英偉達黃仁勳對話沈向洋萬字實錄：AI預訓練遠遠不夠，未來三種機器人有望大規模生產

11月23日，英偉達創始人兼CEO黃仁勳在香港科技大學博士學位授予儀式上榮獲工程學榮譽博士學位。

儀式後，黃仁勳與校董會主席沈向洋展開了一場深刻對話，涵蓋人工智慧（AI）、計算力、領導力和創業等廣泛主題。

黃仁勳深入剖析了生成式AI的革命性突破，特別是在資訊理解和應用方面的潛力，從工業到醫療，AI正重新定義科學研究與商業模式。

沈向洋重點提及“黃氏定律”推動計算能力大幅提升，同時探討了AI在能源消耗和社會責任上的矛盾與平衡。

黃仁勳則以創新願景回應，強調可持續計算佈局和AI對科學進步的深遠影響，尤其是在機器人、數字孿生和醫學院建設等領域。

以下為這次對話的主要內容：

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：

從電腦科學的視角來看，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。提及電腦科學，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、設計演算法，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，電腦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碼裝置或電器，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、合成資料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，如物理與電腦科學、材料科學與電腦科學、生物學與電腦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，我們或許已擁有了電腦科學技術，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、電腦科學和人工智慧。

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，不斷推動電腦科學、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運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，因為這些大學的電腦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。

憑藉這三種型別的機器人，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。