متن جدیدترین پادکست هوانگ رن‌شون: آینده انویدیا، توسعه هوش تجسم‌یافته و عامل‌ها، انفجار 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 آل-این
ترجمه: پگی، بلاک‌بییتس

یادداشت سردبیر: با داغ‌تر شدن بحث هوش مصنوعی، تمرکز مباحث بازار از «قدرت مدل‌ها» به «نحوه پیاده‌سازی سیستم‌ها» در حال تغییر است. در دو سال گذشته، این صنعت شاهد پیشرفت‌های چشمگیری در قابلیت‌های مدل‌های بزرگ، رقابت در قدرت محاسباتی برای آموزش، و گسترش کاربردهای تولیدکننده بوده است. با این حال، با گذشت زمان و تبدیل تدریجی این مراحل به اجماع، پرسش‌های جدیدی مطرح می‌شوند: وقتی هوش مصنوعی دیگر صرفاً به پاسخگویی به سؤالات محدود نمی‌شود، بلکه شروع به انجام وظایف، ادغام در فرآیندهای کسب‌وکار و ورود به دنیای فیزیکی می‌کند، چه شرایط زیربنایی‌ای از پیشرفت مستمر آن حمایت می‌کنند؟

گفت‌وگوی این مقاله برگرفته از پادکست فناوری شناخته‌شده «آل-این پادکست» است. این برنامه که به‌عنوان یکی از تأثیرگذارترین پادکست‌های سرمایه‌گذاران در سیلیکون‌ولی شناخته می‌شود، با مجری‌گری مشترک چهار سرمایه‌گذار که مدت‌هاست در خط مقدم فعال بوده‌اند و به‌خاطر بحث‌های عمیق‌شان در زمینه فناوری، کسب‌وکار و روندهای کلان شهرت دارند، اجرا می‌شود.

چهار مجری این برنامه عبارتند از:

·جیسون کالاکانیس، کارآفرین اولیه اینترنت و سرمایه‌گذار فرشته، که به سرمایه‌گذاری در شرکت‌هایی مانند اوبر و رابین‌هود شهرت دارد؛

·چامت پالیهاپیتییا، بنیان‌گذار سوشال کپیتال، مدیر اجرایی سابق فیس‌بوک، که در چندین شرکت فناوری از جمله اسلک و باکس سرمایه‌گذاری کرده است؛

·دیوید سکس، شریک در کرافت ونتچرز، عضو «مافیای پی‌پال»، بنیان‌گذار یمر که به مایکروسافت به ارزش حدود ۱.۲ میلیارد دلار فروخته شد، و یکی از سرمایه‌گذاران اولیه ایر‌بی‌ان‌بی و اوبر؛

·دیوید فریدبرگ، بنیان‌گذار «تد پرودکشن بورڈ» (The Production Board)، با تمرکز بر سرمایه‌گذاری در کشاورزی، اقلیم و علوم زیستی، و بنیان‌گذار «تد کلایمت کورپوریشن» (The Climate Corporation) (که بعداً توسط مونسانتو خریداری شد).

مهمان این قسمت، جنسن هوانگ، هم‌بنیان‌گذار و مدیرعامل انویدیا است که به‌عنوان یکی از محرک‌های اصلی در موج کنونی زیرساخت هوش مصنوعی شناخته می‌شود.

از چپ به راست: دیوید فریدبرگ، چامت پالیهاپیتییا، دیوید سکس، جنسن هوانگ، جیسون کالاکانیس

کل مصاحبه را می‌توان در سه سطح خلاصه کرد.

اولاً، زیرساخت هوش مصنوعی در حال تغییر است. در گذشته، درک بازار از هوش مصنوعی عمدتاً مبتنی بر GPUهای قدرتمندتر و مراکز داده بیشتر بود. با این حال، هوانگ می‌خواهد تأکید کند که رقابت آینده دیگر فقط در مورد تراشه‌های منفرد نخواهد بود، بلکه در مورد کل سیستم‌ها خواهد بود. با افزایش تقاضا برای استنتاج، تنوع مدل‌ها افزایش می‌یابد و عامل‌ها شروع به انجام وظایف پیچیده‌تر می‌کنند؛ محاسبات هوش مصنوعی در حال گذار از مدلی نسبتاً ساده به همکاری سیستم‌های پیچیده‌تر و تخصصی‌تر است. بدین ترتیب انویدیا در تلاش است تا نقش خود را از یک شرکت تراشه‌سازی به یک سازنده «کارخانه‌های هوش مصنوعی» تغییر دهد.

ثانیاً، هوش مصنوعی از «تولید محتوا» به «انجام وظایف» در حال حرکت است. این مهم‌ترین رشته در این مصاحبه است. چت‌جی‌پی‌تی برای اولین بار به عموم این امکان را داد که به‌طور شهودی با قابلیت‌های هوش مصنوعی آشنا شوند، اما از نظر هوانگ، تغییر واقعی این است که هوش مصنوعی در حال ورود به گردش کارها به‌صورت عامل‌ها است: این نه تنها به سؤالات پاسخ می‌دهد، بلکه می‌تواند ابزارها را فراخوانی کند، وظایف را تجزیه کند و برای انجام کارها در نهایت همکاری نماید. به همین دلیل، تمایل کاربران به پرداخت هزینه برای هوش مصنوعی از «دریافت پاسخ» به «دریافت نتیجه» تغییر خواهد کرد. این امر به معنای تقاضای استنتاجی بیشتر، پیچیدگی بالاتر سیستم و احتمالاً بازنویسی شیوه‌های توسعه نرم‌افزار، مدیریت سازمانی و انجام کارهای دانشی است.

سرانجام، هوش مصنوعی از دنیای دیجیتال به دنیای واقعی در حال گسترش است. در این مصاحبه، چه در بحث رانندگی خودران، رباتیک، مراقبت‌های بهداشتی، زیست‌شناسی دیجیتال یا اشاره هوانگ به هوش مصنوعی فیزیکی، همگی به یک روند واحد اشاره می‌کنند: ارزش هوش مصنوعی نه تنها در صفحه‌ها منعکس می‌شود، بلکه به‌طور فزاینده‌ای در کارخانه‌ها، بیمارستان‌ها، خودروها، ترمینال‌ها و زندگی روزمره نمود خواهد یافت. با این حال، این همچنین به این معناست که چالش‌های پیش روی هوش مصنوعی در آینده نه تنها فنی، بلکه شامل محدودیت‌های پیچیده‌تر دنیای واقعی مانند زنجیره‌های تأمین، سیاست‌ها، مقررات، قابلیت‌های تولیدی و عوامل ژئوپلیتیکی نیز خواهد بود. به عبارت دیگر، دور بعدی گسترش هوش مصنوعی یک فرایند واقعاً صنعتی‌سازی خواهد بود.

از این منظر، آنچه در این گفتگو بیش از همه قابل توجه است، نه یک محصول خاص یا یک عدد خوش‌بینانه، بلکه داوری‌ای است که هوانگ بارها آن را منتقل می‌کند: هوش مصنوعی در حال گذار از «عصر مدل» به «عصر سیستم» است. رقابت آینده صرفاً بر سر اینکه مدل چه کسی بزرگ‌تر است یا قدرت محاسباتی چه کسی قوی‌تر است نخواهد بود، بلکه بر سر این خواهد بود که چه کسی صنعت را بهتر می‌فهمد، 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.

این همچنین موضوع این مقاله را فراتر از خود انویدیا گسترش می‌دهد. سؤال واقعی که این تلاش می‌کند به آن پاسخ دهد این است: با تبدیل تدریجی هوش مصنوعی به زیرساخت، دور بعدی بازسازی صنعتی چگونه شکل خواهد گرفت و ارزش جدید در کجا خلق خواهد شد؟

متن زیر محتوای اصلی است (برای خوانایی ویرایش شده):

خلاصه

زیرساخت هوش مصنوعی در حال گذار از «یک GPU واحد» به معماری مستقل است. وظایف محاسباتی مختلف به‌صورت مشترک توسط GPUها، CPUها، تراشه‌های شبکه و تراشه‌های استنتاجی مانند Groq انجام خواهند شد.

انویدیا در حال تبدیل شدن از یک شرکت پردازنده گرافیکی به یک ارائه‌دهنده سیستم کامل، یک «شرکت کارخانه‌ای هوش مصنوعی» است. آن به‌جای فروش یک تراشهٔ منفرد، کل زیرساخت را می‌فروشد.

کلید سنجش هزینه‌های هوش مصنوعی، هزینه مراکز داده نیست، بلکه هزینه توکن و کارایی throughput است. سیستم‌های گران‌تر ممکن است در واقع توکن‌های ارزان‌تری تولید کنند.

·هوش مصنوعی در حال گذار از مدل‌های تولیدگرا به عصر عامل‌ها است. کاربران واقعاً حاضرند برای «انجام کارها» هزینه پرداخت کنند، نه فقط برای پاسخ‌ها.

تقاضا برای محاسبات در حال انفجار است. از تولید تا استنتاج و عامل‌ها، ممکن است در مدت کوتاهی بیش از ۱۰٬۰۰۰ برابر گسترش یافته باشد و همچنان در حال شتاب گرفتن است.

توسعه نرم‌افزار در آینده تغییر خواهد کرد. مهندسان دیگر صرفاً کد نخواهند نوشت، بلکه مسائل را تعریف خواهند کرد، معماری‌ها را طراحی خواهند کرد و با عامل‌ها همکاری خواهند کرد.

در درازمدت، بزرگترین فرصت‌ها در تخصص عمیق در حوزه‌های عمودی نهفته است، نه در خود مدل‌های کلی. کسی که صنعت را بهتر درک کند، خندق خواهد داشت.

مصاحبه اصلی

جیسون کالاکانیس (سرمایه‌گذار فرشتهٔ شناخته‌شده | مجری پادکست All-In | سرمایه‌گذار اولیه در اوبر):
این هفته یک قسمت ویژه است. ما اجازه می‌دهیم برنامهٔ هفتگی عادی برای این جا باز کند، و معمولاً این برخورد را فقط با سه دسته از افراد داریم: رییس‌جمهور ترامپ، عیسی و جنسن هوانگ (بنیان‌گذار و مدیرعامل انویدیا). در مورد اینکه چگونه این سه را رتبه‌بندی کنیم، شما تصمیم بگیرید. شتاب شما در این اواخر فوق‌العاده بوده است و این GTC بسیار موفق بود.

جنسن هوانگ (مدیرعامل انویدیا):
تمام صنعت اینجا است. تقریباً همه شرکت‌های فناوری و شرکت‌های هوش مصنوعی آمده‌اند.

جیسون کالاکانیس:
باورنکردنی است، واقعاً فوق‌العاده است. یکی از مهم‌ترین عرضه‌ها در سال گذشته، Groq است. وقتی Groq را خریدید، آیا متوجه شدید که این تا چه حد چامت را «تحمل‌ناپذیر» می‌کند؟

توجه: گروک گروک نیست. اولی شرکتی است که تراشه‌های استنتاج هوش مصنوعی و ابرهای استنتاجی تولید می‌کند، در حالی که دومی یک چت‌بات از xAI است. تا پایان سال ۲۰۲۵، گروک به یک قرارداد غیرانحصاری صدور مجوز فناوری استنتاج با انویدیا دست یافت، در حالی که مبلغ رسمی معامله فاش نشده بود؛ با این حال، گزارش‌ها و گمانه‌زنی‌ها حاکی از حدود ۱۷ تا ۲۰ میلیارد دلار بود. در GTC 2026، هوآنگ سیستم استنتاج یکپارچه با پلتفرم انویدیا مبتنی بر فناوری Groq را بیشتر به نمایش گذاشت.
چامات مذکور در اینجا به چامات پالیهاپیتییا (بنیان‌گذار Social Capital | مدیر اجرایی سابق فیسبوک | مجری برنامه All-In) اشاره دارد. او یکی از چهار مجری برنامه All-In است و همچنین یکی از سرمایه‌گذاران اولیه و عضو هیئت مدیره Groq بوده است. بنابراین، وقتی معاملهٔ مهم بین انویدیا و گروک فاش شد، این موضوع به‌عنوان موفقیت چامات در پروژهٔ کلیدی دیگری تلقی شد.

جنسن هوانگ:
من یک پیش‌احساس مبهم داشتم.

جیسون کالاکانیس:
ما هر هفته باید با او سر و کار داشته باشیم.

جنسن هوانگ:
می‌دانم. شما همه باید او را در طول یک دورهٔ کامل شش‌هفته‌ای زایمان همراهی کنید.

جیسون کالاکانیس:
درست است.

از شرکت پردازنده گرافیکی تا شرکت «کارخانه هوش مصنوعی»

جنسن هوانگ:

در واقع، بسیاری از استراتژی‌های ما سال‌ها پیش در GTC به‌طور عمومی مورد بحث قرار می‌گیرند. دو و نیم سال پیش، من سیستم‌عامل کارخانه هوش مصنوعی را که دینامو نام داشت، معرفی کردم.

می‌دانید، دینامو در اصل دستگاهی است که توسط شرکت سیمنس اختراع شد و انرژی آب را به انرژی الکتریکی تبدیل می‌کند و در جریان آخرین انقلاب صنعتی سیستم کارخانه را به حرکت در می‌آورد. بنابراین فکر می‌کنم این نام برای «سیستم‌عامل کارخانه» در انقلاب صنعتی بعدی بسیار مناسب است. یکی از فناوری‌های اصلی در دینامو، استنتاج مستقل است.

جیسون کالاکانیس:

جنسن، می‌دانم که تو فناوری را خیلی خوب می‌فهمی. بفرمایید، آن را تعریف کنید. نمی‌خواهم شایستگی‌ات را زیر سؤال ببرم.

جنسن هوانگ:

متشکرم استنتاج تفکیک‌شده به این معناست که کل خط لوله پردازش برای استنتاج فوق‌العاده پیچیده است، شاید پیچیده‌ترین نوع مسئله محاسباتی امروزی.

مقیاس آن عظیم است و شامل تعداد زیادی از اشکال و اندازه‌های مختلف محاسبات ریاضی می‌شود. ایده ما این است که کل جریان پردازش را از هم جدا کنیم تا یک بخش روی یک نوع GPU اجرا شود و بخش دیگر روی نوع دیگری از GPU اجرا شود. علاوه بر این، این موضوع باعث شد تا به این نتیجه برسیم که شاید محاسبات غیرهمبسته خود مسیری معقول باشد: ما می‌توانیم به‌طور کامل اجازه دهیم انواع و ماهیت‌های مختلف منابع محاسباتی با یکدیگر همکاری کنند.

همان طرز فکر بعدها ما را به ملانوکس هدایت کرد. امروز محاسبات انویدیا از پیش در سراسر GPUها، CPUها، سوئیچ‌ها، سوئیچ‌های مقیاس‌پذیری عمودی، سوئیچ‌های مقیاس‌پذیری افقی و پردازنده‌های شبکه توزیع شده است. حالا ما همچنین می‌خواهیم Groq را اضافه کنیم.

هدف ما این است که بارهای کاری مناسب را روی تراشه‌های مناسب قرار دهیم. به عبارت دیگر، ما از یک شرکت پردازنده گرافیکی به یک شرکت کارخانه‌ای هوش مصنوعی تبدیل شده‌ایم.

دیوید سکس (شریک در کرافت ونچرز | مدیر ارشد عملیات سابق پی‌پال | مجری برنامه All-In):

به نظر من، این احتمالاً مهم‌ترین بینش است. آنچه اکنون می‌بینید یک «جداشدن» بنیادین است. در گذشته تنها گزینه GPUها بود، اما اکنون اشکال مختلف بیشتری از محاسبات در حال ظهور هستند و این گزینه‌ها در آینده هم‌زیست خواهند بود.

شما روی صحنه اشاره کردید که حدود ۲۵٪ از فضای مراکز داده باید به LPU گرک اختصاص یابد.

توجه: LPU مخفف واحد پردازش زبان است. این یک دسته از تراشه‌ها است که توسط Groq پیشنهاد شده و عمدتاً بر استنتاج به جای آموزش تمرکز دارد.

جنسن هوانگ:

بله، در مراکز داده، Groq می‌تواند حدود ۲۵٪ از سیستم ورا روبین را تشکیل دهد.

توجه: ورا روبین معماری پلتفرم هوش مصنوعی نسل بعدی انویدیا است. این یک تراشهٔ منفرد نیست، بلکه یک پلتفرم زیرساختی در سطح سیستم است که برای کارخانه‌های هوش مصنوعی طراحی شده است.

دیوید سکس:

می‌توانید در مورد اینکه صنعت اکنون چگونه به این جهت‌گیری نگاه می‌کند صحبت کنید؟ در اصل، شما در حال ساخت نسل بعدی معماری جداشده هستید: پیش‌پر کردن، تفکیک رمزگشایی و فرایند استنتاج تقسیم شده است. فکر می‌کنی مردم چه واکنشی نشان خواهند داد؟

جنسن هوانگ:

بیایید یک قدم به عقب برداریم. ما این قابلیت را به سیستم اضافه کردیم زیرا کل صنعت از پردازش مدل‌های زبانی بزرگ به پردازش عامل‌محور تغییر کرده است.

وقتی یک عامل را اجرا می‌کنید، به حافظهٔ کاری، حافظهٔ بلندمدت و ابزارها دسترسی پیدا می‌کند که فشار زیادی بر حافظه وارد می‌کند. شما همچنین خواهید دید که نمایندگان با یکدیگر همکاری می‌کنند. برخی از عوامل از مدل‌های بزرگ استفاده می‌کنند، در حالی که برخی دیگر از مدل‌های کوچک‌تر استفاده می‌کنند؛ برخی از مدل‌های دیفیوژن استفاده می‌کنند، در حالی که برخی دیگر از مدل‌های خودبازگشتی استفاده می‌کنند. به عبارت دیگر، در این مرکز داده انواع کاملاً متفاوتی از مدل‌ها با هم هم‌زیست خواهند بود. ما ورا روبین را ساختیم تا این تنوع شدید بارهای کاری را مدیریت کند.

پس در گذشته ما یک شرکت «یک قفسه» بودیم و اکنون چهار نوع قفسه اضافه کرده‌ایم. به عبارت دیگر، TAM انویدیا یا بازار کل قابل دسترس، ناگهان گسترش یافته و تقریباً ۳۳٪ تا ۵۰٪ افزایش یافته است.

بخش عمده‌ای از این افزایش جدید از ۳۳٪ به ۵۰٪ مربوط به پردازنده‌های ذخیره‌سازی، یعنی BlueField خواهد بود؛ بخشی که شخصاً امیدوارم سهم قابل‌توجهی باشد، مربوط به پردازنده‌های Groq خواهد بود؛ و بخش دیگر مربوط به CPUها خواهد بود؛ البته پردازنده‌های شبکه‌ای نیز فراوان خواهند بود. تمام این‌ها در نهایت «نوع جدیدی از کامپیوتر» در انقلاب هوش مصنوعی را اجرا خواهند کرد که همان عامل‌ها هستند. این سیستم‌عامل صنعت مدرن است.

چامات پالیهاپیتییا (بنیان‌گذار سوشال کپیتال | مدیر اجرایی سابق فیسبوک | مجری برنامه All-In):

در مورد برنامه‌های تعبیه‌شده چه؟ برای مثال، اگر خرس عروسکی دخترم بخواهد با او صحبت کند، داخلش چه چیزی خواهد بود؟ یک مدار مجتمع سیستم‌روی‌کریستال سفارشی؟ یا آیا در سناریوهای لبه و تعبیه‌شده، یک TAM گسترده‌تر وجود خواهد داشت که برای هر سناریو ابزارهای متفاوتی داشته باشد؟

توجه: ASIC مخفف مدار مجتمع خاص کاربرد است.

جنسن هوانگ:

ما معتقدیم که در واقع سه نوع کامپیوتر در این سؤال وجود دارد.

اولی، در بزرگ‌ترین مقیاس، برای آموزش مدل‌های هوش مصنوعی، توسعه هوش مصنوعی و خلق هوش مصنوعی استفاده می‌شود.

دومین رایانه است که برای ارزیابی هوش مصنوعی استفاده می‌شود. برای مثال، اطراف را نگاه کن؛ ربات‌ها و ماشین‌ها همه‌جا هستند. ابتدا باید آن‌ها را در یک محیط مجازی قرار دهید که بتواند دنیای فیزیکی را برای ارزیابی نمایندگی کند. به عبارت دیگر، این نرم‌افزار خود باید از قوانین فیزیک پیروی کند. ما این سیستم را اُمِنی‌ورس می‌نامیم.

سومین رایانه مستقرشده در لبه است که رایانه رباتی است. می‌تواند یک خودروی خودران، یک ربات یا حتی یک خرس عروسکی کوچک باشد.

برای دستگاه‌هایی مانند عروسک‌های خرسی، یکی از مسیرهای بسیار مهمی که روی آن کار می‌کنیم، تبدیل ایستگاه‌های پایه مخابراتی به بخشی از زیرساخت هوش مصنوعی است. به این ترتیب، کل صنعت مخابرات ۲ تریلیون دلاری به تدریج در آینده به بخشی از زیرساخت هوش مصنوعی تبدیل خواهد شد. پس تجهیزات رادیویی به دستگاه‌های لبه تبدیل خواهند شد، کارخانه‌ها نیز به دستگاه‌های لبه تبدیل خواهند شد و انبارها نیز همین‌طور.

به طور خلاصه، هر سه نوع کامپیوتر بنیادی ضروری هستند.

دیوید فریدبرگ (بنیان‌گذار The Production Board | مجری پادکست All-In):

جنسن، من پارسال احساس کردم که تو زودتر از هر کس دیگری این را دیدی. شما گفتید که رشد تقاضا برای استنتاج فقط به هزار برابر نخواهد بود.

جنسن هوانگ:

آیا قبر خودم را کندم؟

دیوید فریدبرگ:

اما آیا یک میلیون برابر رشد خواهد کرد؟ یک میلیارد بار؟ درسته؟

فکر می‌کنم بسیاری از مردم در آن زمان فکر می‌کردند این خیلی اغراق‌آمیز است، چون کل دنیا هنوز روی گسترش آموزش متمرکز بود. اما اکنون می‌بینید که استنتاج واقعاً منفجر شده و در حال تبدیل شدن به «محدودیت‌زده از نظر استنتاج» است. شما اکنون یک «کارخانه استنتاج» را منتشر کرده‌اید که توان عملیاتی آن ده برابر بیشتر از کارخانه نسل بعدی است.

اما اگر به بحث‌های بیرونی نگاه کنید، بسیاری خواهند گفت: کارخانهٔ استنتاج شما ۴۰ تا ۵۰ میلیارد دلار هزینه خواهد داشت، در حالی که جایگزین‌هایی مانند ASICهای سفارشی، AMD و غیره تنها ۲۵ تا ۳۰ میلیارد دلار هزینه دارند، بنابراین سهم بازارتان را از دست خواهید داد.

پس چرا مستقیماً به ما نمی‌گویید: دقیقاً چه چیزی می‌بینید؟ نگاه شما به سهم بازار چگونه است؟ آیا برای این مشتریان ارزش دارد که تقریباً دو برابر حق بیمه بپردازند؟

چرا سیستم‌های گران‌تر می‌توانند توکن‌های ارزان‌تری تولید کنند

جنسن هوانگ:

مهم‌ترین نکته، نکتهٔ اصلی این است: قیمت کارخانه را با قیمت توکن‌ها یکسان ندانید و آن را با هزینهٔ توکن‌ها نیز معادل ندانید.

بسیار محتمل است و من می‌توانم ثابت کنم که کارخانهٔ ۵۰ میلیارد دلاری می‌تواند توکن‌ها را با کمترین هزینه تولید کند. دلیل این است که ما این توکن‌ها را با کارایی شگفت‌انگیزی تولید می‌کنیم که می‌تواند ده برابر بیشتر باشد.

می‌بینید، تفاوت بین ۵۰ میلیارد دلار و ۲۰ میلیارد دلار عمدتاً فقط زمین، برق و اسکلت کارخانه است. علاوه بر این، شما همچنان باید سیستم‌های ذخیره‌سازی، شبکه‌سازی، پردازنده‌ها، سرورها و سیستم‌های خنک‌کنندگی را خریداری کنید. پس اینکه خود GPU با قیمت کامل یا نصف قیمت باشد، مستقیماً هزینه کل را از ۵۰ میلیارد دلار به ۳۰ میلیارد دلار کاهش نمی‌دهد. هر عددی را که دوست دارید انتخاب کنید؛ واقع‌بینانه‌تر این است که ممکن است تنها از ۵۰ میلیارد دلار به ۴۰ میلیارد دلار کاهش یابد.

اگر یک مرکز داده ۵۰ میلیارد دلاری پهنای‌باند ده برابر بیشتری داشته باشد، در واقع این تفاوت قیمت چندان قابل توجه نیست.

جیسون کالاکانیس: فهمیدم.

جنسن هوانگ:

به همین دلیل همیشه می‌گویم: حتی برای بسیاری از تراشه‌ها، اگر نتوانید با مرزهای فناوری و سرعتی که در آن پیش می‌رویم همراه شوید، حتی اگر تراشه‌ها را مجانی هم بدهند، باز هم به اندازه کافی ارزان نخواهند بود.

دیوید سکس:

می‌خواهم یک سؤال استراتژیک کلان‌تر بپرسم. شما اکنون در حال ادارهٔ باارزش‌ترین شرکت جهان هستید. سال آینده، درآمد ممکن است از ۳۵۰ میلیارد دلار فراتر رود، با جریان نقدی آزاد ۲۰۰ میلیارد دلاری، و همچنان با سرعتی دیوانه‌وار مرکب می‌شود.

چگونه تصمیم می‌گیرید؟ چگونه اطلاعات را جمع‌آوری می‌کنید؟ همه از سیستم ایمیل مشهور شما خبر دارند، اما واقعاً چگونه شهود را شکل می‌دهید، بازار را سامان می‌دهید، تصمیم می‌گیرید کجا سرمایه‌گذاری را دوچندان کنید، کجا عقب‌نشینی کنید و کجا وارد حوزه‌های جدید شوید؟ این اطلاعات چگونه به دست شما می‌رسد؟ چگونه قضاوت نهایی را انجام می‌دهید؟

جنسن هوانگ:

این وظیفه مدیرعامل است.

دیوید سکس:

درست

جنسن هوانگ:

مسئولیت ما تعریف چشم‌انداز و تدوین استراتژی است. البته ما از دانشمندان برجستهٔ کامپیوتر، کارشناسان فنی و کارکنان بی‌شمار و ممتاز شرکت الهام می‌گیریم و اطلاعات دریافت می‌کنیم، اما در نهایت، شکل‌دهی به آینده بر عهدهٔ ماست.

یکی از معیارها این است: آیا این چیز به‌طرز مسخره‌ای دشوار است؟ اگر به اندازه کافی دشوار نباشد، باید از آن دوری کنیم. دلیلش ساده است: اگر انجام کاری آسان باشد، قطعاً رقبای زیادی خواهند بود.

آیا این کاری است که قبلاً هرگز انجام نشده و به‌شدت دشوار است؟ آیا این اتفاق می‌افتد که «ابرقدرت‌های» منحصربه‌فرد شرکت ما را به کار گیرد؟ پس باید آن تقاطع را پیدا کنم: باید هم‌زمان این معیارها را برآورده کند.

و تو همچنین باید بدانی که انجام چنین کارهایی قطعاً با درد و رنج زیادی همراه خواهد بود. هیچ اختراع بزرگی هرگز به آسانی و در اولین تلاش موفق نشده است، زیرا بیش از حد ساده بود.

اگر کاری فوق‌العاده دشوار باشد و قبلاً هرگز انجام نشده باشد، اساساً به این معنی است که شما درد و رنج زیادی را تجربه خواهید کرد. پس بهتر است از این فرایند لذت ببری.

دیوید سکس:

آیا می‌توانید سه یا چهار کسب‌وکار «لانگ‌تیل» دیگر را برجسته کنید؟ برای مثال، شما به مراکز داده در فضا، سیستم‌های کمک‌رانندهٔ پیشرفته (ADAS) و خودروها و جهت‌گیری زیستی اشاره کردید. به ما بگویید این منحنی‌ها چه زمانی شروع به صعود خواهند کرد؟ شما این کسب‌وکارهای بلندمدت را چگونه می‌بینید؟

توجه: ADAS مخفف سیستم‌های پیشرفته کمک‌راننده است.

جنسن هوانگ:

البته هوش مصنوعی فیزیکی یک دسته‌بندی عظیم است. همان‌طور که قبلاً اشاره کردم، ما سه نوع سیستم رایانه‌ای داریم و تمام پلتفرم‌های نرم‌افزاری بر آن‌ها ساخته شده‌اند. هوش مصنوعی فیزیکی اولین فرصت واقعی برای صنعت فناوری است تا به صنعتی ۵۰ تریلیون دلاری که در گذشته به حداقل ممکن توسط فناوری دگرگون شده، خدمت‌رسانی کند. برای انجام این کار، ما باید تمام فناوری‌های لازم را از نو ابداع کنیم.

من همیشه باور داشته‌ام که این یک سفر ده‌ساله است. ما ده سال پیش شروع کردیم و حالا بالاخره می‌بینیم که اوضاع رو به بهبودی است. برای ما، این موضوع هم‌اکنون به کسب‌وکاری چند میلیارد دلاری تبدیل شده است و مقیاس فعلی آن به حدود ۱۰ میلیارد دلار در سال نزدیک می‌شود. پس این در حال حاضر یک کسب‌وکار قابل‌توجه است و به‌طور نمایی در حال رشد است. این اولین نکته است.

جهت دوم این است که من معتقدم ما در زیست‌شناسی دیجیتال به لحظه چت‌جی‌پی‌تی بسیار نزدیک هستیم.

ما به‌تدریج یاد می‌گیریم چگونه ژن‌ها، پروتئین‌ها و سلول‌ها را نمایش داده و درک کنیم. ما قبلاً می‌دانیم چگونه با مواد شیمیایی برخورد کنیم. بنابراین، توانایی نمایش و درک مؤلفه‌های اساسی زیست‌شناسی و رفتارهای پویا آن‌ها احتمالاً ظرف دو تا پنج سال آینده محقق خواهد شد. در عرض پنج سال، من قویاً معتقدم که زیست‌شناسی دیجیتال تأثیر عظیمی بر کل صنعت مراقبت‌های بهداشتی خواهد داشت.

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

چامت پالیهاپیتییا:

این اتفاق همین حالا در حال رخ دادن است.

جنسن هوانگ:

بدون شک

جیسون کالاکانیس:

می‌خواهم موضوع را از مراکز داده دوباره به دسکتاپ برگردانم. این شرکت عمدتاً بر پایه علاقه‌مندان، گیمرها و کاربران کارت گرافیک بنا شده بود. امروز شما در حضور حدود ده هزار بیننده به کلود کد، اوپن‌کلا و انقلابی که توسط عامل‌ها به وجود آمد اشاره کردید.

به‌ویژه در میان جامعه علاقه‌مندان، انرژی و نوآوری فراوانی را می‌بینیم که از آن‌ها فوران می‌کند و با وقوع بسیاری از پیشرفت‌های چشمگیر در محیط دسکتاپ. شما این بار یک دستگاه دسکتاپ هم عرضه کردید؛ یادم می‌آید که آن دل ۶۰۸۰۰ بود؟ این یک ایستگاه کاری بسیار قدرتمند است که می‌تواند مدل‌های محلی را اجرا کند و دارای ۷۵۰ گیگابایت حافظه است. اکنون مک استودیو همه‌جا تمام شده است. شرکت ما اکنون به‌طور کامل در حال انتقال به OpenClaw است. فریدبرگ از آن استفاده می‌کند، چامت از آن استفاده می‌کند و همه خیلی به آن وسواس پیدا کرده‌اند.

این جنبش عامل متن‌باز که با علاقه‌مندان و اکوسیستم متن‌باز دسکتاپ آغاز شد، برای شما چه معنایی دارد؟ به کجا می‌رود؟

عصر نمایندگان فرا رسیده است: چرا تقاضا برای محاسبات ۱۰٬۰۰۰ برابر دیگر افزایش خواهد یافت

جنسن هوانگ:

ابتدا، بیایید یک قدم به عقب برداریم. در دو سال گذشته، ما در واقع شاهد سه نقطه عطف بوده‌ایم.

اولی هوش مصنوعی مولد است. چت‌جی‌پی‌تی هوش مصنوعی را در کانون توجه عموم قرار داد و همه را از اهمیت آن آگاه ساخت. در واقع، این فناوری ماه‌ها پیش از ظهور ChatGPT به‌وضوح وجود داشت. فقط وقتی ChatGPT یک رابط کاربری کاربرپسند ارائه داد که هوش مصنوعی مولد واقعاً اوج گرفت.

هوش مصنوعی مولد، همان‌طور که می‌دانید، توکن‌هایی را برای مصرف داخلی و خارجی تولید می‌کند. مصرف درونی اساساً «تفکر» است که به نوبهٔ خود توسعهٔ استنتاج را پیش می‌برد.

سپس، قابلیت‌های واقع‌گرایانه‌تر مبتنی بر اطلاعات واقعی پدیدار شدند که به هوش مصنوعی اجازه دادند نه تنها به سؤالات پاسخ دهد، بلکه پاسخ‌های قابل‌اعتمادتر و مفیدتری ارائه کند. شما همچنین شاهد بودید که درآمد و مدل کسب‌وکار OpenAI نقطه عطفی رو به رشد را تجربه کردند.

سپس، نقطه عطف سوم در ابتدا تنها در صنعت قابل مشاهده بود که آن کلود کد بود. این نخستین سامانهٔ کنشگرانهٔ واقعاً مفید و بسیار انقلابی است.

اما پیش از کلود کد، این قابلیت عمدتاً برای سازمان‌ها در نظر گرفته شده بود و بسیاری از افراد خارج از آن هرگز آن را ندیده بودند. تا زمانی که اوپن‌کلاو «آنچه عامل‌های هوش مصنوعی واقعاً می‌توانند انجام دهند» را در معرض دید عموم قرار داد.

بنابراین اهمیت فرهنگی OpenClaw در این است که برای اولین بار عموم را از قابلیت‌های عامل‌ها آگاه ساخت.

دلیل دوم اهمیت آن این است که OpenClaw متن‌باز است.

به‌طور انتقادی‌تر، این یک مدل محاسباتی کاملاً جدید را شکل می‌دهد و تقریباً محاسبات را از نو اختراع می‌کند. این سیستم دارای یک سامانهٔ حافظه است: اسکرچ حافظهٔ کوتاه‌مدت و سیستم فایل منابع بلندمدت را در خود جای داده است؛ قابلیت برنامه‌ریزی دارد؛ می‌تواند کرون‌جاب‌ها را اجرا کند؛ می‌تواند عامل‌های جدید تولید کند؛ می‌تواند وظایف را تجزیه کند، استدلال علّی انجام دهد و مسائل را حل کند؛ همچنین زیرسامانهٔ ورودی/خروجی دارد که می‌تواند ورودی بدهد، خروجی بگیرد و به واتس‌اپ متصل شود؛ مجموعه‌ای از رابط‌های برنامه‌نویسی کاربردی دارد که می‌توانند انواع مختلف برنامه‌ها را اجرا کنند، که به آن‌ها «مهارت‌ها» گفته می‌شود.

این چهار عنصر اساساً یک کامپیوتر را تعریف می‌کنند. پس، ما اکنون برای اولین بار در واقع یک کامپیوتر هوش مصنوعی شخصی داریم.

و این متن‌باز است، واقعاً متن‌باز، و تقریباً در هر جایی می‌تواند اجرا شود. این طرح راهنمای محاسبات مدرن است. به نوعی، این سیستم‌عامل محاسبات مدرن شده و در آینده همه‌جا حضور خواهد داشت.

البته، ما همچنین باید به آن کمک کنیم تا یک مسئله را حل کند: تا زمانی که نرم‌افزاری با قابلیت عامل بودن داشته باشید، ممکن است به اطلاعات حساس دسترسی پیدا کند، کد اجرا کند و با محیط بیرونی ارتباط برقرار کند. پس باید اطمینان حاصل کنیم که همه‌ی این موارد تحت کنترل باشد، امنیت کافی داشته باشد و محدودیت‌های استراتژیک اعمال شود، به‌طوری‌که این عامل‌ها بتوانند هم‌زمان دو مورد از سه قابلیت را در اختیار داشته باشند اما نه هر سه را.

در زمینهٔ حکومت‌داری نیز ما سهم‌هایی داشته‌ایم. پیتر اشتاینبرگر امروز اینجا است. ما مهندسان برجستهٔ زیادی داریم که با او همکاری می‌کنند تا این سیستم را ایمن‌تر و مقاوم‌تر سازند و اطمینان حاصل کنند که می‌تواند از حریم خصوصی و امنیت محافظت کند.

چامت پالیهاپیتییا:

جنسن، آیا این تغییر پارادایم باعث شده است بسیاری از لوایح نظارتی هوش مصنوعی که در سراسر ایالات متحده تصویب شده‌اند، منسوخ به نظر برسند؟

بسیاری از پیشنهادها در ابتدا بر اساس مدل‌های قدیمی بودند. آیا می‌توانید درباره اینکه این تغییر پارادایم چگونه به‌سرعت تعداد زیادی از ایده‌های نظارتی موجود را بی‌اثر کرده است، صحبت کنید؟ تنظیم مقررات هوش مصنوعی اکنون به موضوعی بسیار داغ در سیاست آمریکا تبدیل شده است.

جنسن هوانگ:

در این زمینه، ما باید همیشه از سیاست‌گذاران جلوتر باشیم و شما در این حوزه عملکرد بسیار خوبی داشته‌اید. ما باید به‌طور پیش‌دستانه به سراغ آن‌ها برویم و به آن‌ها بگوییم فناوری به چه مرحله‌ای رسیده است، چیست و چه نیست. این یک موجود زنده نیست، بیگانه نیست و شعور ندارد. این نرم‌افزار کامپیوتری است.

همچنین، ما اغلب عبارت «ما کاملاً این فناوری را درک نمی‌کنیم» را می‌شنویم. اما این درست نیست؛ ما در واقع چیزهای زیادی را می‌فهمیم. پس ابتدا باید به‌طور مداوم اطلاعات واقعی را در اختیار سیاست‌گذاران قرار دهیم؛ نگذاریم نظریه‌های آخرالزمانی و افراط‌گرایی درک آن‌ها از این فناوری را شکل دهد.

در عین حال، باید اذعان کنیم که فناوری به سرعت در حال توسعه است و نباید اجازه دهیم سیاست بیش از حد از فناوری پیشی بگیرد. از منظر ملی، بزرگ‌ترین نگرانی من این است که بزرگ‌ترین خطر امنیت ملی برای ایالات متحده در حوزه هوش مصنوعی خود هوش مصنوعی نیست، بلکه این است که کشورهای دیگر هوش مصنوعی را به‌کار می‌گیرند در حالی که ما از سر خشم، ترس یا پارانویا تمایلی نداریم صنایع و جامعه خود را با هوش مصنوعی آشتی دهیم.

پس، آنچه واقعاً نگرانم می‌کند این است که هوش مصنوعی در ایالات متحده به اندازه کافی سریع گسترش نمی‌یابد.

دیوید سکس:

اجازه دهید پیگیری کنم. اگر در اتاق هیئت‌مدیرهٔ شرکت آنتروپیک نشسته بودید و آشفتگی آن‌ها با «وزارت دفاع» را تماشا می‌کردید، چه فکری می‌کردید؟ این در واقع ادامه‌ی نکته‌ای است که شما همین الان مطرح کردید: مردم نمی‌دانند چگونه هوش مصنوعی را درک کنند، که منجر به لایه‌ی دیگری از رنجش، ترس و بی‌اعتمادی می‌شود. اگر جای شما بود، چه پیشنهادی می‌دادید که داریو و تیمش چه کاری متفاوت انجام دهند تا نتایج امروز و دیدگاه عمومی تغییر کند؟

جنسن هوانگ:

ابتدا می‌خواهم بگویم که فناوری شرکت آنتروپیک شگفت‌انگیز است. خودمان کاربران عمده‌ای از فناوری آنتروپیک هستیم. من به شدت تحسین می‌کنم تأکید آن‌ها بر ایمنی، تعهدشان به فرهنگ ایمنی و برتری فنی‌شان در پیشبرد این کار؛ واقعاً چشمگیر است.

علاوه بر این، آنها می‌خواهند به عموم مردم مرزهای توانایی‌های این فناوری را یادآوری کنند که به نظرم کار خوبی است. فقط باید بفهمیم که دنیا طیفی دارد: یادآوری‌ها خوب‌اند، اما ترساندن مردم خوب نیست.

جیسون کالاکانیس: درست

جنسن هوانگ: زیرا این فناوری برای ما بسیار مهم است. من فکر می‌کنم پیش‌بینی آینده اشکالی ندارد، اما باید محتاط‌تر و متواضع‌تر باشیم. زیرا در واقع نمی‌توانیم آینده را به‌طور کامل پیش‌بینی کنیم.

اگر بدون ارائه شواهدی که نشان دهد این امور واقعاً رخ خواهند داد، قضاوت‌های بسیار افراطی و فاجعه‌باری مطرح کنیم، زیانی که ایجاد می‌کند ممکن است بیش از آن باشد که مردم تصور می‌کنند.

و اکنون، ما در صنعت فناوری پیشرو هستیم. در گذشته هیچ‌کس به ما گوش نمی‌داد، اما اکنون اوضاع متفاوت است. فناوری عمیقاً در ساختار اجتماعی ریشه دوانده است، صنعتی فوق‌العاده مهم است و ارتباط زیادی با امنیت ملی دارد. هر کلمه‌ای که می‌گوییم مهم است.

پس فکر می‌کنم باید محتاط‌تر، خویشتن‌دارتر، متعادل‌تر و متفکرتر باشیم.

دیوید فریدبرگ:

من شما را برای انجام این کار نامزد می‌کردم. حمایت عمومی از هوش مصنوعی در ایالات متحده تنها ۱۷٪ است. ما قبلاً دیده‌ایم که در بخش انرژی هسته‌ای چه اتفاقی افتاد: ما عملاً کل صنعت هسته‌ای را تعطیل کردیم، و اکنون چین در حال ساخت ۱۰۰ راکتور شکافتی است در حالی که ایالات متحده هیچ‌کدام ندارد. اکنون داریم صداهایی را دربارهٔ تعلیق مراکز داده و امثال آن می‌شنویم. پس فکر می‌کنم باید فعال‌تر باشیم.

اما می‌خواهم به انفجار نماینده‌ها در شرکت شما بازگردم: بهبودهای کارایی، افزایش بهره‌وری. حالا خیلی‌ها در مورد بازگشت سرمایه بحث می‌کنند، درست است؟ تو و من امسال را با بزرگ‌ترین سؤال آغاز کردیم: آیا درآمدی حاصل خواهد شد؟ آیا درآمد نیز مانند خود هوش گسترش خواهد یافت؟ سپس چیزی شبیه به «لحظه اوپنهایمر» دیدیم: درآمد آنتروپیک تنها در ماه فوریه به ۵ تا ۶ میلیارد دلار رسید.

توجه: «لحظه اوپنهایمر» به جی. رابرت اوپنهایمر، رئیس پروژه منهتن (پروژه تحقیقاتی مخفی که بمب اتمی را در طول جنگ جهانی دوم توسعه داد) اشاره دارد. اولین بمب اتمی در سال ۱۹۴۵ منفجر شد، نمادی از نقطه‌ای سرنوشت‌ساز که در آن پیشرفت‌های فناورانه با خطرات هم‌زیست هستند، و اکنون اغلب برای اشاره به لحظات کلیدی فناوری با تأثیرات برگشت‌ناپذیر به کار می‌رود.

نگرش شما نسبت به روندهای آینده چیست؟ شما امروز اشاره کردید که بلک‌ول و ورا روبین در سال‌های آینده از هم‌اکنون دید تقاضای تریلیون‌دلاری دارند. با توجه به شتابی که توسط آنتروپیک و اوپن‌ای‌آی نشان داده شده، آیا فکر می‌کنید ما هم‌اکنون روی آن منحنی قرار داریم و آیا شاهد شتاب‌گیری درآمد مانند هوش خواهیم بود؟

جنسن هوانگ:

من از چند زاویه پاسخ خواهم داد. به حضار اینجا نگاه کنید؛ آنتروپیک و اوپن‌ای‌آی واقعاً حضور دارند. اما در واقع، ۹۹٪ از آنچه اینجا هست هوش مصنوعی است و نه آنتروپیک و نه اوپن‌ای‌آی. دلیل این موضوع آن است که هوش مصنوعی خود به‌شدت متنوع است.

من می‌گویم که در این دسته‌بندی، دومین مدل محبوب در واقع مدل‌های باز هستند. اولی، البته، OpenAI، مدل‌های open-weight و کل اکوسیستم باز گسترده است. دوم مدل‌های باز هستند و بین آن و سومین مدل، یعنی آنتروپیک، شکاف قابل‌توجهی وجود دارد.

این نشان می‌دهد که مقیاس مجموع تمام شرکت‌های هوش مصنوعی چقدر بزرگ است، بنابراین باید ابتدا این را درک کنیم.

بازگردیم به حجم محاسباتی؛ وقتی از هوش مصنوعی مولد به استنتاج می‌رویم، حجم محاسباتی مورد نیاز حدود ۱۰۰ برابر افزایش می‌یابد؛ وقتی از استنتاج به هوش مصنوعی عامل‌نما می‌رویم، ممکن است حجم محاسباتی دوباره ۱۰۰ برابر افزایش یابد. به عبارت دیگر، در عرض تنها دو سال، تقاضا برای محاسبات احتمالاً حدود ۱۰٬۰۰۰ برابر افزایش یافته است. در عین حال، مردم برای اطلاعات پول پرداخت می‌کنند، اما آنچه واقعاً حاضرند برایش پول پرداخت کنند، نتایج کار است.

دیوید فریدبرگ: درست

جنسن هوانگ:

گفت‌وگو با یک چت‌بات و دریافت پاسخ قطعاً عالی است. کمک به من در انجام تحقیق نیز فوق‌العاده است. اما آنچه واقعاً مرا مایل به خرج کردن پول می‌کند، وقتی است که به من کمک می‌کند کارها را انجام دهم. و دقیقاً همین‌جا هستیم؛ سیستم‌های عامل در واقع در حال انجام کار هستند. آنها به مهندسان نرم‌افزار ما کمک می‌کنند تا وظایفشان را به پایان برسانند.

پس به این فکر کنید: از یک سو، قدرت محاسباتی ده هزار برابر بیشتر است و از سوی دیگر، ممکن است تقاضای مصرف در حال حاضر صد برابر بیشتر باشد. علاوه بر این، ما هنوز حتی گسترش در مقیاس بزرگ را به‌طور واقعی آغاز نکرده‌ایم. ما قطعاً در مسیر رشد یک میلیون برابری هستیم.

جیسون کالاکانیس:

فکر می‌کنم این به‌خوبی به یک سؤال منتهی می‌شود: شرکت شما چند نفر کارمند دارد؟

جنسن هوانگ:

ما ۴۳٬۰۰۰ کارمند داریم که حدود ۳۸٬۰۰۰ نفر از آن‌ها مهندس هستند.

جیسون کالاکانیس:

ما اغلب در پادکست درباره‌ی این موضوع صحبت می‌کنیم: وای، میزان استفاده از توکن‌ها در شرکت ما به‌شدت در حال افزایش است. برخی حتی می‌پرسند: «وقتی به یک شرکت می‌پیوندم، چند توکن دریافت می‌کنم؟» چون می‌خواهند کارمندانی کارآمد شوند. یادم می‌آید که در آن سخنرانی کلیدی دو ساعت و نیمه‌ای که واقعاً طولانی اما عالی بود، اشاره کردید.

جنسن هوانگ:

متشکرم می‌توانست کوتاه‌تر باشد.

جیسون کالاکانیس:

شما اشاره کردید که محدودیت استفاده از توکن برای هر مهندس ممکن است به حدود ۷۵٬۰۰۰ دلار برسد. آیا این بدان معناست که تیم مهندسی انویدیا هر سال یک میلیارد یا دو میلیارد دلار برای توکن‌ها هزینه می‌کند؟

جنسن هوانگ:

ما این‌طور به آن فکر می‌کنیم. اجازه دهید یک آزمایش فکری به شما ارائه دهم: فرض کنید شما یک مهندس نرم‌افزار یا پژوهشگر هوش مصنوعی را با حقوق سالانهٔ ۵۰۰٬۰۰۰ دلار استخدام می‌کنید، که برای ما کاملاً رایج است.

در پایان سال از او می‌پرسم: «امسال چقدر برای توکن‌ها خرج کردی؟» اگر او بگوید «۵۰۰۰ دلار»، واقعاً شگفت‌زده خواهم شد. اگر مهندسی با حقوق سالانهٔ ۵۰۰٬۰۰۰ دلار در یک سال توکن‌هایی به ارزش کمتر از ۲۵۰٬۰۰۰ دلار مصرف کند، من بسیار هوشیار خواهم بود. این اساساً تفاوتی با این ندارد که یک طراح تراشه بگوید: «تصمیم گرفتم فقط از کاغذ و مداد استفاده کنم؛ به ابزارهای CAD نیازی ندارم.»

جیسون کالاکانیس:

این واقعاً یک تغییر پارادایم است. درک شما از این کارکنان برتر تقریباً مرا به یاد آنچه در کلاس‌های MBA درباره لبران جیمز آموزش داده می‌شود می‌اندازد: او سالانه یک میلیون دلار صرف حفظ بدنش می‌کند تا بتواند در ۴۱ سالگی هم بازی کند. چرا این برترین کارکنان دانش نباید «توانایی‌های فراانسانی» داشته باشند؟

جنسن هوانگ:

دقیقاً.

جیسون کالاکانیس:

اگر این روند را دو یا سه سال جلوتر ببریم، کارایی این کارکنان برتر در انویدیا چگونه خواهد بود؟ آنها چه کاری می‌توانند انجام دهند؟

جنسن هوانگ:

ابتدا، تصور قدیمی «این خیلی سخت است» از بین خواهد رفت. ایدهٔ «این خیلی طول می‌کشد» نیز از بین خواهد رفت. مفهوم «ما به افراد بسیار زیادی نیاز داریم» از بین خواهد رفت.

انگار در طول آخرین انقلاب صنعتی هیچ‌کس نمی‌گفت: «این ساختمان خیلی سنگین به نظر می‌رسد.» و هیچ‌کس هم نخواهد گفت: «آن کوه خیلی بزرگ است.» تمام افکار درباره «خیلی بزرگ، خیلی سنگین، خیلی وقت‌گیر» از بین خواهند رفت.

دیوید سکس:

آنچه باقی مانده تنها خلاقیت است. چه چیزی می‌توانی به ذهن بیاوری؟

جنسن هوانگ:

کاملاً درست است. به عبارت دیگر، سؤال آینده این خواهد بود: چگونه با این عامل‌ها همکاری می‌کنید؟

اساساً این یک روش کاملاً جدید برای برنامه‌نویسی است. در گذشته کد می‌نوشتیم؛ در آینده ایده‌ها، معماری‌ها و مشخصات را خواهیم نوشت؛ تیم‌ها را سازماندهی خواهیم کرد؛ معیارهای ارزیابی را تعریف خواهیم کرد تا به سیستم بگوییم چه چیزی خوب است، چه چیزی بد است و چه چیزی نتایج عالی را تشکیل می‌دهد؛ با آن تکرار و طوفان فکری خواهیم داشت.

این کاری است که شما واقعاً انجام خواهید داد. من معتقدم که هر مهندس در آینده ۱۰۰ نماینده خواهد داشت.

جیسون کالاکانیس:

بازگشت به مسئله روابط عمومی. کارآفرینانی مانند دیوید فریدبرگ از فناوری و هوش مصنوعی شما در اوهالو برای انجام کارهای بسیار ملموس استفاده می‌کنند: افزایش تولید غذا و بهبود تأمین کالری‌های باکیفیت. فریدبرگ، به نظرت این چقدر می‌تواند هزینه‌ها را کاهش دهد؟ این چشم‌انداز چه تأثیری بر کاری که انجام می‌دهید خواهد داشت؟

دیوید فریدبرگ:

ما همین‌الان مدل‌سازی ژنوم بدون نمونه را انجام دادیم و موفق بود. آن لحظه واقعاً شما را شگفت‌زده خواهد کرد. و این در حالی رخ داد که در پس‌زمینه، دیگران کل پشته نرم‌افزاری سازمانی را یک‌شبه جایگزین می‌کردند.

من خودم کاری انجام دادم: در ۹۰ دقیقه کل پشته نرم‌افزاری و تعدادی جریان کاری را جایگزین کردم. من ساعت ۱۰ شب یکشنبه شروع کردم و قبل از ساعت ۱۱:۳۰ شب همه‌چیز را تمام و مستقر کردم.

پس از اینکه خودم به‌عنوان مدیرعامل آن را انجام دادم، از همه اعضای تیم مدیریت‌ام هم خواستم که همین تمرین را در آخر هفته انجام دهند. تا دوشنبه، نتیجه‌ای که دیدیم این بود: کار تمام شده بود.

برای ورود به جنبه‌های فنی و علمی‌تر، ما از پژوهش خودکار و مجموعه‌ای از داده‌ها استفاده کردیم تا در ۳۰ دقیقه به نتیجه برسیم. اگر ما مسیر سنتی را در پیش گرفته بودیم، این دستاوردی در سطح دکترا می‌بود که احتمالاً هفت سال طول می‌کشید و به یکی از معتبرترین پایان‌نامه‌های دکترا در این حوزه تبدیل می‌شد و شایسته انتشار در مجله Science بود.

در عوض، ما فقط ابزار Auto Research را از گیت‌هاب روی یک رایانهٔ رومیزی دانلود کردیم، مجموعهٔ جدید داده‌ها را وارد کردیم و در عرض ۳۰ دقیقه اجرا شد. در آن لحظه چهره همه تغییر کرد. پتانسیلی که آزاد کرد واقعاً شگفت‌انگیز است.

پس من فکر می‌کنم این شتاب‌گیری امکانات همه را به شیوه‌هایی بی‌سابقه گسترش می‌دهد.

اما برگردیم به موضوع تحقیق در مورد خودرو: نظر شما چیست؟ دستیابی به چنین نتایجی در یک آخر هفته با ۶۰۰ خط کد، و توانایی اجرای آن به‌صورت محلی و پردازش انواع مختلف داده‌ها.

آیا این نشان می‌دهد که ما هنوز در مراحل بسیار ابتدایی بهینه‌سازی الگوریتم و بهینه‌سازی سخت‌افزار قرار داریم؟

جنسن هوانگ:

دلیل شگفت‌انگیز بودن OpenClaw این است که کاملاً با پیشرفت مدل‌های زبانی بزرگ هم‌زمان شده است؛ این ابزار در زمان بسیار مناسبی پدیدار شد.

تا حد زیادی، اگر کلود، جی‌پی‌تی و چت‌جی‌پی‌تی به سطح امروزی خود نمی‌رسیدند، پیتر احتمالاً این را خلق نمی‌کرد. زیرا مدل‌ها واقعاً به سطح بسیار بالایی رسیده‌اند.

ثانیاً، این قابلیت‌های جدیدی را به همراه دارد: این امکان را برای این مدل‌ها فراهم می‌کند تا ابزارهایی را که در طول سال‌ها ساخته‌ایم فراخوانی کنند. برای مثال، مرورگرها، اکسل؛ در طراحی تراشه، سیناپسیس و کدنس؛ و اومنیورس، بلندر، اتودسک و غیره. و این ابزارها در آینده نیز به کار گرفته خواهند شد.

برخی اکنون می‌گویند که صنعت نرم‌افزار فناوری اطلاعات سازمانی نابود خواهد شد. اما من دیدگاه دیگری به شما ارائه می‌دهم: مقیاس صنعت نرم‌افزار سازمانی همیشه با «چند نفر روی چند صندلی نشسته‌اند»، یعنی تعداد صندلی‌ها، محدود بوده است. اما در آینده، از ۱۰۰ برابر بیشتر نماینده استقبال خواهد کرد. این عامل‌ها از SQL پرس‌وجو می‌کنند، به پایگاه‌های داده برداری دسترسی پیدا می‌کنند و با بلندر و فتوشاپ تعامل دارند.

دلیل ساده است: اول اینکه این ابزارها در حال حاضر عملکرد بسیار خوبی دارند؛ دوم اینکه این ابزارها اساساً رابط‌های واسطه‌ای میان ما و ماشین‌ها هستند. در نهایت، وقتی کار به پایان رسید، نتایج باید به گونه‌ای به من ارائه شوند که بتوانم آن‌ها را کنترل کنم. و من می‌دانم چگونه با این ابزارها کار کنم.

امیدوارم در نهایت همه‌چیز به سیناپس بازگردد و به کدنسیس بازگردد، زیرا آنجا می‌توانم کنترل داشته باشم و اعتبارسنجی «استاندارد تعیین‌شده» را انجام دهم.

توجه: Synopsys و Cadence دو شرکت نرم‌افزاری مهم در زمینه اتوماسیون طراحی الکترونیکی (EDA) هستند که عملاً همه شرکت‌های تراشه‌سازی (NVIDIA، Apple، AMD) به آن‌ها متکی‌اند.

نبردگاه بعدی برای هوش مصنوعی: منبع باز، عمودی‌سازی و انتشار جهانی

دیوید سکس:

می‌خواهم در مورد نرم‌افزار متن‌باز یک سؤال بپرسم. اکنون مدل‌های بسته‌سرسر داریم که عالی هستند؛ همچنین مدل‌های وزنه‌باز داریم که بسیاری از آن‌ها به‌طرز شگفت‌آوری قدرتمندند، به‌ویژه از چین.

دو روز پیش ممکن بود روی صحنه مشغول باشید و متوجه نشده باشید، اما در یک پروژه رمزنگاری به نام Subnet 3 از BitTensor، کسی یک وظیفه آموزشی را به پایان رساند: آن‌ها یک مدل Llama با ۴ میلیارد پارامتر را به‌طور کامل به‌صورت توزیع‌شده آموزش دادند. گروهی از افراد تصادفی قدرت محاسباتی خود را فراهم کردند، اما توانستند کل فرآیند آموزش را به‌صورت حالت‌دار مدیریت کنند. فکر می‌کنم از نظر فنی این خیلی دیوانه‌کننده است چون شرکت‌کنندگان کاملاً به‌صورت تصادفی پراکنده شده بودند.

جنسن هوانگ:

این مثل Folding@home برای دوران ماست.

توجه: Folding@home یک پروژهٔ رایانش توزیع‌شده است که به داوطلبان سراسر جهان امکان می‌دهد تا قدرت محاسباتی خود را برای شبیه‌سازی پروتئین‌ها و تحقیقات پزشکی فراهم کنند.

دیوید سکس:

دقیقاً. پس شما پایان‌بازی متن‌باز را چگونه می‌بینید؟ آیا می‌بینید که معماری‌ها و قدرت محاسباتی به‌صورت غیرمتمرکز می‌شوند و بدین ترتیب از وزن‌های باز و مسیری کاملاً متن‌باز پشتیبانی می‌کنند و هوش مصنوعی را واقعاً به‌طور گسترده در دسترس قرار می‌دهند؟

جنسن هوانگ:

من معتقدم که ما اساساً به هر دو نیاز داریم: اول، مدل‌ها به‌عنوان محصولات تجاری درجه یک و محصولات اختصاصی؛ دوم، مدل‌هایی که به‌صورت متن‌باز وجود دارند.

این یک رابطهٔ «یا/یا» نیست؛ هم A و هم B باید وجود داشته باشند. در این مورد هیچ شکی نیست. دلیل این است که مدل‌ها عمدتاً یک فناوری هستند، نه یک محصول نهایی. مدل‌ها یک فناوری هستند، نه یک خدمت.

برای اکثریت قریب به اتفاق کاربران، در آن سطح افقی، در سطح هوش عمومی، من در واقع نمی‌خواهم خودم مدل را ریزتنظیم کنم. ترجیح می‌دهم به استفاده از ChatGPT، Claude، Gemini و X ادامه دهم. هر یک از آن‌ها شخصیت خاص خود را دارند که بسته به حال و هوای من و مشکلاتی که می‌خواهم حل کنم، متفاوت است. بنابراین این بخش از صنعت به‌خوبی توسعه خواهد یافت؛ بسیار پررونق خواهد بود.

با این حال، تمام دانش و تخصص حوزه‌ای در این صنایع باید به گونه‌ای تثبیت شود که تحت کنترل آن‌ها باشد، و این تنها از طریق مدل‌های باز امکان‌پذیر است. صنعت مدل باز در حال حاضر بسیار به خط مقدم نزدیک است. ما نیز سرمایه‌گذاری سنگینی می‌کنیم.

صادقانه بگویم، حتی اگر مدل‌های باز واقعاً به خط مقدم برسند، من همچنان معتقدم که مدل‌ها به‌عنوان یک سرویس و مدل‌های تجاری در سطح جهانی به رشد خود ادامه خواهند داد.

جیسون کالاکانیس:

تقریباً هر استارتاپی که اکنون در آن سرمایه‌گذاری می‌کنیم، کارش را با متن‌باز آغاز می‌کند و سپس به سمت مدل‌های اختصاصی حرکت می‌کند.

جنسن هوانگ:

بله و زیبایی آن در این است که تا زمانی که یک روتر عالی داشته باشید، از روز اول و هر روز می‌توانید به بهترین مدل‌های جهان دسترسی داشته باشید. در عین حال، این به شما فرصت می‌دهد تا هزینه‌ها را کاهش دهید، تنظیمات را دقیق کنید و در زمینه‌ای تخصص پیدا کنید. پس با قابلیت‌های در سطح جهانی شروع می‌کنید و سپس به‌تدریج خندق خود را می‌سازید.

دیوید فریدبرگ:

جنسن، می‌خواهم یک سؤال ژئوپلیتیکی بپرسم. البته، هیچ‌کس بیش از شما نمی‌خواهد که آمریکا در مسابقه جهانی هوش مصنوعی پیروز شود. اما یک سال پیش، در دوران دولت بایدن، قانون دیفیوژن عملاً مانع از آن می‌شد که ایالات متحده فناوری هوش مصنوعی در حال گسترش جهانی است.

اکنون یک سال است که دولت جدید روی کار آمده است. چطور آن را نمره می‌دهید؟ در مورد گسترش جهانی هوش مصنوعی، آیا ما در مرحلهٔ A، B یا C هستیم؟ چه چیزی به‌خوبی انجام می‌شود و چه چیزی انجام نمی‌شود؟

جنسن هوانگ:

اول از همه، رئیس‌جمهور ترامپ می‌خواست صنایع آمریکا پیشرو باشند، می‌خواست صنعت فناوری آمریکا پیشرو باشد، می‌خواست صنعت فناوری آمریکا پیروز شود و می‌خواست فناوری آمریکا در سراسر جهان گسترش یابد تا آمریکا را به ثروتمندترین کشور جهان تبدیل کند. او می‌خواست همهٔ این‌ها را به دست آورد.

اما در این لحظه، انویدیا قبلاً ۹۵٪ سهم بازار اصلی خود را در دومین بازار بزرگ جهان از دست داده و اکنون این سهم به ۰٪ رسیده است. رئیس‌جمهور ترامپ می‌خواهد ما این بخش را دوباره به دست آوریم.

اولین گام دریافت مجوز برای شرکت‌هایی است که می‌توانیم به آن‌ها بفروشیم. بسیاری از شرکت‌ها قبلاً درخواست‌های خود را ارسال کرده‌اند و ما نیز از طرف آن‌ها برای دریافت مجوزها اقدام کرده‌ایم و لوترنیک، وزیر بازرگانی، قبلاً برخی از آن‌ها را تأیید کرده است. سپس، ما شرکت‌های چینی را مطلع کرده‌ایم که بسیاری از آن‌ها قبلاً سفارش خرید خود را نزد ما ثبت کرده‌اند. بنابراین اکنون زنجیره تأمین را از سر می‌گیریم و کالاها را ارسال می‌کنیم.

در سطحی بالاتر، فکر می‌کنم باید یک نکته را بپذیریم: وقتی نتوانیم موتورهای میکرو و مواد معدنی کمیاب را تهیه کنیم، امنیت ملی‌مان تضعیف می‌شود؛ وقتی نتوانیم شبکه‌های ارتباطی‌مان را کنترل کنیم، امنیت ملی نیز تضعیف می‌شود؛ وقتی نتوانیم انرژی پایدار برای کشور فراهم کنیم، امنیت ملی نیز تضعیف می‌شود. هر یک از این صنایع داستانی است که نمی‌خواهم صنعت هوش مصنوعی آن را تکرار کند.

در حالی که به آینده می‌نگریم و می‌پرسیم، «چشم‌انداز صنعت فناوری ایالات متحده و ایالات متحده چگونه خواهد بود؟» «صنعت هوش مصنوعی برای رهبری واقعی در سطح جهانی»، ما باید صادقانه بگوییم: مدل‌های هوش مصنوعی نمی‌توانند توسط یک شرکت آمریکایی انحصار شوند؛ چنین نتیجه‌ای ذاتاً بی‌معنی است.

اما ما می‌توانیم کاملاً تصور کنیم که پشته فناوری ایالات متحده، از تراشه‌ها گرفته تا سیستم‌های محاسباتی و پلتفرم‌ها، به طور گسترده در سطح جهان به کار گرفته شود. مردم سراسر جهان می‌توانند روی این استک فناوری آمریکایی، هوش مصنوعی خود، هوش مصنوعی عمومی و هوش مصنوعی خصوصی خود را بسازند و سپس به جوامع خود خدمت کنند. امیدوارم استک فناوری آمریکا بتواند ۹۰٪ از جهان را پوشش دهد. واقعاً امیدوارم.

در غیر این صورت، اگر وضعیت نهایی مانند انرژی خورشیدی، عناصر کمیاب، آهنرباها، موتورها و دستگاه‌های ارتباطی شود، آن را نتیجه‌ای بسیار بد برای امنیت ملی ایالات متحده می‌دانم.

چامت پالیهاپیتییا:

در حال حاضر تا چه حد به دقت اوضاع درگیری‌های جهانی را زیر نظر دارید؟ تا چه حد شما را نگران می‌کند؟ برای مثال، خاورمیانه می‌تواند بر عرضه هلیوم تأثیر بگذارد که این امر یک ریسک بالقوه در زنجیره تأمین برای تولید نیمه‌هادی‌ها ایجاد می‌کند. تا چه حد نگران این مسائل هستید؟ چه مقدار تلاش برای این کار می‌گذارید؟

توجه: هلیوم برای تولید نیمه‌هادی‌ها حیاتی است؛ این گاز در فرآیندهای کلیدی مانند لیتوگرافی و بازرسی غیرقابل‌جایگزین است و به‌عنوان یک منبع تجدیدناپذیر، عرضه آن به‌شدت متمرکز است و عمدتاً به چند منبع محدود مانند ایالات متحده، قطر (خاورمیانه) و الجزایر (شمال آفریقا) وابسته است. اگر در این تأمین‌های بالادستی اختلالی رخ دهد، می‌تواند مستقیماً بر عملکرد پایدار خطوط تولید تراشه تأثیر بگذارد.

جنسن هوانگ:

ابتدا، در مورد خاورمیانه، ما ۶۰۰۰ خانواده در آنجا داریم. بسیاری از کارکنان شرکت ایرانی هستند و خانواده‌هایشان هنوز در ایران هستند. پس ما خانواده‌های زیادی آنجا داریم.

اولین نکته این است که آنها در حال حاضر بسیار مضطرب، بسیار نگران و بسیار ترسیده هستند. ما در مورد آنها فکر کرده‌ایم و وضعیت را از نزدیک زیر نظر داریم. آنها ۱۰۰٪ حمایت ما را دریافت خواهند کرد. برخی از من پرسیده‌اند که با توجه به وضعیت کنونی خاورمیانه، آیا ما به ماندن در اسرائیل ادامه خواهیم داد یا خیر. پاسخ من این است: ما صددرصد در اسرائیل خواهیم ماند. ما صددرصد از خانواده‌ها آنجا حمایت خواهیم کرد. ما صددرصد به حضور خود در خاورمیانه ادامه خواهیم داد.

برخی نیز با توجه به اوضاع خاورمیانه پرسیده‌اند که آیا هنوز فکر می‌کنیم گسترش هوش مصنوعی در آنجا ارزش دارد؟ نظر من این است: دلیل جنگ این است که همه می‌خواهند نتیجه‌ای پایدارتر داشته باشند. و من معتقدم که پس از جنگ، خاورمیانه باثبات‌تر از قبل خواهد بود. پس اگر ما پیش از جنگ مایل به در نظر گرفتن آن بودیم، پس از جنگ باید حتی جدی‌تر به آن بپردازیم. بنابراین در این موضوع نیز من صددرصد متعهد هستم.

ما سه کاری داریم که باید انجام دهیم. اول، ما باید هرچه سریع‌تر ایالات متحده را دوباره صنعتی کنیم، چه کارخانه‌های تولید تراشه باشد، چه کارخانه‌های تولید کامپیوتر، یا کارخانه‌های هوش مصنوعی.

جیسون کالاکانیس:

پیشرفت در این جبهه چگونه است؟

جنسن هوانگ:

پیشرفت خیلی خوب است. دلیل اینکه ما می‌توانیم با سرعتی شگفت‌انگیز در آریزونا، تگزاس و کالیفرنیا پیشرفت کنیم این است که از زنجیره تأمین تایوانی حمایت استراتژیک، دوستی و کمک دریافت کرده‌ایم. آنها واقعاً شرکای راهبردی ما هستند. آنها شایستهٔ حمایت، دوستی و سخاوت ما هستند. آنها همچنین تمام تلاش خود را می‌کنند تا به ما در تسریع فرآیند تولید کمک کنند.

ثانیاً، ما باید زنجیره تأمین تولید را متنوع کنیم. چه کره باشد، چه ژاپن یا اروپا، ما باید زنجیره تأمین را گسترش دهیم تا آن را تاب‌آورتر کنیم. سوم، در حالی که تنوع و تاب‌آوری را افزایش می‌دهیم، باید خویشتن‌داری را نیز حفظ کنیم و از وارد کردن فشار غیرضروری خودداری کنیم.

جیسون کالاکانیس:

منظورت این است که صبور باشی.

چامت پالیهاپیتییا:

در مورد هلیوم چه؟ گزارش‌های زیادی به این مسئله اشاره کرده‌اند.

جنسن هوانگ:

فکر می‌کنم هلیوم می‌تواند مشکل‌ساز باشد. اما از سوی دیگر، معمولاً در زنجیره تأمین موجودی‌های بافر نسبتاً زیادی وجود دارد و چنین سیستم‌هایی عموماً حاشیه سود مشخصی را باقی می‌گذارند.

جیسون کالاکانیس:

شما قبلاً در زمینهٔ رانندگی خودران پیشرفت قابل‌توجهی داشته‌اید و اخبار مهمی منتشر کرده‌اید. شما شرکای زیادی از جمله اوبر را اضافه کرده‌اید. اخیراً شما را در ویدیویی دیدم که با یک مرسدس به‌صورت خودران رانندگی می‌کردید. شما و اوبر همچنین اعلام کردید که با بسیاری از خودروسازان، خودروهای بیشتری را در جاده‌ها مستقر خواهید کرد.

من می‌فهمم شرط شما این است که در آینده یک پلتفرم باز مشابه اندروید وجود خواهد داشت و شما نقش کلیدی در خدمت‌رسانی به ده‌ها خودروساز ایفا خواهید کرد؛ از سوی دیگر، ممکن است سیستمی بسته مانند iOS وجود داشته باشد، مانند تسلا یا وی‌یمو.

تفکر استراتژیک شما چیست؟ این بازی شطرنج چگونه پیش خواهد رفت؟ زیرا به نظر می‌رسد که شما در برخی حوزه‌ها همکاری می‌کنید و در برخی دیگر رقابت می‌کنید، و پشته شما بسیار عمیق است.

جنسن هوانگ:

ابتدا، ما معتقدیم که هر چیزی که در آینده حرکت خواهد کرد، در نهایت به خودکفایی کامل یا جزئی دست خواهد یافت. ثانیاً، ما نمی‌خواهیم خودمان خودروهای خودران بسازیم، بلکه می‌خواهیم هر شرکت خودروسازی در جهان را برای ساخت خودروهای خودران توانمند سازیم.

پس ما سه نوع کامپیوتر ساخته‌ایم: کامپیوترهای آموزشی، کامپیوترهای شبیه‌سازی، کامپیوترهای ارزیابی و کامپیوترهای سمت خودرو. ما همچنین ایمن‌ترین سیستم‌عامل رانندگی در جهان را توسعه داده‌ایم.

در عین حال، ما همچنین اولین سیستم رانندگی خودران جهان با قابلیت استدلال را نیز ایجاد کرده‌ایم. می‌تواند سناریوهای پیچیده را به سناریوهای ساده‌تر تجزیه کند و آن‌ها را یکی‌یکی پشت سر بگذارد، درست مانند یک مدل استدلالی. این سیستم استدلالی آلمپایو نامیده می‌شود و نتایج بسیار چشمگیری به دست آورده است.

ما بهینه‌سازی عمودی و نوآوری افقی را انجام خواهیم داد؛ سپس بگذارید هر تولیدکننده خودش تصمیم بگیرد. آیا فقط می‌خواهید یکی از کامپیوترهای ما را بخرید؟ مثل ایلان و تسلا، آن‌ها سیستم آموزشی ما را می‌خریدند؛ یا می‌خواهید سیستم آموزشی به‌علاوه سیستم شبیه‌سازی را بخرید؟ یا می‌خواهید با ما همکاری کنید تا هر سه را یکپارچه کنیم و حتی کامپیوتر سمت خودرو را در خودروی شما نصب کنیم؟

نگرش ما همواره این بوده است که می‌خواهیم مسائل را حل کنیم، اما اصرار نداریم که تنها یک پاسخ از سوی ما ارائه شود. فرقی نمی‌کند چگونه با ما همکاری کنید، ما بسیار خوشحالیم.

دیوید سکس:

در ادامهٔ این سؤال، من آن را به‌ویژه جالب می‌دانم. شما در واقع در حال ساختن بستری هستید که به هزار گل شکوفا شدن اجازه می‌دهد. اما در واقع، برخی از گل‌ها اکنون می‌خواهند پایین بروند، به پایین‌ترین لایهٔ انباشته بروند و سعی کنند با شما رقابت کنند. گوگل TPU دارد، آمازون اینفِرِنتیا و ترینیم را دارد و تقریباً همه روی نسخهٔ «می‌توانم از انویدیا پیشی بگیرم» خودشان کار می‌کنند، هرچند آن‌ها هم مشتریان عمدهٔ شما هستند.

چگونه با این رابطه برخورد 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 یک سؤال بسیار خوب است.

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

آنها هرگز به من نشان نمی‌دهند که روی چه چیزی کار می‌کنند، اما من همیشه به وضوح به آنها می‌گویم که چه می‌کنم. پس اعتماد به نفس ما از یک نکته نشأت می‌گیرد: ما بسیار مشتاقیم که در رقابت «فناوری چه کسی بهتر است» شرکت کنیم. تا زمانی که بتوانیم با سرعت بالا به کار خود ادامه دهیم، معتقدم که ادامه خرید از انویدیا همچنان یکی از اقتصادی‌ترین گزینه‌های آن‌ها خواهد بود. من در این مورد بسیار مطمئن هستم.

ثانیاً، ما تنها معماری هستیم که می‌توان آن را روی تمام پلتفرم‌های ابری مستقر کرد. این مزایایی بنیادین به همراه دارد. ما همچنین تنها معماری هستیم که می‌توان آن را از ابر خارج کرد و در مراکز داده محلی، خودروها، هر منطقه یا حتی در فضا مستقر کرد.

پس در واقع بخش بزرگی از بازار ما، حدود ۴۰٪ از کسب‌وکار، وجود دارد. اگر شما پشته CUDA را ندارید و نمی‌توانید یک کارخانه هوش مصنوعی کامل فراهم کنید، مشتریان به سادگی نمی‌دانند چگونه با شما همکاری کنند. آنها نمی‌خواهند تراشه بخرند؛ آنها در حال ساخت زیرساخت هوش مصنوعی هستند. پس آنچه آنها نیاز دارند این است: شما با یک استک کامل بیایید، و ما هم اتفاقاً یک استک کامل داریم.

پس، به‌طور شگفت‌آور، اگر اکنون به آن نگاه کنید، سهم بازار انویدیا در واقع هنوز در حال افزایش است.

دیوید سکس:

منظورت این است که این شرکت‌ها یک دور تلاش کردند و در نهایت فهمیدند «وای، این خیلی پیچیده است» و بعد برگشتند؟ به همین دلیل سهم شما همچنان در حال رشد است؟

جنسن هوانگ:

دلایل متعددی برای رشد سهام وجود دارد.

اولاً، سرعت پیشرفت ما بیش از حد سریع است. ثانیاً، ما همه را متوجه کرده‌ایم که مشکل ساخت تراشه نیست، بلکه ساخت سیستم‌هاست و ایجاد این سیستم فوق‌العاده دشوار است. بنابراین، مقیاس همکاری آنها با ما همچنان در حال افزایش است.

AWS را به‌عنوان مثال در نظر بگیرید؛ یادم می‌آید که آنها همین دیروز اعلام کردند که قصد دارند در سال‌های آینده یک میلیون تراشه خریداری کنند. این حجم خرید بسیار بزرگ است و حتی شامل تعداد زیادی که آنها قبلاً خریداری کرده‌اند نمی‌شود. ما قطعاً از این بابت بسیار خوشحالیم.

علاوه بر این، رشد سهم ما در چند سال گذشته به دلیل ورود آنتروپیک، ورود متا و رشد شگفت‌انگیز مدل‌های باز بوده است که همگی بر روی انویدیا در حال وقوع هستند.

پس سهم ما در حال افزایش است، تا حدی به این دلیل که تعداد مدل‌ها در حال افزایش است؛ از سوی دیگر، این شرکت‌ها به طور فزاینده‌ای از فضای ابری خارج می‌شوند و در استقرارهای منطقه‌ای، سناریوهای سازمانی و سناریوهای لبه صنعت در حال رشد هستند.

و نفوذ به کل آن بازار بسیار دشوار است اگر شما فقط در حال ساخت یک مدار مجتمع ویژه کاربرد (ASIC) باشید.

دیوید فریدبرگ:

در همین راستا، می‌خواهم بدون پرداختن به جزئیات عددی سؤالی را مطرح کنم، اما به نظر می‌رسد تحلیلگران به شما باور ندارند.

شما می‌گویید قدرت محاسباتی ممکن است یک میلیون برابر افزایش یابد، اما اجماع بازار انتظار دارد سال آینده ۳۰٪ رشد کنید، سال بعد ۲۰٪ و تا سال ۲۰۲۹، که باید سالی از رشد انفجاری باشد، تنها ۷٪. اگر TAM خود را بر این ارقام رشد اعمال کنید، معنای ضمنی آن این است که سهم شما به‌طور قابل‌توجهی کاهش خواهد یافت.

پس از آنچه در دفتر سفارشات آتی می‌بینید، آیا نشانه‌ای وجود دارد که از این قضاوت پشتیبانی کند؟

جنسن هوانگ:

اول از همه، آنها اصلاً مقیاس و گستردگی هوش مصنوعی را درک نمی‌کنند.

دیوید سکس:

درسته، من هم همین‌طور احساس می‌کنم.

جنسن هوانگ:

اکثر مردم فکر می‌کنند هوش مصنوعی فقط مسئله‌ای برای آن پنج فروشندهٔ ابر فوق‌العاده بزرگ است.

جیسون کالاکانیس:

درست

دیوید سکس:

همچنین نوعی منطق ارتدوکسی سرمایه‌گذاری وجود دارد که می‌گوید «هرچه مقیاس بزرگ‌تر باشد، حفظ رشد دشوارتر است.» آنها باید برگردند و مدل را برای کمیته کنترل ریسک بانک‌های سرمایه‌گذاری توضیح دهند و نمی‌توانند به‌راحتی باور کنند که «پنج تریلیون می‌تواند به پانزده تریلیون برسد.» آنها حاضرند تا هفت تریلیون را واگذار کنند، اما هر مبلغی بیش از آن برایشان غیرقابل قبول است.

جیسون کالاکانیس:

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

دیوید سکس:

اساساً این یک مدل‌سازی خودمحافظت‌گر است؛ آن‌ها جرأت نمی‌کنند چیزهایی را که هرگز در تاریخ رخ نداده‌اند، بنویسند.

جنسن هوانگ:

علاوه بر این، شما باید بازتعریف کنید که در واقع چه کاری انجام می‌دهید.

اخیراً، کسی اظهار داشت: جنسن، چگونه انویدیا می‌تواند در مقیاس بازار سرور از اینتل پیشی بگیرد؟ دلیل ساده است: کل بازار پردازنده‌های مراکز داده حدود ۲۵ میلیارد دلار در سال است. و ما، همان‌طور که می‌دانید، می‌توانیم در حدود زمانی که اینجا نشسته‌ایم و صحبت می‌کنیم، به درآمد ۲۵ میلیارد دلاری دست یابیم.

جیسون کالاکانیس:

خوب

جنسن هوانگ:

البته، این یک شوخی است.

چامت پالیهاپیتییا:

آنچه در پادکست گفته می‌شود، به‌عنوان راهنمایی رسمی عملکرد محسوب نمی‌شود.

جنسن هوانگ:

درست است؛ این به‌عنوان راهنمایی عملکرد محسوب نمی‌شود. اما نکته کلیدی این است: میزان رشدی که می‌توانید داشته باشید بستگی به چیزی دارد که واقعاً در حال ساختن آن هستید.

انویدیا تراشه نمی‌سازد؛ این نکتهٔ اول است. ثانیاً، صرفاً ساخت تراشه‌ها دیگر برای حل مشکل زیرساخت هوش مصنوعی کافی نیست؛ این مسئله بسیار پیچیده است. سوم، درک اکثر مردم از هوش مصنوعی بسیار محدود است و تنها به آنچه می‌بینند، می‌شنوند و درباره‌اش 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 بزرگ‌تر از مجموع هر دوی آن‌ها خواهد بود. و ما در خدمت آن بخش بزرگ‌تر هستیم.

دیوید سکس:

سپس کسب‌وکار «مرکز داده فضایی» را برای یک فرد عادی توضیح دهید. در مقایسه با آن مراکز داده بزرگ روی زمین، چگونه باید درک شود؟

جنسن هوانگ:

ما از قبل در فضا هستیم.

دیوید سکس:

یک فرد عادی چگونه باید این کسب‌وکار را درک کند؟

جنسن هوانگ:

ابتدا، ما قطعاً باید در امور زمینی خوب عمل کنیم، به هر حال در حال حاضر روی زمین هستیم. ثانیاً، ما همچنین باید برای ورود به فضا آماده شویم. قطعاً انرژی زیادی در فضا وجود دارد. مشکل، اتلاف گرما است. شما نمی‌توانید مانند سطح زمین به هدایت و همرفت متکی باشید، بنابراین تنها می‌توانید برای دفع حرارت به تابش متکی باشید که نیازمند سطح مقطع بسیار بزرگی است. این یک مشکل غیرقابل حل نیست؛ بالاخره در فضا جای زیادی هست، اما هزینه هنوز هم بسیار بالاست. با این حال، ما آن را بررسی خواهیم کرد.

علاوه بر این، ما از قبل آنجا هستیم. سخت‌افزار ما در برابر تشعشعات مقاوم‌سازی شده است و بسیاری از ماهواره‌ها در سراسر جهان هم‌اکنون از CUDA استفاده می‌کنند. آنها در حال انجام تصویربرداری، پردازش تصویر و تحلیل تصاویر با هوش مصنوعی هستند. چنین وظایفی باید در فضا انجام شوند، نه اینکه تمام داده‌ها برای تحلیل تصویر به زمین ارسال شوند. پس در واقع کارهای زیادی هست که باید در فضا انجام شود.

در عین حال، ما به تحقیق در مورد اینکه یک مرکز داده در فضا چگونه باید باشد، ادامه خواهیم داد. این کار سال‌ها طول خواهد کشید. مشکلی نیست؛ من وقت زیادی دارم.

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

جیسون کالاکانیس:

می‌خواهم پی‌گیری مراقبت‌های بهداشتی را انجام دهم.

همهٔ ما به یک سن مشخص می‌رسیم و شروع می‌کنیم به فکر کردن دربارهٔ طول عمر و طول عمر سالم. همهٔ ما ظاهر نسبتاً خوبی داریم؛ بعضی‌ها ممکن است حتی بهتر به نظر برسند. جنسن، من واقعاً نمی‌دانم رازت چیست. آیا ضد پیری است؟ چه چیزی را نباید بخوریم؟ تو باید خصوصی به من بگویی.

پس از منظر ساختن یک نظام مراقبت‌های بهداشتی، این جهت‌گیری به کجا خواهد رفت؟ چه پیشرفتی داشته‌ایم؟

من فقط از کلود استفاده می‌کردم تا بفهمم این کدهای صورتحساب پزشکی در ایالات متحده آمریکا دقیقاً چه هستند. ایالات متحده دو برابر سایر کشورها هزینه می‌کند، اما نتایج سلامت تنها نصف است.

براساس آنچه من دیده‌ام، حدود ۱۵ تا ۲۵ درصد از هزینه در واقع در اولین مراجعه به پزشک مراقبت‌های اولیه صرف می‌شود. صادقانه بگویم، همه ما می‌دانیم که امروزه یک مدل زبانی بزرگ می‌تواند از همان بازدید اول عملکردی بهتر و پایدارتر داشته باشد.

پس چه چیزی هنوز کم است تا بتوان از مقررات عبور کرد و به هوش مصنوعی اجازه داد تا واقعاً تأثیر قابل‌توجهی بر کل نظام مراقبت‌های بهداشتی داشته باشد؟

جنسن هوانگ:

ما عمدتاً در چندین حوزه از مراقبت‌های بهداشتی فعالیت داریم.

اولی فیزیک هوش مصنوعی است که در خدمت زیست‌شناسی هوش مصنوعی قرار دارد و از هوش مصنوعی برای درک و مدل‌سازی زیست‌شناسی و رفتارهای آن استفاده می‌کند. این در کشف دارو بسیار مهم است.

دومین آن‌ها عامل‌های هوش مصنوعی هستند که در سناریوهایی مانند کمک به تشخیص به کار می‌روند. OpenEvidence یک مثال عالی است و Hippocratic نیز یک مثال عالی است. من واقعاً از همکاری با این شرکت‌ها لذت می‌برم. من واقعاً معتقدم که فناوری عامل‌محور به‌طور بنیادین شیوه تعامل ما با پزشکان و نظام مراقبت‌های بهداشتی را تغییر خواهد داد.

بخش سوم هوش مصنوعی فیزیکی است.

بخش اول فیزیک هوش مصنوعی است، استفاده از هوش مصنوعی برای پیش‌بینی قوانین فیزیکی؛ بخش دوم توانمندسازی هوش مصنوعی فیزیکی برای درک قوانین فیزیکی است که می‌توان آن را در جراحی رباتیک به کار برد. این منطقه در حال حاضر بسیار فعال است. در آینده، هر ابزاری که در بیمارستان با آن مواجه می‌شوید، چه سونوگرافی باشد، چه سی‌تی‌اسکن یا هر دستگاه دیگری، دارای اختیار خواهد شد.

می‌توانید آن را به‌عنوان نسخه‌ای مقاوم‌سازی‌شده از نظر امنیتی از OpenClaw در نظر بگیرید که در هر ابزار تعبیه خواهد شد. بنابراین از جهات بسیاری، این دستگاه‌ها در آینده به‌طور مستقیم با بیماران، پرستاران و پزشکان تعامل خواهند داشت.

جیسون کالاکانیس:

با این همه سرمایه‌گذاری روی سلاح‌های هوش مصنوعی، واقعاً امیدوارم کمی بیشتر روی امدادگران و تکنسین‌های فوریت‌های پزشکی هوش مصنوعی سرمایه‌گذاری کنیم تا جان‌ها را نجات دهند، نه صرفاً برای کشتن.

این موضوع همچنین به‌خوبی به بحث رباتیک منتهی می‌شود. شما اکنون ده‌ها شریک دارید. حوزه رباتیک در ده یا حتی بیست سال گذشته دوره‌ای عجیب را پشت سر گذاشته است—بوستون داینامیکس، خرید چندین شرکت توسط گوگل و سپس فروش و از هم پاشاندن آن‌ها. همه زمانی فکر می‌کردند رباتیک تا رسیدن به مرحلهٔ کاربرد واقعی فاصلهٔ زیادی دارد.

اما اکنون شما و کارآفرینان برجسته‌ای مانند ایلان ماسک روی آن شرط‌بندی می‌کنید. اپتیموس فوق‌العاده چشمگیر به نظر می‌رسد و بسیاری از شرکت‌های چین پیشرفت سریعی دارند. ما تا تحقق واقعی ربات‌ها، مانند ربات‌های آشپز، پرستار، مراقب و ربات‌های انسان‌نما که بتوانند در دنیای واقعی کار کنند، چه اندازه فاصله داریم؟

به‌ویژه در چین، به نظر می‌رسد که آن‌ها به همان خوبی ایالات متحده، اگر نگوییم سریع‌تر، پیش می‌روند. با توجه به پیشرفت شرکای شما و بلوغ فناوری، فکر می‌کنید چه مدت دیگر طول خواهد کشید؟

جنسن هوانگ:

تا حد زیادی، صنعت رباتیک در اصل توسط ما اختراع شد، یا می‌توان گفت که در ایالات متحده آمریکا اختراع شد. همچنین می‌توان گفت که ما خیلی زود وارد بازار شدیم. ما حدود پنج سال از فناوری واقعاً حیاتیِ «مغز» که امکان‌پذیرکننده بود جلوتر بودیم، بنابراین زودتر خسته شدیم و صبرمان را از دست دادیم.

اما اکنون، واقعاً فرا رسیده است. سؤال بعدی فقط این است: از «اثبات مفهوم با کارایی بالا» تا «محصول تجاری قابل قبول» چقدر طول خواهد کشید؟

فناوری هرگز از دو تا سه چرخه فراتر نمی‌رود. دو تا سه چرخه حدود سه تا پنج سال است. همین. در عرض سه تا پنج سال، ربات‌ها همه‌جا خواهند بود.

من فکر می‌کنم چین بسیار قدرتمند است و این قدرتی است که نمی‌توان آن را دست‌کم گرفت. دلیل این است که میکروالکترونیک، موتورها، فلزات کمیاب و آهنرباهای آن‌ها همگی در جهان بی‌نظیر هستند و این‌ها پایه‌های صنعت رباتیک را تشکیل می‌دهند. بنابراین، از جهات بسیاری، صنعت رباتیک ما عمیقاً به اکوسیستم و زنجیره تأمین آن‌ها متکی خواهد بود. صنعت جهانی رباتیک به شدت به آن متکی خواهد بود.

بنابراین، من معتقدم که شما تغییرات بسیار سریعی را خواهید دید.

جیسون کالاکانیس:

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

جنسن هوانگ:

امیدوارم حتی بیشتر از آن. ابتدا، تعداد زیادی ربات به‌صورت شبانه‌روزی در کارخانه‌ها کار خواهند کرد؛ همچنین ربات‌های زیادی وجود خواهند داشت که چندان متحرک نیستند اما در کارخانه‌ها اندکی حرکت خواهند کرد. تقریباً همه‌چیز در نهایت رباتیک خواهد شد.

چامت پالیهاپیتییا:

به نظر من، مهم‌ترین نکته درباره ربات‌ها این است که آن‌ها امکان تحرک اقتصادی را برای همه فراهم خواهند کرد.

در گذشته، وقتی همه یک خودرو داشتند، می‌توانستند کارهای مختلفی انجام دهند؛ در آینده، وقتی همه یک ربات داشته باشند، رباتشان می‌تواند کارهای زیادی برایشان انجام دهد. آن‌ها می‌توانند یک فروشگاه Etsy و یک فروشگاه Shopify افتتاح کنند و از ربات‌ها برای ساخت هر چیزی که می‌خواهند استفاده کنند و کارهای زیادی را انجام دهند که به‌تنهایی قادر به انجامشان نبودند. من معتقدم که ربات‌ها در نهایت به فناوری‌ای تبدیل خواهند شد که رفاه را برای تعداد بیشتری از مردم روی زمین به ارمغان می‌آورد تا هر زمان دیگری که دیده‌ایم.

جنسن هوانگ:

بدون شک ساده‌ترین واقعیت اکنون این است: امروز ما در حال حاضر با کمبود میلیون‌ها کارگر مواجه هستیم. پس ما در واقع به ربات‌ها نیاز مبرم داریم. اگر نیروی کار بیشتری وجود داشت، همه این شرکت‌ها می‌توانستند حتی سریع‌تر رشد کنند.

و برخی از چیزهایی که شما ذکر کردید واقعاً بسیار جالب هستند. با ربات‌ها، ما «حضور مجازی» خواهیم داشت. برای مثال، وقتی در یک سفر کاری هستم، می‌توانم وارد بدن ربات در خانه شوم، آن را از راه دور کنترل کنم، در خانه قدم بزنم، سگ را پیاده‌روی ببرم و ببینم خانه چگونه است.

جیسون کالاکانیس:

ما باید به کارکنان محل برگزاری اجازه دهیم که به‌زودی افراد را بیرون بیندازند.

جنسن هوانگ:

درست است. اما بهش فکر کن؛ واقعاً می‌توانی آن را در خانه آزاد بگذاری تا ببینید چه خبر است، با سگ صحبت کنی و با بچه‌ها گپ بزنی.

دیوید فریدبرگ:

این تا حدی شبیه سفر در زمان است.

جنسن هوانگ:

در همان زمان، ما با سرعت نور سفر خواهیم کرد. بدیهی است که ابتدا ربات را می‌فرستیم. من قطعاً خودم را اول نمی‌فرستم؛ اول یک ربات را می‌فرستم تا وضعیت را بررسی کند. سپس هوش مصنوعی‌ام را آپلود خواهم کرد.

چامت پالیهاپیتییا:

این تقریباً اجتناب‌ناپذیر است. این ماه و مریخ را باز می‌کند و آن‌ها را به مقاصدی قابل سکونت تبدیل می‌نماید. و این به معنای منابع تقریباً نامحدود است. بازگرداندن مواد از ماه به زمین را می‌توان با مصرف انرژی تقریباً صفر انجام داد، زیرا می‌توان از انرژی خورشیدی برای شتاب‌دهی استفاده کرد. پس در آینده می‌توانید به‌طور کامل کارخانه‌هایی را روی ماه بسازید تا همه چیزهای مورد نیاز زمین را تولید کنید، و ربات‌ها کلید ممکن‌ساختن همه این‌ها هستند.

جنسن هوانگ:

در آن دوران، مسافت دیگر مسئله‌ای نخواهد بود.

دیوید فریدبرگ:

علاوه بر این، هرچه مدل‌ها و عامل‌ها درآمد بیشتری تولید کنند، می‌توانیم در زیرساخت‌ها سرمایه‌گذاری بیشتری انجام دهیم؛ و هرچه زیرساخت‌ها کامل‌تر باشند، امکان ظهور مدل‌ها و عامل‌های قوی‌تری فراهم می‌شود.

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

جنسن هوانگ:

فکر می‌کنم او خیلی محافظه‌کارانه رفتار می‌کند. من معتقدم عملکرد داریو و آنتروپیک بسیار فراتر از آن عدد خواهد بود، خیلی فراتر.

جیسون کالاکانیس:

پس، از ۳۰ میلیارد دلار به یک تریلیون دلار؟

جنسن هوانگ:

بله و دلیلش این است که بخشی را که او در نظر نگرفته است: من معتقدم هر شرکت نرم‌افزاری سازمانی در نهایت به فروشنده مجدد کد، توکن و توکن OpenAI شرکت Anthropic با ارزش افزوده تبدیل خواهد شد. این بخش به طور قابل توجهی مقیاس GTM آن‌ها را گسترش خواهد داد.

دیوید سکس:

پس در چنین دنیایی، واقعاً چه «خندق» باقی مانده است؟

برخی خندق‌ها واقعاً تقریباً غیرقابل عبور خواهند شد. برای مثال، خندقی که کمتر کسی درباره‌اش صحبت می‌کند اما شاید قوی‌ترین باشد، در واقع CUDA است؛ این یک مزیت استراتژیک شگفت‌انگیز است.

اما در آینده، اگر خود مدل‌ها بتوانند کارهای بزرگ خلق کنند، نسل بعدی مدل‌ها نیز ممکن است آن را مختل کند. به نظر شما، مهم‌ترین تمایز برای شرکت‌هایی که لایه‌های کاربردی می‌سازند چیست؟

جنسن هوانگ:

تخصص عمیق

من معتقدم که در آینده، مدل‌های عمومی در سیستم‌های عامل شرکت‌های نرم‌افزاری ادغام خواهند شد. بسیاری از این مدل‌ها مدل‌های تجاری مانند کلود، مدل‌های اختصاصی خواهند بود؛ اما بسیاری از آن‌ها همچنین زیرنمایندگان تخصصی هستند که توسط این شرکت‌ها برای انجام زیروظایف مشخص آموزش دیده‌اند.

دیوید سکس:

پس فراخوان شما به کارآفرینان این است: حوزه تخصصی خود را به‌طور واقعی درک کنید.

جنسن هوانگ:

دقیقاً.

دیوید سکس:

آن را عمیق‌تر و بهتر از هر کس دیگری درک کن. سپس منتظر بمانید تا این ابزارها به شما برسند؛ وقتی به شما رسیدند، می‌توانید دانش خود را در آن‌ها تزریق کنید.

جنسن هوانگ:

بله شما دانش خودتان را دارید و می‌توانید مشتریان را به نمایندگان خود متصل کنید. هرچه زودتر به نمایندگان اجازه دهید تا واقعاً با مشتریان ارتباط برقرار کنند، این چرخ‌وفلک زودتر شروع به چرخیدن می‌کند و بسیار سریع خواهد چرخید.

دیوید سکس:

این تقریباً کاملاً برعکس منطق نرم‌افزاری امروزی است. امروز ابتدا یک نرم‌افزار می‌سازیم، سپس به «چه چیزی قابل تعمیم است» فکر می‌کنیم، آن را به بیشترین تعداد افراد ممکن می‌فروشیم و در نهایت سفارشی‌سازی را به‌عنوان یک سرویس الحاقی می‌فروشیم.

دیوید فریدبرگ:

و سپس مشتریان را تثبیت کنید.

جنسن هوانگ:

اما در واقع، همان‌طور که شما گفتید، ابتدا یک سکوی افقی ایجاد می‌کنیم. اما می‌بینید، تمام آن یکپارچه‌سازان سیستم‌های جهانی (GSI) و شرکت‌های مشاوره‌ای در واقع متخصصانی هستند که پلتفرم افقی شما را به یک راه‌حل عمودی سفارشی‌سازی می‌کنند.

جیسون کالاکانیس:

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

جنسن هوانگ:

کاملاً درست است. بنابراین من معتقدم که خود این شرکت‌های پلتفرمی فرصت دارند که به آن متخصص تبدیل شوند، به آن بازیگر در حوزه عمودی تبدیل شوند و به استاد واقعی یک حوزهٔ خاص بدل گردند.

جیسون کالاکانیس:

می‌خواهم ستایشی را که شایسته‌اش هستی به تو بدهم.

یادم می‌آید که سه سال پیش چیزی گفتی: کسانی که شغل شما را از شما خواهند گرفت، هوش مصنوعی نیستند، بلکه کسانی هستند که از هوش مصنوعی استفاده می‌کنند. حالا که به گذشته نگاه می‌کنیم، تقریباً تمام بحث ما حول این نکته بوده است: نمایندگان در حال تبدیل انسان‌ها به «فراانسان‌ها» هستند و فرصت‌های تجاری و کارآفرینی را گسترش می‌دهند. تو در واقع خیلی زود این را خیلی واضح دیدی.

جنسن هوانگ:

خیلی مهربانید.

جیسون کالاکانیس:

البته ما همچنین باید هم‌زمان دو ایده را در نظر بگیریم: اول اینکه واقعاً پیشرفت‌های خوبی خواهد بود؛ دوم اینکه واقعاً شغل‌هایی جایگزین خواهند شد. سپس این سؤال مطرح می‌شود: آیا آن افراد به اندازه کافی تاب‌آوری و عزم راسخ دارند تا این فناوری‌های جدید را بپذیرند؟

برای مثال، اگر در آینده صددرصد مشاغل رانندگی خودکار شوند، قطعاً جان افراد زیادی را نجات خواهد داد که این امر خوبی است؛ اما باید بپذیریم که در ایالات متحده بین ده تا پانزده میلیون نفر برای امرار معاش خود به این شغل وابسته‌اند. این تغییر قطعاً رخ خواهد داد.

جنسن هوانگ:

من معتقدم که مشاغل تغییر خواهند کرد. برای مثال، امروزه رانندگان زیادی وجود دارند. من معتقدم که در آینده، بسیاری از رانندگان همچنان در خودرو خواهند نشست، اما دیگر مسئول رانندگی نخواهند بود؛ در عوض، آن‌ها در عقب یا کنار خودرو خواهند نشست و به نوعی «دستیار تحرک» تبدیل خواهند شد.

زیرا فراموش نکنید که آنچه رانندگان در نهایت انجام می‌دهند، صرفاً رانندگی نیست. آنها در حمل بار به شما کمک می‌کنند، کارهای زیادی را انجام می‌دهند و در واقع نقش دستیار را ایفا می‌کنند.

پس تعجب نخواهم کرد اگر رانندگان آینده به دستیارهای تحرک شما تبدیل شوند و در حالی که خودرو خودران است، به شما در انجام کارهای دیگر کمک کنند.

جیسون کالاکانیس:

دقیقاً مثل یک هتل.

جنسن هوانگ:

بله ماشین خودش رانندگی می‌کند، اما آن‌ها هنوز به شما کمک می‌کنند تا امور مختلف را هماهنگ کنید.

دیوید فریدبرگ:

هواپیماهای خودران پروازی نیز به جای کنار زدن خلبانان از کابین، خلبانان بیشتری را به همراه داشته‌اند، هرچند که پرواز خودران در حال حاضر ۹۰٪ از کار را بر عهده گرفته است.

چامت پالیهاپیتییا:

و راستش وقتی ماشین خودش رانندگی می‌کند، آن راننده هنوز می‌تواند با تلفن همراهش کارهای زیادی انجام دهد و برای شما کارهای مختلفی هماهنگ کند.

جنسن هوانگ:

برای مثال، هماهنگی، ارتباط‌گیری، رزرو و رسیدگی به مجموعه‌ای از وظایف.

چامت پالیهاپیتییا:

کل پای بزرگ‌تر می‌شود.

جنسن هوانگ:

بله یک چیز روشن است: هر شغل تغییر خواهد کرد؛ برخی از مشاغل ناپدید خواهند شد؛ اما در عین حال، مشاغل جدید زیادی ایجاد خواهند شد. و می‌خواهم به آن جوانان که تازه فارغ‌التحصیل شده‌اند و نگران هوش مصنوعی هستند بگویم: بروید و تبدیل شوید به کسی که بهترین است در استفاده از هوش مصنوعی.

امروز، همه ما امیدواریم که کارکنان بتوانند در هوش مصنوعی به معنای واقعی کلمه ماهر شوند، و این قطعاً کار آسانی نیست. شما باید بدانید چگونه خواسته‌ها را بیان کنید اما نباید در دستورالعمل‌ها بیش از حد سخت‌گیر باشید؛ باید به هوش مصنوعی فضای کافی برای نوآوری و خلاقیت تحت راهنمایی ما بدهید؛ و باید آن را به سمت نتایجی که واقعاً می‌خواهیم هدایت کنید. تمام این‌ها به نوعی «هنر» نیاز دارد.

دیوید سکس:

شما در دوران حضورتان در استنفورد به‌طور مشهور به جوانان چنین توصیه کردید: برای تو درد و رنج آرزو می‌کنم. آن را به یاد می‌آوری؟

جیسون کالاکانیس:

این یک کلاسیک است.

دیوید سکس:

امروز چطور؟ اگر فردی در آستانهٔ فارغ‌التحصیلی از دبیرستان باشد و در چهارراه زندگی ایستاده باشد و در حال تصمیم‌گیری دربارهٔ رفتن به دانشگاه، انتخاب رشتهٔ تحصیلی یا حتی خودِ رفتن به دانشگاه باشد، چه نصیحتی به او می‌کنید؟

جنسن هوانگ:

من هنوز معتقدم که علم عمیق، ریاضیات عمیق و مهارت‌های زبانی بسیار مهم هستند. و می‌دانید، خودِ زبان در واقع زبان برنامه‌نویسی هوش مصنوعی است، زبان برنامه‌نویسی نهایی. پس شاید کسانی که در رشتهٔ انگلیسی تحصیل می‌کنند، در آینده موفق‌ترین باشند.

به‌طور خلاصه، توصیه‌ی من این است: مهم نیست چه نوع آموزشی دریافت می‌کنید، مطمئن شوید که در استفاده از هوش مصنوعی به‌طور کافی حرفه‌ای عمل می‌کنید.

در مورد کار که صحبت شد، می‌خواهم یک نکتهٔ دیگر اضافه کنم که امیدوارم همه آن را بشنوند. در روزهای آغازین انقلاب یادگیری عمیق، یکی از برجسته‌ترین دانشمندان کامپیوتر جهان که برایش احترام زیادی قائلم، قاطعانه پیش‌بینی کرد که بینایی کامپیوتری رادیولوژیست‌ها را به‌طور کامل حذف خواهد کرد. او حتی به همه توصیه کرد وارد رشته رادیولوژی نشوند.

ده سال بعد، این پیش‌بینی در یک سطح صددرصد درست است: بینایی کامپیوتری واقعاً در تمام دستگاه‌ها و پلتفرم‌های رادیولوژی در سراسر جهان ادغام شده است. اما نتیجهٔ شگفت‌آور این است که تعداد رادیولوژیست‌ها نه‌تنها کاهش نیافته، بلکه در واقع افزایش یافته و تقاضا به‌شدت در حال رشد است. دلیل این است که هر شغل شامل دو سطح است: وظایف و اهداف.

وظیفهٔ رادیولوژیست مشاهدهٔ تصاویر است، اما هدف واقعی او کمک به پزشکان در درمان بیماران و تشخیص بیماری‌هاست. و از آنجا که اکنون می‌توان آزمایش‌های تصویربرداری را سریع‌تر انجام داد، بیمارستان‌ها می‌توانند اسکن‌های بیشتری انجام دهند که این امر کارایی پزشکی را بهبود می‌بخشد و به بیماران اجازه می‌دهد سریع‌تر وارد فرآیند درمان شوند و زودتر تحت درمان قرار گیرند. نتیجه این است که بیمارستان‌ها با انجام اسکن‌های بیشتر و خدمت‌رسانی به بیماران بیشتر، درآمد خود را افزایش داده‌اند.

جیسون کالاکانیس:

درست است.

جنسن هوانگ:

پس نتیجه در واقع مثبت است.

دیوید فریدبرگ:

و کشوری که سریع‌تر رشد می‌کند، پربارتر و ثروتمندتر است، قطعاً می‌تواند معلمان بیشتری در کلاس‌ها داشته باشد، نه معلمان کمتری.

شما به هر معلم این امکان را خواهید داد که بتواند دوره‌ها را برای هر دانش‌آموز در کلاس درس سفارشی‌سازی کند. به این ترتیب، آن‌ها مانند «انسان‌های بیونیک» قوی‌تر خواهند شد و نتایج بهتر خواهند بود.

جنسن هوانگ:

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

جیسون کالاکانیس:

این فوق‌العاده بوده است. جنسن، بابت موفقیتت تبریک می‌گویم. این واقعاً بحثی بسیار مثبت و روحیه‌بخش بوده است. از اینکه وقت گذاشتید و شرکت کردید، بسیار سپاسگزاریم.

دیوید سکس:

شما کاپیتانی هستید که این صنعت به آن نیاز دارد.

جیسون کالاکانیس:

در واقع فکر می‌کنم شما باید جنبه مثبت هوش مصنوعی را با صدای بلندتری بیان کنید. در آنجا بیش از حد گویشی‌های آخرالزمانی وجود دارد.

دیوید سکس:

و من همچنین فکر می‌کنم که حفظ این فروتنی پس از دستیابی به چنین موفقیت بزرگی، و گفتن به همه اینکه «دوستان، کاری که ما انجام می‌دهیم در اصل هنوز هم نرم‌افزار است»، واقعاً سالم است. مردم باید این را بشنوند. ما قبلاً دسته‌بندی‌های جدید و صنایع جدید را اختراع کرده‌ایم. ما نیازی نیست که به آن نوع هراس دچار شویم؛ این کمکی نمی‌کند.

جیسون کالاکانیس:

و ما می‌توانیم برای خودمان انتخاب کنیم، درست است؟ ما خودمختاری و توانایی عمل کردن داریم. ما می‌توانیم انتخاب کنیم که چگونه از آن استفاده کنیم. خب، همه، تا دفعه بعد. از اینکه این قسمت از آل-این را تماشا کردید، سپاسگزاریم.

جنسن هوانگ:

متشکرم