果卓越。我们以模拟一个像素为起点，然后利用人工智能去预测其余64个像素的情况。在应对气候问题时，我们也采用了类似的策略。我们深知 物理原理 的重要性，因此无需通过蛮力去模拟每一个蛋白质和每一个细胞的物理过程。

显然， 我们无需逐一模拟每一个物理过程 。我们深知天气的物理原理，无需模拟每一平方公里的具体物理状态。我们可以教导人工智能去预测这些物理现象，让智能算法去完成这一任务。

要知道，我们的目标并非深入理解天气的因果关系，我们已然理解这些关系，我们真正关心的是今天下午的天气状况。你理解我的意思吗？这代表了一个根本性的转变， 一个巨大的思维跨越 。

我们了解事物的因果关系 ，渴望知道这些因果如何影响人的生活、疾病的发展等。如何治愈某些疾病？我们或许已掌握其背后的基础生物学原理。然而，多组学的复杂性使得全面理解变得异常困难。尽管我们理解生物学的基本原理，但在更广泛的层面和更复杂的内部关系中，理解起来却极为困难。这时，我们需要借助其他类型的算法，即 人工智能 ，来助我们一臂之力。

如果你坚信你的公司本质上致力于智能的创造，那么你的公司不仅是在生产药物，更是在孕育智能，这种智能最终将促进药物的研发。

如果智能的放大就是这样一个过程—— 被发现、被增强、被应用 ，那么你的工具箱中怎能缺少智能的工具？当你从 第一性原理 出发进行思考时，能够这样思考的人往往能够迈出关键的一步。

即使这些想法之前从未有人尝试过，如果它们是真实的，且你从根本上坚信它们的价值，那么这并不意味着你应该止步不前。

相反，这正是你应该勇往直前的理由。我们正是以这种方式去理解和推动事物的发展。我相信，大多数的先驱、领导者和创新者都是如此思考的。

吉布森： 回顾英伟达30年前创立之初，我们曾面对众多分析师、投资者、倡导者，以及不少创始人，甚至我们内部也有许多未来潜在的创始人的质疑。尽管如此，你们始终坚守着第一性原理的指引。作为创始人、早期员工、有远见的领导者和先驱，你们是如何在重重怀疑之下，持续几十年坚定信念，不断推动公司建设的呢？

黄仁勋： 首先，我们 始终努力根据第一性原理来思考和判断事物 。但有些时候，第一性原理可能并不那么显而易见，因为我们可能尚未完全理解其中的奥秘，这时就 需要一点信仰的飞跃 ，坚信某些事情必然如此。

这些信仰或推理并非凭空而来，它们源于我们的外部信息、我们了解的知识，以及我们对这些知识的理解和运用。

如果事实本身没有发生改变，那么我们为何需要改变我们的信仰呢？如果事实保持不变，就像我们都是这个巨大深度学习模型中的通用函数逼近算法（universal function approximator）一样，只要输入没有变化，输出又怎会改变呢？因此，我始终秉持这样的信念，不断挑战和审视自己的推理， 事实上，我几乎每天都在这样做 。

接下来，我仔细审视着我们提出的许多假设，因为你知道，这些假设与我们众多员工的辛勤工作和利益相关。

因此，我们必须对这些假设进行深思熟虑的推理，但 同时也要不断地检验和再检验它们 。如果事实没有发生变化，我们就需要明白，为何我们会停止相信那些曾经深信不疑的事物。所以，在坚守信念的同时，我们也追求尽可能全面的了解，尽可能理性的推理，并始终回归第一性原理。

最终，所有伟大的成就都离不开那一步信仰的飞跃。

如果某个想法对每个人来说都显而易见，那么它早已被实现。而正是那些勇于迈出这一步的人，推动了世界的进步。

所以，我们深信第一性原理，即 通用计算这一普适工具不可能适用于所有类型的计算 。

以CPU为例，算术逻辑单元（ALU）只占据了很小一部分计算资源，就像一个公司中只有3%的工程师在真正工作，其余97%都是管理开销。这揭示了通用计算的本质，而我们的第一性原理告诉我们，它并不是最合理的选择。

我们 并非试图取代通用计算 ，因为CPU有其存在的意义。

我们自己也设计了许多CPU，它们在其擅长的领域非常有用。但为何我们不能在此基础上增加更多功能呢？我们称之为 “加速计算” ，而不是“并行计算”。因为并行计算通常与顺序计算相对，它涉及单线程和多线程的代码执行。

我们基于第一性原理进行推理，如果我们能找到一种方法，让计算机的本质和所有计算机都具备这些特性，并设计出一个能够妥善处理这种复杂性的编程模型，那么我们就能够真正改变计算的未来。 从一开始，我们就坚信这一点。