[CES] 黄仁勋CES重磅宣布最新AI芯片:AI下半场终于来了
接下来是物理AI（Physical AI）。这是一个你们看我谈论了几年的领域。事实上，我们已经为此努力了八年。问题是，你如何将计算机内部的智能，那些通过屏幕和扬声器与你互动的智能，转变为可以与世界互动的智能，意味着它可以理解世界运作的常识。
物体恒存性。如果我看向别处再看回来，那个物体还在那里。因果关系。如果我推它，它会倒下。它理解摩擦力和重力。它理解惯性。一辆重型卡车沿路滚下需要更多时间停下来，而一个球会继续滚动。
这些概念对一个小孩子来说都是常识，但对AI来说完全未知。所以我们必须创建一个系统，允许AI学习物理世界的常识，学习其定律，当然也要能够从数据中学习。数据非常稀缺，并且要能够评估那个AI是否在工作，意味着它必须在环境中进行模拟。如果AI没有能力模拟物理世界对其行动的反应，它怎么知道它正在执行的行动是否符合它应该做的？对其行动反应的模拟对于评估非常重要。否则，就没有办法评估它。每次都不一样。所以这个基本系统需要三台计算机。一台计算机，当然是我们知道英伟达制造的用于训练AI模型的。另一台计算机是用于推理模型的，推理计算机本质上是一台机器人计算机，运行在汽车里或机器人里或工厂里，运行在边缘的任何地方。
但必须有另一台设计用于模拟的计算机。模拟几乎是英伟达所做一切的核心。这是我们最舒适的地方，模拟真的是我们用物理AI所做几乎一切的基础。所以我们有三台计算机和运行在这些计算机上的多个堆栈，这些库使它们变得有用。Omniverse是我们的数字孪生、基于物理的模拟世界。Cosmos，如我之前提到的，是我们的基础模型，不是语言的基础模型，而是世界的基础模型，并且也与语言对齐。你可以说像“球发生了什么？”它会告诉你球正滚下街道。所以是一个世界基础模型。然后当然是机器人模型。我们有两个。一个叫GR00T，另一个叫Alpamayo，我现在要告诉你们。
我们对物理 AI 必须做的最重要的事情之一是创建数据来首先训练 AI。数据从哪里来？与其像语言那样因为我们创建了大量文本作为 AI 学习的“基准真理（Ground Truth）”，我们如何教 AI 物理的基准真理？有很多很多视频，但很难捕捉到我们需要的多样性和交互类型。所以这就是伟大的头脑聚集在一起，将曾经的计算转化为数据的地方。
现在使用以物理定律为基础和条件、以基准真理为基础和条件的合成数据生成（Synthetic Data Generation），我们可以选择性地、巧妙地生成我们可以用来训练 AI 的数据。例如，进入左边这个 Cosmos AI 世界模型的是交通模拟器的输出。现在这个交通模拟器对于 AI 学习来说远远不够。我们可以把它放入 Cosmos 基础模型中，生成基于物理且在物理上合理的环绕视频，AI 现在可以从中学习。这方面有很多例子。让我向你们展示 Cosmos 能做什么。
“物理AI的ChatGPT时刻即将到来。”
Cosmos是世界领先的基础模型，世界基础模型。它已被下载数百万次，在世界各地使用，让世界为这个物理AI的新时代做好准备。我们也自己使用它。我们自己使用它来创建我们的自动驾驶汽车，用于场景生成和评估。我们可以拥有让我们有效行驶数十亿、数万亿英里，但在计算机内部完成的东西。我们取得了巨大的进步。今天，我们宣布Alpamayo，世界上第一款会思考、推理的自动驾驶汽车AI。
Alpamayo是端到端训练的，字面意思是从摄像头输入到执行输出。摄像头输入大量由它自己驾驶的里程，或是我们人类驾驶的，使用人类演示。我们还有大量由Cosmos生成的里程。除此之外，成千上万的例子被非常仔细地标记，以便我们可以教汽车如何驾驶。
Alpamayo做了一些非常特别的事情。它不仅接收传感器输入并激活方向盘、刹车和加速，它还推理它将要采取的行动。它告诉你它将要采取什么行动，它得出那个行动的理由，当然还有轨迹。所有这些都直接耦合，并由大量人类训练以及Cosmos生成的数据非常具体地训练。结果真的令人难以置信。你的车不仅像你期望的那样驾驶，而且它驾驶得如此自然，因为它直接从人类演示者那里学习。但在每一个场景中，当它遇到场景时，它会推理，它告诉你它要做什么，并推理它将要做什么。
为什么这如此重要？因为驾驶的长尾效应。我们不可能简单地为每个国家、每种情况、所有人口可能发生的每一件可能的事情收集每一个可能的场景。然而，每种场景很有可能分解成一大堆其他较小的场景，这对你来说理解起来很正常。因此，这些长尾将被分解成汽车知道如何处理的相当正常的情况，它只需要对其进行推理。
让我们来看一下。你们即将看到的一切都是一次通过，不需动手。
[加西网正招聘多名全职sales 待遇优]
无评论不新闻，发表一下您的意见吧
物体恒存性。如果我看向别处再看回来，那个物体还在那里。因果关系。如果我推它，它会倒下。它理解摩擦力和重力。它理解惯性。一辆重型卡车沿路滚下需要更多时间停下来，而一个球会继续滚动。
这些概念对一个小孩子来说都是常识，但对AI来说完全未知。所以我们必须创建一个系统，允许AI学习物理世界的常识，学习其定律，当然也要能够从数据中学习。数据非常稀缺，并且要能够评估那个AI是否在工作，意味着它必须在环境中进行模拟。如果AI没有能力模拟物理世界对其行动的反应，它怎么知道它正在执行的行动是否符合它应该做的？对其行动反应的模拟对于评估非常重要。否则，就没有办法评估它。每次都不一样。所以这个基本系统需要三台计算机。一台计算机，当然是我们知道英伟达制造的用于训练AI模型的。另一台计算机是用于推理模型的，推理计算机本质上是一台机器人计算机，运行在汽车里或机器人里或工厂里，运行在边缘的任何地方。
但必须有另一台设计用于模拟的计算机。模拟几乎是英伟达所做一切的核心。这是我们最舒适的地方，模拟真的是我们用物理AI所做几乎一切的基础。所以我们有三台计算机和运行在这些计算机上的多个堆栈，这些库使它们变得有用。Omniverse是我们的数字孪生、基于物理的模拟世界。Cosmos，如我之前提到的，是我们的基础模型，不是语言的基础模型，而是世界的基础模型，并且也与语言对齐。你可以说像“球发生了什么？”它会告诉你球正滚下街道。所以是一个世界基础模型。然后当然是机器人模型。我们有两个。一个叫GR00T，另一个叫Alpamayo，我现在要告诉你们。
我们对物理 AI 必须做的最重要的事情之一是创建数据来首先训练 AI。数据从哪里来？与其像语言那样因为我们创建了大量文本作为 AI 学习的“基准真理（Ground Truth）”，我们如何教 AI 物理的基准真理？有很多很多视频，但很难捕捉到我们需要的多样性和交互类型。所以这就是伟大的头脑聚集在一起，将曾经的计算转化为数据的地方。
现在使用以物理定律为基础和条件、以基准真理为基础和条件的合成数据生成（Synthetic Data Generation），我们可以选择性地、巧妙地生成我们可以用来训练 AI 的数据。例如，进入左边这个 Cosmos AI 世界模型的是交通模拟器的输出。现在这个交通模拟器对于 AI 学习来说远远不够。我们可以把它放入 Cosmos 基础模型中，生成基于物理且在物理上合理的环绕视频，AI 现在可以从中学习。这方面有很多例子。让我向你们展示 Cosmos 能做什么。
“物理AI的ChatGPT时刻即将到来。”
Cosmos是世界领先的基础模型，世界基础模型。它已被下载数百万次，在世界各地使用，让世界为这个物理AI的新时代做好准备。我们也自己使用它。我们自己使用它来创建我们的自动驾驶汽车，用于场景生成和评估。我们可以拥有让我们有效行驶数十亿、数万亿英里，但在计算机内部完成的东西。我们取得了巨大的进步。今天，我们宣布Alpamayo，世界上第一款会思考、推理的自动驾驶汽车AI。
Alpamayo是端到端训练的，字面意思是从摄像头输入到执行输出。摄像头输入大量由它自己驾驶的里程，或是我们人类驾驶的，使用人类演示。我们还有大量由Cosmos生成的里程。除此之外，成千上万的例子被非常仔细地标记，以便我们可以教汽车如何驾驶。
Alpamayo做了一些非常特别的事情。它不仅接收传感器输入并激活方向盘、刹车和加速，它还推理它将要采取的行动。它告诉你它将要采取什么行动，它得出那个行动的理由，当然还有轨迹。所有这些都直接耦合，并由大量人类训练以及Cosmos生成的数据非常具体地训练。结果真的令人难以置信。你的车不仅像你期望的那样驾驶，而且它驾驶得如此自然，因为它直接从人类演示者那里学习。但在每一个场景中，当它遇到场景时，它会推理，它告诉你它要做什么，并推理它将要做什么。
为什么这如此重要？因为驾驶的长尾效应。我们不可能简单地为每个国家、每种情况、所有人口可能发生的每一件可能的事情收集每一个可能的场景。然而，每种场景很有可能分解成一大堆其他较小的场景，这对你来说理解起来很正常。因此，这些长尾将被分解成汽车知道如何处理的相当正常的情况，它只需要对其进行推理。
让我们来看一下。你们即将看到的一切都是一次通过，不需动手。
[加西网正招聘多名全职sales 待遇优]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 | 更多... |
推荐: