3.48萬億美元總市值的全球科技巨頭最新發聲了！
1月23日，在今日香港科技大學學位頒授典禮上，創始人兼執行長發表演講。黃仁勳表示，人工智慧打開了一個全新的計算時代，將影響每一個科學領域每一個行業。人工智慧正在徹底改變科學，人工智慧正在以驚人的規模幫助分析資料、加速模擬、實時控制實驗、構建預測模型，從而徹底改變了從藥物研發、基因組學、其後科學等多個領域。
談及英偉達與中國的關係，黃仁勳指出，公司25年前進入中國市場，在香港、上海、北京和深圳設立了研究中心，吸引了許多香港科技大學校友參與合作。他說：“從一開始，我們就有幸見證了中國令人驚歎的科技產業的形成。”
在沈向洋提到：當智慧的物理層面變得日益重要時，比如機器人——尤其是自動駕駛汽車這一特殊型別的機器人——你對這些物理智慧實體在我們生活中快速湧現的趨勢有何看法？在我們的職場生活中，應如何把握並利用硬體生態系統的巨大潛力？
黃仁勳稱，這對中國和整個大灣區而言，都是一個絕佳的機會。原因在於，這個區域在機電一體化領域，即機械與電子技術的融合方面，已經具備了相當高的水平。然而，對於機器人而言，一個關鍵的缺失是理解物理世界的AI。當前的大語言模型，例如ChatGPT，擅長理解認知層面的知識和智慧，卻對物理智慧知之甚少。例如，它可能不明白為何放下杯子時，杯子不會穿過桌子。因此，我們需要教導AI理解物理智慧。他說：“如果你深入思考，就會發現，大灣區是世界上唯一一個同時擁有機電技術和人工智慧技術的地區。在其他地方，這種情況並不存在。另外兩個機電工業強國是日本和德國，但遺憾的是，它們在人工智慧技術方面遠遠落後，真的需要迎頭趕上。而在這裡，我們擁有獨一無二的機會，我會緊緊抓住這個機遇。”
“我們重新定義了計算堆疊的每一層，從基於邏輯和規則編寫的軟體到基於觀察資料的機器需東西，從執行在CPU上的程式碼到執行在GPU上的神經網路。軟體行業正在競相採用機器學習和生成式人工智慧演算法，硬體行業則在競相實萬億美元的傳統計算基礎設施的現代化。” 黃仁勳說。
黃仁勳在演講中說到：“我是香港科技大學的榮譽校友，很高興今天能和所有畢業生慶祝這個非凡的里程碑，這是你們人生中一個重要旅途的開始。”他特別提到，香港科技大學作為人工智慧與資料科學的領先研究機構，為全球人工智慧研究作出了卓越貢獻。同時，港科大在創新和創業領域表現出色，為粵港澳大灣區培育了豐厚的創業土壤。
黃仁勳認為，人工智慧正在掀起科學革命，並改變著藥物發現、物理系統研究等領域的方式。他補充道：“人工智慧無疑是我們這個時代最重要的技術。我為你們感到興奮，我也希望我能在這個時候開始我的職業生涯，現在整個世界正在被重置，你們正在起跑線上。我也希望你們中的很多人有一天會加入英偉達。”
此外，黃仁勳還呼籲保護全球科研合作：“開放研究是現代科學的奇蹟，也是全球合作的最終形式，我們必須保護它。”他提到，英偉達受益於在中國的佈局，並鼓勵港科大畢業生未來加入英偉達，共同推動人工智慧行業的發展。
值得一提的是，授予儀式結束後，黃仁勳與香港科技大學校董會主席沈向洋對話，探討關於技術、領導力和創業的故事。
在此前一天，11月22日，在IDEA研究院主辦的2024年IDEA大會上，IDEA研究院創院理事長、美國國家工程院外籍院士沈向洋表示，在技術大爆發時期開展創新，對技術的深度理解尤為重要。從通用視覺感知到具身智慧，從合成數據到大模型價值創造，從AI for Science到AI for Coding……當天，IDEA大會公佈了一系列前沿研究與產業落地成果，帶來從技術突破到產業融合的AI創新實踐。沈向洋指出，在技術大爆發時期開展創新，對技術的深度理解尤為重要。而“深圳是一座用迭代軟體的速度迭代硬體的城市。”
沈向洋還在現場透露，11月23日黃仁勳會到香港科技大學接受榮譽博士學位的授予，而他準備現在和黃仁勳討論一些關於技術、領導力和創業的故事，特別是在針對算力發展的問題，探討未來十年還會不會像過去十年那樣能夠達到100萬倍的增長。
今天，深圳夢特別轉錄沈向洋與黃仁勳最新萬字對話《英偉達十年將計算邊際成本降低100萬倍》。
黃仁勳最新萬字對話：英偉達十年將計算邊際成本降低100萬倍
11月23日，在香港科技大學週六舉行的博士學位授予儀式上，英偉達創始人兼執行長黃仁勳被授予工程學榮譽博士學位。授予儀式結束後，黃仁勳與香港科技大學校董會主席沈向洋對話，探討關於技術、領導力和創業的故事。
以下為對話全文：
沈向洋：昨晚我輾轉難眠，其中一個極為關鍵的原因在於，我亟欲向諸位引薦這位宇宙間最卓越的執行長。但我心中也暗自為貴公司擔憂，畢竟昨晚蘋果股價上揚，而英偉達的表現卻略顯遜色。我已迫不及待想要知曉股市收盤的結果！今晨醒來，我第一時間詢問妻子英偉達是否挺住了。你在人工智慧領域領航已久，能否再談談對人工智慧的看法，以及這項技術，或是AGI（通用人工智慧）可能帶來的影響？
黃仁勳：正如你所瞭解的，當人工智慧網路能夠學習並掌握從位元組、語言、影象到蛋白質序列等多種資料的理解時，一場變革性、開創性的能力便應運而生了。我們突然間擁有了能夠理解單詞內涵的計算機。得益於生成式AI，資訊得以在不同模式間自由轉換，比如從文字到影象、從蛋白質到文字、從文字到蛋白質，乃至從文字到化學品等。這一原本作為函式逼近器（Function Approximator，數學領域的重要概念，用於多個領域）及語言翻譯器而存在的工具，如今所面對的問題是，我們如何能充分利用它？你見證了全球範圍內創業公司如雨後春筍般湧現，它們結合了這些不同的模型與能力，展現出無限可能。
因此，我認為真正令人驚歎的突破在於，我們現在能夠理解資訊的真正意義。這意味著，作為數字生物學家，你能理解所觀資料的含義，從而於萬千資料中精準捕捉到關鍵資訊；作為英偉達的晶片設計師、系統設計師，或是農業技術人員、氣候科學家、能源領域的研究者，在探尋新材料的過程中，這無疑是開創性的壯舉。
沈向洋：如今，通用翻譯器的概念已然成形，它賦予我們理解世間萬物的能力。許多人都聽你描述過人工智慧對社會的驚人影響。那些觀點深深觸動了我，甚至在某些方面讓我感到震撼。回顧歷史，農業革命讓我們生產出了更多的食物，工業革命則讓我們的鋼鐵產量大幅提升。進入資訊科技時代，資訊的數量更是爆炸式增長。而今，在這個智慧時代，英偉達與人工智慧正攜手“製造”智慧。你能進一步闡述為何這項工作如此重要嗎？
黃仁勳：從計算機科學的視角來看，我們重新發明了整個堆疊。這意味著，我們過去開發軟體的方式已經發生了根本性的變化。提及計算機科學，軟體開發自然是不可或缺的一環，它是如何實現的，這至關重要。
以往，我們依靠手工編寫軟體，憑藉想象力和創造力構思功能、設計算法，然後將其轉化為程式碼，輸入電腦。從Fortran到Pascal，再到C語言和C++，這些程式語言讓我們得以用程式碼來表達創意。程式碼在CPU上執行得很好，我們向計算機輸入資料，詢問它從中發現了什麼函式，透過觀察我們提供的資料，計算機能夠識別出其中的模式和關係。
然而，現在的情況已經有所不同，我們不再依賴於傳統的程式碼編寫方式，而是轉向了機器學習和機器生成。這不再是簡單的軟體問題，而是涉及到了機器學習，它生成神經網路，並在GPU上進行處理。這一轉變，從編碼到機器學習，從CPU到GPU，標誌著一個全新的時代的到來。
而且，由於GPU的功能異常強大，我們現在能夠開發的軟體型別堪稱非凡，而在這一強大基礎之上，則是人工智慧的蓬勃發展。這正是其出現所帶來的變革，計算機科學因此發生了巨大變化。現在，我們需要思考的是，這樣的變化將如何影響我們的行業？我們都在競相利用機器學習去探索新的人工智慧領域。那麼，究竟什麼是人工智慧呢？這其實是一個大家耳熟能詳的概念，即認知自動化和解決問題自動化。解決問題的自動化可以歸結為三個核心概念：觀察並感知環境，理解並推理環境，然後提出並執行計劃。
例如，在自動駕駛汽車中，車輛可以感知周圍環境，推理自身及周圍車輛的位置，最後規劃出行駛路線。這其實就是一種數字司機的表現形式。同樣地，在醫療領域，我們可以觀察CT掃描影象，理解並推理出影象中的資訊，如果發現異常，可能代表著腫瘤的存在，然後我們可以標記出來並告知放射科醫生。此時，我們就扮演了數字放射科醫生的角色。在我們所做的幾乎每一件事情中，都可以找到與人工智慧相關的應用，它們能夠出色地完成特定的任務。
如果我們擁有足夠多的數字智慧體，並且這些智慧體能夠與產生這些數字資訊的計算機進行互動，那麼這就構成了數字人工智慧。然而，目前我們所有人對資料中心的總體消耗，雖然看似龐大，但資料中心主要是在生產一種名為“Token”的東西，而並非真正的數字智慧。
我可以解釋一下這兩者之間的區別。300年前，通用電氣公司和西屋電氣公司發明了一種新型儀器——發電機，並最終演化為交流發電機。他們非常明智地創造了一種“消費者”來消費他們所生產的電力，這些“消費者”包括燈泡、烤麵包機等電器裝置。當然，他們還創造了各種各樣的數位裝置或電器，這些裝置都需要消耗電力。
現在，來看看我們正在做的事情。我們正在建立Copilots、ChatGPT等智慧工具，這些都是我們創造出的不同型別的智慧“消費者”，它們實際上就像燈泡和烤麵包機一樣，是消耗能量的裝置。但想象一下，那些令人驚歎的、我們所有人都會使用的智慧裝置，它們將連線到一個新的工廠。這個工廠曾經是交流電發電廠，但現在，新的工廠將是數字智慧工廠。
從工業的角度來看，我們實際上正在創造一個新的產業，這個產業在吸收能量併產生數字智慧，而這些數字智慧可以被應用於各種不同的場景。我們相信，這個數字智慧產業的消耗量將是巨大的，而這個行業在以前是不存在的，就像交流電發電行業在以前也不存在一樣。
沈向洋：你為我們勾勒了一幅充滿希望的光明未來，而這在很大程度上得益於你和英偉達在過去十多年間對該領域的卓越貢獻。摩爾定律在業界一直備受矚目，而近年來，“黃氏定律”逐漸為人們所熟悉。在早期的計算機行業中，英特爾提出的摩爾定律曾預言計算能力每18個月翻倍。然而，在過去10到12年間，特別是在你的引領下，計算能力的增長速度甚至超越了這一預測，實現了每年翻倍甚至更高速度的增長。
從消費端觀察，大語言模型在過去12年裡的計算需求每年都以四倍以上的速度激增。若以此速度持續10年，計算需求的增長將是一個驚人的數字——高達100萬倍。這也正是我向他人闡釋英偉達股價在過去10年間上漲300倍原因時的重要論據。考慮到計算需求的這一巨大增長，英偉達的股價或許並不顯得高昂。那麼，當你運用你的“水晶球”預測未來時，你認為在接下來的10年裡，我們是否還會見證計算需求再次實現100萬倍的增長呢？
黃仁勳：摩爾定律依賴於兩個核心概念：一是超大規模積體電路（VLSI）的設計原理，它是受到我、加州理工大學的卡弗·米德教授（Carver Mead）以及林恩·康威教授 (Lynn Conway )的著作啟發的，這些著作激勵了整整一代人；二是隨著電晶體尺寸的不斷縮小，我們得以每隔一段時間就將半導體的效能提升一倍，大約每一年半就能實現一次效能翻倍，因此每五年效能提升可達10倍，每十年更是能提升100倍。
我們正身處一個趨勢之中：神經網路的規模越大，用於訓練的資料量越多，AI似乎就表現得越智慧。這一經驗法則與摩爾定律有著異曲同工之妙，我們不妨稱之為“規模定律（Scaling Law）”，且這一定律似乎仍在持續發揮作用。然而，我們也清醒地認識到，僅僅依靠預訓練——即利用全球範圍內的海量資料自動挖掘知識——是遠遠不夠的。正如大學畢業是一個至關重要的里程碑，但它絕不是終點。接下來，還有後訓練階段，也就是深入鑽研某一特定技能，這要求強化學習、人類反饋、AI反饋、合成數據生成以及多路徑學習等多種技巧的綜合運用。簡而言之，後訓練就是選定一個特定領域，並致力於對其進行深度鑽研。這就像當我們步入職業生涯後，會進行大量的專業學習和實踐。
而在這之後，我們最終會迎來所謂的“思考”階段，也就是所謂的測試時間計算。有些事情你一眼就能看出答案，而有些則需要我們將其拆解成多個步驟，並從第一性原理出發，逐一尋找解決方案。這可能需要我們進行多次迭代，模擬各種可能的結果，因為並非所有答案都是可預測的。因此，我們稱之為思考，且思考的時間越長，答案的質量往往越高。而大量的計算資源將助力我們產出更高質量的答案。
雖然今天的答案已是我們所能提供的最佳結果，但我們仍在尋求一個臨界點，即所得到的答案不再侷限於我們當前所能提供的最佳水平。在這一點上，你需要判斷答案是否真實可靠、是否有意義且明智。我們必須達到這樣一個境界，即所得到的答案在很大程度上是值得信賴的。我認為，這還需要數年的時間才能實現。
與此同時，我們仍需不斷提升計算能力。正如你之前所提到的，過去十年裡，我們將計算效能提升了100萬倍。而英偉達的貢獻在於，我們將計算的邊際成本降低了同樣的幅度。想象一下，如果生活中有你所依賴的事物，如電力或其他任何選擇，當它的成本降低了100萬倍時，你的行為習慣將會發生根本性的變化。
對於計算，我們的看法也已經發生了翻天覆地的變化，而這正是英偉達有史以來最偉大的成就之一。我們利用機器去學習海量的資料，這是研究人員無法單獨完成的任務，而這正是機器學習能夠取得成功的關鍵所在。
沈向洋：我迫切希望聽聽你的看法，香港在當前機遇中應如何作為。現在，一個特別令人興奮的事情是“AI for Science”，而你對此一直抱有極大的熱情。香港科技大學已經投入了大量的計算基礎設施和GPU資源，我們特別重視推動各院系之間的合作，如物理與計算機科學、材料科學與計算機科學、生物學與計算機科學等領域的交叉融合。你之前也深入探討了生物學的未來。另外，值得一提的是，香港政府已決定建立第三所醫學院，而香港科技大學是首個提交這個提案的高校。那麼，對於校長、我本人以及整個大學而言，你有什麼建議？
黃仁勳：首先，我在2018年的超算大會上曾介紹過人工智慧，但當時遭遇了諸多質疑。原因在於，那時的人工智慧更像是一個“黑箱”。誠然，時至今日，它依然在一定程度上保持著“黑箱”的特性，但已比過去更加透明。
比如，你我皆為“黑箱”，但現在我們可以向AI發問：“你為何提出這樣的建議？”或者“請逐步闡述你得出這一結論的過程。”透過此類提問，AI正變得愈發透明和易於解釋。因為我們可以藉助問題來探究其思考過程，正如教授們透過提問來洞察學生的思考過程一樣。重要的不僅僅是獲取答案，更在於答案的合理性以及是否基於第一性原理。這在2018年是無法做到的。
其次，AI目前尚未能從第一性原理中直接得出答案，它是透過觀察資料來學習和得出結論的。因此，它並非模擬第一性原理的求解器，而是在模仿智慧、模仿物理。那麼，這種模仿對科學而言是否有價值呢？我認為，其價值無可估量。因為在眾多科學領域，我們雖然理解第一性原理，如薛定諤方程、麥克斯韋方程等，但面對大型系統時，我們卻難以模擬和理解。因此，我們無法僅憑第一性原理進行求解，這在計算上存在侷限，甚至是不可能的。然而，我們可以利用AI，訓練它理解這些物理原理，並藉助其模擬大型系統，從而幫助我們理解這些系統。
那麼，這種應用具體在哪些方面能夠發揮作用呢？首先，人體生物學的尺度從奈米級開始，時間尺度則跨越納秒至年。在如此寬廣的尺度和時間跨度上，使用傳統求解器是根本無法實現的。現在的問題是，我們能否利用AI來模擬人體生物學，以便更深入地理解這些極其複雜的多尺度系統？
這樣，我們或許可以稱之為建立了一個人體生物學的數字孿生體。這正是我們寄予厚望之處。如今，我們或許已擁有了計算機科學技術，使數字生物學家、氣候科學家以及處理異常龐大複雜問題的科學家們能夠首次真正理解物理系統。這是我的期望，希望在這一交叉領域能夠實現這一願景。
提及你們的醫學院專案，對於香港科技大學而言，一所與眾不同的醫學院即將在這裡誕生，儘管這所大學的傳統專業領域是技術、計算機科學和人工智慧。這與世界上絕大多數醫學院截然不同，它們大多是在成為醫學院後，再嘗試引入人工智慧和技術，而這通常會面臨人們對其技術的懷疑和不信任。然而，你們卻有機會從頭開始，建立一個從一開始就與技術緊密相連的機構，並在這裡推動技術的不斷發展。這裡的人們深知技術的侷限性與潛力。我認為，這是一個千載難逢的機遇，希望你們能夠緊緊抓住。
沈向洋：我們當然會採納你的建議。香港科技大學一直以來在技術和創新方面有著卓越的表現，不斷推動計算機科學、工程、生物學等領域的前沿發展。因此，作為香港第三所醫學院，我們堅信自己能夠走出一條與眾不同的道路，將傳統的醫學培訓與我們在技術研究方面的優勢相結合。我確信，未來我們還會向你尋求更多的建議。不過，我想稍微改變一下話題，談談領導力。你是矽谷任期最長的CEO之一，可能已經遠超其他人，擔任英偉達CEO的時間已經長達30年或31年之久了吧？
黃仁勳：差不多32年了！
沈向洋：但你似乎從未感到疲倦。
黃仁勳：不，我其實感到非常累。今天早上到這裡的時候，我還說超級累。
沈向洋：但你依然在不斷前行。因此，我們當然想從你身上學到一些領導大型組織的經驗。你是如何領導英偉達這樣一個龐大組織的？它擁有數萬名員工、驚人的收入和大量的客戶，覆蓋面極廣。你是如何做到以如此驚人的效率領導這樣一個大型組織的？
黃仁勳：今天我想說，我感到非常驚訝。通常情況下，你只會看到計算生物學家或者商科學生，但今天我們看到的計算生物學家同時也是商科學生，這真是太棒了。我從未上過任何商業課程，也從未寫過商業計劃書，我完全不知道如何下手。我依賴於你們所有人來給予我幫助。
我要告訴你們的是，首先你們要儘可能多地去學習，而我也一直在不斷學習。其次，關於你們想全身心投入並視為一生事業的任何事情，最重要的是熱愛。將你所做的任何事情都視為你畢生的事業，而不是你的工作，我認為這種思維方式會在你的心中產生很大的不同。英偉達就是我的事業。
如果你想成為一家公司的CEO，你有很多東西要學，你必須不斷地重塑自己。世界一直在變化，你的公司和技術也一直在變化。你今天所知道的一切，將來都會有用，但還遠遠不夠，所以我基本上每天都在學習。我在乘飛機過來的路上，也在看YouTube，在和我的AI聊天。我找了一個人工智慧做導師，問很多問題。AI會給我一個答案，我會問它為什麼給出這個答案，讓它一步步地告訴我答案，以這種方式向我解釋，將這種推理應用到其他事情上，給我一些類比。有很多不同的學習方法，我利用AI。所以，有很多學習方法，但我要強調的是，你要不斷學習。
關於擔任CEO與領導者的心得，我總結了以下幾點：
首先，身為CEO及領導者，你無需扮演無所不知的全能角色。你必須堅定地相信自己所追求的目標，但這並不等同於你必須對每個細微之處都瞭如指掌。信心與確定性是兩個截然不同的概念。在追求目標的過程中，你可以滿懷信心地前進，同時開放心態，欣然接受並擁抱其中的不確定性。這種不確定性實際上為你提供了持續學習、不斷成長的空間。因此，要學會從不確定性中汲取力量，視其為推動你前行的朋友而非敵人。
其次，領導者確實需要展現出堅韌不拔的一面，因為周圍有許多人都在仰仗你的力量，並從你的堅定中汲取勇氣。然而，堅韌並不意味著你必須時刻隱藏自己的脆弱。在需要幫助時，不妨勇敢地尋求他人的支援。我始終秉持這一理念，無數次地向他人坦誠求助。脆弱並非軟弱的表現，不確定性也不是信心的缺失。在這個複雜多變的世界中，你既可以堅強自信地面對挑戰，也可以誠實地接納自己的脆弱和不確定性。
再者，作為領導者，你的決策應始終圍繞使命展開，以他人的福祉和成功為考量。只有當你的決策真正有利於他人時，你才能贏得他們的信任與尊重。無論是公司內部員工、合作伙伴，還是我們服務的整個生態體系，我始終在思考如何促進他們的成功，如何保障他們的利益。在決策過程中，我總是以他人的最佳利益為出發點，以此作為我們行動的指南。我認為這些可能很有幫助。
沈向洋：關於團隊合作，我有個很感興趣的問題想請教。你有60位直接下屬需要向你彙報工作，那麼你的員工會議是如何進行的？你是如何有效地管理這麼多高層管理人員的？這似乎體現了你獨特的領導風格。
黃仁勳：關鍵在於保持透明度。我會在大家面前明確地闡述我們的理由、目標以及我們需要採取的行動，我們一起協作制定策略。無論是什麼樣的策略，每個人都會在同一時間聽到。因為他們都一起參與了制定計劃，所以當公司要決定什麼事情時，都是大家一起商量好的，不是我一個人說了算，也不是我告訴他們要怎麼做。
我們共同討論，共同得出結論。我的職責就是確保每個人都接收到了同樣的資訊。我通常是最後一個發言的人，基於我們的討論結果，來明確方向和優先順序。如果存在任何不明確的地方，我會消除這些疑慮。一旦我們達成共識，都理解了策略，我就會基於大家都是成年人的事實來推進工作。我之前提到的關於我的行為準則——不斷學習、自信但擁抱不確定性——如果我不清楚，或者他們不清楚某些事情，我希望他們能夠主動說出來。如果他們需要幫助，我希望他們能夠向我們尋求支援。在這裡，沒有人會獨自面對失敗。
然後，當其他人看到我的行為模式——作為CEO、作為領導者，我可以展現脆弱的一面，我可以尋求幫助，我可以承認不確定性，我可以犯錯——他們就會明白他們同樣可以這樣做。我所期望的就是，如果他們需要幫助，就勇敢地說出來。但除此之外，我的團隊有60個人，他們都是各自領域的頂尖人才。在大多數情況下，他們並不需要我的幫助。
沈向洋：我必須說，你的管理方法確實成效顯著。你在學位授予儀式上的演講讓我記憶猶新，你提及了香港科技大學的諸多資料，特別是校友創立的初創公司數量，以及我們學校培育出的獨角獸企業和上市企業數量。這所大學確實以孕育新企業家和公司而著稱。然而，即便在這樣的環境下，我們今天仍有許多碩士生在此深造。你和你的團隊在非常年輕的時候便創立了自己的公司，並取得了今天這樣令人矚目的成功。那麼，對於我們的學生和教職員工，你有什麼建議呢？他們應該在何時、為何開啟自己的事業？除了你曾經向妻子許下在30歲前創辦公司的那個，你還有其他的建議嗎？
黃仁勳：那確實是我用來搭訕的小手段，並非真有其意。我16歲上大學，17歲時遇到了我的妻子，那時她19歲。作為班上最小的學生，面對250名同學中只有三個女孩的情況，而我又顯得像個孩子，所以必須學會一些吸引注意的技巧。我走向她，告訴她，雖然我看起來年輕，但她對我的第一印象肯定是我很聰明。於是，我鼓起勇氣說：“你想看看我的作業嗎？”
接著，我向她許下了一個承諾，我說：“如果你每個星期天都和我一起做作業，我保證你會得到全優的成績。”就這樣，每個星期天我們都能約會，並且一整天都在一起學習。為了讓她最終願意嫁給我，我還告訴她，到我30歲的時候——那時我才20歲——我會成為CEO。我完全不知道自己當時在說些什麼。後來，我們真的結婚了。所以，這就是我的全部建議，帶著一點幽默和真誠。
沈向洋：我從學生那裡收集到一個問題，他想知道：他在學校表現優異，但需要全神貫注於學習。他讀了你的愛情故事後，擔心如果自己也花時間談戀愛，會不會影響到學業。
黃仁勳：我的建議是，絕對不會。但前提是，你必須保持優異的成績。她（我的妻子）從未發現過這個小秘密，但我一直想讓她覺得我很聰明。所以，在她來之前，我就先把作業完成了。等到她來的時候，我已經知道了所有的答案。她可能一直以為我是個天才，而且整整四年都是這樣認為的。
沈向洋：有一位華盛頓大學教授在幾年前發表了一個觀點，他認為在深度學習這場革命中，像麻省理工學院（MIT）這樣的頂尖美國大學其實並沒有做出太多開創性的貢獻。當然，他並非僅指MIT，而是指出整個美國頂尖大學在過去十年裡的貢獻相對有限。相反，我們看到像微軟、OpenAI、谷歌的DeepMind這樣的頂尖公司取得了驚人的成果，其中一個重要原因就是它們擁有強大的計算能力。那麼，面對這樣的情況，我們應該如何應對？是不是應該考慮加入英偉達，或者與英偉達展開合作？作為我們的新盟友，你能給我們一些建議或者幫助嗎？
黃仁勳：你提到的這個問題確實觸及了大學當前面臨的一個嚴峻的結構性挑戰。我們都知道，如果沒有機器學習，我們就無法像今天這樣推動科學研究的快速發展。而機器學習又離不開強大的計算支援。這就像研究宇宙離不開射電望遠鏡，研究基本粒子離不開粒子加速器一樣。沒有這些工具，我們就無法深入探索未知領域。而今天的“科學儀器”就是AI超級計算機。
大學面臨的一個結構性問題是，研究人員通常都是自己籌集資金，一旦資金到手，他們就不太願意與他人分享資源。但機器學習有個特點，就是需要這些高效能計算機在某些時間段內被充分利用，而不是一直閒置。沒有人會一直佔用所有資源，但每個人在某個時候都需要巨大的計算能力。那麼，大學應該如何應對這個挑戰呢？我認為，大學應該成為基礎設施建設的引領者，透過集中資源來推動全校的研究發展。但這在像斯坦福或哈佛這樣的頂尖大學中實施起來非常困難，因為這些大學的計算機科學研究人員通常能籌集到大量資金，而其他領域的研究人員則相對困難。
那麼，現在的解決辦法是什麼呢？我認為，大學若能為全校構建基礎設施，將能有效引領這一領域的變革，併產生深遠影響。然而，這確實是大學當前所面臨的一個結構性難題。正因如此，眾多研究人員才會選擇前往我們公司、谷歌、微軟等企業實習或進行研究，因為我們能夠提供訪問先進基礎設施的機會。隨後，他們在返回各自大學時，會希望我們能夠保持其研究的活躍性，以便他們繼續推進工作。此外，還有許多教授，包括客座教授，會在從事教學工作的同時，兼顧研究工作。我們公司就聘請了幾位這樣的教授。因此，雖然解決問題的方法多種多樣，但最為根本的，還是大學需要重新審視並最佳化其研究資助體系。
沈向洋：我有一個頗具挑戰性的問題想請教你。一方面，我們欣喜地看到計算能力的顯著提升以及價格的下降，這無疑是個好訊息。但另一方面，你們的GPU會消耗大量能源，有預測指出到2030年，全球的能源消耗將大幅度增加。你是否擔憂，因為你們的GPU，世界實際上在消耗更多的能源？
黃仁勳：我會這樣回答你，我會採用逆向思考的方式。首先，我要強調的是，如果世界因為為全球AI工廠供電而消耗了更多能源，那麼當這一切發生時，我們的世界將會變得更為美好。現在，讓我為你詳細闡述幾點。
第一，AI的目標並非僅僅在於訓練模型，而是在於應用這些模型。當然，去學校學習，單純為了學習而學習，這本身並無不妥，它是一項崇高且明智的舉措。然而，大多數學生來到這裡，他們投入了大量的金錢和時間，他們的目標是未來能夠取得成功並應用所學的知識。因此，AI的真正目標並非訓練，而是推理。推理過程是高度高效的，它能夠發現新的方式來儲存二氧化碳，比如在水庫中；它或許能夠設計出新型的風力渦輪機；或許能夠發現新的電能儲存材料，或者更高效的太陽能電池板材料等。所以，我們的目標是最終創造出能夠應用的AI，而非僅僅訓練AI。
第二，我們要牢記，AI並不在意它在哪裡進行“學習”。我們無需將超級計算機放置在靠近電網的校園內。我們應該開始考慮將AI超級計算機放置在稍微遠離電網的地方，讓它們使用可持續能源，而不是將它們放置在人口密集的區域。我們要記住，所有的發電廠原本都是為了滿足我們家庭電器的用電需求而建設的，比如燈泡、洗碗機，而現在因為電動汽車的普及，電動汽車也需要靠近我們。但是，超級計算機並不需要靠近我們的家，它們可以在其他地方進行學習和運算。
第三，我希望看到的是，AI能夠高效、智慧地發現新的科學成果，以至於我們現有的能源浪費問題——無論是電網的浪費問題，電網在大多數時候都過度配置，而在少數時候又配置不足——我們都能夠透過AI在眾多不同領域來節約能源，從我們的浪費中節省能源，並期望最終能夠節省下20%到30%的能源。這是我的期望和夢想，我希望能夠看到，使用能源來進行智慧活動是我們能夠想象到的最好的能源利用方式。
沈向洋：我完全同意，將能源高效地應用於智慧活動是最佳利用方式。若在某個地方，如中國大灣區（包括深圳、香港、廣東等地）之外製造裝置，其效率往往會降低，因為難以找到所有必需的元件。以DJI為例，這家本土商業無人機公司擁有令人讚歎的技術。我的問題是，當智慧的物理層面變得日益重要時，比如機器人——尤其是自動駕駛汽車這一特殊型別的機器人——你對這些物理智慧實體在我們生活中快速湧現的趨勢有何看法？在我們的職場生活中，應如何把握並利用大灣區硬體生態系統的巨大潛力？
黃仁勳：這對中國和整個大灣區而言，都是一個絕佳的機會。原因在於，這個區域在機電一體化領域，即機械與電子技術的融合方面，已經具備了相當高的水平。然而，對於機器人而言，一個關鍵的缺失是理解物理世界的AI。當前的大語言模型，例如ChatGPT，擅長理解認知層面的知識和智慧，卻對物理智慧知之甚少。例如，它可能不明白為何放下杯子時，杯子不會穿過桌子。因此，我們需要教導AI理解物理智慧。
實際上，我要告訴你的是，我們在這方面正取得顯著的進展。你可能已經看過一些演示，透過生成式AI，可以將文字轉化為影片。我可以生成一個影片，開始時是我的照片，然後給出指令“Jensen，拿起咖啡杯，喝一口”。既然我能透過指令讓AI在影片中完成動作，那麼為何不能生成正確的指令來控制機械臂完成同樣的動作呢？因此，從當前的生成式AI到通用機器人的飛躍，其實並不遙遠。我對這個領域的前景充滿期待。
有三種機器人有望實現大規模生產，而且幾乎僅限於這三種。歷史上出現過的其他型別的機器人都很難實現大規模量產。大規模生產至關重要，因為它能驅動技術飛輪效應。高投入的研發（R&D）能帶來技術突破，從而生產出更優秀的產品，進一步推動生產規模的擴大。這個研發飛輪對任何行業都是關鍵。
實際上，雖然只有三種機器人能真正實現大規模生產，但其中兩種將會成為產量最高的。原因在於，這三種機器人都能在當前世界中部署。我們稱之為“棕色地帶”（即有待重新開發的領域）。這三種機器人分別是：汽車，因為我們在過去150到200年間構建了一個適應汽車的世界；其次是無人機，因為天空幾乎沒有限制；當然，產量最大的將是人形機器人，因為我們為自己構建了一個世界。憑藉這三種類型的機器人，我們可以將機器人技術的應用擴充套件到極高的產量，這正是灣區這樣的製造生態系統所具備的獨特優勢。
如果你深入思考，就會發現，大灣區是世界上唯一一個同時擁有機電技術和人工智慧技術的地區。在其他地方，這種情況並不存在。另外兩個機電工業強國是日本和德國，但遺憾的是，它們在人工智慧技術方面遠遠落後，真的需要迎頭趕上。而在這裡，我們擁有獨一無二的機會，我會緊緊抓住這個機遇。
沈向洋：聽到你關於物理智慧和機器人的看法，我感到非常高興。香港科技大學在你所描述的這些方面確實很擅長。
黃仁勳：人工智慧、機器人技術和醫療保健是我們真正需要創新的三個領域。
沈向洋：的確，隨著我們新醫學院的建立，我們將進一步推動這些領域的發展。但是，要實現所有這些美好的事情，我們仍然需要你們的支援，我們需要你們的GPU等資源。
（內容來源：騰訊科技特約編譯金鹿）
沈向洋：“深圳是一座用迭代軟體的速度迭代硬體的城市”大模型時代，中國人有機會創造下一個現象級程式語言
繼 Fortran、C、Java、Python 之後，AI 時代的現象級程式語言會是什麼？
作者 | 沈向洋
在計算機科學 70 年的發展歷程中，只出現過不到十個真正的“現象級”程式語言——即擁有數百萬甚至上千萬使用者的語言。每一個時代的技術變革，都會催生出相應的主導語言：大型機時代的 Fortran、作業系統時代的 C/C++、網際網路時代的 Java，以及雲計算與資料科學時代的 Python。
如今，隨著以 ChatGPT 為代表的大模型技術引發新一輪技術革命，我們不禁要問：AI 時代會誕生怎樣的程式語言？GitHub Copilot 的主創 Alex Graveley 曾經指出，儘管 AI 正在改變程式碼的編寫方式，但真正適應 AI 時代特點的程式語言正規化還沒有出現。
11 月 22 日，在深圳舉辦的 2024 IDEA 大會上，IDEA 研究院創院理事長、美國國家工程院外籍院士沈向洋發表了題為《從技術突破到產業融合》的演講。在演講中，他提出以上的深邃思考，並指出了一個更值得注意的事實：“在過去所有廣受歡迎的程式語言中，還沒有一個是由中國開發者創造的。”
大模型浪潮爆發，這個歷史性的機遇正在到來。就像 C 語言與 Unix 系統的共生關係那樣，新時代的程式語言必將與 AI 技術產生深度融合。它不僅要能夠更好地表達 AI 的思維方式，還要能夠充分利用 AI 的能力來提升開發效率。這將是一個全新的賽道，中國開發者同樣有機會在這個領域做出開創性貢獻。
沈向洋指出，在技術大爆發時期開展創新，對技術的深度理解尤為重要。他認為，從算力來看，未來十年 AI 的發展可能需要增長 100 萬倍的算力，遠超摩爾定律預言的100倍增長，而英偉達成為了 AI 行業最了不起、最成功的一家公司。
根據EPOCH AI的資料，每年最新的大模型對算力的需求都在以驚人的速度增長，年均增長率超過四倍（400%）。截至目前，全球已經“燒掉”了超過1000萬張GPU算力卡。
“英偉達硬生生把自己從自己從做硬體、晶片的乙方變成了甲方，今天能拿得到英偉達的卡就可以說是成功了一半。”沈向洋稱，“講（GPU）卡傷感情，沒卡沒感情。”
沈向洋現場透露，明天黃仁勳會到香港科技大學接受榮譽博士學位的授予，而他準備現在和黃仁勳討論一些關於技術、領導力和創業的故事，特別是在針對算力發展的問題，探討未來十年還會不會像過去十年那樣能夠達到100萬倍的增長。
作為見證了多個技術時代變遷的資深科學家，沈向洋在演講中還分享了對 AI 時代技術創新的許多深刻思考：
“程式語言的變遷總是與技術革命相伴相生。就像 Unix 系統與 C 語言的關係，Web 伺服器與 Java 的關係那樣，AI 時代也必將催生新的程式設計正規化。”
“ChatGPT 展示了一種新的可能：當技術突破達到一定程度，可以跳過傳統的產品市場匹配(PMF)過程，直接實現技術市場匹配(TMF)。”
“從算力來看，未來十年 AI 的發展可能需要增長 100 萬倍的算力，遠超摩爾定律預言的 100 倍增長。”
“AI 正在改變科研方式。從「確定方向」（ARCH）到「選擇課題」（Search），再到「深入研究」（Research），每個環節都將被重塑。”
以下是沈向洋演講的主要內容，CSDN 精編整理了其中最引人深思的部分，歡迎在評論區分享您的真知灼見：
人工智慧發展的「三件套」
今天是 IDEA 研究院在深圳舉辦的第四屆 IDEA 大會。回顧發展歷程，三年前的第一屆大會上，IDEA 首次向公眾展示了研究院的工作成果。在第二屆大會上，我們邀請了李澤湘教授、徐揚生教授、高文教授等學界翹楚進行深入對話。值得一提的是，這些學者都是我 90 年代初赴美留學時最早結識的中國學者。三十年後我們能在深圳重聚，恰恰印證了深圳作為創新創業熱土的獨特魅力。
經過四年發展，IDEA 研究院已發展成擁有 7 個研究中心、約 450 名員工的科研機構。過去幾年，人工智慧的蓬勃發展讓整個行業充滿憧憬和期待。在人工智慧發展程序中，“算力、演算法、資料”這「三件套」始終是核心要素。接下來，我將從這三個方面，詳細分享自己的觀察和思考。
算力：從“摩爾定律”到“黃氏定律”
首先從算力說起。作為計算機領域的從業者，我們一直見證著整個計算行業過去四五十年來算力的不斷提升。早期有著名的摩爾定律，英特爾提出每 18 個月算力增長一倍。但在過去十幾年，隨著人工智慧特別是深度學習的發展，對算力的需求呈現出前所未有的增長態勢。
根據 EPOCH AI 的資料，每年最新的大模型對算力的需求都在以驚人的速度增長，年均增長率超過四倍。這個數字意味著什麼？如果按照這個增長速度，十年間算力需求的增長將達到驚人的 100 萬倍。相比之下，傳統的摩爾定律下 18 個月翻一倍的增長，十年也不過是 100 倍的增長。
這種算力需求的爆發式增長，使得 GPU 廠商英偉達成為了 IT 行業和人工智慧領域最成功的公司之一。英偉達已經從一家單純的硬體晶片供應商，轉變為整個行業的核心支柱。現在行業裡流傳著這樣一句話：“拿得到英偉達的卡，就成功了一半。”
讓我們看看具體的資料：2023 年英偉達最新產品 H100 的出貨量持續攀升，各大公司爭相採購。包括馬斯克最近就部署了一個擁有 10 萬張 H100 卡的大規模叢集。到 2024 年為止，微軟、谷歌、亞馬遜等科技巨頭都在大量採購 H100 晶片。
為什麼需要如此龐大的算力？這與大模型的發展密不可分。大模型不僅引數量巨大（從百億到千億，再到萬億引數），而且訓練所需的資料量也在不斷增長。更關鍵的是，要提升模型效能，對算力的需求會隨引數量呈平方關係增長。這就解釋了為什麼過去十年英偉達的市值能夠增長 300 倍，也說明了“算力就是生產力”這一論斷的深刻含義。
在人才招聘方面，算力資源已經成為一個重要指標。有些企業會以“千卡人才”、“百卡人才”來形容人才規模，真正頂尖的甚至被稱為“萬卡人才”。IDEA 研究院在深圳市政府的支援下，已經擁有了上千張顯示卡的算力儲備，在深圳算得上是“小土豪”級別的規模。
這種算力需求的變革被業界稱為從“摩爾定律”到“黃氏定律”的轉變。黃氏定律不僅體現在硬體算力的增長上，更重要的是反映了模型訓練對算力需求的指數級增長。未來十年的算力需求是否會繼續保持如此驚人的增長速度，這個問題值得我們持續關注和思考。
演算法：從“預訓練”到“強化學習”
在演算法方面，自 2017 年 Transformer 架構問世以來，人工智慧、深度學習和大模型的發展基本上都是沿著這個方向，透過堆資料和算力來推進。但在 GPT-4 之後，我們看到了演算法正規化的新突破。特別是 OpenAI 推出的新技術，包括多模態的 GPT-4V 以及最新的 o1 推理學習能力，展現了演算法創新的新方向。令人欣喜的是，近幾個月來，國內也有一些公司，包括初創企業在 o1 這個方向上取得了顯著進展。
這裡我想詳細介紹一下演算法突破的思路。在 o1 出現之前，大家談論的都是 GPT 系列，所有的工作都集中在預訓練上，核心任務就是預測“下一個token”。其中很重要的技術背景是對所有資料進行高效壓縮，使模型能夠快速給出答案，實現“一問即答”。
而現在的正規化變革引入了強化學習（Reinforcement Learning）的理念，模型具備了自我改善的能力。這種新方法的特點在於，它更接近人類的思考方式。不同於之前的快速思考模式，現在的模型在給出答案時會經歷後訓練、後推理的過程。這就像學生在解數學題時會先打草稿，驗證一條路徑是否正確，如果不對就回退嘗試另一條路徑。
雖然強化學習本身並不是一個新概念——比如幾年前 AlphaGo 就使用強化學習打敗了圍棋世界冠軍——但今天的創新在於它的通用性。過去的強化學習系統往往只能解決單一問題，而像 o1 這樣的新系統可以同時處理資料分析、程式設計、物理、化學等多個領域的問題。我認為，在未來幾年，沿著 Self-Reinforcement Learning (SRL) 這條道路，我們將看到更多令人驚豔的突破，期待 IDEA 研究院和國內的研究人員能在這個方向上有更多的思考和創新。
資料：從“存量”到“合成”
在討論資料之前，我已經提到大模型的蓬勃發展不僅依賴於引數規模的增長，還需要海量資料的支援。讓我和大家分享一些關於資料規模的具體資料。
三年前 GPT-3 釋出時，使用了 2T（2 萬億）的 token 資料。到了 GPT-4 時代，模型訓練使用的資料量增加到了 12T，在不斷訓練過程中可能達到了 20T。這個規模大致相當於目前網際網路上可獲取的優質資料總量。而未來如果 GPT-5 問世，按照我的估計，可能需要 200T 規模的資料。但問題在於，網際網路上已經很難找到如此龐大的優質資料。這就引出了一個新的研究方向：合成數據。
為了讓大家對這些資料規模有更直觀的認識，我舉幾個例子：1 萬億 token 的資料量大約相當於 500 萬本書，或 20 萬張高畫質照片，或 500 萬篇論文。從人類歷史的角度來看，至今為止創造的所有書籍大約包含 21 億 token，微博上有 38 億 token，而 Facebook 上約有 140T 的資料。不過社交媒體上的資料質量普遍不夠高，真正有價值的內容相對有限。
從個人維度來看，一個人讀完大學，真正學到的知識量大約是 0.00018T，相當於 1000 本書的內容。如果覺得自己還沒讀到這個量級，也許現在開始該多讀些書了。
有趣的是，ChatGPT 等 AI 模型的訓練資料主要來自網際網路。回顧網際網路發展的 40 年，人們熱衷於在網上分享資訊，現在看來，似乎是在為 GPT 的訓練做準備。AI 之所以如此智慧，很大程度上得益於我們貢獻的資料。這其中還有一個值得注意的現象：無論訓練哪種語言的 AI 模型，底層的高質量資料主要是英文的。這意味著在 AI 時代，英語的重要性可能會進一步加強，就像網際網路時代一樣。
既然網上的資料已接近極限，AI 的進一步發展就需要依靠合成數據，這可能催生新的百億美元級創業機會。
與 GPT 系列主要使用網際網路文字資料不同，新一代模型（如 o1）需要更強的邏輯性，這些資料在網上往往找不到。比如在程式設計領域，我們需要知道具體的步驟是如何一步步完成的。在 IDEA 研究院，在郭院長的帶領下，我們開展了高質量訓練資料的專案，為大模型持續提供新的“養分”。
我們的合成數據方法並非盲目生成，而是建立在嚴謹的方法論基礎上。我們首先建立語境圖譜，在此基礎上進行資料合成。這些合成數據經過大模型預訓練後，已經展現出很好的效果。
除此之外，我們還在探索另一個維度的問題：私域資料安全孤島。由於資料安全考慮，許多私域資料無法直接共享使用。為此，我們開發了 IDEA Data Maker，將這兩個方面結合起來，透過語境圖譜生成新的語料，解決過往文字資料合成方案的多樣性匱乏等問題。該技術為合成數據引入“指導手冊”，以圖譜為綱，指導用於合成的語境取樣。實驗結果顯示，IDEA 團隊的方案能持續為大模型帶來能力提升，表現超過目前的最佳實踐（SOTA）模型；從 token 消耗來看，平均節約成本 85.7%。目前，該技術內測平臺已開放，透過 API 提供服務。
大模型時代的機遇：從 PMF 到 TMF
在討論了 AI 發展的「三件套」之後，我想分享 IDEA 研究院近一年來的思考和實踐。特別是大模型蓬勃發展給我們帶來的機遇。
ChatGPT 的出現給我們帶來了深刻啟示——它在推出後僅用兩個月時間就吸引了全球 1 億使用者，成為一個令人矚目的技術現象。這種現象打破了我們對產品發展的傳統認知。在網際網路時代，我們常說 PMF（Product-Market Fit，產品市場匹配）。對這個概念的理解，我多次請教過美團的王慧文，在清華的一堂課上，他專門講解了 PMF 的內涵。
但 ChatGPT 的成功告訴我們，它實際上跳過了 PMF 的過程，直接實現了TMF（Technology-Market Fit，技術市場匹配）。當技術發展到一定程度，就可能實現這樣的跨越式突破。在 IDEA，我們天天在追求一些極致的技術，也在思考：如果有技術出來，是否可以一步到位？這當然是我們的期望，我們一直在朝這個方向努力。
順著 TMF 的思路，我想講一個最近我們特別關注的方向：計算機程式語言。作為一個學習計算機的人，我自己就編寫過十幾種不同的程式語言，在不同的階段做不同的專案時都會用到它們。
在這裡我想提出一個重要觀點：縱觀全球，有那麼多的程式語言，包括小語言、大語言、中型語言，但基本上沒有一個被廣泛使用的語言是由中國人發明、中國人創造的。這種現象是有機會改變的。
讓我給大家舉幾個例子，說明什麼是現象級的語言。在過去七八十年的計算機科學發展歷程中，出現過的現象級語言不超過十個。這裡的“現象級”是指至少有幾百萬、上千萬使用者在使用這個語言程式設計。比如早期的 Fortran，當時是和 IBM 大型機繫結的，做三角計算都要用 Fortran 語言。70 年代出現的 C 語言，是與 Unix 作業系統緊密相連的，甚至可以說 Unix 系統就是用 C 語言構建的。到了 90 年代網際網路興起時，我師兄開發的 Java 語言被大量程式設計師採用，主要用於開發 Web 伺服器。而在過去十幾年，Python 因為在科學計算方面的便利性，特別是在雲計算平臺上的廣泛應用，成為主流語言。如果你問問自己的孩子在學什麼程式語言，大機率會是 Python。
那麼，在今天的大模型時代，會不會出現新的現象級語言？這個問題不是隻有我一個人在思考。比如說 GitHub Copilot 的創始人 Alex Graveley 就指出，AI 程式設計還沒有形成新的程式語言正規化。程式語言是最根本的技術創新方向之一。
有了語言之後，就需要探索大模型的技術創新方向。在大模型能力已經達到新高度的今天，一個關鍵問題是：我們如何將這種能力轉化為實際應用？在哪些場景中可以發揮其最大價值？
在所有的應用方向中，我特別要強調 AI For Science（科學智慧）的重要性。可以說，在當前階段，很難想象有什麼比 AI For Science 更重要的方向。如果我們要做人工智慧研究，一方面要全力推動大模型技術的落地，另一方面也要關注它在科學研究中的應用。
這讓我想起二十多年前在微軟亞洲研究院做過一個關於如何做科研、如何做學問的報告。我把科研工作分成了三個不同的層次：ARCH（確定方向）、Search（選擇課題）、Research（深入研究，一而再再而三地探索）。現在，我們希望 IDEA 的工作能為中國的科研人員、年輕學生在做科研時提供更好的支援。
從經濟增長到福祉實現
人工智慧的發展正在對社會產生深遠的影響。這個問題太重要了，需要我們認真思考。我們今天要討論的是 AI 治理問題，包括它對民眾的衝擊、對公司的衝擊、對監管的衝擊、對社會發展的衝擊。
人工智慧的影響究竟是如何發生的？八年前，人們還在討論社交媒體的影響，而今天我們必須要討論人工智慧的影響。過去十幾年的發展令人震驚：人類引以為傲的能力正在一個個被 AI 超越。下象棋、下圍棋就不必多說，現在AI在閱讀理解、影象識別和檢測等領域的能力都已經逐步超越人類。更令人震撼的是，這些能力的提升已經不是單點突破，而是通用人工智慧整體能力的提升，這使得人工智慧對社會的影響變得異常深遠。
現在，全球範圍內都在討論 AI 治理問題。我有幸在今年上海人工智慧大會上與我的導師瑞迪教授、布盧姆教授和姚期智教授一起討論這個議題。
從社會發展的角度來看，我們習慣用 GDP 來衡量發展水平。但 GDP 這個概念其實是很新的。在農業社會之前，根本不存在 GDP 增長的概念，因為人們連溫飽都難以解決。農業社會發展後，人們有了剩餘產能，但 GDP 年均增長仍然只有 0.1% 至 0.2%。到了工業社會，這個數字提升到 1% 至 2%。資訊社會的 GDP 年均增長達到了 3% 至 4%，這裡說的都是全球的大致數字。
那麼，在即將到來的 AI 社會，會發生什麼？一些經濟學家預測，隨著人工智慧數量超過人類數量，機器人數量急劇增加，生產效率將獲得巨大提升。在這樣的 AI 世界中，GDP 年均增長可能達到十幾個百分點。
這就帶來了一個根本性的問題：從 AI 帶來的經濟最大增長，能否實現人類的最大福祉？這是每一個從事技術研發、推動產業落地的人都必須思考的問題。對於在座的各位，特別是在 IDEA 研究院從事技術研發的同事們來說，在推動人工智慧發展的同時，這個問題值得我們深入思考。 我的分享就到這裡，感謝大家的閱讀！
來源：AI 科技大本營（ID：rgznai100）
重磅成果釋出！河套孵化全球首個低空大腦
坐落於
河套深港科技創新合作區的
（簡稱“河套合作區”）
粵港澳大灣區數字經濟研究院
（以下簡稱IDEA研究院）
是一家致力於人工智慧
和數字經濟領域前沿研究的
國際化創新型研究機構
IDEA研究院總部基地
2020年，IDEA研究院正式落戶於河套深圳園區，今年8月7日，IDEA研究院總部基地正式竣工，並從全球範圍內引進了10名頂尖人才擔任領軍科學家。
由其主辦的IDEA大會
每一屆都是粵港澳大灣區
人工智慧領域內的盛會
2024 IDEA大會召開
多項最新成果公佈
11月22日，由IDEA研究院主辦的2024 IDEA大會順利舉行，大會發布了一系列前沿研究與產業落地成果。
大會上，IDEA研究院創院理事長、美國國家工程院外籍院士沈向洋介紹，IDEA研究院近年蓬勃發展，目前7個研究中心已有約450名員工。在具身智慧領域，IDEA研究院將與騰訊合作，在河套深圳園區落地建設福田實驗室，聚焦人居環境具身智慧技術。
沈向洋釋出IDEA研究院最新產研成果及戰略規劃
大會現場，IDEA研究院推出低空管理與服務作業系統OpenSILAS 1.0（Alpha版），還攜手17家產業夥伴發起開放智慧融合低空系統（OpenSILAS）創新聯合體，旨在打造開放共享、技術領先的系統和平臺，建立有實際系統支撐的標準體系。
這是全球首個將市域級低空空域數字化，可融合城市級CIM底座與智算算力的低空管理與服務作業系統，被業內稱為“低空大腦”。
OpenSILAS創新聯合體啟動儀式
現場，沈向洋表示，低空經濟發展中有多個關鍵要素，包括應用為王、政府為主、技術為底、安全至上，其中安全是重中之重，唯有實現了安全，才能實現大規模飛行，而安全，又與效率、成本等要素緊密相聯。
針對安全這個“重中之重”，IDEA研究院《低空經濟白皮書3.0》推出了低空安全體系。白皮書從“點-飛行安全”“線-航路安全”“面-執行安全”“體-社會安全”四個維度指出構建低空經濟安全體系的重要性和緊迫性，認為規模化低空經濟要解決安全、效率、成本三大問題，為行業發展提供前沿洞察與指引。
IDEA研究院釋出了《低空經濟發展白皮書3.0》
此外，本次大會上，IDEA研究院多位負責人登臺介紹了最新研究成果與落地情況。
IDEA研究院（署理）院長郭健介紹決策大模型
IDEA研究院副院長么寶剛介紹化學大模型
IDEA基礎軟體中心負責人張宏波介紹Moonbit
上下滑動檢視更多內容
2022年以來，IDEA團隊從目標檢測出發，打造精準度、通用性、泛化能力兼優的DINO系列視覺大模型。本次大會發布了該系列最新的DINO-X通用視覺大模型，擁有真正的物體級別理解能力，實現開放世界（Open-world）目標檢測。無需使用者提示，直接檢測萬物。
DINO-X基座大模型具有零樣本檢測能力
另外，IDEA團隊推出行業平臺架構，透過一個大模型基座，結合通用識別技術，讓模型不需重新訓練，就可邊用邊學，支撐多種多樣的B端應用需求。
在初創生態方面，IDEA的一眾生態企業，如識淵科技、AI玩伴機器人愛小伴、GPU加速電影工業渲染器Smaray慧光追等，也在IDEA大會上悉數亮相。
沈向洋介紹IDEA研究院與識淵科技共建實驗室
億家億伴智慧科技有限公司創始人、CEO郭志
IDEA研究院講席科學家王嘉平
上下滑動檢視更多內容
紮根河套合作區
IDEA研究院四年蛻變之路
沈向洋在2024 IDEA大會作主題演講：“深圳是一座用迭代軟體的速度迭代硬體的城市。只有在大灣區、在深圳才有這樣的機會以這樣的速度奮勇向前。”
“我有了一個 IDEA。”2020年11月1日，沈向洋在深圳全球創新人才論壇上宣佈IDEA研究院成立，至今已走過四個年頭。
創立之初，沈向洋懷揣著以全新機制推動技術應用的願景，將這座國際化創新研究機構定位為立足社會需求，推動AI技術發展，研發顛覆式創新技術並回饋社會，讓更多人從數字經濟發展中獲益。
四年間，深圳這座“創新之城”吸引了院士、學者等頂尖人才，科學家、企業家與創業者紛至沓來，高校、產業與科研機構實現深度跨界融合。而IDEA研究院，也在這片充滿活力與創意的沃土持續爆發創新火花。
2021年，首屆IDEA大會舉辦，IDEA研究院一舉發布六大科研成果，並與萬科、美團、九坤三家知名企業分別成立聯合實驗室。2022年，IDEA大會再度發力，現場揭曉近10項科技成果，其中《低空經濟白皮書—深圳方案》引發行業關注與思考。2023年，IDEA大會發布視覺提示模型T-Rex、Think-on-Graph思維圖譜技術、MoonBit月兔等一系列重量級研發成果，並宣佈進軍低空經濟領域。
時至今日，IDEA大會已然成為業內矚目的“科創盛宴”。
“來到深圳、來到福田、來到IDEA研究院都是為了成就一番事業。”沈向洋特別感謝過去四年深圳福田對IDEA研究院不遺餘力的支援。
在佈局新一代人工智慧產業方面，深圳福田始終走在前列。自2019年起，福田區便陸續釋出涵蓋大模型、算力服務、產業空間、創新平臺、應用示範等13個方面的全方位政策支援。
今年，福田區提出打造人工智慧先鋒城市核心區的目標，推出人工智慧產業相關行動計劃，透過強化算力、資料等關鍵創新要素供給，為大模型訓練提供保障，加速人工智慧產業企業集聚。
此次IDEA大會發布的多項最新研究成果，不僅彰顯了其科研實力，更是福田區在人工智慧產業佈局方面取得的顯著成果。
加速集聚科創資源
助力數字經濟發展再上新臺階
根據公開資訊，河套合作區深圳園區已聚集科技企業447家、科研機構23家，平均每平方公里有38個高階科研專案。
作為業態多元且成熟的中心城區，福田區為其發展營造了濃厚的產業氛圍。據福田區科技和工業資訊化局資料，截至2024年上半年，福田區規模以上人工智慧企業突破300家，實現增加值37.71億元，同比增長3.0%。
《河套深港科技創新合作區深圳園區發展規劃》明確，加快佈局人工智慧與數字經濟發展前沿領域。搶抓人工智慧產業發展先機，搭建人工智慧開放創新平臺，支援智慧感測器、人工智慧演算法、圖形處理晶片等基礎軟硬體開發，打造智慧製造無人工廠示範基地、智慧網聯全無人自動駕駛公交應用示範區，推動人工智慧與數字產業發展。
《河套深港科技創新合作區香港園區發展綱要》提出，構建開放型人工智慧平臺，為企業提供基礎硬體和軟體開發的支援，包括智慧感測器及邊緣端、智慧裝置及系統、人工智慧演算法、人工智慧大模型、人工智慧行業模型、晶片設計及封裝測試等。與河套深圳園區在包括智慧製造、智慧醫療、智慧網聯汽車及無人駕駛等領域展開創新應用的試點示範。促進香港與內地和國際的合作，推動人工智慧技術的落地，加速AI+產業發展。
未來，河套深圳園區將加速集聚科創資源，推動創新要素跨境便捷流動，促進人工智慧產研融合發展，加快構建人工智慧產業生態，為深圳低空經濟發展提供科技創新支撐，助力數字經濟發展再上新臺階。
（資訊來源：河套發展署、深圳特區報、福田區科技和工業資訊化局）
來源：深圳夢（微訊號ID：SZeverything）綜合
我們的使命是：星辰大海，只與夢想者同行！
擁有深圳夢，請關注（微訊號ID：SZeverything）
