發表日期 4/3/2022, 1:21:49 PM
新智元報道
編輯:袁榭 好睏
【新智元導讀】 2022年GTC大會上,老黃不僅做瞭長篇單人關鍵演講,之後還接受瞭媒體的專訪。那麼,黃教主在其中說瞭哪些關鍵演講裏沒提到的東西呢?
2021年,老黃800億美元收購Arm的計劃雖然泡湯瞭。
但第四季度的收入照樣增長瞭53%,達到76.4億美元。
最近,藉著爆火的GTC大會,venturebeat整理齣瞭一份關於老黃的超長篇專訪。
雖然問題詳盡,但還是關於雄心勃勃的Omniverse,內容還是太少。
不過,沒關係。
下麵是老黃專訪的部分節選:
隨著局勢動蕩,如何看待對芯片供應和通貨膨脹的持續擔憂?
你說得對,世界上有很多動蕩,的確有很多事情要擔心。不過,英偉達在過去幾年中的發展速度可能比之前十年的總和還要快。
實際上,當我們允許員工選擇最高效的時間錶工作、讓他們自行優化日程時,公司的業績甚至還更進瞭一步。而且,現實的動蕩也間接地讓我們把更多的精力投入到Omniverse的建設之中。
比如,疫情讓很多員工不能進入公司的實驗室來研究英偉達的機器人,或者去街上測試英偉達的汽車,於是也促使我們加強瞭在數字孿生中的測試。
此外,我們還發現在數字孿生中迭代軟件的效果更好些。現在,英偉達可以擁有數百萬輛數字孿生汽車,而不僅僅是一個100輛的實體車隊。
強迫自己比以前更數字化、比以前更虛擬化,這絕對是一件好事。
ARM收購的失敗會帶來哪些影響?
ARM是獨一無二的資産,是一傢獨一無二的公司,你不會再花30年構建另一個ARM。
英偉達需要它來取得成功嗎?不一定。擁有這樣的公司會很棒嗎?絕對沒錯。
作為公司所有者,我當然希望擁有大量資産和齣色的平台。
當然,我也很失望交易沒有被批準。但結果還是好的。
ARM不僅與英偉達建立瞭良好的關係,並更加瞭解英偉達對高性能計算未來的願景。
現在,英偉達將擁有的ARM芯片數量翻瞭一番。
英偉達也想要構建一個與目前競品截然不同的CPU,並解決AI世界中已知的新問題。
這就是Grace超級芯片,它不是小芯片的集閤,而是超級芯片的集閤。
能否建造一個開放的虛擬世界,而不是用於測試機器人的封閉世界?
這很難做到,讓我告訴你為什麼。
Replicator不是做計算機圖形的。Replicator根據不同攝像頭的圖像信號處理器進行傳感器模擬。其中每個鏡頭都不一樣。
再加上激光雷達、超聲波、雷達、紅外綫,所有這些不同類型、模塊的傳感器,與不同材質環境之間的反應也不同。
有的會完全看不見、有的會反射、有的會摺射。Replicator必須能夠模擬環境中的材料、構成、動態、條件、反饋。這一切都因傳感器的區彆而不同。
如果一傢相機公司想要模擬他們的傳感器感知的世界,他們會將他們的傳感器模型、計算模型加載到OmniVerse中。然後重新生成,從基於物理的方法重新模擬環境對該傳感器的反饋。
OmniVerse也能讓激光雷達或超聲波做同樣的事情。英偉達正在用5G無綫信號做類似的嘗試。這真的很難。
無綫電波有摺射,信號可以繞過角落。激光雷達的信號則不可以。
那麼問題來瞭,你如何創造這樣一個完全兼容的開放性世界?這依賴於傳感器。蜥蜴、人類、貓頭鷹所感知的世界,都是非常不同的。這就是難點所在。
Replicator不是一個試圖製作看起來不錯的計算機圖形的遊戲引擎,生成畫麵的觀感並不重要。它需要的是與所模擬的特定傳感器感知世界的方式完全相同。
比如,我們生成的圖像在光學上都非常棒,但這對超聲儀器製造商卻毫無幫助,因為這不是超聲波傳感器感知世界的方式。
英偉達希望使用基於物理的計算方法對所有不同的感官模式進行建模。然後將信號發送到環境中並查看反饋。這將是深度科學性質的成就。
英偉達在自動駕駛汽車領域有何進展?
自動駕駛汽車花費的時間比預期的三年要長,但我對這個項目依然確信不疑。
第一,汽車不再將隻是機械設備。它將成為一個可連接、可編程的計算設備。它將是軟件定義的。您將像電話或計算機一樣對其進行編程。
它將是中心化的。不會由350個嵌入式控製器組成,而是集中在幾台性能強勁的計算機上。
這些計算機會是機器人計算機。它必須接受傳感器輸入並實時處理它們。它必須瞭解算法的多樣性,計算的冗餘。它的設計必須考慮到安全性、彈性和可靠性。它必須為這些東西而設計。
我相信的第二件事是汽車將高度自動化、機器人化。如果從長遠來看不是最大的,這也將是首要的大規模機器人應用市場。
機器人應用程序將能夠感知環境、闡述決策、計劃下一步行為。這就是自動駕駛汽車的作用。L2至L5的分級,我認為是次要的,因為它是高度機器人化的。
我相信的第三件事是,開發自動汽車的方式就像機器學習管綫一樣,將有四個支柱。
第一,必須有一個數據策略來獲得基準事實值。它可以是地圖、數據標記、計算機視覺訓練結果、規劃訓練結果、車道和標誌的識彆結果、燈光和規則的判讀結果,諸如此類。
第二,必須訓練AI模型。
第三,必須有一個數字孿生環境,這樣你就可以根據虛擬演示來測試新軟件、不必馬上把實驗車放在真實街道上。
第四,得有一台機器人計算機,這是一個全棧問題。
在財力支齣方麵,英偉達在自動汽車項目上投入瞭四組計算機的組閤。
有一組用於雲端映射和閤成數據生成,有一組用於訓練數據,有一組用於模擬數據,有一組被稱為OVX Omniverse的用於進行數字孿生。然後用於車載的也有專門的計算機組閤,裏麵搭載一堆軟件和Orin處理器。
英偉達在自動汽車項目上有迴本渠道。最重要的是汽車中的芯片、讓汽車更自動的車內組件,還有廣域網。
英偉達將在未來六年內增加廣域網投資,要將廣域網業務擴至80億-110億美元。為瞭在未來六年內從現在的水平達到110億美元,英偉達會盡快突破10億美元規模關口。
這就是我很確定為什麼汽車將成為英偉達下一個價值數10億美元的業務。
眼下,我曾相信的三件事――軟件定義的汽車、自動駕駛汽車以及汽車製造方式的根本變化,都已經成為現實。
如果願意的話,年輕的初創公司也能做到這一點。他們的包袱更少。他們可以從第一天開始就以這種方式設計他們的汽車。
用於預測地球氣候的Earth-2進展如何?
在過去的10年裏,英偉達在計算速度方麵的提升,不是10年100倍的摩爾定律,而是100萬倍。
其一就是加速計算的並行化。這也就意味著,可以將計算從單個GPU擴展到多個GPU和多個節點,進而擴展到整個數據中心。
此外,英偉達不僅在芯片級並行化瞭軟件,還在節點級和數據中心級並行化。這種橫嚮擴展和縱嚮擴展帶來瞭20倍再乘以100倍、甚至1000倍的計算速度增長。
其二是算力的增加帶來人工智能的發明和普及。Physics ML就是這種基於物理規則的神經網絡。
英偉達其中一個重要研究方嚮就是是開發傅立葉神經算子。概括而言,它就是一個偏微分方程學習器、一個通用函數逼近器、一個可以學習物理然後迴來預測物理的人工智能。
剛剛發布的FourCastNet就基於傅立葉神經算子。通過在一個包含大約10年數據的數值模擬模型中學習之後,FourCastNet能夠以比之前快5個數量級的速度和更高的精度來預測氣候。
讓我解釋一下為什麼這很重要。
對於區域氣候變化,需要進行模擬的不是當下氣象界基礎單位為10公裏的分辨率,而是高達1米的分辨率,二者間的計算量差距大約是10億倍。這意味著傳統的方法,將永遠不會取得成果。
英偉達迎接這一挑戰,並通過三種方式解決它。
首先是在物理學的機器學習方麵取得進展,創造可以學習和預測物理現象的AI。它不懂物理學,因為它不是基於第一性原理的,但它可以預測物理現象。它能夠以比現有技術快5個數量級甚至更快的速度做到這一點
並且英偉達創建瞭一台專為此人工智能設計的超級計算機,部分基於GTC上公布的Hopper,部分基於其未來版本。
擁有瞭這些軟硬件,英偉達就能創造可以預測氣候的數字孿生地球。盡管創造此項目的AI並不在第一性原理上理解氣候、仍然需要科學傢來做到這一點。但它有能力在非常大的範圍內進行預測氣候。
這就是作為第三件事的Earth-2的意義所在。
基於數以百萬計、而不隻數百數韆的集成,英偉達能更好地預測地球的一小部分,在10、30、50甚至100年後會發生什麼。
有趣的是,在其中一個問題中,老黃還透露。
多年來,英特爾與AMD多年來一直知道我們的秘密。早在我們與公眾分享路綫圖之前就與他們分享瞭我們的路綫圖。
當然,這是在保密的情況下發生的。我們有選擇性的溝通渠道。但業界的泰山北鬥們早已經學會瞭如何以這種方式工作。
另一方麵,我們與許多公司競爭的同時,也與他們深入閤作並依賴他們。
正如我所提到的,如果沒有AMD的CPU,英偉達將無法發布DGX。如果沒有英特爾的CPU、所有連接到我們HGX的英特爾超大規模處理器,英偉達將無法發布HGX。如果不是英偉達即將推齣的OmniVerse計算機中的英特爾CPU,我們將無法做齣如此依賴單綫程性能的數字孿生模擬。類似例子不勝枚舉。
我們對自己所做的事情充滿信心。英偉達很樂意與包括英特爾和其他公司在內的閤作者閤作。
事實證明,多疑無用,沒有什麼好猜忌的。同行的確想贏,但不見得所有人都要搞你。
參考資料:
https://venturebeat.com/2022/04/02/jensen-huang-press-qa-nvidias-plans-for-the-Omniverse-earth-2-and-cpus/