متن آخرین پادکست هوانگ رنشون: آینده انویدیا، هوش تجسمی و توسعه عامل، افزایش تقاضا برای استنتاج و بحران روابط عمومی هوش مصنوعی

عنوان ویدیو: جنسن هوانگ: آینده انویدیا، هوش مصنوعی فیزیکی، ظهور عامل، انفجار استنتاج، بحران روابط عمومی هوش مصنوعی
نویسنده ویدیو: پادکست همه جانبه
ترجمه: پگی، بلاک بیتس

یادداشت سردبیر: در فضای فعلی که روایت‌های هوش مصنوعی رو به افزایش است، نقطه کانونی بحث‌های بازار از «قدرت مدل» به «چگونگی پیاده‌سازی سیستم» تغییر می‌کند. در طول دو سال گذشته، این صنعت به طور متوالی پیشرفت‌هایی را در قابلیت‌های مدل‌های بزرگ، رقابت در محاسبات آموزشی و گسترش برنامه‌های کاربردی مولد تجربه کرده است. با این حال، همچنان که این مراحل به تدریج مورد توافق قرار می‌گیرند، سوالات جدیدی نیز مطرح شده‌اند: وقتی هوش مصنوعی دیگر فقط به سوالات پاسخ نمی‌دهد، بلکه شروع به انجام وظایف، ادغام در فرآیندهای سازمانی و ورود به دنیای فیزیکی می‌کند، چه شرایط اساسی از پیشرفت مداوم آن پشتیبانی می‌کند؟

این مقاله گزیده‌ای از پادکست فناوری معروف All-In Podcast است. این برنامه به عنوان یکی از تأثیرگذارترین پادکست‌های سرمایه‌گذاران سیلیکون ولی، توسط چهار سرمایه‌گذار قدیمی و خط مقدم برگزار می‌شود و به خاطر بحث‌های عمیق خود در مورد فناوری، تجارت و روندهای کلان شناخته شده است.

چهار مجری این برنامه عبارتند از:

· جیسون کالاکانیس، کارآفرین اینترنتی اولیه و سرمایه‌گذار فرشته، که به خاطر سرمایه‌گذاری در شرکت‌هایی مانند اوبر، رابین‌هود و غیره شناخته شده است.

· چامات پالیهاپیتیا، بنیانگذار Social Capital، مدیر اجرایی سابق فیسبوک، که در شرکت‌هایی مانند Slack، Box و بسیاری از شرکت‌های فناوری دیگر سرمایه‌گذاری کرده است؛

دیوید ساکس، شریک Craft Ventures، یکی از اعضای «مافیای پی‌پال»، یامر را تأسیس کرد و آن را به قیمت حدود ۱.۲ میلیارد دلار به مایکروسافت فروخت، همچنین از سرمایه‌گذاران اولیه Airbnb و Uber بود؛

· دیوید فریدبرگ، بنیانگذار The Production Board، با تمرکز بر سرمایه‌گذاری در کشاورزی، آب و هوا و علوم زیستی، شرکت The Climate Corporation (که بعدها توسط مونسانتو خریداری شد) را تأسیس کرد.

مهمان این قسمت جنسن هوانگ، یکی از بنیانگذاران و مدیرعامل انویدیا است که یکی از مهمترین محرک‌ها در موج زیرساخت‌های هوش مصنوعی فعلی محسوب می‌شود.

از چپ به راست دیوید فریدبرگ، چامات پالیهاپیتیا، دیوید ساکس، جنسن هوانگ، جیسون کالاکانیس هستند.

کل مصاحبه را می‌توان تقریباً در سه سطح خلاصه کرد.

اول، زیرساخت هوش مصنوعی در حال تغییر و تحول است. در گذشته، درک بازار از هوش مصنوعی عمدتاً مبتنی بر پردازنده‌های گرافیکی قدرتمندتر و مراکز داده بیشتر بود. با این حال، جنسن هوانگ تأکید کرد که رقابت آینده دیگر فقط مربوط به یک تراشه واحد نیست، بلکه رقابت در کل یک سیستم است. با افزایش تقاضای استنتاج، تنوع مدل‌ها افزایش می‌یابد و عامل‌ها شروع به انجام وظایف پیچیده‌تر می‌کنند، محاسبات هوش مصنوعی از یک حالت نسبتاً منفرد در گذشته به یک همکاری سیستمی پیچیده‌تر و تخصصی‌تر تغییر می‌کند. بنابراین، انویدیا در تلاش است تا نقش خود را از یک شرکت تراشه به سازنده‌ی «کارخانه‌ی هوش مصنوعی» تغییر دهد.

دوم، هوش مصنوعی در حال گذار از «تولید محتوا» به «تکمیل وظایف» است. این مهم‌ترین نکته‌ای است که در این مصاحبه مطرح شده است. در حالی که ChatGPT به عموم مردم اجازه داد تا برای اولین بار به طور شهودی قابلیت‌های هوش مصنوعی را تجربه کنند، هوانگ معتقد است که تغییر حتی بزرگتر، ورود هوش مصنوعی به گردش‌های کاری به شکل یک عامل است: این عامل نه تنها به سؤالات پاسخ می‌دهد، بلکه قادر به فراخوانی ابزارها، تجزیه وظایف، همکاری در اجرا و در نهایت انجام کارها نیز هست. در نتیجه، اشیایی که کاربران حاضرند برای آنها به هوش مصنوعی پول بدهند، از «دریافت پاسخ» به تدریج به «دریافت نتیجه» تبدیل خواهند شد. این امر به معنای تقاضای بیشتر برای استنتاج، پیچیدگی بیشتر سیستم و بازنویسی بالقوه فرآیندهای توسعه نرم‌افزار، مدیریت سازمانی و کار دانشی است.

در نهایت، هوش مصنوعی از دنیای دیجیتال به دنیای واقعی گسترش می‌یابد. در طول مصاحبه، چه در مورد رانندگی خودران، رباتیک، مراقبت‌های بهداشتی، زیست‌شناسی دیجیتال یا آنچه هوانگ به عنوان هوش مصنوعی فیزیکی می‌نامد، بحث شود، همه اساساً به یک روند اشاره می‌کنند: ارزش هوش مصنوعی نه تنها در صفحات نمایش منعکس می‌شود، بلکه به طور فزاینده‌ای در کارخانه‌ها، بیمارستان‌ها، اتومبیل‌ها، دستگاه‌های نهایی و زندگی روزمره آشکار خواهد شد. با این حال، این همچنین بدان معناست که چالش‌هایی که هوش مصنوعی در آینده با آنها مواجه خواهد شد، نه تنها فنی خواهند بود، بلکه شامل محدودیت‌های پیچیده‌تر دنیای واقعی مانند زنجیره‌های تأمین، سیاست‌ها، مقررات، قابلیت‌های تولید و ژئوپلیتیک نیز خواهند بود. به عبارت دیگر، مرحله بعدی گسترش هوش مصنوعی، یک فرآیند صنعتی‌سازی واقعی خواهد بود.

از این منظر، قابل توجه‌ترین جنبه‌ی این مکالمه، نه یک محصول خاص یا یک رقم درآمدی مشخص، بلکه قضاوتی است که بارها توسط جنسن هوانگ بیان شده است: هوش مصنوعی در حال گذار از «عصر مدل» به «عصر سیستم» است. رقابت آینده نه تنها در مورد اینکه مدل چه کسی بزرگتر است یا قدرت محاسباتی چه کسی قوی‌تر است، بلکه در مورد اینکه چه کسی صنعت را بهتر درک می‌کند، چه کسی می‌تواند هوش مصنوعی را عمیق‌تر در فرآیندهای واقعی بگنجاند و چه کسی می‌تواند این قابلیت‌ها را در یک سیستم قابل اجرا و مقیاس‌پذیر سازماندهی کند، خواهد بود.

این همچنین دامنه این مقاله را فراتر از خود انویدیا گسترش می‌دهد. سوال واقعی که این شرکت سعی در پاسخ به آن دارد این است: همچنان که هوش مصنوعی به تدریج به زیرساخت تبدیل می‌شود، دور بعدی تجدید ساختار صنعتی چگونه پیش خواهد رفت و ارزش جدید کجا ایجاد خواهد شد.

متن اصلی (با کمی تغییر برای خوانایی بهتر) به شرح زیر است:

TL;DR

زیرساخت هوش مصنوعی در حال گذار از یک «پردازنده گرافیکی واحد» به یک معماری تفکیک‌شده است. وظایف محاسباتی مختلف به صورت مشارکتی توسط پردازنده‌های گرافیکی (GPU)، پردازنده‌های مرکزی (CPU)، تراشه‌های شبکه و تراشه‌های استنتاج مانند Groq انجام خواهند شد.

انویدیا در حال تکامل از یک شرکت تولیدکننده پردازنده‌های گرافیکی (GPU) به یک «شرکت تولیدکننده هوش مصنوعی» است که سیستم‌های کاملی را ارائه می‌دهد. این شرکت کل زیرساخت را می‌فروشد، نه فقط تراشه‌های منفرد را.

معیار کلیدی هزینه هوش مصنوعی، هزینه ساخت مرکز داده نیست، بلکه هزینه توکن و کارایی توان عملیاتی است. یک سیستم گران‌تر ممکن است در واقع ارزان‌تر باشد.

هوش مصنوعی در حال گذار از مدل‌های مولد به عصر عامل‌ها است. کاربران واقعاً حاضرند برای «انجام شدن کارها» هزینه کنند تا اینکه صرفاً پاسخ‌ها را دریافت کنند.

· تقاضاهای محاسباتی رشد انفجاری را تجربه می‌کنند. از نسلی به استنتاج و سپس به عامل، مقیاس ممکن است در مدت کوتاهی بیش از 10،000 برابر افزایش یافته باشد و همچنان در حال شتاب گرفتن است.

آینده توسعه نرم‌افزار تغییر خواهد کرد. مهندسان دیگر فقط کد نخواهند نوشت، بلکه مشکلات را تعریف می‌کنند، معماری‌ها را طراحی می‌کنند و با عامل‌ها همکاری می‌کنند.

در درازمدت، بزرگترین فرصت در تخصص‌گرایی عمیق در حوزه‌های عمودی نهفته است، نه خود مدل کلی. کسانی که صنعت را بهتر درک می‌کنند، خندق قوی‌تری خواهند داشت.

مصاحبه اصلی

جیسون کالاکانیس (سرمایه‌گذار فرشته برجسته | مجری پادکست All-In | سرمایه‌گذار اولیه در اوبر):
این هفته یه قسمت ویژه داره. ما برنامه‌های منظم هفتگی‌مان را کنار می‌گذاریم، کاری که فقط برای سه دسته از افراد انجام می‌دهیم: رئیس جمهور ترامپ، عیسی و جنسن هوانگ (بنیانگذار و مدیرعامل انویدیا). خودتون میتونید رتبه بندی رو تعیین کنید. اخیراً خیلی خوب بودی و این GTC خیلی موفق بود.

جنسن هوانگ (مدیرعامل انویدیا):
کل صنعت از راه رسیده است. همه شرکت‌های فناوری، تقریباً همه شرکت‌های هوش مصنوعی اینجا هستند.

جیسون کالاکانیس:
خیلی باورنکردنیه، واقعاً بی‌نظیره. یکی از مهم‌ترین عرضه‌ها در سال گذشته، Groq بود. وقتی گروک را خریدی، متوجه بودی که چقدر چامات را «غیرقابل تحمل‌تر» می‌کند؟

توجه: گروک، گروک نیست. اولی شرکتی است که روی تراشه‌های استنتاج هوش مصنوعی و یک فضای ابری استنتاج کار می‌کند، در حالی که دومی یک چت‌بات xAI است. تا پایان سال ۲۰۲۵، Groq به یک توافق‌نامه‌ی صدور مجوز فناوری استنتاج غیر انحصاری با NVIDIA دست یافت، که مبلغ رسمی معامله فاش نشد؛ با این حال، گزارش‌ها و گمانه‌زنی‌هایی از این صنعت وجود داشت که از حدود ۱۷ تا ۲۰ میلیارد دلار متغیر بود. تا GTC 2026، جنسن هوانگ سیستم استنتاج ادغام‌شده در پلتفرم NVIDIA مبتنی بر فناوری Groq را بیشتر نشان داد.

منظور از چاماتی که در اینجا ذکر شده، چامات پالیهاپیتیا (بنیانگذار سوشال کپیتال | مدیر اجرایی سابق فیسبوک | مجری برنامه All-In) است. او نه تنها یکی از چهار میزبان All-In است، بلکه از سرمایه‌گذاران اولیه Groq و عضو هیئت مدیره آن نیز می‌باشد. بنابراین، وقتی معامله‌ی مهم NVIDIA-Groq آشکار شد، این نیز به عنوان یکی دیگر از پروژه‌های کلیدی که Chamath با موفقیت روی آن شرط‌بندی کرده بود، دیده شد.

جنسن هوانگ:
یه حس مبهم و پیش بینی نشده داشتم.

جیسون کالاکانیس:
ما باید هر هفته با او سر و کله بزنیم.

جنسن هوانگ:
من می‌دانم. همچنین باید شش هفته کامل حبس او را تحمل کنی.

جیسون کالاکانیس:
درست است.

از شرکت پردازنده گرافیکی تا شرکت «کارخانه هوش مصنوعی»

جنسن هوانگ:

در واقع، بسیاری از استراتژی‌های ما سال‌ها قبل در GTC اعلام می‌شوند. دو سال و نیم پیش، من سیستم عامل کارخانه هوش مصنوعی به نام دینامو را معرفی کردم.

همانطور که می‌دانید، دینامو در ابتدا دستگاهی بود که توسط زیمنس اختراع شد و می‌توانست انرژی آب را به برق تبدیل کند و سیستم کارخانه‌ها را در آخرین انقلاب صنعتی به حرکت درآورد. بنابراین فکر می‌کنم این نام به عنوان نام «سیستم عامل کارخانه» در انقلاب صنعتی بعدی بسیار مناسب است. و در داینامو، یکی از اصلی‌ترین فناوری‌ها، استنتاج تفکیکی است.

جیسون کالاکانیس:

جنسن، می‌دانم که درک خاصی از فناوری داری. بیا، تو تعریف کن. نمی‌خوام برقِت رو بدزدم.

جنسن هوانگ:

متشکرم. استنتاج جدا شده به این معنی است که کل خط استدلال بسیار پیچیده است، احتمالاً پیچیده‌ترین نوع مسئله محاسباتی امروز.

مقیاس آن شگفت‌انگیز است و شامل تعداد زیادی محاسبات ریاضی با اشکال و مقیاس‌های مختلف است. ایده ما این است که کل خط لوله پردازش را تجزیه کنیم، به طوری که بخشی از آن روی یک نوع پردازنده گرافیکی و بخش دیگر روی نوع دیگری از پردازنده گرافیکی اجرا شود. علاوه بر این، این امر ما را متوجه این نکته کرد که شاید خودِ محاسباتِ جداشده، یک جهت‌گیری منطقی باشد: ما می‌توانیم انواع و ماهیت‌های کاملاً متفاوتی از منابع محاسباتی داشته باشیم که با هم کار می‌کنند.

همین ایده بعداً ما را به ملانوکس رساند. به امروز نگاه کنید، محاسبات انویدیا همین الان هم در پردازنده‌های گرافیکی (GPU)، پردازنده‌های مرکزی (CPU)، سوئیچ‌ها، سوئیچ‌های توسعه عمودی، سوئیچ‌های توسعه افقی و پردازنده‌های شبکه توزیع شده است. حالا، باید Groq را هم به این مجموعه اضافه کنیم.

هدف ما قرار دادن حجم کاری مناسب روی تراشه مناسب است. به عبارت دیگر، ما از یک شرکت تولیدکننده پردازنده‌های گرافیکی (GPU) به یک شرکت تولیدکننده هوش مصنوعی تبدیل شده‌ایم.

دیوید ساکس (شریک Craft Ventures | مدیر ارشد عملیات سابق PayPal | میزبان All-In):

برای من، این احتمالاً مهم‌ترین الهام‌بخش است. آنچه اکنون می‌بینید یک «جداسازی» اساسی است. در گذشته، تنها یک انتخاب وجود داشت، پردازنده گرافیکی (GPU)، و اکنون به طور فزاینده‌ای اشکال مختلفی از محاسبات وجود دارد و این انتخاب‌ها در آینده نیز در کنار هم وجود خواهند داشت.

شما روی صحنه به نکته‌ای اشاره کردید که فکر می‌کنم همه کسانی که در استدلال‌های با ارزش بالا دخیل هستند باید آن را جدی بگیرند: شما گفتید که تقریباً ۲۵٪ از فضای مرکز داده باید به واحد پردازش مرکزی (LPU) گروک اختصاص داده شود.

توجه: LPU مخفف واحد پردازش زبان است. این یک دسته تراشه است که توسط Groq پیشنهاد شده است و تمرکز اصلی آن نه بر آموزش، بلکه بر استنتاج است.

جنسن هوانگ:

درست است، در مرکز داده، Groq می‌تواند حدود ۲۵٪ از سیستم Vera Rubin را اشغال کند.

توجه: ورا روبین معماری پلتفرم هوش مصنوعی نسل بعدی انویدیا است. این یک تراشه‌ی واحد نیست، بلکه مجموعه‌ای از پلتفرم‌های زیرساختی سطح سیستمیِ کارخانه‌محورِ هوش مصنوعی است.

دیوید ساکس:

بنابراین می‌توانید در مورد اینکه صنعت در حال حاضر چگونه به این سمت نگاه می‌کند، صحبت کنید؟ اساساً، شما در حال ساخت معماری جداشده نسل بعدی هستید: جداسازی پیش‌پر کردن و رمزگشایی، و تقسیم جریان استنتاج. فکر می‌کنید واکنش مردم چه خواهد بود؟

رن هسو:

بیایید اول یک قدم به عقب برداریم. وقتی ما این قابلیت را در آن زمان به سیستم اضافه کردیم، به این دلیل بود که کل صنعت از پردازش مدل‌های زبانی بزرگ به پردازش عامل‌محور (Agentic Processing) تغییر رویکرد داده بود، که اساساً پردازش مبتنی بر عامل است.

وقتی یک عامل را اجرا می‌کنید، به حافظه کاری، حافظه بلندمدت و ابزارهای فراخوانی دسترسی پیدا می‌کند و فشار زیادی به فضای ذخیره‌سازی وارد می‌کند. همچنین شاهد همکاری نمایندگان با سایر نمایندگان خواهید بود. برخی از عامل‌ها از مدل‌های بزرگ و برخی از مدل‌های کوچک استفاده می‌کنند؛ برخی از مدل‌های انتشار و برخی از مدل‌های خودهمبستگی استفاده می‌کنند. به عبارت دیگر، در این مرکز داده، طیف گسترده‌ای از انواع کاملاً متفاوت مدل‌ها را در کنار هم خواهید یافت. ما ورا روبین را برای رسیدگی به این تنوع شدید حجم کار ساختیم.

بنابراین، در گذشته، ما یک شرکت «تک قفسه‌ای» بودیم و اکنون چهار قفسه دیگر اضافه کرده‌ایم. به عبارت دیگر، بازار خدمات‌رسانی انویدیا (TAM) ناگهان گسترش یافته و تقریباً ۳۳ تا ۵۰ درصد بیشتر از قبل شده است.

و در این ۳۳ تا ۵۰ درصد اضافی، بخش بزرگی از آن پردازنده‌های ذخیره‌سازی، یعنی BlueField، خواهد بود؛ بخشی - که شخصاً امیدوارم بخش قابل توجهی باشد - پردازنده‌های Groq و بخشی دیگر CPU خواهد بود؛ البته، پردازنده‌های شبکه زیادی نیز وجود خواهد داشت. همه اینها در کنار هم در نهایت آن «نوع جدید کامپیوتر» را در انقلاب هوش مصنوعی، که همان عامل‌ها هستند، به کار می‌اندازند. این سیستم عامل صنعت مدرن است.

چامات پالیهاپیتیا (موسس سرمایه اجتماعی | مدیر اجرایی سابق فیسبوک | مجری پادکست All-In):

در مورد برنامه‌های تعبیه‌شده چطور؟ برای مثال، اگر خرس عروسکی دخترم در خانه بخواهد با او صحبت کند، چه چیزی داخل آن خواهد بود؟ یک ASIC سفارشی؟ یا در آینده، شاهد یک TAM گسترده‌تر در سناریوهای لبه‌ای و تعبیه‌شده، با ابزارهای مختلف برای سناریوهای مختلف، خواهیم بود؟

توجه: ASIC مخفف مدار مجتمع با کاربرد خاص و TAM مخفف بازار قابل دسترس کامل است.

جنسن هوانگ:

ما معتقدیم که در این شماره، در واقع سه کامپیوتر وجود دارد.

اولین کامپیوتر، در بزرگترین مقیاس، کامپیوتری است که برای آموزش مدل‌های هوش مصنوعی، توسعه هوش مصنوعی و ایجاد هوش مصنوعی استفاده می‌شود.

کامپیوتر دوم، کامپیوتری است که برای ارزیابی هوش مصنوعی استفاده می‌شود. برای مثال، به اطرافتان نگاه کنید، همه جا ربات، ماشین‌های خودران و چیزهای مشابه وجود دارد. ابتدا باید آنها را در یک محیط مجازی که می‌تواند نمایانگر دنیای فیزیکی باشد، برای ارزیابی قرار دهید. به عبارت دیگر، خود این نرم‌افزار باید از قوانین فیزیک پیروی کند. ما این سیستم را Omniverse می‌نامیم.

کامپیوتر سوم، کامپیوتری است که در لبه مستقر شده و کامپیوتر ربات محسوب می‌شود. می‌تواند یک ماشین خودران، یک ربات یا حتی یک خرس عروسکی کوچک باشد.

برای دستگاه‌هایی مانند خرس‌های عروسکی، یک جهت‌گیری بسیار مهم، که همان کاری است که ما انجام می‌دهیم، تبدیل ایستگاه‌های پایه مخابراتی به بخشی از زیرساخت هوش مصنوعی است. به این ترتیب، کل صنعت دو تریلیون دلاری مخابرات به تدریج در آینده به امتدادی از زیرساخت هوش مصنوعی تبدیل خواهد شد. بنابراین، دستگاه‌های بی‌سیم به دستگاه‌های لبه تبدیل خواهند شد، کارخانه‌ها به دستگاه‌های لبه تبدیل می‌شوند و انبارها نیز همینطور.

خلاصه اینکه، هر سه نوع کامپیوترهای بنیادی ضروری هستند.

دیوید فریدبرگ (بنیانگذار هیئت تولید | مجری پادکست All-In):

جنسن، فکر می‌کردم پارسال تو زودتر از همه دنیا همه چیز رو دیدی. در آن زمان، شما گفتید که رشد تقاضای استنتاج فقط ۱۰۰۰ برابر نخواهد بود.

جنسن هوانگ:

برای خودم چاه کندم؟

دیوید فریدبرگ:

میشه ۱ میلیون بار؟ ۱ میلیارد بار؟ درست است؟

در آن زمان، فکر می‌کنم خیلی‌ها فکر می‌کردند که این حرف خیلی اغراق‌آمیز است، چون هنوز همه روی افزایش مقیاس تمرین تمرکز داشتند. اما حالا، اگر نگاه کنید، استنباط واقعاً اوج گرفته و شروع به تبدیل شدن به «استنتاج مقید» کرده است. شما اکنون یک «کارخانه استنتاج» با توان عملیاتی ۱۰ برابر بیشتر از کارخانه نسل بعدی منتشر کرده‌اید.

اما اگر به بحث‌های خارجی نگاه کنید، بسیاری از مردم خواهند گفت: کارخانه استنتاج شما ۴۰ تا ۵۰ میلیارد دلار هزینه خواهد داشت، در حالی که آن راهکارهای جایگزین، مانند ASIC سفارشی، AMD و غیره، تنها ۲۵ تا ۳۰ میلیارد دلار هزینه خواهند داشت، بنابراین سهم بازار را از دست خواهید داد.

پس چرا فقط به ما نمی گویید: راستی چی دیدی؟ سهم بازار را چگونه می‌بینید؟ آیا این مشتریان حاضرند نزدیک به دو برابر حق بیمه بپردازند؟ آیا ارزشش را دارد؟

چرا یک سیستم گران‌تر، توکن‌های ارزان‌تری تولید می‌کند؟

جاستین سان:

مهمترین و اصلی‌ترین نکته این است: قیمت کارخانه را با قیمت توکن برابر ندانید، و همچنین آن را با هزینه توکن برابر ندانید.

خیلی محتمل است، و من می‌توانم آن را ثابت کنم، که این کارخانه ۵۰ میلیارد دلاری واقعاً می‌تواند کم‌هزینه‌ترین توکن را تولید کند. دلیلش این است که کارایی ما در تولید این توکن‌ها به طرز شگفت‌آوری بالاست و از ده برابر بیشتر است.

می‌بینید، تفاوت قیمت بین ۵۰ میلیارد دلار و ۲۰ میلیارد دلار عمدتاً فقط مربوط به زمین، برق و هزینه ساخت کارخانه است. علاوه بر این، شما از قبل نیاز به خرید فضای ذخیره‌سازی، شبکه، پردازنده‌ها، سرورها و سیستم‌های خنک‌کننده دارید. بنابراین، چه خود پردازنده گرافیکی با قیمت کامل عرضه شود و چه با نصف قیمت، هزینه کل را مستقیماً از ۵۰ میلیارد دلار به ۳۰ میلیارد دلار کاهش نمی‌دهد. شما می‌توانید هر عددی را که دوست دارید انتخاب کنید؛ واقع‌بینانه‌تر اینکه، ممکن است فقط از ۵۰ میلیارد دلار به ۴۰ میلیارد دلار کاهش یابد.

و اگر یک مرکز داده ۵۰ میلیارد دلاری، ۱۰ برابر توان عملیاتی بیشتری داشته باشد، این اختلاف قیمت در واقع چندان قابل توجه نیست.

جیسون کالاکانیس: گرفتمش.

جاستین سان:

به همین دلیل است که من همیشه گفته‌ام: حتی برای بسیاری از تراشه‌ها، اگر نتوانید با مرزهای فناوری همگام شوید، قادر به همگام شدن با سرعت پیشرفت ما نیستید، حتی اگر تراشه‌ها به صورت رایگان داده شوند، هنوز به اندازه کافی ارزان نیستند.

دیوید ساکس:

می‌خواهم یک سوال کلان‌تر و استراتژیک‌تر بپرسم. شما اکنون ارزشمندترین شرکت جهان را اداره می‌کنید. درآمد سال آینده ممکن است از ۳۵۰ میلیارد دلار فراتر رود، با ۲۰۰ میلیارد دلار جریان نقدی آزاد، و همچنان با نرخ مرکب دیوانه‌واری در حال رشد باشد.

چگونه تصمیم می‌گیرید؟ چطور اطلاعات کسب می‌کنید؟ حالا همه از سیستم ایمیل معروف شما خبر دارند، اما واقعاً چطور می‌توانید شهود خود را شکل دهید، بازار را شکل دهید، تصمیم بگیرید کجا تمرکز زیادی داشته باشید، کجا کوچک شوید، کجا وارد حوزه‌های جدید شوید؟ این اطلاعات چگونه به دست شما می‌رسد؟ چگونه قضاوت نهایی را انجام می‌دهید؟

جاستین سان:

این وظیفه مدیرعامل است.

دیوید ساکس:

درست است.

جاستین سان:

مسئولیت ما تعریف چشم‌انداز و تعریف استراتژی است. البته ما از دانشمندان برجسته کامپیوتر، متخصصان فنی و کارمندان عالی بی‌شماری در شرکت الهام می‌گیریم و اطلاعات کسب می‌کنیم، اما در نهایت، شکل دادن به آینده مسئولیت ماست.

یک معیار این است: آیا این کار به طرز مسخره‌ای سخت است؟ اگر به اندازه کافی سخت نیست، پس باید از آن دوری کنیم. دلیلش ساده است: اگر انجام کاری آسان باشد، رقبا قطعاً آن را جمع می‌کنند.

آیا کاری است که قبلاً هرگز انجام نشده و به طرز مسخره‌ای سخت است؟ آیا می‌تواند به راحتی از «ابرقدرت‌های» منحصر به فرد شرکت ما بهره ببرد؟ بنابراین باید این نقطه تلاقی را پیدا کنم: باید هر دو معیار را همزمان داشته باشد.

و در نهایت، باید بدانید که انجام این نوع کارها قطعاً با درد و عذاب زیادی همراه خواهد بود. هیچ اختراع بزرگی به این دلیل نیست که خیلی ساده است و در اولین تلاش به راحتی موفق می‌شود.

اگر کاری فوق‌العاده سخت است، قبلاً هرگز انجام نشده است، اساساً به این معنی است که شما درد و رنج زیادی را متحمل خواهید شد. پس بهتر است از این فرآیند لذت ببرید.

دیوید ساکس:

می‌توانید سه یا چهار کسب‌وکار «دنباله‌دار» دیگر را برای صحبت انتخاب کنید؟ برای مثال، مواردی که شما اشاره کردید: مرکز داده در فضا، سیستم‌های پیشرفته‌ی کمک راننده (ADAS) و خودروها، و جهت‌گیری بیوتکنولوژی. به ما بگویید: این منحنی‌ها چه زمانی شروع به بالا رفتن خواهند کرد؟ این کسب و کارهای بلندمدت را چگونه می‌بینید؟

توجه: ADAS مخفف سیستم‌های پیشرفته کمک راننده است.

رن زینگ هوانگ:

مطمئناً. هوش مصنوعی فیزیکی یک دسته بندی بزرگ است. من همین الان گفتم، ما سه سیستم محاسباتی داریم و تمام پلتفرم‌های نرم‌افزاری بر اساس آنها ساخته شده‌اند. هوش مصنوعی فیزیکی اولین فرصت واقعی صنعت فناوری برای خدمت به صنعتی ۵۰ تریلیون دلاری است که در گذشته به ندرت توسط فناوری عمیقاً متحول شده است. برای انجام این کار، باید تمام فناوری‌های لازم را از نو اختراع کنیم.

من همیشه این را به عنوان یک سفر ده ساله دیده‌ام. ما 10 سال پیش شروع کردیم و حالا بالاخره شاهد افزایش آن هستیم. برای ما، این در حال حاضر یک تجارت چند میلیارد دلاری است و مقیاس فعلی آن سالانه نزدیک به ۱۰۰ میلیارد دلار است. بنابراین، این یک کسب و کار قابل توجه است و همچنان به صورت تصاعدی در حال رشد است. این نکته اول است.

فکر می‌کنم در زیست‌شناسی دیجیتال، مسیر دوم واقعاً به لحظه ChatGPT نزدیک شده‌ایم.

ما به تدریج یاد می‌گیریم که چگونه ژن‌ها، پروتئین‌ها و سلول‌ها را نمایش داده و درک کنیم. برای مواد شیمیایی، ما از قبل می‌دانیم که چگونه با آنها مقابله کنیم. بنابراین، با توانایی نمایش و درک اجزای اساسی زیست‌شناسی و رفتار پویای آنها، فکر می‌کنم این اتفاق احتمالاً طی دو تا سه تا پنج سال رخ خواهد داد. من کاملاً معتقدم که زیست‌شناسی دیجیتال ظرف پنج سال آینده تأثیر عظیمی بر کل صنعت مراقبت‌های بهداشتی خواهد گذاشت.

همه اینها مسیرهای بسیار مهمی هستند. کشاورزی نیز یکی از آنهاست.

چامات پالیهاپیتیا:

از همین الان شروع شده است.

راینهارد کیت:

شکی نیست.

جیسون کالاکانیس:

می‌خواهم تمرکز را از مرکز داده به دسکتاپ برگردانم. روزهای اولیه این شرکت عمدتاً بر پایه علاقه‌مندان، گیمرها و کاربران پردازنده‌های گرافیکی بنا شده بود. وقتی امروز روی صحنه هستید و تقریباً ده هزار نفر مقابلتان هستند، از کلود کد، اوپن‌کلاو و انقلابی که ایجنت به ارمغان آورد، نام بردید.

به خصوص جامعه علاقه‌مندان، ما شاهد انرژی و نوآوری زیادی هستیم که از آنها ساطع می‌شود و پیشرفت‌های زیادی در دسکتاپ در حال رخ دادن است. این بار یک دستگاه دسکتاپ هم عرضه کردید، یادم هست که Dell 60800 بود؟ این یک ایستگاه کاری بسیار قدرتمند است که می‌تواند مدل‌های محلی را با ۷۵۰ گیگابایت حافظه اجرا کند. حالا دیگر موجودی مک استودیو در همه جا تمام شده است. شرکت ما اکنون به طور کامل در حال گذار به OpenClaw است. فریدبرگ از آن استفاده می‌کند، چامات از آن استفاده می‌کند، همه خیلی شیفته آن هستند.

این جنبش عامل متن‌باز که از علاقه‌مندان شروع می‌شود، یعنی اکوسیستم متن‌باز دسکتاپ، برای شما چه معنایی دارد؟ به کجا می‌رود؟

عصر نماینده: چرا تقاضای محاسبات ده هزار برابر دیگر افزایش خواهد یافت؟

راینهارد کیت:

اول، یک قدم به عقب بردارید. در دو سال گذشته، ما در واقع سه نقطه عطف را شاهد بوده‌ایم.

مورد اول هوش مصنوعی مولد (Generative AI) است. ChatGPT هوش مصنوعی را وارد جریان اصلی کرد و باعث شد همه به اهمیت آن پی ببرند. در واقع، این فناوری چند ماه قبل از ظهور ChatGPT وجود داشت. فقط تا زمانی که ChatGPT رابط کاربری کاربرپسندی به آن نداد، هوش مصنوعی مولد واقعاً پیشرفت کرد.

و همانطور که می‌دانید، هوش مصنوعی مولد، توکن‌هایی را هم برای مصرف داخلی و هم برای مصرف خارجی تولید خواهد کرد. مصرف درونی، اساساً، همان «تفکر» است که در ادامه به توسعه‌ی استدلال منجر می‌شود.

در مرحله بعد، قابلیت‌های واقع‌بینانه‌تر و مبتنی بر دنیای واقعی بیشتری پدیدار شدند و هوش مصنوعی را نه تنها به پاسخگویی به سوالات، بلکه به ارائه پاسخ‌های قابل اعتمادتر و مفیدتر تبدیل کردند. همچنین شاهد افزایش ناگهانی درآمد و مدل کسب‌وکار OpenAI بودید.

سپس، نقطه عطف سوم که در ابتدا فقط در صنعت قابل مشاهده بود، کلود کد است. این اولین سیستم عامل واقعاً بسیار مفید و فوق‌العاده انقلابی بود.

اما قبل از کلود کد، این مجموعه از قابلیت‌ها عمدتاً بر روی شرکت‌ها متمرکز بود و بسیاری از افراد خارجی هرگز آن را ندیده بودند. تا زمانی که OpenClaw موضوع «آنچه یک عامل هوش مصنوعی واقعاً می‌تواند انجام دهد» را به عموم مردم نشان نداد.

بنابراین، اهمیت فرهنگی OpenClaw این است: این اولین باری بود که عموم مردم واقعاً از توانایی‌های یک عامل آگاه شدند.

دومین اهمیت کلیدی آن این است که OpenClaw متن‌باز است.

مهم‌تر از آن، یک مدل محاسباتی کاملاً جدید ساخته است که اساساً خودِ محاسبات را از نو اختراع می‌کند. این سیستم حافظه دارد: scratch حافظه کوتاه‌مدت است، سیستم فایل منبع بلندمدت است؛ قابلیت‌های زمان‌بندی دارد؛ می‌تواند cron jobs را اجرا کند؛ می‌تواند agentهای جدید تولید کند؛ می‌تواند وظایف را تجزیه کند، استدلال سببی و حل مسئله انجام دهد؛ همچنین یک زیرسیستم ورودی/خروجی دارد، می‌تواند ورودی، خروجی و اتصال به واتس‌اپ را انجام دهد؛ همچنین یک مجموعه API دارد، می‌تواند انواع مختلفی از برنامه‌ها را که به عنوان مهارت شناخته می‌شوند، اجرا کند.

و این چهار عنصر اساساً یک کامپیوتر را تعریف می‌کنند. بنابراین، ما اکنون عملاً یک کامپیوتر هوش مصنوعی شخصی داریم.

و متن‌باز است، واقعاً متن‌باز، و تقریباً روی هر چیزی قابل اجراست. این طرح اولیه محاسبات مدرن است. به یک معنا، این سیستم عامل، سیستم عامل محاسبات مدرن است و در آینده فراگیر خواهد شد.

البته، ما هنوز یک نکته را باید بررسی کنیم: تا زمانی که نرم‌افزار عامل‌گرا دارید، ممکن است به اطلاعات حساس دسترسی پیدا کند، کد اجرا کند و با خارج از سیستم ارتباط برقرار کند. بنابراین باید اطمینان حاصل کنیم که: همه اینها تحت کنترل، به اندازه کافی امن، و از نظر استراتژیک محدود شده است، به طوری که به این عوامل اجازه می‌دهد دو مورد از سه قابلیت را داشته باشند، اما نه هر سه را به طور همزمان.

در حوزه مدیریت شهری نیز ما سهمی داشته‌ایم. پیتر اشتاین برگر نیز امروز اینجاست. ما مهندسان فوق‌العاده زیادی داریم که با او همکاری می‌کنند تا این سیستم را امن‌تر و قوی‌تر کنند و آن را قادر سازند تا هم از حریم خصوصی و هم از امنیت محافظت کند.

چامات پالیهاپیتیا:

آیا این تغییر الگو، بسیاری از قوانین نظارتی هوش مصنوعی که قبلاً در ایالات متحده تصویب شده بودند را منسوخ کرده است؟ جنسن

بسیاری از پیشنهادها در ابتدا بر اساس مدل‌های قدیمی بودند. می‌توانید توضیح دهید که این تغییر الگو چقدر سریع تعداد زیادی از رویکردهای نظارتی موجود را منسوخ کرده است؟ مقررات هوش مصنوعی اکنون به موضوعی بسیار داغ در سیاست آمریکا تبدیل شده است.

ریچارد هوانگ:

در این زمینه، ما باید همیشه از سیاست‌گذاران جلوتر باشیم و شما در این زمینه کار فوق‌العاده‌ای انجام داده‌اید. ما باید به طور فعال به آنها نزدیک شویم و به آنها بگوییم که فناوری به چه مرحله‌ای رسیده است، چه چیزی هست و چه چیزی نیست. این یک موجود زنده نیست، یک موجود بیگانه نیست، آگاهی ندارد. نرم‌افزار کامپیوتری است.

همچنین، ما اغلب جملاتی مانند «ما اصلاً این فناوری را درک نمی‌کنیم» را می‌شنویم. اما این درست نیست؛ ما در واقع چیزهای زیادی را می‌فهمیم. بنابراین، اولاً، ما باید به ارائه اطلاعات دقیق به سیاست‌گذاران ادامه دهیم؛ اجازه ندهیم سناریوهای آخرالزمانی و افراط‌گرایی بر درک آنها از این فناوری تأثیر بگذارد.

در عین حال، باید بدانیم که فناوری به سرعت در حال توسعه است و نباید اجازه دهیم سیاست‌گذاری خیلی عقب بماند. از دیدگاه ملی، بزرگترین نگرانی من این است: بزرگترین خطر امنیت ملی ایالات متحده در حوزه هوش مصنوعی، خود هوش مصنوعی نیست، بلکه این است که کشورهای دیگر در حال پذیرش هوش مصنوعی هستند در حالی که ما، به دلیل خشم، ترس یا پارانویا، حاضر نیستیم اجازه دهیم صنعت و جامعه ما هوش مصنوعی را بپذیرد.

بنابراین، چیزی که واقعاً بیش از همه نگرانش هستم این است: هوش مصنوعی در ایالات متحده به اندازه کافی سریع در حال گسترش نیست.

دیوید ساکس:

یه سوال دیگه. اگر در اتاق هیئت مدیره آنتروپیک نشسته بودید و به دخالت آنها در حادثه «وزارت جنگ» نگاه می‌کردید، چه فکری می‌کردید؟ این در واقع از نکته‌ای که شما اشاره کردید پیروی می‌کند: مردم نمی‌دانند چگونه هوش مصنوعی را درک کنند، بنابراین لایه‌ای از رنجش، ترس و بی‌اعتمادی به وجود می‌آید. اگر شما بودید، چه کارهای متفاوتی را به داریو و تیمش توصیه می‌کردید تا نتیجه و برداشت عمومی امروز را تغییر دهند؟

ریچارد هوانگ:

اول از همه، می‌خواهم بگویم که فناوری آنتروپیک بسیار چشمگیر است. ما خودمان از کاربران مهم فناوری آنتروپیک هستیم. من تمرکز آنها بر امنیت، پافشاری آنها بر فرهنگ امنیتی و برتری فنی در پیشبرد این تلاش‌ها را تحسین می‌کنم - واقعاً عالی است.

علاوه بر این، آنها می‌خواهند محدودیت‌های قابلیت این فناوری را به عموم یادآوری کنند، و من فکر می‌کنم این به خودی خود چیز خوبی است. با این حال، باید بدانیم که دنیا یک طیف است: یادآوری خوب است، اما ترساندن مردم چندان خوب نیست.

جیسون کالاکانیس: درست است.

ریچارد هوانگ: چون این فناوری برای ما بیش از حد مهم است. فکر می‌کنم پیش‌بینی آینده قطعاً امکان‌پذیر است، اما باید محتاط‌تر و فروتن‌تر باشیم. در واقع، ما نمی‌توانیم آینده را به طور کامل پیش‌بینی کنیم.

اگر بدون مدرکی دال بر وقوع این اتفاقات، قضاوت‌های بسیار افراطی و بسیار فاجعه‌باری صورت گیرد، آسیبی که ایجاد می‌کند ممکن است بیشتر از آن چیزی باشد که مردم تصور می‌کنند.

و اکنون، ما در حال حاضر رهبران صنعت فناوری هستیم. قبلاً کسی به حرف ما گوش نمی‌داد، اما حالا اوضاع فرق کرده است. فناوری عمیقاً در ساختار اجتماعی ریشه دوانده و به صنعتی بسیار حیاتی تبدیل شده است که ارتباط تنگاتنگی با امنیت ملی دارد. هر کلمه‌ای که می‌گوییم بار سنگینی دارد.

بنابراین، من معتقدم که ما باید محتاط‌تر، خویشتن‌دارتر، متعادل‌تر و متفکرتر باشیم.

دیوید فریدبرگ:

من شما را برای این کار معرفی می‌کنم. هوش مصنوعی در ایالات متحده تنها ۱۷ درصد محبوبیت دارد. ما شاهد اتفاقاتی در حوزه انرژی هسته‌ای بوده‌ایم: ما اساساً کل صنعت هسته‌ای را تعطیل کردیم، و اکنون چین در حال ساخت ۱۰۰ راکتور شکافت هسته‌ای است در حالی که ایالات متحده هیچ راکتوری ندارد. اکنون ما شروع به شنیدن درخواست‌هایی برای توقف فعالیت مراکز داده کرده‌ایم. بنابراین فکر می‌کنم باید فعالانه‌تر عمل کنیم.

با این حال، می‌خواهم به آنچه در مورد شیوع عوامل داخلی در شرکت‌ها اشاره کردید برگردم: افزایش کارایی، افزایش بهره‌وری. خیلی‌ها الان دارند در مورد بازگشت سرمایه بحث می‌کنند، درست است؟ وقتی من و شما امسال وارد شدیم، بزرگترین سوال این بود: آیا درآمد محقق خواهد شد؟ آیا درآمد مانند خود هوش مصنوعی افزایش خواهد یافت؟ و سپس ما چیزی شبیه به «لحظه اوپنهایمر» را دیدیم: در ماه فوریه، آنتروپیک به درآمد ماهانه ۵ تا ۶ میلیارد دلار رسید.

توجه: «لحظه اوپنهایمر» از نام جی. رابرت اوپنهایمر، رئیس پروژه منهتن (پروژه تحقیقاتی مخفی در طول جنگ جهانی دوم برای توسعه بمب اتم) گرفته شده است. در سال ۱۹۴۵، بمب اتمی برای اولین بار منفجر شد که نمادی از یک نقطه بحرانی از پیشرفت تکنولوژیکی و همزیستی پرخطر بود، که اکنون معمولاً برای اشاره به یک لحظه حیاتی تکنولوژیکی با تأثیرات برگشت‌ناپذیر استفاده می‌شود.

روندهای پیش رو را چگونه می‌بینید؟ امروز، شما همچنین اشاره کردید که بلک‌ول و ورا روبین در سال‌های آینده، در سطح تریلیون دلاری دیده خواهند شد. با توجه به شتابی که Anthropic و OpenAI نشان داده‌اند، آیا فکر می‌کنید به آن نقطه عطف رسیده‌ایم و آیا در آینده شاهد شتاب گرفتن و گسترش درآمد مانند هوش مصنوعی خواهیم بود؟

رایان هوانگ:

بگذارید از چند منظر مختلف پاسخ دهم. به این حضار امروز نگاه کنید؛ در واقع، هم Antropic و هم OpenAI اینجا هستند. اما در واقعیت، ۹۹٪ از آنچه که وجود دارد هوش مصنوعی است، و آنتروپیک یا OpenAI نیست. دلیل این امر، تنوع بسیار زیاد خود هوش مصنوعی است.

به عنوان یک دسته بندی، می‌توانم بگویم که دومین مدل محبوب در واقع مدل باز است. البته، جایگاه شماره یک، کل اکوسیستم باز عمومی OpenAI، وزن‌های باز و مدل‌های باز است. جایگاه دوم، مدل باز است و شکاف قابل توجهی بین آن و جایگاه سوم وجود دارد. جایگاه سوم به آنتروپیک (انسان‌گرایان) می‌رسد.

این نشان دهنده مقیاس کلی همه شرکت‌های هوش مصنوعی در اینجا است، بنابراین اول و مهمتر از همه، باید این را تشخیص داد.

حالا، صحبت از بار محاسباتی شد. وقتی از هوش مصنوعی مولد به استدلال می‌رسیم، بار محاسباتی مورد نیاز حدود ۱۰۰ برابر افزایش می‌یابد؛ وقتی از استدلال به عاملیت می‌رسیم، بار محاسباتی احتمالاً ۱۰۰ برابر دیگر افزایش می‌یابد. به عبارت دیگر، تنها در عرض دو سال، تقاضای محاسباتی تقریباً 10،000 برابر افزایش یافته است. در عین حال، مردم برای اطلاعات هزینه می‌کنند، اما چیزی که واقعاً ترجیح می‌دهند برای آن هزینه کنند، در واقع نتیجه کار است.

دیوید فریدبرگ: بله.

رن ژون هوانگ:

مکالمه با یک چت‌بات و البته دریافت پاسخ، عالی است. کمک به من در تحقیق نیز فوق‌العاده است. اما چیزی که واقعاً باعث می‌شود حاضر به پرداخت هزینه باشم این است که به من کمک می‌کند کارها را انجام دهم. و این دقیقاً همان جایی است که ما اکنون هستیم، سیستم‌های عامل واقعاً کار خود را انجام می‌دهند. آنها به مهندسان نرم‌افزار ما کمک می‌کنند تا کار را انجام دهند.

خب، بهش فکر کنید، از یک طرف محاسبات ده هزار برابر بیشتر است، از طرف دیگر، ممکن است همین الان هم صد برابر تقاضای مصرف بیشتر وجود داشته باشد. و ما هنوز واقعاً گسترش در مقیاس بزرگ را شروع نکرده‌ایم. ما کاملاً در مسیر رشد ۱,۰۰۰,۰۰۰ برابری هستیم.

جیسون کالاکانیس:

فکر می‌کنم این به خوبی به یک سوال تبدیل می‌شود، چند نفر در شرکت شما هستند؟

رن ژون هوانگ:

ما ۴۳۰۰۰ کارمند داریم که حدود ۳۸۰۰۰ نفر از آنها مهندس هستند.

جیسون کالاکانیس:

ما اغلب در پادکست در مورد یک موضوع بحث می‌کنیم: وای، استفاده از توکن در شرکت ما به طرز دیوانه‌واری در حال افزایش است. برخی حتی هنگام پیوستن به یک شرکت می‌پرسند: «چه میزان توکن می‌توانم دریافت کنم؟» زیرا می‌خواهند کارمندان کارآمدی باشند. یادم هست در آن سخنرانی اصلی دو ساعت و نیمه اشاره کردی که خیلی طولانی اما عالی بود.

رن ژون هوانگ:

متشکرم. در واقع می‌توانست کوتاه‌تر باشد.

جیسون کالاکانیس:

شما اشاره کردید که تخصیص توکن به هر مهندس می‌تواند حدود ۷۵۰۰۰ دلار باشد. آیا این به آن معناست که تیم مهندسی انویدیا باید سالانه ۱ تا ۲ میلیارد دلار برای خرید توکن هزینه کند؟

رن ژون هوانگ:

این چیزی است که ما به آن فکر می‌کنیم. بگذارید یک آزمایش فکری به شما ارائه دهم: فرض کنید یک مهندس نرم‌افزار یا محقق هوش مصنوعی را با حقوق ۵۰۰۰۰۰ دلار در سال استخدام می‌کنید، که اینجا کاملاً رایج است.

آخر سال ازش پرسیدم: «امسال چقدر پول برای خرید ژتون خرج کردی؟» اگه بگه «۵۰۰۰ دلار»، واقعاً منفجر میشم. اگر مهندسی که سالانه ۵۰۰ هزار دلار حقوق می‌گیرد، کمتر از ۲۵۰ هزار دلار توکن در سال مصرف کند، من بسیار محتاط خواهم بود. این حرف هیچ فرقی با این ندارد که یک طراح تراشه بگوید: «تصمیم گرفته‌ام فقط از قلم و کاغذ استفاده کنم، به ابزارهای CAD نیازی ندارم».

جیسون کالاکانیس:

این واقعاً یک تغییر الگو است. درک شما از این کارمندان برتر تقریباً من را به یاد لبران جیمز در یک کلاس MBA می‌اندازد: او سالی یک میلیون دلار صرف نگهداری از بدنش می‌کند تا بتواند در ۴۱ سالگی به بازی ادامه دهد. چرا این کارکنان دانش برتر نباید «توانایی‌های فرابشری» داشته باشند؟

کریس وانگ:

دقیقاً.

جیسون کالاکانیس:

اگر این روند را دو یا سه سال به عقب برگردانیم، کارایی این کارمندان ارشد انویدیا چگونه خواهد بود؟ چه کاری می‌توانند انجام دهند؟

کریس وانگ:

اول از همه، ایده «این خیلی سخت است» از بین خواهد رفت. فکر «این کار خیلی طول می‌کشد» نیز از بین خواهد رفت. این ایده که «ما به افراد زیادی نیاز داریم» نیز از بین خواهد رفت.

مثل این می‌ماند که در انقلاب صنعتی گذشته، هیچ‌کس نمی‌گفت: «آن ساختمان خیلی سنگین به نظر می‌رسد.» و هیچ‌کس نمی‌گفت: «آن کوه خیلی بزرگ است.» تمام افکار مربوط به «خیلی بزرگ، خیلی سنگین، خیلی وقت‌گیر» از بین خواهند رفت.

دیوید ساکس:

آنچه باقی خواهد ماند، تنها خلاقیت است. واقعاً به چه چیزی می‌توان فکر کرد؟

کریس وانگ:

دقیقاً درست است. به عبارت دیگر، مشکل آینده این خواهد بود: چگونه با این عوامل همکاری می‌کنید؟

در اصل، این فقط یک روش کاملاً جدید برای برنامه‌نویسی است. در گذشته، ما کد می‌نوشتیم، در آینده آنچه می‌نویسیم ایده‌ها، معماری‌ها و مشخصات خواهد بود؛ ما تیم‌ها را سازماندهی خواهیم کرد؛ معیارهای ارزیابی را تعریف خواهیم کرد، به سیستم خواهیم گفت چه چیزی خوب است، چه چیزی بد است، چه چیزی نتایج عالی را تشکیل می‌دهد؛ ما بارها و بارها با آن تکرار و ایده‌پردازی خواهیم کرد.

این واقعاً کاری است که باید انجام دهید. من معتقدم که هر مهندس در آینده ۱۰۰ نماینده خواهد داشت.

جیسون کالاکانیس:

برگردیم به بحث روابط عمومی. کارآفرینانی مانند دیوید فریدبرگ واقعاً با فناوری و هوش مصنوعی شما در اوهالو کارهای قابل توجهی انجام می‌دهند: افزایش تولید مواد غذایی، بهبود عرضه کالری‌های باکیفیت. فریدبرگ، فکر می‌کنی این دیدگاه چقدر می‌تواند هزینه‌ها را کاهش دهد؟ این چشم‌انداز چه تأثیری بر کاری که انجام می‌دهید خواهد داشت؟

دیوید فریدبرگ:

ما همین الان یک مدل‌سازی ژنوم بدون هدف انجام دادیم، و جواب داد. لحظه‌ای که واقعاً جواب داد، فوق‌العاده بود. و این در حالی اتفاق می‌افتاد که «یک نفر یک شبه کل مجموعه نرم‌افزارهای سازمانی را جایگزین می‌کند.»

خودم این کار را کردم: در عرض ۹۰ دقیقه، کل نرم‌افزار و تعدادی از گردش‌های کاری را جایگزین کردم. از یکشنبه شب ساعت 10 شب، همه چیز انجام شد و تا ساعت 11:30 شب مستقر شدند.

بعد از اینکه من، به عنوان مدیرعامل، این کار را انجام دادم، از تمام اعضای تیم مدیریتم خواستم که آخر هفته همین تمرین را انجام دهند. تا دوشنبه، چیزی که دیدیم این بود: انجام شده.

صحبت از چیزی فنی‌تر و علمی‌تر است. ما از تحقیقات خودکار و مجموعه‌ای از داده‌ها برای انجام کاری در ۳۰ دقیقه استفاده کردیم. اگر ما مسیر سنتی را دنبال می‌کردیم، این یک نتیجه در سطح دکترا می‌شد که احتمالاً ۷ سال طول می‌کشید و می‌توانست یکی از معتبرترین آثار دکترا در این زمینه باشد، به اندازه‌ای که در مجله Science منتشر شود.

اما کاری که ما انجام دادیم این بود که فقط روی یک کامپیوتر رومیزی، تحقیق خودکار را از گیت‌هاب دانلود کردیم، داده‌های تازه به دست آمده را به آن اضافه کردیم و آن را در عرض 30 دقیقه اجرا کردیم. در آن لحظه حالت چهره همه تغییر کرد. پتانسیلی که آزاد کرد واقعاً باورنکردنی بود.

بنابراین فکر می‌کنم این شتاب، امکانات همه را به طرز بی‌سابقه‌ای گسترش می‌دهد.

اما برگردیم به این نکته در مورد تحقیقات خودرو: نظر شما چیست؟ یک آخر هفته، ۶۰۰ خط کد، تولید چنین نتایجی، و قابلیت اجرا به صورت محلی، مدیریت چنین مجموعه داده‌های متنوعی.

آیا این نشان نمی‌دهد که ما هنوز در مراحل بسیار اولیه هستیم، چه در بهینه‌سازی الگوریتم و چه در بهینه‌سازی سخت‌افزار؟

هوانگ رنکسون:

دلیل اینکه OpenClaw بسیار شگفت‌انگیز است، اولاً، این است که کاملاً با پیشرفت مدل‌های زبانی بزرگ همزمان بود؛ زمان‌بندی آن کاملاً دقیق بود.

تا حد زیادی، اگر به خاطر رسیدن کلود، GPT و ChatGPT به سطح امروزی‌شان نبود، احتمالاً پیتر این چیز را خلق نمی‌کرد. مدل‌ها واقعاً به سطح بسیار بالایی رسیده‌اند.

دوم، قابلیت‌های جدیدی را به ارمغان آورد: به این مدل‌ها اجازه داد تا به ابزارهایی که ما طی سال‌ها ایجاد کرده‌ایم، دسترسی داشته باشند. مانند مرورگرها، اکسل؛ در طراحی تراشه، Synopsys و Cadence؛ و همچنین Omniverse، Blender، Autodesk و غیره. و این ابزارها در آینده نیز مورد استفاده قرار خواهند گرفت.

برخی افراد اکنون می‌گویند که صنعت نرم‌افزار فناوری اطلاعات سازمانی در شرف فروپاشی است. اما من از زاویه دیگری به شما نگاه می‌کنم: مقیاس صنعت نرم‌افزار سازمانی همیشه محدود به تعداد «مقامات» بوده است، یعنی تعداد صندلی‌ها. اما در آینده، ۱۰۰ برابر بیشتر از این تعداد، مامور خواهد دید. این عامل‌ها از SQL، پایگاه‌های داده برداری، Blender و Photoshop پرس‌وجو خواهند کرد.

دلیلش ساده است: اولاً، این ابزارها همین الان هم کارشان را عالی انجام می‌دهند؛ ثانیاً، این ابزارها اساساً «رابط واسطه» بین ما و ماشین هستند. در نهایت، وقتی کار انجام شد، نتایج باید به روشی که بتوانم کنترل کنم به من ارائه شوند. و من می‌دانم که چگونه با این ابزارها کار کنم.

بنابراین امیدوارم همه چیز در نهایت به Synopsys، به Cadence برگردد، زیرا آنجا جایی است که می‌توانم کنترل کنم، جایی که می‌توانم اعتبارسنجی «استاندارد قطعی» انجام دهم.

توجه: Synopsys و Cadence دو شرکت مهم نرم‌افزاری EDA (اتوماسیون طراحی الکترونیکی) هستند و تقریباً همه شرکت‌های تراشه (NVIDIA، Apple، AMD) به آنها متکی هستند.

میدان نبرد بعدی برای هوش مصنوعی: متن‌باز، عمودی‌سازی و گسترش جهانی

دیوید ساکس:

یه سوال در مورد متن باز بودن دارم. حالا ما مدل‌های متن‌باز داریم که عالی هستند؛ و همچنین مدل‌های وزن‌باز داریم، از جمله مدل‌های چینی شگفت‌انگیز زیادی که واقعاً قوی هستند.

دو روز پیش، شاید شما در آن زمان سرتان روی صحنه شلوغ بود و متوجه نشدید، در یک پروژه رمزنگاری به نام BitTensor در Subnet 3، شخصی یک کار آموزشی را به پایان رساند: آنها یک مدل Llama با ۴۰ میلیارد پارامتر را به طور کامل و به صورت توزیع شده آموزش دادند. یک گروه تصادفی از افراد، قدرت محاسباتی خود را به کار گرفتند، اما آنها توانستند کل فرآیند آموزش را به شیوه‌ای مبتنی بر وضعیت مدیریت کنند. من فکر می‌کنم این از نظر فنی خیلی دیوانه‌وار است، چون شرکت‌کنندگان کاملاً تصادفی توزیع شده‌اند.

رنسیانگ هوانگ:

این مثل دوران Folding@home ماست.

توجه: Folding@home یک پروژه محاسباتی توزیع‌شده است که به داوطلبان جهانی اجازه می‌دهد تا قدرت محاسباتی خود را برای شبیه‌سازی پروتئین و تحقیقات پزشکی به اشتراک بگذارند.

دیوید ساکس:

درست است. خب، شما پایان بازی متن‌باز را چگونه می‌بینید؟ آیا می‌بینید که معماری نیز در حال غیرمتمرکز شدن است، قدرت محاسباتی نیز در حال غیرمتمرکز شدن است، و از مسیر به سوی وزن آزاد و متن‌باز کامل پشتیبانی می‌کند، و در نتیجه هوش مصنوعی را واقعاً در دسترس قرار می‌دهد؟

ریچارد وانگ:

من معتقدم که اساساً ما به دو چیز همزمان نیاز داریم: اول، مدل‌ها به عنوان محصولات تجاری درجه یک، محصولات اختصاصی؛ دوم، مدل‌ها به صورت متن‌باز.

این رابطه، رابطه‌ی الف یا ب نیست، بلکه هم الف و هم ب مورد نیاز هستند. بدون شک. دلیلش این است که این مدل قبل از هر چیز یک فناوری است، نه یک محصول نهایی. این مدل یک فناوری است، نه یک سرویس.

برای اکثریت قریب به اتفاق کاربران، در آن سطح افقی، در سطح هوش عمومی، من در واقع نمی‌خواهم خودم یک مدل را تنظیم دقیق کنم. من ترجیح می‌دهم به استفاده از ChatGPT، Claude، Gemini و X ادامه دهم. هر کدام از آنها ویژگی‌های خاص خود را دارند که به حال و هوای من و مشکلی که می‌خواهم حل کنم بستگی دارد. بنابراین این بخش از صنعت خیلی خوب توسعه خواهد یافت، بسیار پررونق خواهد بود.

با این حال، تمام دانش تخصصی و مهارت‌های حرفه‌ای در این صنایع باید به گونه‌ای رسوب داده شوند که بتوانند خودشان را کنترل کنند و این امر تنها از طریق مدل‌های باز امکان‌پذیر است. صنعت مدل باز بسیار به لبه‌ی تیغ پیشرفت نزدیک است. ما همچنین سرمایه‌گذاری‌های کلانی روی آن انجام می‌دهیم.

صادقانه بگویم، حتی اگر مدل‌های باز واقعاً به مرز تکنولوژی برسند، من هنوز معتقدم که مدل‌های محصول تجاری در سطح جهانی و به عنوان سرویس، به رشد خود ادامه خواهند داد.

جیسون کالاکانیس:

هر استارتاپی که اکنون در آن سرمایه‌گذاری می‌کنیم تقریباً همیشه متن‌باز شروع می‌کند و سپس به سمت مدل‌های اختصاصی حرکت می‌کند.

ریچارد وانگ:

بله. و نکته‌ی شگفت‌انگیز این است: تا زمانی که یک روتر عالی داشته باشید، از همان روز اول، هر روز، می‌توانید به بهترین مدل‌های دنیا دسترسی داشته باشید. در عین حال، این به شما زمان می‌دهد تا هزینه‌ها را کاهش دهید، تنظیمات دقیق انجام دهید و تخصص پیدا کنید. بنابراین شما با قابلیت‌های در سطح جهانی شروع می‌کنید و سپس به آرامی خندق خود را می‌سازید.

دیوید فریدبرگ:

جنسن، می‌خواهم یک سوال ژئوپلیتیک بپرسم. البته، هیچ‌کس بیشتر از شما نمی‌خواهد که ایالات متحده در مسابقه جهانی هوش مصنوعی پیروز شود. اما یک سال پیش، در دوران بایدن، آن قانون انتشار در واقع مانع از آن می‌شد که ایالات متحده جلوگیری از گسترش جهانی فناوری هوش مصنوعی.

اکنون یک سال از روی کار آمدن دولت جدید می‌گذرد. چه نمره‌ای بهش میدید؟ وقتی صحبت از گسترش جهانی هوش مصنوعی می‌شود، الان در مرحله الف، ب یا ج هستیم؟ چه کارهایی به خوبی انجام شده و چه کارهایی به خوبی انجام نشده است؟

ریچارد وانگ:

اول از همه، رئیس جمهور ترامپ می‌خواست صنعت ایالات متحده پیشرو باشد، می‌خواست صنعت فناوری ایالات متحده پیشرو باشد، می‌خواست صنعت فناوری ایالات متحده پیروز شود، می‌خواست فناوری ایالات متحده در سطح جهانی گسترش یابد، می‌خواست ایالات متحده به ثروتمندترین کشور جهان تبدیل شود. او می‌خواست همه این اتفاقات بیفتد.

اما در حال حاضر، انویدیا سهم بازار ۹۵ درصدی اولیه خود را در دومین بازار بزرگ جهان از دست داده و اکنون به ۰ درصد رسیده است. رئیس جمهور ترامپ می‌خواهد ما آن را پس بگیریم.

اولین قدم، دریافت مجوز برای شرکت‌هایی است که می‌توانیم به آنها بفروشیم. بسیاری از شرکت‌ها قبلاً درخواست داده‌اند و ما از طرف آنها درخواست مجوز داده‌ایم و وزیر بازرگانی، لوتنیک، برخی از آنها را تأیید کرده است. در مرحله بعد، ما به شرکت‌های چینی اطلاع داده‌ایم که بسیاری از آنها به ما سفارش داده‌اند. بنابراین ما اکنون در حال راه‌اندازی مجدد زنجیره تأمین و ارسال کالا هستیم.

در سطحی بالاتر، فکر می‌کنم باید یک نکته را تصدیق کنیم: وقتی نمی‌توانیم میکروکنترلرها، مواد معدنی کمیاب زمین را تهیه کنیم، امنیت ملی ما تضعیف می‌شود؛ وقتی نمی‌توانیم شبکه ارتباطی خود را کنترل کنیم، امنیت ملی تضعیف می‌شود؛ وقتی نمی‌توانیم انرژی پایدار برای کشور فراهم کنیم، امنیت ملی نیز تضعیف می‌شود. هر یک از این صنایع داستانی هستند که امیدوارم صنعت هوش مصنوعی آن را تکرار نکند.

همانطور که به آینده نگاه می‌کنیم و می‌پرسیم «یک صنعت فناوری آمریکایی که واقعاً در سطح جهانی پیشرو است، چه نقشی دارد؟» صنعت هوش مصنوعی اینگونه به نظر می‌رسد، "باید صادق باشیم: مدل‌های هوش مصنوعی نمی‌توانند تحت سلطه جهانی یک شرکت آمریکایی باشند، این نتیجه منطقی نیست.

اما می‌توانیم تصور کنیم: مجموعه فناوری ایالات متحده، از تراشه‌ها گرفته تا سیستم‌های محاسباتی و پلتفرم‌ها، به طور گسترده در سطح جهانی پذیرفته شود. مردم در سراسر جهان می‌توانند هوش مصنوعی، هوش مصنوعی عمومی و هوش مصنوعی خصوصی خود را بر روی این فناوری آمریکایی بسازند و سپس به جوامع خود خدمت کنند. امیدوارم که فناوری ایالات متحده بتواند ۹۰ درصد از جهان را پوشش دهد. واقعاً امیدوارم.

در غیر این صورت، اگر نتیجه نهایی چیزی شبیه به انرژی خورشیدی، عناصر کمیاب خاکی، آهنربا، موتور، تجهیزات ارتباطی باشد، فکر می‌کنم نتیجه بسیار بدی برای امنیت ملی ایالات متحده خواهد بود.

چامات پالیهاپیتیا:

در حال حاضر چقدر از نزدیک اوضاع درگیری‌های جهانی را دنبال می‌کنید؟ این موضوع تا چه حد شما را نگران می‌کند؟ برای مثال، خاورمیانه می‌تواند بر عرضه هلیوم تأثیر بگذارد و هلیوم یک خطر بالقوه برای زنجیره تأمین تولید نیمه‌هادی‌ها است. چقدر نگران این مسائل هستید؟ چقدر در این راه تلاش می‌کنید؟

توجه: هلیوم برای تولید نیمه‌هادی‌ها بسیار مهم است، زیرا نه تنها جایگزینی آن در فرآیندهای کلیدی مانند لیتوگرافی و بازرسی دشوار است، بلکه به عنوان یک منبع تجدیدناپذیر، عرضه آن بسیار متمرکز است و عمدتاً به چند منطقه تولیدی مانند ایالات متحده، قطر (خاورمیانه) و الجزایر (شمال آفریقا) متکی است. هنگامی که در این منابع بالادستی اختلالی ایجاد شود، ممکن است مستقیماً بر عملکرد پایدار خطوط تولید تراشه تأثیر بگذارد.

رن هسون هوانگ:

اولاً، صحبت از خاورمیانه شد، ما ۶۰۰۰ خانواده آنجا داریم. ما کارمندان ایرانی زیادی در شرکت داریم و خانواده‌هایشان هنوز در ایران هستند. خب، ما خانواده‌های زیادی آنجا داریم.

اولین مورد این است: آنها اکنون بسیار مضطرب، بسیار نگران و بسیار ترسیده هستند. ما تمام مدت به آنها فکر می‌کردیم و از نزدیک اوضاع را زیر نظر داشتیم. آنها از حمایت کامل ما برخوردار خواهند بود. برخی نیز از من پرسیده‌اند که با توجه به وضعیت فعلی خاورمیانه، آیا ما همچنان در اسرائیل خواهیم ماند؟ پاسخ من این است: ما صد در صد در اسرائیل خواهیم ماند. ما کاملاً از خانواده‌های آنجا حمایت می‌کنیم. ما به طور ۱۰۰٪ به حضور خود در خاورمیانه ادامه خواهیم داد.

برخی نیز پرسیده اند، از آنجایی که وضعیت در خاورمیانه به این شکل است، آیا هنوز فکر می کنیم که گسترش هوش مصنوعی در آنجا ارزشش را دارد؟ دیدگاه من این است: دلیل وجود جنگ این است که همه خواهان نتیجه‌ای پایدارتر هستند. و من معتقدم، پس از جنگ، خاورمیانه باثبات‌تر از قبل خواهد بود. بنابراین، اگر ما مایل بودیم قبل از جنگ آن را در نظر بگیریم، باید بعد از جنگ آن را حتی جدی‌تر بگیریم. بنابراین در این مورد، من هم ۱۰۰٪ متعهد هستم.

ما سه کار داریم که باید انجام دهیم. اول، ما باید به سرعت آمریکا را دوباره صنعتی کنیم، چه کارخانه‌های تراشه، چه کارخانه‌های کامپیوتر یا کارخانه‌های هوش مصنوعی.

جیسون کالاکانیس:

این چطور پیشرفت می‌کند؟

رن زینگ هوانگ:

پیشرفت خیلی خوبه. دلیل اینکه ما توانسته‌ایم با سرعتی شگفت‌انگیز در آریزونا، تگزاس و کالیفرنیا پیشرفت کنیم این است که از زنجیره تأمین در تایوان و چین، حمایت استراتژیک، دوستی و کمک دریافت کرده‌ایم. آنها واقعاً شرکای استراتژیک ما هستند. آنها شایسته حمایت، دوستی و سخاوت ما هستند. آنها همچنین تمام تلاش خود را می‌کنند تا به ما در تسریع روند تولید کمک کنند.

دوم، ما باید زنجیره تأمین تولید را متنوع کنیم. چه کره جنوبی باشد، چه ژاپن یا اروپا، ما باید زنجیره تأمین را متنوع کنیم تا آن را مقاوم‌تر کنیم. سوم، همزمان با افزایش تنوع و انعطاف‌پذیری، باید خویشتن‌داری نیز به خرج دهیم و از فشارهای غیرضروری اجتناب کنیم.

جیسون کالاکانیس:

منظورت اینه که باید صبور باشیم.

چامات پالیهاپیتیا:

در مورد هلیوم چطور؟ گزارش‌های زیادی به این موضوع اشاره کرده‌اند.

رن زینگ هوانگ:

فکر کنم هلیوم مشکل‌ساز باشه. با این حال، از سوی دیگر، زنجیره‌های تأمین معمولاً موجودی بافر زیادی دارند و چنین سیستم‌هایی عموماً حاشیه امن مشخصی را باقی می‌گذارند.

جیسون کالاکانیس:

شما در زمینه رانندگی خودران گام‌های بلندی برداشته‌اید و همچنین خبر مهمی را اعلام کرده‌اید. شما شرکای زیادی از جمله اوبر را اضافه کرده‌اید. اخیراً ویدیویی از شما در یک خودروی خودران مرسدس بنز دیدم. شما و اوبر همچنین اعلام کردید که با بسیاری از خودروسازان، خودروهای بیشتری را به کار خواهید گرفت.

می‌فهمم که شرط شما این است: در آینده یک پلتفرم باز شبیه به اندروید وجود خواهد داشت و شما نقش کلیدی در آن خواهید داشت و به ده‌ها تولیدکننده خودرو خدمت‌رسانی خواهید کرد؛ از طرف دیگر، ممکن است یک سیستم بسته مانند iOS، مانند تسلا یا ویمو، وجود داشته باشد.

استراتژی شما چیست؟ این بازی چگونه پیش خواهد رفت؟ چون به نظر می‌رسد که شما در بعضی زمینه‌ها با هم همکاری و در بعضی دیگر با هم رقابت می‌کنید و پشته (stack) شما بسیار عمیق است.

جنسن هوانگ:

اولاً، ما معتقدیم که هر چیزی که در آینده حرکت می‌کند، روزی کاملاً یا تا حدی خودکار خواهد بود. دوم، ما نمی‌خواهیم خودمان ماشین‌های خودران بسازیم، بلکه می‌خواهیم به هر شرکت خودروسازی در جهان این قدرت را بدهیم که ماشین‌های خودران بسازد.

بنابراین ما سه کامپیوتر ساخته‌ایم: یک کامپیوتر آموزشی، یک کامپیوتر شبیه‌سازی، یک کامپیوتر ارزیابی و یک کامپیوتر درون خودرو. ما همچنین ایمن‌ترین سیستم عامل رانندگی جهان را توسعه داده‌ایم.

همزمان، ما اولین سیستم رانندگی خودکار جهان با قابلیت‌های استدلال را نیز توسعه داده‌ایم. می‌تواند صحنه‌های پیچیده را به صحنه‌های ساده‌تر تجزیه کند و درست مانند یک مدل استدلال، یکی یکی از آنها عبور کند. این سیستم استدلال، آلپامایو نام دارد و ما را قادر ساخته است به نتایج شگفت‌انگیزی دست یابیم.

ما بهینه‌سازی عمودی و نوآوری افقی را دنبال خواهیم کرد؛ سپس اجازه می‌دهیم هر تولیدکننده خودش تصمیم بگیرد. آیا فقط می‌خواهید یکی از کامپیوترهای ما را بخرید؟ مثل ایلان و تسلا، سیستم آموزشی ما را می‌خرند؛ یا می‌خواهید سیستم آموزشی به علاوه‌ی سیستم شبیه‌سازی را بخرید؟ یا می‌خواهید با ما همکاری کنید تا هر سه مجموعه را با هم ادغام کنیم و حتی کامپیوتر داخل خودرو را در ماشین خود نصب کنیم؟

نگرش ما همیشه این بوده است که می‌خواهیم مشکلات را حل کنیم، اما اصرار نداریم که فقط ما می‌توانیم پاسخ منحصر به فرد را ارائه دهیم. صرف نظر از اینکه چگونه تصمیم به همکاری با ما می‌گیرید، ما خوشحالیم.

دیوید ساکس:

در ادامه‌ی این سوال، به نظرم موضوع خیلی جالبی است. شما در واقع در حال ساختن بستری هستید تا هزاران گل شکوفا شوند. اما در واقع، بعضی از گل‌ها حالا می‌خواهند به پایین، به انتهای توده بروند و با شما رقابت کنند. گوگل TPU دارد، آمازون Inferentia و Trainium را دارد، تقریباً همه روی نسخه «من هم می‌توانم از NVIDIA پیشی بگیرم» خود کار می‌کنند. اگرچه آنها مشتریان عمده شما نیز هستند.

چطور این روابط را مدیریت می‌کنید؟ به نظر شما در درازمدت چه اتفاقی خواهد افتاد؟ این محصولات در نهایت چه نقشی در کل اکوسیستم ایفا خواهند کرد؟

جنسن هوانگ:

این سوال خیلی خوبی است.

اول اینکه، ما تنها شرکت واقعی هوش مصنوعی هستیم. ما مدل‌های بنیادی خودمان را می‌سازیم و در بسیاری از زمینه‌ها پیشرو هستیم. ما هر لایه، هر پشته را از بالا به پایین می‌سازیم. ما همچنین تنها شرکت هوش مصنوعی هستیم که با تمام شرکت‌های هوش مصنوعی در جهان همکاری می‌کنیم.

آنها هرگز به من نشان نمی‌دهند که چه کار می‌کنند، اما من همیشه برایشان روشن می‌کنم که چه کار می‌کنم. بنابراین اعتماد به نفس ما از یک چیز ناشی می‌شود: ما بسیار خوشحالیم که در زمینه «چه کسی فناوری‌اش بهترین است» رقابت می‌کنیم. تا زمانی که بتوانیم به سرعت به کار خود ادامه دهیم، معتقدم که ادامه خرید از انویدیا همچنان یکی از اقتصادی‌ترین انتخاب‌های آنها خواهد بود. من در این مورد خیلی مطمئن هستم.

دوم، ما تنها معماری هستیم که می‌توانیم آن را روی تمام پلتفرم‌های ابری پیاده‌سازی کنیم. این یک مزیت اساسی به همراه دارد. ما همچنین تنها معماری هستیم که می‌توانیم آن را از فضای ابری جدا کرده و در مراکز داده، خودروها، هر منطقه‌ای یا حتی در فضا قرار دهیم.

بنابراین، ما در واقع بخش قابل توجهی از بازار، حدود ۴۰٪ از کسب و کار را در اختیار داریم. اگر پشته CUDA را نداشته باشید، اگر نتوانید کل کارخانه هوش مصنوعی را ارائه دهید، مشتریان به سادگی نمی‌دانند چگونه با شما همکاری کنند. آنها به دنبال خرید تراشه نیستند؛ آنها در حال ساخت زیرساخت‌های هوش مصنوعی هستند. بنابراین چیزی که آنها نیاز دارند این است: شما با یک مجموعه کامل وارد می‌شوید، و ما اتفاقاً مجموعه کامل را داریم.

بنابراین، اگر اکنون نگاه کنید، به طرز شگفت‌آوری، سهم بازار انویدیا در واقع هنوز در حال افزایش است.

دیوید ساکس:

یعنی، این شرکت‌ها امتحان کردند، فهمیدند که «وای، این خیلی پیچیده است» و بعد برگشتند؟ آیا به همین دلیل است که سهم بازار شما همچنان در حال افزایش است؟

جنسن هوانگ:

رشد سهم بازار دلایل مختلفی دارد.

اول اینکه سرعت پیشرفت ما خیلی بالاست. دوم، ما همه را متوجه این نکته می‌کنیم که: مشکل در ساخت تراشه نیست، بلکه در ساخت سیستم است، و ساخت این سیستم فوق‌العاده دشوار است. بنابراین، همکاری آنها با ما همچنان در حال افزایش است.

برای مثال، AWS را در نظر بگیرید، یادم هست که دیروز اعلام کردند که قرار است در سال‌های آینده ۱ میلیون تراشه خریداری کنند. این یک خرید بسیار بزرگ است، تازه اگر از انبوه خریدهای قبلی‌شان بگذریم. ما قطعاً بسیار مایل هستیم.

علاوه بر این، در سال‌های اخیر، سهم بازار ما افزایش یافته است، زیرا اکنون آنتروپیک اینجاست، متا نیز اینجاست، رشد مدل‌های باز شگفت‌انگیز است و همه این‌ها در انویدیا اتفاق می‌افتد.

بنابراین سهم بازار ما در حال افزایش است؛ از یک سو، تعداد مدل‌ها در حال افزایش است؛ از سوی دیگر، تعداد بیشتری از این شرکت‌ها از فضای ابری بیرون می‌آیند و در استقرارهای منطقه‌ای، سناریوهای سازمانی و سناریوهای لبه صنعت رشد می‌کنند.

و اگر فقط در حال ساخت ASIC باشید، نفوذ به کل آن بازار واقعاً بسیار دشوار است.

دیوید فریدبرگ:

در یک نکته مرتبط، بدون ورود به جزئیات اعداد، به نظر نمی‌رسد تحلیلگران حرف شما را باور کنند.

شما اشاره کردید که نرخ هش ممکن است ۱،۰۰۰،۰۰۰ برابر افزایش یابد، اما انتظار همیشگی بازار این است: سال آینده ۳۰٪ رشد خواهید کرد، سال بعد ۲۰٪ و تا سال ۲۰۲۹، که باید سال رشد انفجاری می‌بود، این رقم تنها ۷٪ است. اگر کل بازار قابل دسترسی (TAM) خود را در این اعداد رشد قرار دهید، معنای ضمنی آن این است که سهم بازار شما به شدت کاهش خواهد یافت.

خب، با توجه به فهرست سفارش‌های آتی که دیده‌اید، آیا نشانه‌هایی برای تأیید این ارزیابی وجود دارد؟

رایان هوانگ:

اول از همه، آنها به سادگی مقیاس و وسعت هوش مصنوعی را درک نمی‌کنند.

دیوید ساکس:

بله، به نظر من هم همینطور است.

رایان هوانگ:

بیشتر مردم فکر می‌کنند هوش مصنوعی فقط حوزه‌ی فعالیت آن پنج شرکت ابر غول‌پیکر است.

جیسون کالاکانیس:

درست است.

دیوید ساکس:

همچنین یک سنت سرمایه‌گذاری وجود دارد که معتقد است «هرچه مقیاس بزرگتر باشد، رشد پایدار دشوارتر است». آنها باید برگردند و مدل را برای کمیته مدیریت ریسک بانک سرمایه‌گذاری توضیح دهند؛ آنها نمی‌توانند به راحتی باور کنند که «پنج تریلیون می‌تواند به پانزده تریلیون افزایش یابد». حداکثر، آنها حاضرند تا هفت تریلیون بروند، هر چیزی فراتر از آن را نمی‌توانند بپذیرند.

جیسون کالاکانیس:

آنها نمی‌توانند یک شرکت با ارزش بازار ۱۰ تریلیون دلاری را تصور کنند.

دیوید ساکس:

اساساً، این نوعی مدل‌سازی برای محافظت از خود است؛ چیزهایی که هرگز در تاریخ اتفاق نیفتاده‌اند، آنها جرات نمی‌کنند در نظر بگیرند.

رایان هوانگ:

علاوه بر این، شما باید آنچه را که واقعاً انجام می‌دهید، دوباره تعریف کنید.

اخیراً، شخصی مشاهده کرد: جنسن، انویدیا چطور می‌تواند در بازار سرور از اینتل پیشی بگیرد؟ دلیل آن کاملاً ساده است: کل بازار پردازنده‌های مراکز داده تقریباً حدود ۲۵۰ میلیارد دلار در سال است. و ما، همانطور که همه شما می‌دانید، تقریباً در همان مدتی که طول کشید تا اینجا بنشینیم و گپ بزنیم، توانستیم به حدود ۲۵۰ میلیارد دلار برسیم.

جیسون کالاکانیس:

قشنگه.

رایان هوانگ:

البته این یک شوخی است.

چامات پالیهاپیتیا:

هیچ یک از مطالب گفته شده در پادکست‌ها به عنوان راهنمای رسمی اجرا محسوب نمی‌شوند.

رایان هوانگ:

درست است، نه هدایت عملکرد. اما نکته کلیدی این است: اینکه در نهایت چقدر می‌توانید بزرگ شوید، بستگی به این دارد که واقعاً چه چیزی می‌سازید.

انویدیا در کار ساخت تراشه نیست، این اولین نکته است. دوم، دیگر صرفاً ساخت تراشه برای پرداختن به مسائل زیرساخت هوش مصنوعی کافی نیست؛ این موضوع بسیار پیچیده است. سوم، اکثر مردم درک محدودی از هوش مصنوعی دارند، که تنها به بخشی از آن که می‌بینند، می‌شنوند و در موردش بحث می‌کنند، محدود می‌شود.

OpenAI بسیار قدرتمند است، بسیار بزرگ خواهد بود؛ Anthropic نیز بسیار قدرتمند است، آن نیز بسیار بزرگ خواهد بود. اما خود هوش مصنوعی حتی از مجموع آنها بزرگتر خواهد بود. و آنچه ما خدمت می‌کنیم دقیقاً همان بخش بزرگتر است.

دیوید ساکس:

خب، آیا می‌توانید کسب و کار «مرکز داده فضایی» را برای یک فرد عادی توضیح دهید؟ در مقایسه با آن مراکز داده بزرگ روی زمین، چگونه باید آن را درک کرد؟

هوانگ رنکسون:

ما همین الان هم در فضا هستیم.

دیوید ساکس:

مردم عادی چگونه باید این تجارت را درک کنند؟

هوانگ رنکسون:

اول، البته، ما باید در زمین خوب عمل کنیم، بالاخره الان در زمین هستیم. دوم، ما همچنین باید برای ورود به فضا آماده باشیم. البته، انرژی زیادی در فضا وجود دارد. مشکل در اتلاف گرما نهفته است. شما نمی‌توانید مانند زمین به رسانش و همرفت تکیه کنید، بنابراین فقط می‌توانید برای اتلاف گرما به تابش تکیه کنید که به سطح بسیار بزرگی نیاز دارد. این یک مشکل لاینحل نیست، بالاخره فضای زیادی در فضا وجود دارد، اما هزینه هنوز بسیار بالاست. با این حال، ما بررسی خواهیم کرد.

علاوه بر این، ما در حال حاضر آنجا هستیم. سخت‌افزار ما در برابر تشعشعات مقاوم‌سازی شده است و CUDA در حال حاضر در بسیاری از ماهواره‌های سراسر جهان در حال اجرا است. آنها در حال تصویربرداری، پردازش تصویر و تجزیه و تحلیل تصویر با هوش مصنوعی هستند. این کارها باید در فضا انجام شوند، نه اینکه ابتدا تمام داده‌ها برای تجزیه و تحلیل تصویر به زمین ارسال شوند. بنابراین، در واقع، کارهای زیادی باید در فضا انجام شود.

همزمان، ما به تحقیقات خود ادامه خواهیم داد: یک مرکز داده در فضا باید چه ویژگی‌هایی داشته باشد؟ این کار سال‌های زیادی طول خواهد کشید. اشکالی نداره، من وقت کافی دارم.

آینده رباتیک، مراقبت‌های بهداشتی و کار: چگونه هوش مصنوعی در نهایت وارد دنیای واقعی خواهد شد؟

جیسون کالاکانیس:

من مایلم در مورد مراقبت‌های بهداشتی بیشتر تحقیق کنم.

با رسیدن به سن خاصی، شروع به فکر کردن در مورد طول عمر و طول عمر سلامت می‌کنیم. همه ما خوب به نظر می‌رسیم، بعضی‌ها ممکن است بهتر به نظر برسند. جنسن، من واقعاً نمی‌دونم راز تو چیه. آیا شما به دنبال محصولات ضد پیری هستید؟ دقیقاً چه چیزهایی را نمی‌توانید بخورید؟ باید خصوصی بهم بگی.

از منظر توسعه سیستم مراقبت‌های بهداشتی، این مسیر به کدام سمت می‌رود؟ واقعاً چه پیشرفتی داشته‌ایم؟

من فقط داشتم از کلود برای تحلیل استفاده می‌کردم، و داشتم بررسی می‌کردم که چه اتفاقی برای این کدهای صورتحساب پزشکی در ایالات متحده افتاده است. ایالات متحده دو برابر دیگران هزینه می‌کند، با این حال به نظر می‌رسد که بازده سلامت تنها نصف آنهاست.

از آنچه من جمع آوری کرده ام، حدود ۱۵ تا ۲۵ درصد از این پول در واقع صرف ویزیت های اولیه پزشک مراقبت های اولیه می شود. راستش را بخواهید، همه ما می‌دانیم که امروزه یک مدل زبانی بزرگ می‌تواند در بازدید اولیه، کار پایدارتر و بهتری انجام دهد.

بنابراین، چه چیزی هنوز برای عبور از مقررات و اجازه دادن به هوش مصنوعی برای تأثیرگذاری واقعی بر کل سیستم مراقبت‌های بهداشتی، کم است؟

ریچارد هوانگ:

مشارکت اصلی ما در حوزه مراقبت‌های بهداشتی در چندین جهت است.

اول فیزیک هوش مصنوعی است که در خدمت زیست‌شناسی هوش مصنوعی قرار می‌گیرد و از هوش مصنوعی برای درک و نمایش زیست‌شناسی و رفتارهای آن استفاده می‌کند. این امر در کشف دارو بسیار مهم است.

دوم، عوامل هوش مصنوعی هستند که در سناریوهایی مانند کمک تشخیصی استفاده می‌شوند. OpenEvidence یک مثال عالی است، همانطور که بقراط. من واقعاً از همکاری با این شرکت‌ها لذت می‌برم. من واقعاً معتقدم که فناوری عامل، اساساً نحوه تعامل ما با پزشکان و سیستم مراقبت‌های بهداشتی را تغییر خواهد داد.

بخش سوم، هوش مصنوعی فیزیکی است.

بخش اول فیزیک هوش مصنوعی است که از هوش مصنوعی برای پیش‌بینی فیزیک استفاده می‌کند؛ بخش دوم، فهم قوانین فیزیکی توسط هوش مصنوعی فیزیکی است که می‌تواند در جراحی رباتیک مورد استفاده قرار گیرد. این منطقه در حال حاضر بسیار فعال است. در آینده، در بیمارستان‌ها، هر ابزاری که با آن مواجه می‌شوید، چه سونوگرافی، سی‌تی‌اسکن یا هر دستگاه دیگری، به یک عامل تبدیل خواهد شد.

می‌توانید آن را به عنوان یک نسخه امنیتی تقویت‌شده از OpenClaw در نظر بگیرید که در هر ابزاری تعبیه خواهد شد. بنابراین، از بسیاری جهات، این دستگاه‌ها در آینده مستقیماً با بیماران، پرستاران و پزشکان تعامل خواهند داشت.

جیسون کالاکانیس:

ما همین الان هم کلی روی سلاح‌های هوش مصنوعی سرمایه‌گذاری کرده‌ایم؛ واقعاً امیدوارم بتوانیم بیشتر روی امدادگران، تکنسین‌های فوریت‌های پزشکی و امدادگران هوش مصنوعی سرمایه‌گذاری کنیم تا جان انسان‌ها را نجات دهند، نه اینکه فقط بلد باشند چطور آنها را نجات دهند.

این همچنین به راحتی به موضوع ربات‌ها منجر می‌شود. شما اکنون ده‌ها شریک دارید. در طول دهه گذشته، حتی دو دهه گذشته، حوزه رباتیک دوره عجیبی را پشت سر گذاشته است - بوستون داینامیکس، گوگل تعدادی شرکت را خریداری کرد و بعداً آنها را فروخت. زمانی همه فکر می‌کردند که ربات‌ها به هیچ وجه واقعاً قابل استفاده نیستند.

اما حالا، شما و کارآفرینان برتر مانند ایلان ماسک، همگی روی آن شرط بسته‌اید. آپتیموس همین الان هم خیلی چشمگیر به نظر می‌رسد، و شرکت‌های زیادی در چین هم هستند که به سرعت در حال پیشرفت هستند. بنابراین چقدر تا ورود واقعی ربات‌ها به زندگی‌مان فاصله داریم؟ برای مثال، ربات‌های سرآشپز، ربات‌های پرستار، ربات‌های مراقب و ربات‌های انسان‌نما که می‌توانند در دنیای واقعی کار کنند.

به خصوص در چین، به نظر می‌رسد که آنها به خوبی ایالات متحده، اگر نگوییم سریع‌تر، عمل می‌کنند. بر اساس پیشرفت شرکایی که دیده‌اید و بلوغ فناوری، فکر می‌کنید چقدر دیگر طول خواهد کشید؟

رن هوی هوانگ:

تا حد زیادی، صنعت رباتیک در ابتدا توسط ما، یا می‌توان گفت توسط ایالات متحده، اختراع شد. همچنین می‌توان گفت که ما خیلی زود وارد شدیم. ما حدود پنج سال از فناوری واقعاً حیاتیِ توانمندساز «مغز» جلوتر بودیم، بنابراین اول خودمان را خسته کردیم و صبرمان را از دست دادیم.

اما حالا، واقعاً اینجاست. تنها سوال باقی مانده این است: از «اثبات وجود با عملکرد بالا» تا «محصول تجاری قابل قبول» چقدر طول می‌کشد؟

فناوری هرگز از دو یا سه چرخه فراتر نمی‌رود. دو تا سه دوره، تقریباً سه تا پنج سال. همین و بس. ظرف سه تا پنج سال آینده، ربات‌ها همه جا خواهند بود.

من فکر می‌کنم چین خیلی قوی است و این نوعی قدرت است که نمی‌توان آن را دست کم گرفت. دلیلش این است که میکروالکترونیک، موتورها، عناصر خاکی کمیاب و آهنرباهای آنها - که پایه و اساس صنعت رباتیک هستند - همگی در سطح جهانی هستند. بنابراین، صنعت رباتیک ما از بسیاری جهات عمیقاً به اکوسیستم و زنجیره تأمین آنها وابسته خواهد بود. صنعت رباتیک جهان عمیقاً به آن وابسته خواهد بود.

بنابراین، من معتقدم که شما شاهد تغییرات بسیار سریعی خواهید بود.

جیسون کالاکانیس:

آیا در نهایت یک به یک خواهد بود؟ به نظر می‌رسد ایلان فکر می‌کند که در آینده، یک نفر با یک ربات جفت خواهد شد—۷ میلیارد نفر با ۷ میلیارد ربات جفت می‌شوند، ۸ میلیارد نفر با ۸ میلیارد ربات جفت می‌شوند.

رن هوی هوانگ:

اميدوارم حتي بيشتر از اين هم باشه. اول اینکه، تعداد زیادی ربات به صورت ۲۴ ساعته و بدون وقفه در کارخانه‌ها کار خواهند کرد؛ همچنین ربات‌های کارخانه‌ای زیادی وجود خواهند داشت که خیلی متحرک نیستند اما کمی حرکت خواهند کرد. تقریباً همه چیز در نهایت رباتیک خواهد شد.

چامات پالیهاپیتیا:

از نظر من، مهمترین جنبه ربات‌ها این است که آنها سیالیت اقتصادی را برای همه به ارمغان می‌آورند.

قبلاً، وقتی همه ماشین داشتند، می‌توانستند کارهای مختلفی انجام دهند؛ در آینده، وقتی همه ربات داشته باشند، ربات آنها می‌تواند کارهای زیادی برایشان انجام دهد. آنها می‌توانند یک فروشگاه Etsy، یک فروشگاه Shopify باز کنند و با کمک یک ربات، هر چیزی را که می‌خواهند خلق کنند، و بسیاری از کارهایی را که به تنهایی نمی‌توانستند انجام دهند، انجام دهند. من فکر می‌کنم ربات‌ها در نهایت به مرفه‌ترین فناوری‌ای که تا به حال دیده‌ایم تبدیل خواهند شد و رفاه را برای تعداد بیشتری از مردم روی زمین به ارمغان خواهند آورد.

هوانگ رنکسون:

شکی نیست. ساده‌ترین واقعیت اکنون این است: امروز ما همین الان هم با کمبود میلیون‌ها نیروی کار مواجه هستیم. بنابراین ما به شدت به ربات‌ها نیاز داریم. اگر نیروی کار بیشتری وجود داشت، همه این شرکت‌ها می‌توانستند حتی سریع‌تر رشد کنند.

و بعضی از مواردی که اشاره کردید واقعاً جالب هستند. با ربات‌ها، ما «حضور مجازی» خواهیم داشت. برای مثال، وقتی در سفر هستم، می‌توانم وارد بدن یک ربات در خانه شوم، آن را از راه دور کنترل کنم، در خانه قدم بزنم، سگم را برای پیاده‌روی ببرم، خانه را بررسی کنم.

جیسون کالاکانیس:

باید کارکنان محل برگزاری را زود مشغول به کار کنیم.

هوانگ رنکسون:

درست است. اما در موردش فکر کنید، واقعاً می‌توانید بگذارید در خانه پرسه بزند، ببینید چه خبر است، با سگ صحبت کنید، با بچه‌ها گپ بزنید.

دیوید فریدبرگ:

از یک جهت، این هم مثل سفر در زمان است.

هوانگ رنکسون:

در عین حال، ما با سرعت نور نیز سفر خواهیم کرد. بدیهی است که ابتدا ربات را ارسال خواهیم کرد. البته اول خودم را نمی فرستم، اول یک ربات می فرستم تا وضعیت را ببیند. و بعد هوش مصنوعی‌ام را آپلود کنم.

چامات پالیهاپیتیا:

تقریباً اجتناب‌ناپذیر است. این امر ماه و مریخ را به عنوان اهداف استعماری باز خواهد کرد. و این به معنای منابع تقریباً نامحدود است. بازگرداندن مواد از ماه به زمین می‌تواند تقریباً با مصرف انرژی صفر انجام شود، زیرا می‌توانید از انرژی خورشیدی برای شتاب‌دهی استفاده کنید. بنابراین در آینده، می‌توانید کارخانه‌هایی را به طور کامل روی ماه بسازید تا هر آنچه زمین نیاز دارد را تولید کنید و ربات‌ها کلید تحقق همه این‌ها هستند.

هوانگ رنکسون:

در آن دوران، دیگر مسافت مسئله‌ای نخواهد بود.

دیوید فریدبرگ:

علاوه بر این، هرچه مدل‌ها و عامل‌ها درآمد بیشتری کسب کنند، می‌توانیم بیشتر در زیرساخت‌ها سرمایه‌گذاری کنیم؛ هرچه زیرساخت کامل‌تر باشد، در عوض مدل‌ها و عامل‌های قوی‌تری را آزاد خواهد کرد.

داریو اخیراً در پادکست دوارکش گفت که تا سال‌های ۲۰۲۷-۲۰۲۸، شرکت‌های مدل و شرکت‌های نمایندگی صدها میلیارد دلار درآمد دریافت خواهند کرد؛ او انتظار دارد تا سال ۲۰۳۰ این رقم به ۱ تریلیون دلار برسد. توجه داشته باشید که این شامل درآمد هوش مصنوعی در لایه زیرساخت نمی‌شود.

هوانگ رنکسون:

به نظرم او همین الان هم خیلی محافظه‌کار است. من معتقدم که عملکرد داریو و آنتروپیک بسیار فراتر از این عدد خواهد بود، بسیار فراتر از آن.

جیسون کالاکانیس:

بنابراین، از ۳۰۰ میلیارد تا ۱ تریلیون؟

رن ژون هوانگ:

بله. و دلیلش این است که بخشی که او هنوز در نظر نگرفته این است: من معتقدم که هر شرکت نرم‌افزاری سازمانی در نهایت به یک فروشنده‌ی ارزش افزوده‌ی کد آنتروپیک، توکن‌های آنتروپیک و توکن‌های OpenAI تبدیل خواهد شد. این بخش، مقیاس ورود آنها به بازار را تا حد زیادی گسترش خواهد داد.

دیوید ساکس:

در چنین دنیایی، «خندق» واقعی باقی مانده چیست؟

راستش را بخواهید، بعضی از خندق‌ها تقریباً غیرقابل عبور خواهند شد. برای مثال، یکی از خندق‌هایی که هیچ‌کس واقعاً در مورد آن صحبت نمی‌کند اما ممکن است قوی‌ترین باشد، در واقع CUDA است که یک مزیت استراتژیک شگفت‌انگیز محسوب می‌شود.

اما در آینده، اگر خود مدل بتواند چیزی عالی خلق کند، نسل بعدی مدل‌ها نیز ممکن است آن را مختل کنند. بنابراین، به نظر شما، مهمترین وجه تمایز این شرکت‌های لایه کاربرد چیست؟

رن ژون هوانگ:

تخصص عمیق.

من معتقدم که در آینده، سیستم‌های عامل شرکت‌های نرم‌افزاری دسترسی به مدل عمومی وجود خواهد داشت. بسیاری از این مدل‌ها، مدل‌های تجاری شبیه به کلود، مدل‌های اختصاصی خواهند بود؛ اما در میان آنها، بسیاری توسط خود این شرکت‌ها، به عنوان زیر-عامل‌های متخصص برای یک زیر-وظیفه خاص، آموزش خواهند دید.

دیوید ساکس:

بنابراین پیام شما به کارآفرینان این است: واقعاً حوزه عمودی خود را درک کنید.

رن ژون هوانگ:

دقیقاً.

دیوید ساکس:

آن را عمیق‌تر و بهتر از هر کس دیگری درک کنید. و سپس منتظر بمانید تا این ابزارها شما را به کار گیرند. وقتی ابزارها به روز شدند، می‌توانید دانش خود را در آنها به کار ببرید.

رن ژون هوانگ:

بله. شما دانش خودتان را دارید و می‌توانید مشتریان را به مشاور خود ملحق کنید. هر چه زودتر واقعاً مشتریان را به نماینده خود متصل کنید، این چرخ و فلک زودتر شروع به چرخیدن خواهد کرد و خیلی سریع هم خواهد چرخید.

دیوید ساکس:

این تقریباً کاملاً برخلاف منطق نرم‌افزارهای امروزی است. امروزه، ما ابتدا نرم‌افزار می‌سازیم، سپس به این فکر می‌کنیم که «چه چیزی می‌تواند عمومی‌سازی شود»، سپس به حداکثر تعداد ممکن می‌فروشیم و در نهایت سفارشی‌سازی را به عنوان یک سرویس افزونه می‌فروشیم.

دیوید فریدبرگ:

و سپس مشتریان را قفل کنید.

هوانگ رنکسون:

در واقع، همانطور که گفتید، ابتدا یک پلتفرم افقی ایجاد می‌کنیم. اما می‌بینید، همه آن یکپارچه‌سازان سیستم جهانی (GSI) و شرکت‌های مشاوره‌ای، اساساً متخصص هستند، سپس پلتفرم افقی شما را به یک راهکار عمودی تبدیل می‌کنند.

جیسون کالاکانیس:

دقیقاً. و به نوعی، مقیاس بازار سفارشی‌سازی ممکن است پنج تا شش برابر بزرگتر از خود پلتفرم باشد.

هوانگ رنکسون:

کاملاً درست است. بنابراین، من فکر می‌کنم این شرکت‌های پلتفرمی خودشان این فرصت را دارند که به آن متخصص تبدیل شوند، در آن حوزه عمودی به یک بازیگر تبدیل شوند، و استاد واقعی یک حوزه خاص شوند.

جیسون کالاکانیس:

می‌خواهم ستایشی را که شایسته‌اش هستی، به تو تقدیم کنم.

یادمه سه سال پیش یه جمله گفتی: «کسی که باعث می‌شود شغلتان را از دست بدهید، هوش مصنوعی نیست، بلکه کسی است که از هوش مصنوعی استفاده می‌کند.» الان که به گذشته نگاه می کنیم، کل بحث ما تقریباً حول این نکته بوده است: عامل دارد انسان ها را به «ابرانسان» تبدیل می کند، فرصت های تجاری در حال گسترش هستند، فرصت های کارآفرینی در حال گسترش هستند. شما در واقع این را خیلی زود به وضوح دیدید.

هوانگ رنکسون:

تو بیش از حد مهربونی.

جیسون کالاکانیس:

البته، ما باید همزمان دو ایده را نیز در نظر بگیریم: اول، قطعاً تحولات مثبتی رخ خواهد داد؛ دوم، قطعاً مواضع جدیدی جایگزین خواهند شد. سپس این سوال مطرح می‌شود: آیا این افراد تاب‌آوری و عزم کافی برای پذیرش این فناوری‌های جدید را دارند؟

برای مثال، اگر در آینده ۱۰۰٪ مشاغل رانندگی خودکار شوند، مطمئناً جان بسیاری از افراد نجات خواهد یافت که اتفاق خوبی است؛ اما باید این را هم بپذیریم که در ایالات متحده، ۱۰ تا ۱۵ میلیون نفر از این طریق امرار معاش می‌کنند. این تغییر قطعاً اتفاق خواهد افتاد.

هوانگ رنکسون:

فکر می‌کنم کار تغییر خواهد کرد. برای مثال، امروزه رانندگان زیادی وجود دارند. من معتقدم که در آینده، بسیاری از رانندگان همچنان در ماشین خواهند نشست، با این تفاوت که دیگر مسئولیت رانندگی بر عهده آنها نیست، بلکه در عقب یا کنار راننده خواهند نشست و به نوعی "دستیار سفر" تبدیل می‌شوند.

چون فراموش نکنید، کاری که رانندگان در نهایت انجام می‌دهند فقط رانندگی نیست. آنها در حمل چمدان، در بسیاری از کارهای دیگر به شما کمک می‌کنند، اساساً نقش دستیار را ایفا می‌کنند.

بنابراین اگر رانندگان آینده، در حالی که خودرو به صورت خودران رانندگی می‌کند، به دستیار حرکتی شما تبدیل شوند و در بسیاری از موارد دیگر به شما کمک کنند، اصلاً تعجب نخواهم کرد.

جیسون کالاکانیس:

درست مثل توی هتل.

ریچارد لیو:

درست است. ماشین خودش رانندگی می‌کند، اما او هنوز هم به شما در هماهنگی کارهای مختلف کمک می‌کند.

دیوید فریدبرگ:

هواپیماهای خودران همچنین خلبانان بیشتری را به کار گرفته‌اند و خلبانان را از کابین خلبان بیرون نکرده‌اند. اگرچه رانندگی خودکار در حال حاضر ۹۰ درصد کار پرواز را بر عهده گرفته است.

چامات پالیهاپیتیا:

و راستش را بخواهید، وقتی ماشین خودش رانندگی می‌کند، راننده می‌تواند کلی کار دیگر هم با گوشی‌اش انجام دهد و کارهای مختلفی را برای شما برنامه‌ریزی کند.

ریچارد لیو:

مانند هماهنگی، ارتباطات، رزرو، رسیدگی به مجموعه‌ای از وظایف.

چامات پالیهاپیتیا:

کل کیک داره بزرگتر میشه.

ریچارد لیو:

درست است. بنابراین یک چیز واضح است: هر شغلی تغییر خواهد کرد؛ برخی مشاغل ناپدید می‌شوند؛ اما در عین حال، بسیاری از مشاغل جدید ایجاد خواهند شد. و می‌خواهم به آن جوانانی که تازه فارغ‌التحصیل شده‌اند و در مورد هوش مصنوعی نگران هستند بگویم: بروید و در استفاده از هوش مصنوعی بهترین باشید.

امروزه، همه ما امیدواریم که کارمندان واقعاً بتوانند بر هوش مصنوعی تسلط پیدا کنند و این به هیچ وجه کار آسانی نیست. شما باید بدانید که چگونه خواسته‌هایتان را مطرح کنید، اما نمی‌توانید در دستورالعمل‌هایتان بیش از حد تجویزی باشید؛ باید به هوش مصنوعی فضای کافی بدهید تا تحت هدایت ما نوآوری و خلق کند؛ و باید آن را به سمت نتایجی که واقعاً می‌خواهیم هدایت کنید. همه اینها نوعی «هنر» می طلبد.

دیوید ساکس:

وقتی در استنفورد بودید، نصیحت معروف شما به جوانان این بود: «برایت سختی و رنج آرزو می‌کنم.» یادت هست که؟

جیسون کالاکانیس:

خیلی کلاسیک.

دیوید ساکس:

و امروز؟ اگر شخصی در شرف فارغ‌التحصیلی از دبیرستان باشد و بر سر دوراهی زندگی‌اش قرار گرفته باشد، چه به دانشگاه برود، چه رشته‌ای را انتخاب کند، یا حتی اینکه آیا به دانشگاه برود یا نه، چه توصیه‌ای به او می‌کنید؟

ریچارد لیو:

من هنوز هم معتقدم که مهارت در علوم عمیق، ریاضیات عمیق و مهارت‌های زبانی بسیار مهم هستند. و همانطور که همه شما می‌دانید، خودِ زبان در واقع زبان برنامه‌نویسی هوش مصنوعی است، بهترین زبان برنامه‌نویسی. بنابراین شاید، افرادی که رشته تحصیلی‌شان زبان انگلیسی است، در آینده موفق‌ترین افراد باشند.

در هر صورت، توصیه من این است: مهم نیست چه نوع آموزشی دریافت می‌کنید، مطمئن شوید که در استفاده از هوش مصنوعی به اندازه کافی حرفه‌ای هستید.

حالا که صحبت از کار شد، یک نکته‌ی دیگر هم هست که می‌خواهم اضافه کنم و امیدوارم همه این را بشنوند. در روزهای اولیه انقلاب یادگیری عمیق، یکی از دانشمندان برتر کامپیوتر جهان، کسی که من بسیار برایش احترام قائلم، پیش‌بینی بسیار قاطعی کرد: بینایی کامپیوتر رادیولوژیست‌ها را به طور کامل از بین خواهد برد. او حتی به همه توصیه کرد که وارد حوزه رادیولوژی نشوند.

ده سال بعد، این پیش‌بینی از یک جهت صد در صد درست بود: بینایی کامپیوتر در واقع در تمام تجهیزات و پلتفرم‌های رادیولوژی در سراسر جهان ادغام شده است. با این حال، نتیجه شگفت‌انگیز این است که تعداد رادیولوژیست‌ها کاهش نیافته، بلکه در واقع افزایش یافته است و تقاضا همچنان رو به افزایش است. دلیلش این است که هر شغلی از دو جنبه تشکیل شده است: وظیفه و هدف.

وظیفه یک رادیولوژیست مشاهده تصاویر است، اما هدف واقعی او کمک به پزشکان در درمان بیماران و تشخیص بیماری‌ها است. با اسکن‌های تصویری که اکنون سریع‌تر انجام می‌شوند، بیمارستان‌ها می‌توانند اسکن‌های بیشتری انجام دهند، کارایی پزشکی را بهبود بخشند و به بیماران اجازه دهند سریع‌تر وارد فرآیند تشخیص و درمان شوند. در نتیجه، بیمارستان‌ها با انجام اسکن‌های بیشتر و خدمت‌رسانی به بیماران بیشتر، درآمد خود را افزایش داده‌اند.

جیسون کالاکانیس:

دقیقاً.

جنسن هوانگ:

بنابراین نتیجه در واقع مثبت است.

دیوید فریدبرگ:

در کشوری که سریع‌تر، مولدتر و ثروتمندتر در حال رشد است، کاملاً می‌تواند از عهده‌ی داشتن معلمان بیشتر در کلاس درس برآید، نه معلمان کمتر.

شما فقط به هر معلم این امکان را می‌دهید که بتواند درس‌ها را برای هر دانش‌آموز در کلاس درس شخصی‌سازی کند. بنابراین آنها مانند «سایبورگ‌ها» بسیار قوی‌تر می‌شوند و نتیجه بهتر می‌شود.

جنسن هوانگ:

هر دانش‌آموزی از کمک هوش مصنوعی بهره‌مند خواهد شد، اما هر دانش‌آموزی هنوز به معلمان عالی نیاز دارد.

جیسون کالاکانیس:

این فوق‌العاده‌ست. جنسن، موفقیتت رو تبریک میگم. این بحث به طور خاص مثبت و دلگرم کننده بوده است. از اینکه وقت گذاشتید و عضو شدید، بسیار سپاسگزارم.

دیوید ساکس:

تو سکانداری هستی که این صنعت بهش نیاز داره.

جیسون کالاکانیس:

واقعاً. من فکر می‌کنم شما باید با صدای بلند از جنبه مثبت هوش مصنوعی حمایت کنید. الان خیلی حرف از روز قیامت زده میشه.

دیوید ساکس:

و همچنین، احساس می‌کنم که بعد از دستیابی به چنین موفقیت بزرگی، حفظ این فروتنی، و گفتن این جمله به همه که «هی، اساساً کاری که ما انجام می‌دهیم نرم‌افزار است» واقعاً کار سالمی است. مردم باید این را بشنوند. ما قبلاً دسته‌بندی‌های جدید و صنایع جدیدی اختراع کرده‌ایم. لازم نیست به آن سمت و سوی وحشت‌آفرینی برویم؛ این اصلاً مفید نیست.

جیسون کالاکانیس:

و علاوه بر این، ما می‌توانیم انتخاب کنیم، درست است؟ ما حاکمیت و اختیار داریم. ما می‌توانیم نحوه‌ی استفاده از آن را انتخاب کنیم. خیلی خب، همگی، دفعه‌ی بعد می‌بینمتون. از همه شما بابت تماشای این قسمت از برنامه All-In متشکرم.

بنجامین کوئن:

متشکرم.

[ لینک ویدیو ]