英伟达CEO黄仁勋参加了印度人工智能峰会,并在会上发表了人工智能如何推动创新、经济增长和全球领导力的演讲。
黄仁勋强调,IT行业正在经历一场根本性的变化,这种变化的规模和深远影响可以与1964年IBM System/360引入通用计算概念时相提并论。1964年,IBM System/360的问世不仅定义了IT行业,还引入了通用计算的理念,包括中央处理单元、I/O子系统、多任务处理、硬件与应用软件的分离,以及通过操作系统实现的家族兼容性,这些概念构成了现代计算机工业的基石,使得软件投资和硬件架构的兼容性得以延续,为后续的技术发展和投资保护提供了框架。
如今,我们再次站在了一个新的技术转折点上。过去几十年间,IT行业一直依赖于摩尔定律(Moore's Law)所描述的硬件性能的指数级增长,这种增长使得软件能够在不需要改变的情况下,每年通过硬件性能的提升而获得成倍的性能增长。然而,黄仁勋指出,CPU的扩展已经达到了物理极限,摩尔定律的免费乘车时代已经结束,我们不能再依赖于硬件性能的自然增长来推动软件和计算体验的进步,否则我们将面临计算成本的上升,而不是下降。
在这种背景下,英伟达通过加速计算来增强通用计算的能力,特别是对于那些计算密集型的应用。通过CUDA编程模型,英伟达使得应用程序能够获得巨大的加速,这种加速的效果对于某些应用来说,具有与摩尔定律相似的效益,这种加速计算的能力,使得原本不可能或不切实际的任务变得可行,比如实时计算机图形的实现,就是英伟达进入市场并推动GPU作为第一个加速计算架构的直接结果。
黄仁勋进一步解释说,英伟达在过去30年的旅程中,一直致力于加速一个又一个应用领域。从计算机图形学开始,英伟达的计算架构已经扩展到了多个行业,包括半导体制造、计算光刻、仿真、CAE、5G无线电等,这种加速计算的普及,使得英伟达的技术几乎覆盖了每一个重要的行业。随着加速计算达到临界点,我们看到了人工智能和深度学习在各个领域的应用,从计算机视觉到自然语言处理,深度学习正在推动计算机行业进入一个新的时代,他认为,深度学习的应用和影响是如此深远,以至于它可能会改变计算堆栈的每一层,从而重新定义计算本身。
黄仁勋强调了深度学习对计算机行业带来的深远影响,尤其是AlexNet在计算机视觉领域所实现的突破性进展(AlexNet,由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年提出)。AlexNet的出现不仅在性能上实现了巨大飞跃,更让世界见证了深度学习的潜力和力量,这一技术的发展,使得计算机视觉领域迎来了革命性的变化,也为深度学习在其他领域的应用提供了可能。他认为,这种技术不仅仅局限于计算机视觉,还可以扩展到更多的问题解决中,深度学习的核心在于通过构建复杂的神经网络模型,使计算机能够从大量数据中学习和提取模式,从而实现对未知数据的预测和决策,这种能力使得深度学习成为了推动计算行业发展的新引擎。
他提到,如果深度学习能够被应用于更广泛的问题,那么它将改变整个计算堆栈。这意味着,从硬件的设计到软件的开发,再到应用的实现,都需要围绕深度学习进行重新思考和构建。深度学习需要强大的计算能力,这推动了对高性能计算硬件的需求,如GPU的发展,同时,软件层面也需要适应这种新的计算模式,开发出能够充分利用深度学习模型的应用程序,黄仁勋认为,深度学习的发展不仅仅是技术层面的革新,它还可能引发整个IT行业的结构性变革。随着深度学习技术的不断进步,我们将会看到更多的行业和领域开始采用这种技术,从而实现更高效、更智能的数据处理和决策制定,这种变革将会是全方位的,从数据中心的构建到边缘计算的实现,从云计算到物联网,深度学习都将扮演着至关重要的角色。
黄仁勋详细阐述了软件1.0到软件2.0的演变过程。在软件1.0时代,软件开发主要是由程序员编写算法和函数,这些代码被用来处理输入信息并预测输出结果。这是一种非常经典的计算机模型,程序员需要精通各种编程语言,如Python、C、Fortran、Pascal或C++,来构建能够在计算机上运行的算法,这种方法不仅催生了世界上最大的产业之一,也使得编程成为了一个独立的行业,尤其是在印度,软件生产和编程成为了经济增长的重要驱动力。
然而,随着机器学习的出现,软件开发的方式发生了根本性的变化。在软件2.0时代,计算机不再仅仅执行人类编写的代码,而是开始自己学习并编写软件,这个过程涉及到使用机器学习技术,让计算机通过分析和学习大量观察到的数据中的模式和关系,从而学会预测输出的函数。这种方法实际上是在设计一个通用函数逼近器,使用机器来学习预期的输出,从而产生这样的函数,黄仁勋强调,这种转变意味着软件的编写者从人类程序员变为了计算机本身。在模型训练完成后,就可以进行推理,将函数应用于新的、未观察到的输入数据,这种基于机器学习的方法,使得软件行业从编码转向了创建人工智能,并且从在CPU上运行的软件转变为在GPU上运行的最佳神经网络。
这种从软件1.0到软件2.0的转变,不仅仅是技术层面的演进,更是整个计算堆栈的彻底重构,硬件、软件开发方式以及软件能做的事情都发生了根本性的变化。这种技术变革使得英伟达从制造GPU的公司转变为制造能够处理大规模数据并从中学习的大型AI超级计算机的公司,这种转变不仅影响了英伟达,也影响了整个IT行业,因为现在每个行业都在向AI转型,每个公司都在寻求利用AI来提升其业务能力和效率,通过这种方式,AI正在成为推动全球经济增长和创新的新引擎。
黄仁勋在演讲中特别强调了物理AI的重要性,他认为这是未来技术发展的关键方向。物理AI不仅仅是关于软件和算法,它还涉及到与现实世界互动的硬件,比如机器人和自动驾驶汽车,这些技术需要能够理解和适应物理世界,而不仅仅是处理数字信息。为了支持物理AI的开发,英伟达构建了三台专门的计算机:DGX、Omniverse和Jetson AGX。
DGX是专为AI训练而设计的超级计算机,它能够处理大规模的数据集,训练复杂的深度学习模型。黄仁勋提到,DGX是英伟达对AI未来愿景的体现,它不仅能够加速模型的训练,还能够处理多模态能力、强化学习能力和合成数据生成能力,这些能力对于训练更大型、更复杂的AI模型至关重要。
Omniverse则是一个基于物理的操作系统,用于物理AI模拟。它可以让开发者在一个虚拟世界中测试和训练机器人,这个世界遵循物理定律,使得机器人能够在一个安全的环境中学习和完善技能。Omniverse提供了一个数字孪生平台,使得工厂和工业环境能够在虚拟中进行模拟,从而在实际部署之前验证和优化操作。
Jetson AGX是英伟达为机器人和自动驾驶车辆设计的计算平台,它将AI模型从训练环境带到实际应用中,使得这些模型能够在真实世界中运行,控制机器人的动作和决策。Jetson AGX的强大计算能力使其能够在边缘设备上实时处理复杂的AI任务,这对于需要快速响应的物理AI应用至关重要。
黄仁勋强调,这三台计算机共同构成了英伟达对物理AI的全面支持。DGX负责模型的训练,Omniverse负责模型的模拟和微调,而Jetson AGX则负责将训练好的模型部署到实际的物理设备中。这种从训练到部署的完整解决方案,使得英伟达能够在物理AI领域保持领先地位,并帮助开发者和企业构建下一代的智能系统,通过这些技术,英伟达正在推动工业、交通和机器人技术的进步,为全球的数字化转型提供动力。
好文章,需要你的鼓励
年初时,整个存储行业依然处于低迷期,但随着AI需求的迅猛上升,存储需求也随之激增,推动了行业的快速复苏与发展。这一波技术创新与市场需求的双重浪潮,给Solidigm带来了前所未有的机遇,也考验着其应对行业变革的能力。
艾斯本不断推陈出新,依托丰富的行业经验,推出了包括绩效工程、制造与供应链、资产绩效管理、地下科学与工程、数字电网管理和工业数据结构在内的六大解决方案。更值得一提的是艾斯本提出的“工业AI”理念,正以有型的投资回报率,推动客户实现价值跃升。
智谱AI率先推出了 AutoGLM,试图打造一款能够理解、规划、执行,并最终实现“无人驾驶”操作系统的 AI Agent。
该处理器采用16nm工艺技术设计,拥有 48 个ARM Cortex-A75内核,六通道DDR4 3200 MHz 内存 - 每插槽高达 768 GB(每通道 128 GB)