[電動車] 黃仁勳回答了業界最關注的問題,怒贊中國電動車企
我認為這就是正確的解決方案，對此我感到非常興奮。所有的PC原始設備制造商也都對此充滿了期待。我們將結合PC硬件、Windows系統以及WSL2，從而能夠充分利用雲端的所有資源，並將其直接應用於個人電腦。
問題2：你是否可以解釋下在發布會中宣布的諸多進展的重要性，比如最新的大模型，特別是對於那些對人工智能領域不太了解的人？
黃仁勳：英偉達本質上是壹家科技公司，而非傳統的消費品公司。我們的技術在很大程度上正在影響，並將持續塑造未來消費電子產品的走向。
昨天我們宣布的眾多重要事項中，有壹項是關於構建壹個能夠理解物理世界的基礎模型Cosmos。
正如GPT是理解語言的基礎模型，Stable Diffusion是理解圖像基礎模型壹樣，他們掌握了摩擦力、慣性、重力等基本概念，理解物體的存在與恒常性，以及幾何與空間關系。這些都是孩子們天生就懂的事情，但他們以壹種當前語言模型所缺乏的方式理解物理世界。
因此，我們堅信需要壹個專門用於理解物理世界的基礎模型。
現在，我們已經創建了這個模型，之前你可以用GPT完成的所有任務，以及你可以用Stable Diffusion完成的所有圖像生成任務，現在都可以借助我們的Cosmos模型來實現。例如，你可以與它進行對話，與這個物理世界模型交流，詢問：“當前世界裡有什麼？”它會根據攝像頭捕捉到的內容來回答。
Cosmos是壹個世界模型，它能理解這個世界。
為何我們需要這樣的東西？原因在於，若想讓人工智能在物理世界中理智且有效地運作，它必須具備對物理世界的理解能力。
那麼，我們能用這個模型做什麼？自動駕駛汽車需要理解物理世界，機器人也需要理解物理世界。因此，Cosmos這樣的模型是實現多模態的起點。
就像GPT模型推動了我們今天所見證的眾多人工智能應用的發展，Llama對於人工智能的各種活動至關重要，而Stable Diffusion則激發了圖像和視頻生成模型的發展壹樣，我們期望Cosmos能夠成為推動下壹波人工智能創新的關鍵。
問題3：在發布會中，你提到我們正在見證壹些新的“人工智能縮放定律”出現，特別是在測試時間計算（Test Time Compute）方面。我認為OpenAI的o3模型表明，從計算角度來看，縮放推理的成本非常高昂，他們甚至在ArcAGI的測試中花了幾千美元去解題。英偉達正在采取哪些措施來提供更具成本效益的人工智能推理芯片？如何從測試時間計算縮放中獲益？
黃仁勳：首先，測試時間計算問題的直接解決方案，無論是在性能上還是在成本承受能力上，都是增加我們的計算能力。這就是為什麼Blackwell NVL 72的推理性能可能是Hopper的30-40倍的原因。
通過將性能提高30-40倍，你可以將成本降低30-40倍。因為數據中心的成本差不多。摩爾定律在計算歷史上之所以如此重要，就是因為它推動了計算成本的下降。
回顧過去的贰拾年，我們已經成功地將計算的邊際成本降到了原來的百萬分之壹，這壹變革使得機器學習成為可能，我們要做的就是讓電腦去搞定壹切。類似的情況也將在推理領域上演，我們將持續提升性能，這也將促使推理的成本大幅下降。
思考這個問題的另壹種方式是：當前進行測試時間計算時，需要進行大量的迭代，通過測試時間的縮放來推斷出答案，而這些答案，隨後會成為下壹次預訓練或後訓練的數據來源。
因此，我們現在所收集的壹切信息，包括正在持續收集的數據都將匯入龐大的數據池中，用於模型的預訓練和後訓練。
[物價飛漲的時候 這樣省錢購物很爽]
這條新聞還沒有人評論喔，等著您的高見呢
問題2：你是否可以解釋下在發布會中宣布的諸多進展的重要性，比如最新的大模型，特別是對於那些對人工智能領域不太了解的人？
黃仁勳：英偉達本質上是壹家科技公司，而非傳統的消費品公司。我們的技術在很大程度上正在影響，並將持續塑造未來消費電子產品的走向。
昨天我們宣布的眾多重要事項中，有壹項是關於構建壹個能夠理解物理世界的基礎模型Cosmos。
正如GPT是理解語言的基礎模型，Stable Diffusion是理解圖像基礎模型壹樣，他們掌握了摩擦力、慣性、重力等基本概念，理解物體的存在與恒常性，以及幾何與空間關系。這些都是孩子們天生就懂的事情，但他們以壹種當前語言模型所缺乏的方式理解物理世界。
因此，我們堅信需要壹個專門用於理解物理世界的基礎模型。
現在，我們已經創建了這個模型，之前你可以用GPT完成的所有任務，以及你可以用Stable Diffusion完成的所有圖像生成任務，現在都可以借助我們的Cosmos模型來實現。例如，你可以與它進行對話，與這個物理世界模型交流，詢問：“當前世界裡有什麼？”它會根據攝像頭捕捉到的內容來回答。
Cosmos是壹個世界模型，它能理解這個世界。
為何我們需要這樣的東西？原因在於，若想讓人工智能在物理世界中理智且有效地運作，它必須具備對物理世界的理解能力。
那麼，我們能用這個模型做什麼？自動駕駛汽車需要理解物理世界，機器人也需要理解物理世界。因此，Cosmos這樣的模型是實現多模態的起點。
就像GPT模型推動了我們今天所見證的眾多人工智能應用的發展，Llama對於人工智能的各種活動至關重要，而Stable Diffusion則激發了圖像和視頻生成模型的發展壹樣，我們期望Cosmos能夠成為推動下壹波人工智能創新的關鍵。
問題3：在發布會中，你提到我們正在見證壹些新的“人工智能縮放定律”出現，特別是在測試時間計算（Test Time Compute）方面。我認為OpenAI的o3模型表明，從計算角度來看，縮放推理的成本非常高昂，他們甚至在ArcAGI的測試中花了幾千美元去解題。英偉達正在采取哪些措施來提供更具成本效益的人工智能推理芯片？如何從測試時間計算縮放中獲益？
黃仁勳：首先，測試時間計算問題的直接解決方案，無論是在性能上還是在成本承受能力上，都是增加我們的計算能力。這就是為什麼Blackwell NVL 72的推理性能可能是Hopper的30-40倍的原因。
通過將性能提高30-40倍，你可以將成本降低30-40倍。因為數據中心的成本差不多。摩爾定律在計算歷史上之所以如此重要，就是因為它推動了計算成本的下降。
回顧過去的贰拾年，我們已經成功地將計算的邊際成本降到了原來的百萬分之壹，這壹變革使得機器學習成為可能，我們要做的就是讓電腦去搞定壹切。類似的情況也將在推理領域上演，我們將持續提升性能，這也將促使推理的成本大幅下降。
思考這個問題的另壹種方式是：當前進行測試時間計算時，需要進行大量的迭代，通過測試時間的縮放來推斷出答案，而這些答案，隨後會成為下壹次預訓練或後訓練的數據來源。
因此，我們現在所收集的壹切信息，包括正在持續收集的數據都將匯入龐大的數據池中，用於模型的預訓練和後訓練。
[物價飛漲的時候 這樣省錢購物很爽]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 | 更多... |
推薦: