公开访谈 · 黄仁勋
黄仁勋在斯坦福 SIEPR 的对谈
先看这几个判断
共 8 条重点- 01他称过去十年深度学习计算成本下降了约一百万倍，并认为降低计算成本会扩大使用量，催生大语言模型这样的新用途。 →
- 02未来 AI 将持续学习，训练与推理逐步融为一个循环，同时结合真实世界互动和实时生成的合成数据。 →
- 03未来 AI 将从即时问答扩展到长时间推理和规划，用户可以指定完成时限或计算预算。 →
其余 5 条重点
- 04如果把 AGI 定义为通过一份明确的人类考试清单，他预计五年内可以做到；如果定义为具备完整的人类智能，他认为目前无法给出时间判断。 →
- 05数据中心应比较总运营成本，NVIDIA 的目标是提供足够多的系统价值，使竞争芯片即使免费也不具成本优势。 →
- 06AI 在药物发现中的基础性作用，是理解生物信息的意义和功能，进一步实现对蛋白质、细胞等多组学信息的交互式理解。 →
- 07他并不反对学习编程，认为编程仍有推理价值、程序员仍然重要且 NVIDIA 需要程序员，但会编程不保证就业；随着编程方式改变，编程的价值可能降低。 →
- 08各国正在认识到需要掌握自己的数字智能、语言和文化，主权 AI 因而成为新的建设方向，也为 NVIDIA 带来机会。 →
访谈导读 · 忠实转述
在这场 2024 年 3 月的访谈中，黄仁勋把 AI 的进展归于加速计算降低深度学习成本，并强调芯片、算法、网络与数据中心协同，评价系统时应看部署速度、利用率和总运营成本，而非只看芯片价格。他认为推理竞争还取决于平台的部署覆盖与兼容性；NVIDIA 虽与自研芯片客户竞争，仍愿展示路线图，并倾向复用既有平台做定制。他同时谈到多模态与物理约束、较长时间的规划推理、蛋白质及细胞功能理解、自然语言交互，以及主权 AI 带来的需求。谈及组织，他强调韧性、持续反馈和信息流动。关于 AGI 的五年判断仅以明确考试清单为条件，他对完整人类智能没有给出期限；关于更多晶圆厂的需求，也没有给出数量，并指出效率改进会抵消部分需求增长。
访谈观点
嘉宾观点 · 忠实转述
正在阅读 8 条重点，保留原观点编号。
观点目录 · 8 条 选择一条，跳转阅读
AI 在药物发现中的基础性作用，是理解生物信息的意义和功能，进一步实现对蛋白质、细胞等多组学信息的交互式理解。
他认为从氨基酸序列推断蛋白质结构只是一步，更关键的问题是蛋白质做什么，以及更复杂的生物信息意味着什么；一旦理解其意义，科学家和工程师就能继续应用。
他的未来判断
他希望未来能像向文档提问一样，把蛋白质或细胞信息交给 AI，询问其功能与作用机制。
延伸分析
如果模型对生物功能的解释能经实验验证，交互式研究工具可能帮助提出和筛选假设；对话能力本身不能证明机制解释正确。
相关领域：AI 生物学研究
后续观察
- 功能预测的实验验证
- 多组学模型的可重复性
嘉宾未来判断汇总 · 忠实转述
黄仁勋认为 AI 很可能是二十一世纪最重要的技术，并预计从访谈时点起未来十年深度学习计算能力再提高约一百万倍，由此推动更便宜的计算、持续学习，以及训练、推理和应用的融合；学习结果是否部署仍可单独决定。他预期 AI 将拓展长时间规划，用户可指定时限或预算；若 AGI 仅指通过明确的人类考试清单，他猜测约五年内会表现良好，但对具备完整人类智能的时间不确定。他还预计大部分计算转向生成式、通用计算数据中心最终改造、更多晶圆厂会被需要，但未给出改造日期或产能数量；自然语言交互和主权 AI 投入也会扩大。
延伸分析汇总
条件式 AI 分析：若单位计算成本下降确实带来更多用途和总用量，且新增需求超过效率提升带来的资源节省，计算系统、数据中心改造与制造产能需求可能增加；收入或产能缺口仍须结合价格、任务效率、部署进度核算。若跨任务可编程性、平台覆盖和系统总运营成本优势持续成立，可能影响客户在外购与自研之间的配置；这一优势不能仅凭受访者陈述确证。技术限制与主权 AI 建设可能同时改变不同地区的机会，净影响需看具体政策和项目落地。以上均为基于受访观点的推演，并非他的市场预测或投资建议。