جدیدترین پادکست هوانگ رن‌شون: آیا انویدیا به ارزش یک تریلیون دلار خواهد رسید؟ آیا تعداد برنامه‌نویسان به جای کاهش، افزایش خواهد یافت؟ چگونه با اضطراب هوش مصنوعی کنار بیاییم؟

عنوان اصلی: جنسن هوانگ: انویدیا - شرکت ۴ تریلیون دلاری و انقلاب هوش مصنوعی | پادکست لکس فریدمن
نویسندهٔ اصلی: لکس فریدمن
ترجمه: پگی، بلاک‌بییتس

یادداشت سردبیر:

در پس‌زمینه تکامل مداوم هوش مصنوعی مولد و ورود عامل‌ها به فرآیندهای تولید واقعی، تمرکز بحث‌های صنعتی از «قدرت مدل» به «چگونگی پشتیبانی سیستم از هوش» در حال تغییر است. همزمان که آموزش مدل‌های بزرگ‌مقیاس به‌تدریج استاندارد می‌شود، مسئله‌ای بنیادی‌تر در حال ظهور است: آنچه از گسترش مداوم هوش مصنوعی پشتیبانی می‌کند، دیگر صرفاً پیشرفت‌های الگوریتمی نیست، بلکه کل سیستم محاسباتی خود است.

این مقاله ترجمه‌ای از گفت‌وگوی بین جنسن هوانگ و لکس فریدمن است. لکس فریدمن یک پژوهشگر برجسته هوش مصنوعی و مجری پادکست فناوری است که برنامه او مدت‌هاست بر بحث‌های عمیق درباره فناوری، صنعت و روندهای آینده متمرکز بوده است. در این گفتگو، جنسن هوانگ به‌جای تمرکز بر قابلیت‌های مدل به‌خودی‌خود، بلکه با شروع از معماری محاسباتی و تحول صنعت، قضاوتی ساختاری‌تر ارائه داد: هوش مصنوعی در حال گذار از یک «مشکل تراشه» به یک «مشکل مهندسی سیستم‌ها» است.

این گفتگو را می‌توان به طور تقریبی از پنج جنبه درک کرد.

محاسبات در گذار از «چیپ» به «کارخانه»
اولین قضاوت اصلی این گفتگو این است که رقابت هوش مصنوعی دیگر بر عملکرد نقطه‌ای متمرکز نیست، بلکه به رقابتی در زمینه قابلیت‌های سیستمی تبدیل شده است. از پردازنده‌های گرافیکی گرفته تا کل ماشین‌ها و «کارخانه‌های هوش مصنوعی» در سطح مراکز داده، مرزهای واحدهای محاسباتی همچنان در حال گسترش است. در عین حال، نقش کامپیوترها نیز تغییر کرده است—از یک «انبار» برای ذخیره و بازیابی اطلاعات به یک «سیستم تولیدی» که به‌طور مداوم توکن تولید می‌کند. این بدان معناست که هوش مصنوعی دیگر صرفاً یک ابزار نیست، بلکه مستقیماً در زیرساخت اقتصادی تولید دخیل است.

چهار لایه مقیاس‌بندی: چرا هوش مصنوعی «سنگین‌تر» می‌شود؟
علاوه بر این، یک تغییر ساختاری در مسیر مقیاس‌پذیری هوش مصنوعی رخ داده است. رشد دیگر تنها به یک مقیاس‌دهی پیش‌آموزش متکی نیست، بلکه بر ته‌نشینی چهار نوع مقیاس‌دهی استوار است: پیش‌آموزش، پس‌آموزش، استنتاج و عامل، که سیستمی چرخه‌ای را تشکیل می‌دهند. عامل داده‌هایی تولید می‌کند که وارد مرحلهٔ آموزش می‌شوند و نتایج آموزش به مرحلهٔ استنتاج بازخورد داده می‌شود، که سپس از عوامل پیچیده‌تر پشتیبانی می‌کند. تمام مسیرها در نهایت به یک متغیر واحد همگرا می‌شوند—توان محاسباتی. مهم‌ترین تغییر این است که استنتاج به هسته‌ی مصرف محاسباتی تبدیل شده و خودِ «تفکر» گران‌ترین حلقه شده است.

گلوگاه هوش مصنوعی از الگوریتم‌ها به انرژی منتقل می‌شود
با تشدید مداوم مقیاس‌پذیری، مسئله از سطح مدل به سطح زیرساخت منتقل شده است. یک مشاهده مستقیم که در بحث مطرح شده این است که گلوگاه بلندمدت هوش مصنوعی دیگر داده‌ها یا الگوریتم‌ها نیست، بلکه سیستم برق و انرژی است. با این حال، محدودیت واقعی تنها عرضه ناکافی نیست، بلکه برنامه‌ریزی شبکه، معماری مرکز داده و وابستگی مسیر شرکت‌ها به «دسترس‌پذیری بالا» است. این موضوع مشکل هوش مصنوعی را از یک مسئله فنی به یک مسئله همه‌جانبه مهندسی، انرژی و چیدمان نهادی تبدیل می‌کند.

جوهر کودا: سهم بازار به جای برتری فناوری
در عرصه رقابتی، این بحث همچنین بینش کلیدی‌ای ارائه می‌دهد: حصار رقابتی انویدیا تنها رهبری فناوری نیست، بلکه سهم بازار و اکوسیستم توسعه‌دهندگانی است که از طریق CUDA ایجاد شده است. با ادغام CUDA در GeForce و فدا کردن سودهای کوتاه‌مدت به نفع مقیاس، انویدیا در واقع یک «پلتفرم محاسباتی» ساخته است. وقتی مقیاس، اکوسیستم و سرعت اجرا با هم ترکیب شوند، خود فناوری به یک متغیر ثانویه تبدیل می‌شود. این بدان معناست که رقابت هوش مصنوعی از قابلیت مدل به قابلیت پلتفرم و سیستم در حال تغییر است.

توجه: CUDA (معماری یکپارچه محاسباتی دستگاه) یک پلتفرم محاسبات موازی است که توسط انویدیا عرضه شده و به توسعه‌دهندگان امکان می‌دهد از واحدهای پردازش گرافیکی (GPU) برای محاسبات عمومی به جای صرفاً رندرینگ گرافیک استفاده کنند.

آیا هوش مصنوعی شغل‌ها را از بین می‌برد؟ نه، اما این تعریف کار را تغییر خواهد داد.
در سطح کاربرد، این بحث همچنین یک ارزیابی مهم ارائه می‌دهد: هوش مصنوعی صرفاً جایگزین مشاغل نخواهد شد، بلکه ساختار کار را بازسازی خواهد کرد. اتوماسیون در سطح وظایف کارایی کلی را افزایش خواهد داد و تقاضا برای مهارت‌های حرفه‌ای را بالا خواهد برد. هستهٔ کار دیگر «اجرای وظایف» نیست، بلکه «تعریف مسئله، فراخوانی ابزار و حل مسئله به‌صورت مشارکتی» است، جایی که هوش به‌تدریج به قابلیتی در دسترس تبدیل می‌شود، در حالی که تفاوت‌های انسانی بیشتر در قضاوت و مهارت‌های سازمانی منعکس می‌شوند.

اگر این بحث نقطه‌ی ورود روشنی را فراهم کند، آن در تبدیل هوش مصنوعی از «رقابت در توانمندی مدل» به یک مسئله‌ی سیستمی نهفته است: با تبدیل شدن محاسبات به یک سیستم تولیدی، آنچه آن را محدود خواهد کرد دیگر صرفاً خود فناوری نخواهد بود، بلکه انرژی، زنجیره‌های تأمین و روش‌های سازمانی خواهد بود. از این منظر، مسئله دیگر این نیست که آیا یک مسیر فناوری خاص برتری دارد، بلکه کل جهان در حال سازمان‌دهی مجدد حول یک زیرساخت اصلی مبتنی بر محاسبات است.

محتوای اصلی به شرح زیر است (برای وضوح بازآرایی شده):

خلاصه

· هوش مصنوعی از «چیپ‌های سریع‌تر» به یک «کارخانه محاسباتی» تکامل یافته است، جایی که رقابت دیگر بر سر عملکرد نقطه‌ای نیست، بلکه بر سر کارایی هم‌افزای کل ظرفیت سیستم (قدرت محاسباتی، شبکه، انرژی، نرم‌افزار) است.

موفقیت CUDA نه در فناوری آن، بلکه در فراگیر بودنش نهفته است: انویدیا سود را فدای مقیاس کرد و اکوسیستم پلتفرم محاسباتی تقریباً غیرقابل‌توسعه‌ای را ایجاد نمود.

رشد هوش مصنوعی دیگر فقط به مدل‌های بزرگ‌تر محدود نمی‌شود؛ بلکه شامل مقیاس‌دهی همزمان در پیش‌آموزش، استنتاج، عامل‌ها و موارد دیگر است که همگی در نهایت به یک متغیر واحد همگرا می‌شوند: قدرت محاسباتی.

· استنتاج در حال تبدیل شدن به بخش اصلی مصرف محاسباتی است؛ «اندیشیدن» پرهزینه‌تر از «آموزش» است، و هوش مصنوعی در حال گذار از مدل‌های آفلاین به سیستم‌های همیشه در حال اجرا است.

·گلوگاه واقعی برای هوش مصنوعی، الگوریتم نیست بلکه انرژی و زیرساخت است؛ ظرفیت برنامه‌ریزی توان، محدودیت بحرانی بعدی خواهد بود.

محاسبات در حال گذار از یک «انبار اطلاعات» به یک «کارخانه تولید» است؛ توکن‌ها به کالاهای قابل معامله تبدیل می‌شوند و زیرساخت هوش مصنوعی مستقیماً در تولید اقتصادی مشارکت خواهد کرد.

·هوش مصنوعی صرفاً جایگزین کار نخواهد شد، بلکه توانایی‌های تمام مشاغل را ارتقا خواهد داد؛ صلاحیت اصلی آینده از «انجام وظایف» به «تعریف مسائل و همکاری برای حل آن‌ها» تغییر خواهد کرد.

محتوای مصاحبه

لکس فریدمن: در ادامه گفت‌وگویی با جنسن هوانگ، مدیرعامل انویدیا، شرکتی که می‌توان آن را یکی از مهم‌ترین و تأثیرگذارترین در تاریخ بشر دانست، ارائه می‌شود. انویدیا موتور اصلی پیش‌برنده انقلاب هوش مصنوعی است و موفقیت آن تا حد زیادی مرهون مجموعه‌ای از قضاوت‌های کلیدی و تصمیم‌های جسورانه‌ای است که جِنسِن به‌عنوان یک رهبر، مهندس و نوآور اتخاذ کرده است. این پادکست لکس فریدمن است. پس لطفاً جِنسِن هوانگ را خوش‌آمد بگویید.

از «چیپ‌های سریع‌تر» تا «کارخانه هوش مصنوعی»

لکس فریدمن: شما انویدیا را به مرحله‌ای جدید در هوش مصنوعی هدایت کرده‌اید، از تمرکز بر طراحی در سطح تراشه در گذشته به طراحی در سطح رک در امروز. می‌توان گفت که پیروزی‌های گذشته انویدیا عمدتاً مبتنی بر ساخت قدرتمندترین پردازنده گرافیکی بود و شما هنوز هم این کار را انجام می‌دهید، اما این رویکرد به طراحی مشترک افراطی گسترش یافته است: پردازنده گرافیکی، پردازنده مرکزی، حافظه، شبکه، ذخیره‌سازی، برق، خنک‌کنندگی، نرم‌افزار، خود رک، پودهایی که منتشر کرده‌اید و حتی کل مرکز داده. پس، بیایید با «هم‌طراحی افراطی» شروع کنیم. با وجود این همه مؤلفه و متغیر پیچیده، دشوارترین بخش هم‌طراحی سیستم چیست؟

جنسن هوانگ: این یک سؤال عالی است. اول از همه، دلیل اینکه باید به طراحی مشترک شدید بپردازیم این است که مسائلی که اکنون حل می‌کنیم دیگر با یک رایانه یا حتی یک واحد پردازش گرافیکی به تنهایی تسریع نمی‌شوند. آنچه شما واقعاً می‌خواهید این است که سرعت محاسبات از نرخ افزودن کامپیوترها فراتر رود. شما ۱۰٬۰۰۰ رایانه اضافه می‌کنید، اما می‌خواهید بهبود عملکردی به اندازه یک میلیون برابر داشته باشید. پس باید الگوریتم‌ها را دوباره بررسی کنید، آن‌ها را از هم جدا کنید، بازسازی‌شان کنید، خطوط لوله را بشکنید، داده‌ها را بشکنید، مدل را بشکنید. وقتی مسئله را به این شکل توزیع می‌کنید، موضوع فقط «افزایش مقیاس» نیست، بلکه «توزیع مسئله» است و در این صورت همه‌چیز به یک گلوگاه تبدیل می‌شود.

این اساساً مشکل قانون آمداِل است: افزایش سرعت کل سیستم به نسبت بخشی از کار بستگی دارد که قابل تسریع است. اگر محاسبات تنها ۵۰٪ از مشکل را تشکیل دهد، حتی اگر سرعت محاسبات را یک میلیون برابر افزایش دهید، افزایش سرعت کلی تنها دو برابر خواهد بود. پس نه تنها باید محاسبات را توزیع کنید، بلکه باید به تقسیم‌بندی خط لوله و مشکلات اتصال شبکه نیز رسیدگی کنید، زیرا همه این کامپیوترها باید به یکدیگر متصل شوند. در مقیاس رایانش توزیع‌شدهٔ ما، CPU یک مشکل است، GPU یک مشکل است، شبکه یک مشکل است، سوئیچ یک مشکل است و خود متعادل‌سازی بار نیز یک مشکل است. این یک مسئله بسیار پیچیده در علم کامپیوتر است. پس باید از همه فناوری‌ها به‌طور هم‌زمان استفاده کنیم؛ در غیر این صورت، تنها می‌توانید به‌صورت خطی مقیاس‌دهی کنید یا به قانون مور متکی باشید که آن هم در حال کند شدن است.

توجه: قانون آمداهل را می‌توان به عنوان بیان ریاضی اثر سطل در یک سیستم محاسباتی در نظر گرفت. در این مقاله نشان داده می‌شود که محاسبات هوش مصنوعی صرفاً به بهبود عملکرد GPU محدود نمی‌شود؛ جنبه‌هایی مانند شبکه، ذخیره‌سازی و زمان‌بندی به گلوگاه‌هایی تبدیل خواهند شد که باید در سطح سیستم بهینه‌سازی شوند.

لکس فریدمن: حتماً مصالحه‌های زیادی در کار است و این موضوع نیازمند مشارکت متخصصانی از حوزه‌های کاملاً متفاوت است، مانند حافظه پهن‌باند، شبکه‌سازی، NVLink، کارت‌های شبکه (NICs)، اپتیک، اتصالات مسی، توان، خنک‌کنندگی و غیره. هر حوزه‌ای کارشناسان در سطح جهانی دارد. چگونه این افراد را برای همکاری گرد هم آوردید؟

جنسن هوانگ: به همین دلیل تیم من این‌قدر بزرگ است.

لکس فریدمن: آیا می‌توانید در مورد این فرایند صحبت کنید؟ متخصصان و همه‌فن‌حریفان چگونه با هم همکاری می‌کنند؟ فرآیند کلی طراحی وقتی است که باید همه این موارد را در یک رک جای دهید، چگونه است؟

جنسن هوانگ:

می‌توانید با سه سؤال پاسخ دهید. سؤال اول این است: «کو-دیزاین افراطی» چیست؟ اساساً، این موضوع به بهینه‌سازی جامع در سراسر کل پشته نرم‌افزار و سخت‌افزار مربوط می‌شود، از معماری، تراشه، سیستم، نرم‌افزار سیستم، الگوریتم‌ها تا برنامه‌های کاربردی؛ این اولین لایه است. لایه دوم، همان‌طور که اشاره کردیم، نه تنها شامل تراشه‌های CPU، GPU و شبکه است، بلکه سیستم‌های سوئیچینگ مقیاس‌پذیر (scale-up) و گسترش‌پذیر (scale-out)، و همچنین تأمین برق و سیستم‌های خنک‌کنندگی را نیز در بر می‌گیرد، زیرا این سیستم‌های رایانه‌ای مصرف برق زیادی دارند. آنها واقعاً بسیار کارآمد هستند اما همچنان در مجموع مقدار قابل‌توجهی برق مصرف می‌کنند.

پس سؤال اول این است که «این چیست»، سؤال دوم این است که «چرا آن را انجام دهیم». همان‌طور که اشاره کردیم، برای دستیابی به مزایایی فراتر از صرفاً افزایش تعداد کامپیوترها، باید بارهای کاری را توزیع کنید.

سؤال سوم این است: «چگونه آن را انجام دهیم.» در واقع این جادویی‌ترین بخش این شرکت است. وقتی در حال طراحی یک کامپیوتر هستید، به یک سیستم‌عامل نیاز دارید؛ وقتی در حال طراحی یک شرکت هستید، ابتدا باید به این فکر کنید که این شرکت قرار است چه چیزی تولید کند. من نمودارهای سازمانی بسیاری از شرکت‌ها را دیده‌ام و همه‌شان شبیه هم هستند—ساختارهایی شبیه همبرگر، مثل شرکت‌های نرم‌افزاری، مثل شرکت‌های خودروسازی، اما به نظر من این منطقی نیست. هدف یک شرکت تبدیل شدن به ماشینی است که محصولات تولید می‌کند؛ این یک سازوکار و سیستمی است که برای تولید مداوم محصولاتی که می‌خواهیم به کار می‌رود.

ساختار سازمانی یک شرکت باید بازتاب‌دهنده محیطی باشد که در آن فعالیت می‌کند. تا حدی، این همچنین تعیین می‌کند که سازمان چگونه باید عمل کند. تیم تحت سرپرستی مستقیم من حدود ۶۰ نفر است. من با آن‌ها به‌صورت یک‌به‌یک ارتباط برقرار نمی‌کنم چون این غیرممکن است. اگر ۶۰ نفر زیرمجموعه مستقیم داشته باشید و کارهای زیادی برای انجام دادن دارید، نمی‌توانید آن‌ها را از طریق تعاملات یک‌به‌یک به سرانجام برسانید.

لکس فریدمن: اما شما هنوز ۶۰ زیرمجموعه مستقیم دارید؟

جنسن هوانگ: بیش از آن و این افراد عمدتاً پیشینهٔ مهندسی دارند، از جمله متخصصان حافظه، متخصصان پردازنده مرکزی، متخصصان اپتیک، متخصصان پردازنده گرافیکی، معماران و متخصصان الگوریتم و طراحی.

لکس فریدمن: این شگفت‌انگیز است.

جنسن هوانگ: بله

لکس فریدمن: پس شما عملاً بر کل پشته فناوری نظارت داشته‌اید و در بحث‌های عمیق درباره طراحی کلی شرکت کرده‌اید؟

جنسن هوانگ: و ما جلسات یک‌به‌یک نداریم. ما یک سؤال مطرح می‌کنیم و سپس همه با هم آن را حل می‌کنند. چون ما طراحی مشارکتی شدید انجام می‌دهیم، شرکت هر روز این کار را انجام می‌دهد.

لکس فریدمن: پس حتی اگر در مورد یک مؤلفهٔ خاص مثل خنک‌سازی یا شبکه‌سازی صحبت می‌کنید، همه درگیر هستند؟

جنسن هوانگ: بله، دقیقاً درست است.

لکس فریدمن: هر کسی می‌تواند بگوید: «این راه‌حل برای قدرت کار نمی‌کند»، «این برای حافظه کار نمی‌کند»؟

جنسن هوانگ: درست است. هر کسی که بخواهد شرکت کند، شرکت می‌کند و کسانی که نمی‌خواهند می‌توانند انصراف دهند. اما همه اعضای تیم می‌دانند چه زمانی باید شرکت کنند. اگر مشکلی پیش بیاید که کسی باید مشارکت می‌کرد اما نکرد، من او را دعوت می‌کنم تا بپیوندد.

لکس فریدمن: پس انویدیا چگونه با تغییر محیط‌ها تکامل یافته است؟ از تولید اولیه پردازنده‌های گرافیکی مخصوص بازی تا یادگیری عمیق و اکنون «کارخانه هوش مصنوعی» — این گذار چگونه رخ داد؟

جنسن هوانگ:

این را می‌توان به‌طور منطقی استنتاج کرد. ما کارمان را به‌عنوان یک شرکت شتاب‌دهنده آغاز کردیم. با این حال، مشکل شتاب‌دهنده‌ها این است که کاربردشان بسیار محدود است. نقطه قوت آن‌ها در بهینه‌سازی بالا است، مانند همه سیستم‌های تخصصی، اما مشکل این است که هرچه تخصصی‌تر باشند، بازار محدودتر می‌شود. خودِ این مسئله، بزرگ‌ترین مشکل نیست. جنبهٔ مهم‌تر این است که اندازهٔ بازار، قابلیت‌های تحقیق و توسعهٔ شما را تعیین می‌کند و در نهایت، نفوذ شما را در حوزهٔ محاسبات مشخص می‌سازد.

پس وقتی در ابتدا شتاب‌دهنده را راه‌اندازی کردیم، می‌دانستیم که این فقط گام اول بود. ما مجبور بودیم راهی به سوی آنچه «محاسبات شتاب‌یافته» می‌نامیدیم پیدا کنیم. اما مشکل اینجاست که وقتی به یک شرکت رایانش تبدیل می‌شوید، بیش از حد عمومی می‌شوید و بدین ترتیب توانایی تخصصی‌تان تضعیف می‌شود. من عمداً این دو واژه پرتنش را کنار هم قرار دادم: رایانش در مقابل تخصصی هرچه بیشتر شبیه یک شرکت رایانه‌ای به نظر برسید، کمتر شبیه یک سیستم تخصصی به نظر می‌رسید؛ هرچه تخصصی‌تر باشید، پوشش دادن کل چشم‌انداز رایانه‌ای دشوارتر می‌شود.

بنابراین شرکت‌ها باید مسیری بسیار باریک را بیابند، به‌تدریج مرزهای توان محاسباتی را گسترش دهند و در عین حال اصلی‌ترین قابلیت تخصصی خود را از دست ندهند.

اولین گام ما اختراع شیدر پیکسل قابل برنامه‌ریزی بود که نخستین گام در مسیر «قابل برنامه‌ریزی بودن» بود. گام دوم، ما FP32 را در شیدر قرار دادیم که یک نقطهٔ شناور تک‌دقت مطابق با استاندارد IEEE است؛ گامی حیاتی که باعث شد بسیاری از کسانی که روی پردازنده‌های جریانی و محاسبات جریان داده کار می‌کنند، متوجه ما شوند. آنها شروع کردند به درک این موضوع که این پردازنده گرافیکی بسیار توانمند و منطبق با استانداردها می‌تواند به‌طور بالقوه برای محاسبات عمومی مورد استفاده قرار گیرد. پس آنها شروع کردند به تلاش برای انتقال نرم‌افزاری که در ابتدا برای CPU نوشته شده بود به GPU.

سپس زبان C را بر پایه FP32 معرفی کردیم و Cg را شکل دادیم که بعدها به CUDA تکامل یافت. قرار دادن CUDA روی GeForce تصمیمی بسیار حیاتی بود، اما شرکت در آن زمان واقعاً توان پرداخت هزینه‌های آن را نداشت. دلیل اینکه ما هنوز این کار را انجام دادیم این بود که می‌خواستیم به یک شرکت رایانه‌ای تبدیل شویم. و یک شرکت رایانه‌ای باید معماری محاسباتی یکپارچه‌ای داشته باشد که در تمامی تراشه‌ها سازگار باقی بماند.

تصمیمی که یک‌بار شرکت را تا آستانه ورشکستگی پیش برد، کل دوران هوش مصنوعی را حفظ کرد.

لکس فریدمن: می‌توانید دربارهٔ آن تصمیم صحبت کنید؟ در آن زمان که هزینه به‌وضوح غیرقابل‌پرداخت بود، چرا باز هم CUDA را روی GeForce قرار دادید؟

جنسن هوانگ: این تصمیم نزدیک به «مرگ و زندگی» بود. می‌توانم بگویم این اولین تصمیم استراتژیک ما بود که به یک «تهدید وجودی» نزدیک بود.

لکس فریدمن: برای کسانی که شاید ندانند، بعدها ثابت شد که این یکی از بزرگ‌ترین تصمیم‌ها در تاریخ شرکت بود. CUDA به پلتفرم محاسباتی اصلی کل زیرساخت هوش مصنوعی تبدیل شد.

جنسن هوانگ:

بله، بعداً ثابت شد که این تصمیم درستی بود. منطق در آن زمان این بود: ما CUDA را اختراع کردیم که دامنهٔ کاربردهای شتاب‌دهندهٔ ما را گسترش داد. اما سؤال این بود که چگونه توسعه‌دهندگان را جذب می‌کنید؟ چون هسته‌ی یک پلتفرم محاسباتی توسعه‌دهندگان هستند و توسعه‌دهندگان صرفاً به این دلیل که یک پلتفرم «جالب» است، جذب نمی‌شوند؛ آن‌ها پلتفرم‌هایی را انتخاب می‌کنند که استقرار قابل‌توجهی داشته باشند.

نرخ پذیرش مهم‌ترین عامل است. توسعه‌دهندگان، مانند همهٔ افراد دیگر، می‌خواهند نرم‌افزارشان به کاربران بیشتری برسد. بنابراین، نرخ پذیرش یک عامل تعیین‌کننده کلیدی برای موفقیت است. ممکن است یک معماری به‌شدت مورد انتقاد قرار گیرد، مانند x86 که غیرشیک تلقی می‌شود، اما به‌دلیل پذیرش گسترده، همچنان معماری غالب امروز است.

در مقابل، بسیاری از معماری‌های RISC توسط برجسته‌ترین دانشمندان کامپیوتر با ظرافت طراحی شدند اما در نهایت شکست خوردند. این یک نکته را نشان می‌دهد: نرخ پذیرش معماری را تعیین می‌کند و همه چیز دیگر ثانویه است.

در آن زمان، CUDA با رقبایی مانند OpenCL و غیره مواجه بود. تصمیم کلیدی ما این بود: از آنجا که نرخ پذیرش از اهمیت بالایی برخوردار است، باید راهی پیدا کنیم تا این معماری جدید را به سرعت به بازار عرضه کنیم.

در آن زمان، GeForce پیش از آن بسیار موفق بود و سالانه میلیون‌ها پردازنده گرافیکی عرضه می‌کرد. پس تصمیم گرفتیم CUDA را در هر کارت گرافیک GeForce تعبیه کنیم و آن را بخشی از هر رایانه شخصی کنیم، چه کاربران از آن استفاده کنند یا نکنند. این سریع‌ترین راه برای افزایش پذیرش بود.

به طور همزمان، ما به دانشگاه‌ها رفتیم، کتاب‌های درسی نوشتیم و دوره‌هایی ارائه دادیم تا CUDA را همه‌جا به کار گیریم. در آن دوران، رایانه‌های شخصی پیش از رایانش ابری، پلتفرم‌های محاسباتی اصلی بودند. ما عملاً یک «ابررایانه» را در دست هر دانش‌آموز و هر پژوهشگر قرار دادیم.

با این حال، این امر به‌طور قابل‌توجهی هزینه کارت‌های گرافیک را افزایش داد و تقریباً تمام حاشیه سود ناخالص شرکت را مصرف کرد. در آن زمان، ارزش شرکت حدود شش تا هفت میلیارد دلار برآورد می‌شد. پس از معرفی CUDA، ارزش‌گذاری به دلیل افزایش هزینه‌ها به حدود ۱۵ میلیارد دلار کاهش یافت. ما از یک مرحله بسیار دشوار گذشتیم، اما پایدار ماندیم.

من همیشه می‌گویم انویدیا خانه‌ای است که بر پایهٔ GeForce بنا شده است. زیرا این جی‌فورس بود که CUDA را برای همه آورد. پژوهشگران، دانشمندان و مهندسان همگی CUDA را از طریق GeForce کشف کردند. بسیاری از افراد گیمر بودند، کامپیوترهای شخصی خود را می‌ساختند و در آزمایشگاه‌ها با قطعات کامپیوتر خوشه‌های محاسباتی راه‌اندازی می‌کردند—این نقطهٔ آغاز اوج‌گیری CUDA بود.

لکس فریدمن: و آن سپس به سکوی بنیادین برای انقلاب یادگیری عمیق تبدیل شد.

جنسن هوانگ: دقیقاً، این یک مشاهده بسیار مهم است.

لکس فریدمن: آیا به یاد داری بحث‌های داخلی در آن لحظه تقریباً «زندگی یا مرگ» چگونه پیش رفت؟

جنسن هوانگ: من مجبور شدم به هیئت مدیره توضیح دهم که چه کاری انجام می‌دهیم و تیم مدیریت متوجه شد که حاشیه ناخالص سود ما به‌شدت فشرده خواهد شد. می‌توانید سناریویی را تصور کنید: جی‌فورس هزینهٔ CUDA را پرداخت، اما گیمرها آن را پرداخت نکردند. آنها فقط حاضر بودند قیمت ثابتی بپردازند و چون هزینه‌های شما افزایش یافته بود، حاضر نبودند بیشتر پرداخت کنند.

ما هزینه را ۵۰٪ افزایش دادیم، در حالی که حاشیه سود ناخالص شرکت تنها ۳۵٪ است، بنابراین این تصمیم بسیار دشواری بود. اما می‌توانستیم آینده‌ای را تصور کنیم: CUDA وارد ایستگاه‌های کاری و ابررایانه‌ها می‌شد و در این حوزه‌ها ممکن بود سود بیشتری کسب کنیم. منطقی است که بتوانید خود را متقاعد کنید این امکان‌پذیر است، اما تحقق واقعی آن ده سال طول کشید.

لکس فریدمن: اما این بیشتر دربارهٔ ارتباط با هیئت مدیره است. از دیدگاه شخصی خودتان، چگونه چنین تصمیم «شرط‌بندی روی آینده» را اتخاذ کردید؟ انویدیا همیشه تصمیم‌های جسورانه‌ای گرفته تا آینده را پیش‌بینی کند، حتی آن را تعریف کند. شما چگونه این کار را انجام دادید؟

جنسن هوانگ: اول از همه، من کنجکاوی شدیدی دارم. سپس یک فرایند استدلالی وجود دارد که مرا کاملاً قانع می‌کند که یک نتیجهٔ مشخص حتماً رخ خواهد داد. وقتی واقعاً در ذهنم به چیزی باور دارم، آن نوع آینده بسیار روشن می‌شود، تقریباً غیرممکن است که رخ ندهد. در میانهٔ راه درد زیادی خواهد بود، اما باید به آنچه باور داری ایمان داشته باشی.

لکس فریدمن: پس آیا ابتدا آینده را در ذهنتان می‌سازید و سپس آن را مهندسی می‌کنید؟

جنسن هوانگ:

بله شما دربارهٔ چگونگی رسیدن به آنجا و اینکه چرا باید وجود داشته باشد، استدلال خواهید کرد. ما بارها استدلال خواهیم کرد و تیم مدیریت نیز شرکت خواهد کرد؛ زمان زیادی را صرف این خواهیم کرد.

بعدی یک توانایی بسیار حیاتی است. بسیاری از رهبران ابتدا ساکت می‌مانند و می‌آموزند و سپس روزی ناگهان یک «اعلامیه» صادر می‌کنند، مانند در سال نو، یک تغییر بزرگ، تعدیل نیروی گسترده، بازسازی سازمانی، مأموریت جدید، لوگوی جدید. من این‌طور انجامش نمی‌دهم.

وقتی متوجه می‌شوم چیزی مهم است، فوراً به اطرافیانم می‌گویم: این مهم است و تأثیر خواهد داشت. من قدم‌به‌قدم توضیح خواهم داد. بارها قبلاً تصمیم گرفته‌ام، اما از هر فرصتی—اطلاعات جدید، بینش‌های تازه، پیشرفت‌های مهندسی جدید—برای شکل‌دادن مستمر به درک همه استفاده خواهم کرد.

من هر روز این کار را انجام می‌دهم، با هیئت‌مدیره، با مدیریت و با کارکنان. من پیوسته نظام‌های اعتقادی آن‌ها را شکل می‌دهم. پس وقتی یک روز بگویم «ما قصد داریم ملانوکس را خریداری کنیم»، همه احساس خواهند کرد که این یک تصمیم بدیهی است.

وقتی می‌گویم «ما تمام‌قد وارد یادگیری عمیق می‌شویم»، در واقع مدت‌هاست که زیرساخت‌ها را فراهم کرده‌ام. وقتی آن را اعلام کنم، بسیاری از مردم واقعاً خواهند گفت: «چرا فقط حالا این را می‌گویی؟»

به نوعی این مانند «رهبری از پشت» است، اما در واقع شما از ابتدا در حال شکل‌دادن به اجماع بوده‌اید. شما می‌خواهید همه با هم پیش بروند، نه اینکه ناگهان تصمیمی را اعلام کنید که هیچ‌کس آن را درک نمی‌کند.

لکس فریدمن: و شما فقط شناخت را در داخل شرکت شکل نمی‌دهید، بلکه کل صنعت را شکل می‌دهید.

جنسن هوانگ:

ما در واقع کامپیوترها را مستقیماً نمی‌فروشیم و همچنین خدمات ابری را مستقیماً ارائه نمی‌دهیم. ما یک شرکت پلتفرم محاسباتی هستیم. ما در هر لایه طراحی یکپارچه‌سازی عمودی انجام می‌دهیم، اما در عین حال در هر لایه باز هستیم تا به شرکت‌های دیگر اجازه دهیم آن را در محصولات، خدمات، ابرها و ابررایانه‌های خود ادغام کنند.

پس اگر نتوانم اول کل صنعت را متقاعد کنم، محصولم به بازار عرضه نخواهد شد. به همین دلیل GTC بسیار مهم است—موضوع آن «نمایش آینده» است. وقتی واقعاً محصول را عرضه کنیم، همه خواهند گفت: «چرا فقط حالا این کار را انجام می‌دهید؟»

چرا هوش مصنوعی در حال «سوزاندن پول» بیشتر است؟ چهار نوع مقیاس‌پذیری روی هم انباشته می‌شوند

لکس فریدمن: شما مدت‌هاست که به قانون مقیاس‌بندی باور دارید. آیا هنوز به آن باور دارید؟

توجه: قانون مقیاس‌پذیری، که معمولاً در زبان چینی به آن «قانون مقیاس‌پذیری» گفته می‌شود، به این معناست که وقتی شما به‌طور مداوم برخی متغیرهای کلیدی را افزایش می‌دهید، عملکرد سیستم طبق الگویی نسبتاً پایدار و قابل‌پیش‌بینی بهبود می‌یابد. در هوش مصنوعی، اغلب به این معناست: هرچه مدل بزرگ‌تر، داده‌های بیشتر و قدرت محاسباتی قوی‌تر باشد، قابلیت‌های مدل قوی‌تر خواهد بود.

جنسن هوانگ: البته، و اکنون قوانین مقیاس‌پذیری بیشتری وجود دارد.

لکس فریدمن: شما قبلاً چهار نوع را ذکر کردید: پیش‌آموزش، پس‌آموزش، مرحله استنتاج و مقیاس‌پذیری عامل‌گونه. وقتی به آینده نگاه می‌کنید، چه در کوتاه‌مدت و چه در بلندمدت، واقعاً نگران چه گلوگاه‌های بالقوه‌ای هستید؟ چه مسائلی هستند که به نظرتان باید به آن‌ها رسیدگی شود و حتی شب‌ها شما را بیدار نگه می‌دارند؟

جنسن هوانگ: بیایید نگاهی دوباره به «گلوگاه‌های» ادراک‌شده در گذشته بیندازیم.

در ابتدا، مقیاس‌پذیری پیش‌آموزش مطرح بود، جایی که مردم معتقد بودند داده‌های محدود و باکیفیت، پیشرفت هوش مصنوعی را محدود خواهد کرد. ایلیا سوتسکوور حتی گفت: «داده‌هایمان در حال تمام شدن است»، که باعث ایجاد وحشت در صنعت شد. اما واقعیت چیز دیگری بود. ما به گسترش منابع داده ادامه خواهیم داد که بخش عمده آن داده‌های مصنوعی خواهد بود. در واقع، اطلاعاتی که بین انسان‌ها رد و بدل می‌شود نیز ذاتاً «سنتی» است. شما محتوا تولید می‌کنید، من آن را مصرف می‌کنم، سپس آن را پردازش می‌کنم و منتقل می‌کنم. اکنون هوش مصنوعی می‌تواند از داده‌های واقعی شروع کند، گسترش دهد، بهبود بخشد و حجم زیادی از داده‌ها را تولید کند. بنابراین، مرحله پس از آموزش همچنان در حال گسترش است. محدودیت آیندهٔ آموزش مدل دیگر داده‌ها نخواهد بود، بلکه قدرت محاسباتی خواهد بود.

توجه: ایلیا سوتسکوور یکی از بنیان‌گذاران OpenAI و دانشمند ارشد سابق است؛ او چهره‌ای کلیدی در زمینه یادگیری عمیق است که در پیشرفت‌های مهمی مانند الکس‌نت مشارکت داشته و تأثیر عمیقی بر مدل‌های بزرگ و مقیاس‌پذیری هوش مصنوعی گذاشته است.

مرحله استنتاج بعدی است. بسیاری از مردم قبلاً فکر می‌کردند استنتاج ساده و آموزش دشوار است. اما این در واقع غیرمنطقی است، زیرا استنتاج اساساً «تفکر» است که بسیار دشوارتر از «خواندن» است. آموزش بیشتر شبیه حفظ کردن و تشخیص الگو است، در حالی که استنتاج شامل استدلال، برنامه‌ریزی، جستجو و تجزیه مسئله می‌شود که همگی نیازمند محاسبات زیادی هستند. همان‌طور که مشخص شد، ارزیابی اولیه‌مان درست بود و محاسبه استنتاج بسیار فشرده است.

در ادامه، مقیاس‌پذیری عاملیت‌محور را داریم. ما اکنون نه تنها یک مدل هستیم، بلکه یک «سیستم عامل» هستیم که می‌تواند ابزارها را فراخوانی کند، به پایگاه‌های داده دسترسی پیدا کند و زیرعامل‌ها تولید کند. مشابه یک شرکت، به جای تقویت توانایی یک نفر، گسترش قابلیت‌ها با افزودن اعضا به تیم آسان‌تر است. هوش مصنوعی نیز به همین شکل قادر است به سرعت تکثیر و مقیاس‌پذیر شود. پس، این یک قانون مقیاس‌گذاری جدید است.

این فرایندها یک چرخه را تشکیل می‌دهند: عامل داده‌ها را تولید می‌کند، داده‌ها به پیش‌آموزش بازمی‌گردند، سپس وارد پس‌آموزش می‌شوند، سپس وارد استنتاج می‌شوند، سپس وارد سیستم عامل می‌گردند و به طور مداوم چرخه را تکرار می‌کنند. در نهایت، رشد هوش به یک متغیر اصلی خلاصه می‌شود: قدرت محاسباتی.

لکس فریدمن: اما اینجا یک چالش وجود دارد؛ شما باید این تغییرات را از قبل پیش‌بینی کنید، زیرا مراحل مختلف به سخت‌افزار متفاوتی نیاز دارند، مانند معماری MoE، پَرّندگی و غیره. و چرخهٔ سخت‌افزار چندساله است، بنابراین هر وقت که بخواهید نمی‌توانید آن را تنظیم کنید.

جنسن هوانگ: دقیقاً. معماری مدل‌های هوش مصنوعی تقریباً هر ۶ ماه یک‌بار تغییر می‌کند، در حالی که معماری سیستم‌ها و سخت‌افزار تقریباً هر ۳ سال یک‌بار تغییر می‌کند. پس باید دو تا سه سال آینده را پیش‌بینی کنید. ما سه روش داریم: اول، تحقیقات خود را انجام می‌دهیم، شامل تحقیقات بنیادی و کاربردی، و مدل‌هایمان را می‌سازیم؛ دوم، با تقریباً همه شرکت‌های هوش مصنوعی همکاری می‌کنیم تا چالش‌های آن‌ها را درک کنیم؛ سوم، معماری‌ای به‌اندازه کافی انعطاف‌پذیر می‌سازیم، مانند CUDA، که هم کارآمد و هم انعطاف‌پذیر است.

برای مثال، وقتی MoE عرضه شد، NVLink 72 را معرفی کردیم که می‌تواند مدلی با ۱۰۰ تریلیون پارامتر را طوری اجرا کند که گویی یک GPU واحد است. یک مثال دیگر رک Grace Blackwell و رک Vera Rubin است؛ طراحی‌های آن‌ها کاملاً متفاوت است، زیرا اولی برای استنتاج LLM طراحی شده است، در حالی که دومی برای سیستم‌های عامل طراحی شده است.

توجه: رک Grace Blackwell یک سیستم محاسباتی هوش مصنوعی (AI) یکپارچه از شرکت انویدیا است که برای آموزش و استنتاج مدل‌های بزرگ‌مقیاس عرضه شده است و در آن پردازنده Grace و پردازنده گرافیکی Blackwell از طریق رابط‌های با پهنای‌باند بالا به‌طور عمیق یکپارچه شده‌اند و به‌عنوان واحد محاسباتی اصلی «کارخانه هوش مصنوعی» عمل می‌کنند؛ رک ورا روبین معماری زیرساخت هوش مصنوعی نسل بعدی انویدیا (پس از بلک‌ول) است که با هدف سیستم‌های عامل پیچیده‌تر و سناریوهای استنتاج در مقیاس بزرگ طراحی شده و بر همکاری در سطح سیستم و کارایی انرژی بالاتر تأکید دارد.

لکس فریدمن: اما این طرح‌ها پیش از ظهور کلاود کد، کودکس و اوپن‌کلاو تکمیل شدند. چطور چنین چیزی را پیش‌بینی کردی؟

جنسن هوانگ: در واقع این‌قدر هم سخت نیست، فقط باید استدلال کنید. فرض کنید LLM قرار است به یک «کارمند دیجیتال» تبدیل شود، باید به داده‌های واقعی دسترسی پیدا کند، تحقیق انجام دهد و از ابزارها استفاده کند. پس باید یک سیستم ورودی/خروجی داشته باشد و فراخوانی ابزارها را انجام دهد. برخی می‌گویند هوش مصنوعی نرم‌افزار را جایگزین خواهد کرد، اما این درست نیست. دقیقاً مانند یک ربات، دستش را به چکش یا اسکالپل تبدیل نمی‌کند، بلکه از ابزارها استفاده می‌کند. مشکلی نیست اگر بار اول نحوهٔ استفاده از آن‌ها را نداند؛ می‌تواند دفترچهٔ راهنما را بخواند و سریع یاد بگیرد. پس این قابلیت‌ها اجتناب‌ناپذیرند.

وقتی این‌گونه استدلال می‌کنید، خواهید دید که ما در واقع کامپیوتر را از نو اختراع کرده‌ایم. معماری عامل‌هایی که دو سال پیش در GTC درباره‌شان صحبت کردم، تقریباً دقیقاً با OpenClaw امروزی مطابقت دارد. اهمیت اوپن‌کلاو برای ایجنت‌ها مشابه معنایی است که چت‌جی‌پی‌تی برای هوش مصنوعی مولد دارد.

لکس فریدمن: در واقع، این یک لحظهٔ ویژه است.

جنسن هوانگ: بله

لکس فریدمن: اما در اینجا مسئله‌ای هم وجود دارد؛ وقتی فناوری این‌قدر قدرتمند می‌شود، خطرات امنیتی را نیز به همراه دارد. ما به‌عنوان افراد و به‌عنوان یک جامعه در تلاشیم تعادل را بیابیم.

جنسن هوانگ: بله، ما بلافاصله تعداد زیادی از کارشناسان امنیتی را برای بررسی این موضوع درگیر کردیم. ما سیستمی به نام OpenShell ایجاد کردیم که اکنون در OpenClaw ادغام شده است. در همان زمان، انویدیا همچنین نیموکلا را معرفی کرد.

لکس فریدمن: بله، نصب آن نیز بسیار ساده است و می‌تواند امنیت سیستم را تضمین کند.

جنسن هوانگ: ما یک اصل را پیشنهاد کردیم: در هر لحظه، فرد تنها می‌تواند دو مورد از سه قابلیت را در اختیار داشته باشد—دسترسی به داده‌های حساس، اجرای کد، ارتباط خارجی. اگر هر سه قابلیت به‌طور هم‌زمان وجود داشته باشند، خطرناک است. پس ما امنیت را از طریق این رویکرد «انتخاب دو از سه» تضمین می‌کنیم. علاوه بر این، ما کنترل دسترسی در سطح سازمانی و یک موتور سیاست‌گذاری را گنجانده‌ایم که به شرکت‌ها امکان می‌دهد بر اساس سیستم‌های مجوزدهی خود مدیریت کنند. ما تمام تلاش خود را خواهیم کرد تا OpenClaw را امن‌تر و قابل کنترل‌تر کنیم.

محدودیت هوش مصنوعی الگوریتم نیست، بلکه برق است.

لکس فریدمن: شما همین الان دربارهٔ بسیاری از مسائلی صحبت کردید که زمانی به‌عنوان گلوگاه در گذشته محسوب می‌شدند اما بعداً بر آن‌ها غلبه شد. پس حالا که به آن نگاه می‌کنیم، در آینده‌ای که نمایندگان همه‌جا حضور خواهند داشت، گلوگاه واقعی چیست؟

لکس فریدمن: اما به نظر نمی‌رسد که شما زنجیره تأمین را به‌عنوان نگران‌کننده‌ترین گلوگاه ببینید؟

جنسن هوانگ: چون این مسائل را به‌طور سیستماتیک یکی‌یکی بررسی کرده‌ام، اکنون می‌توانم با آرامش بخوابم. ما از اصول اول استدلال خواهیم کرد: تغییر در معماری سیستم چه مفهومی دارد؟ نرم‌افزار چگونه تغییر خواهد کرد؟ فرآیندهای مهندسی چگونه تغییر خواهند کرد؟ زنجیره تأمین چگونه تغییر خواهد کرد؟ برای مثال، رک NVLink 72 یکپارچه‌سازی ابررایانش را از داخل مرکز داده به لبه زنجیره تأمین منتقل کرد. قبلاً، قطعات برای مونتاژ به مرکز داده تحویل داده می‌شدند، اما اکنون مستقیماً در زنجیره تأمین به سیستم‌های کامل مونتاژ شده و سپس حمل می‌شوند.

این بدان معناست که خود زنجیره تأمین نیازمند قابلیت‌های تولیدی قوی‌تری است، مانند پشتیبانی از تست توان در مقیاس بزرگ. ما حتی نیاز داریم که زنجیره تأمین قابلیت تأمین توان در سطح گیگاوات را برای آزمایش این سیستم‌ها داشته باشد. پس من شخصاً با تأمین‌کنندگان ارتباط برقرار خواهم کرد، به آن‌ها درباره نیازهای آینده خواهم گفت و آن‌ها را وادار خواهم کرد که میلیاردها دلار سرمایه‌گذاری کنند. آنها به من اعتماد دارند و من به آنها اطلاعات و زمان کافی برای درک این تغییرات خواهم داد.

لکس فریدمن: پس، آیا نگران گلوگاه‌های خاصی هستید؟ مثل EUV، ظرفیت بسته‌بندی و غیره؟

جنسن هوانگ: من نیستم. چون به آنها گفته‌ام که به چه چیزی نیاز دارم و آنها به من گفته‌اند که چگونه آن را انجام خواهند داد. من به آنها اعتماد دارم.

لکس فریدمن: حالا بیایید به مسئلهٔ قدرت برگردیم. شما مسئله انرژی را چگونه می‌بینید؟

جنسن هوانگ: مایلم همه به یک واقعیت توجه کنند: شبکهٔ برق ما بر اساس «بدترین سناریو»، مانند اوج تقاضا در شرایط آب‌وهوایی شدید، طراحی شده است. اما در واقع، ۹۹٪ مواقع ما از رسیدن به آن اوج بسیار دور هستیم و بیشتر اوقات شاید تنها حدود ۶۰٪ ظرفیت‌مان را به کار می‌گیریم. این بدان معناست که در بیشتر مواقع شبکهٔ برق ظرفیت خالی زیادی دارد، اما این ظرفیت باید وجود داشته باشد زیرا زیرساخت‌های حیاتی مانند بیمارستان‌ها و فرودگاه‌ها باید در لحظات حساس برق داشته باشند.

پس آنچه من در نظر دارم این است که آیا می‌توانیم سازوکاری طراحی کنیم که وقتی شبکهٔ برق نیاز دارد با تمام ظرفیت کار کند، مراکز داده مصرف برق خود را کاهش دهند؛ و در بیشتر اوقات از این توان مازاد استفاده کنند؟ برای مثال، مراکز داده می‌توانند عملکرد را کاهش دهند، وظایف را جابجا کنند یا حتی در زمان‌های اوج موقتاً خدمات را تنزل دهند. به این ترتیب، می‌توانیم از شبکهٔ برق با کارایی بیشتری استفاده کنیم.

اما مشکل فعلی در سه حوزه قرار دارد: اول، مشتریان خواستار آن هستند که مراکز داده صددرصد در دسترس باشند؛ دوم، طراحی مراکز داده باید از این کاهش پویا پشتیبانی کند؛ و سوم، شرکت‌های برق نیز باید حالت‌های تأمین برق انعطاف‌پذیرتری ارائه دهند. اگر هر سه مورد محقق شوند، می‌توانیم بهره‌وری استفاده از توان را به‌طور قابل‌توجهی بهبود بخشیم.

بنابراین فکر می‌کنم آینده نحوه استفاده ما از کامپیوترها و ساخت مراکز داده نباید صرفاً به دنبال دستیابی به ۱۰۰٪ زمان بهره‌برداری باشد. این قراردادهای بسیار سخت‌گیرانه در واقع فشار زیادی بر شبکه برق وارد می‌کنند، زیرا از شبکه خواسته می‌شود نه تنها تقاضای اوج را تأمین کند، بلکه علاوه بر آن به گسترش خود نیز ادامه دهد. آنچه واقعاً می‌خواهم از آن بهره‌برداری کنم، فقط همان بخش از توان بیکار مازاد است.

لکس فریدمن: این نکته واقعاً به اندازه کافی مورد بحث قرار نگرفته است. به نظر شما در حال حاضر مانع اصلی چیست؟

جنسن هوانگ: من فکر می‌کنم این یک مشکل سه‌گانه است.

اولین مشتری نهایی است. مشتری نهایی از مرکز داده می‌خواهد: شما مطلقاً نباید از دسترس خارج شوید و مطلقاً نباید در دسترس نباشید. به عبارت دیگر، آنچه مشتری انتظار دارد کمال است. و برای دستیابی به این کمال، شما به ژنراتورهای پشتیبان نیاز دارید و تأمین‌کننده شبکه برق نیز باید تقریباً بی‌نقص باشد. بنابراین هر لینک باید برای «شش نُه» تلاش کند.

توجه: «شش نایین» به معنای در دسترس بودن ۹۹٫۹۹۹۹٪ است.

پس فکر می‌کنم اولین کار این است که همه مشتریان و همه مدیران عامل را واقعاً از آنچه در واقع درخواست می‌کنند آگاه کنیم. بسیاری از مواقع، افرادی که این قراردادها را امضا می‌کنند، در واقع فقط کسی از تیم عملیات مرکز داده هستند که از مدیرعامل بسیار دور است. شرط می‌بندم بسیاری از مدیران عامل اصلاً نمی‌دانند این اصطلاحات قراردادی چیستند. من آماده‌ام با همه‌شان صحبت کنم.

این مدیران عامل احتمالاً حتی به امضای این قراردادها هم توجه نمی‌کنند. همه می‌خواهند بهترین قرارداد را امضا کنند که البته قابل درک است. و سپس این الزامات به‌صورت لایه‌به‌لایه به ارائه‌دهندگان ابری منتقل می‌شوند که آن‌ها نیز آن‌ها را به شرکت‌های خدمات عمومی واگذار می‌کنند، بنابراین کل زنجیره خواستار «شش ناین» است. پس اولین گام این است که مشتریان و مدیران عامل را واقعاً به درک آنچه می‌خواهند برسانیم.

نکته دوم این است که ما باید مراکز داده‌ای بسازیم که بتوانند به‌طور شایسته عملکرد خود را کاهش دهند. به عبارت دیگر، اگر شبکه به ما بگوید «باید مصرف توان خود را به ۸۰٪ کاهش دهید»، باید بتوانیم بگوییم «مشکلی نیست.»

ما می‌توانیم بارهای کاری را مجدداً برنامه‌ریزی کنیم. ما اطمینان حاصل می‌کنیم که داده‌ها هرگز از دست نروند، اما می‌توانیم نرخ محاسباتی را کاهش داده و کمی مصرف انرژی کمتری داشته باشیم. کیفیت خدمات کمی کاهش خواهد یافت. برای سنگین‌ترین بارهای کاری، فوراً آن‌ها را به جای دیگری منتقل می‌کنم تا تحت تأثیر قرار نگیرند. پس، هر مرکز داده‌ای که هنوز بتواند ۱۰۰٪ زمان بهره‌برداری را حفظ کند، اجازه دهید بخش حیاتی‌ترین را مدیریت کند.

لکس فریدمن: از دیدگاه مهندسی، تخصیص توان هوشمند و پویا برای مراکز داده تا چه حد چالش‌برانگیز است؟

جنسن هوانگ: تا زمانی که بتوانید مسئله را به‌وضوح تعریف کنید، می‌توانید آن را مهندسی کنید. شما سؤال را به‌طرز استثنایی مطرح کردید. تا زمانی که با قوانین فیزیکی در سطح اصول اولیه‌ هماهنگ باشد، معتقدم می‌توانیم آن را محقق کنیم.

لکس فریدمن: شما همین الان سه چیز را نام بردید، سومین‌شان چه بود؟

جنسن هوانگ: دومین مورد خود مرکز داده است و سومین مورد این است که شرکت‌های خدمات عمومی نیز باید دریابند که این در واقع یک فرصت است.

آنها همیشه نمی‌توانند بگویند: «شما باید پنج سال صبر کنید تا من شبکه را تا آن سطح ظرفیت گسترش دهم.» اگر مایل باشید آن سطح تضمین برق را بپذیرید، می‌توانم ماه آینده واقعاً برق را با آن قیمت در اختیارتان قرار دهم.

پس اگر شرکت‌های خدمات عمومی بتوانند تعهدات تأمین برق چندلایه بیشتری ارائه دهند، فکر می‌کنم بازار خود به خود راه‌حل‌های متناسبی پیدا خواهد کرد. در حال حاضر اتلاف زیادی در شبکهٔ برق وجود دارد و ما باید از آن بهره ببریم.

لکس فریدمن: شما پیش‌تر توانایی ایلان ماسک را در ساخت ابررایانه کلوسوس در ممفیس به‌شدت ستودید. به نظر شما چه چیزی در رویکرد او ارزش یادگیری دارد؟

جنسن هوانگ: ایلان در حوزه‌های بسیار گسترده‌ای فعالیت دارد، اما او یک اندیشمند سیستم بسیار قوی است. او پیوسته می‌پرسد: آیا این واقعاً ضروری است؟ آیا باید این‌گونه انجام شود؟ چرا اینقدر طول می‌کشد؟ او سیستم را تا حداقل پیچیدگی لازم فشرده می‌کند، در حالی که قابلیت‌های اصلی را حفظ می‌کند.

او همچنین بسیار فعال و دخیل است؛ هر جا مشکلی باشد، به آنجا می‌رود. او برای پیشبرد واقعی امور، بسیاری از «قواعد» و «روندها» را می‌شکند. علاوه بر این، حس فوریت او در سراسر زنجیره تأمین نفوذ کرده است. او باعث می‌شود همه تأمین‌کنندگان اولویت را به او بدهند، که این امر حیاتی است.

لکس فریدمن: آیا در هم‌طراحی انویدیا رویکرد مشابهی دارید؟

جنسن هوانگ: خودِ هم‌طراحی، عالی‌ترین شکل مهندسی سیستم‌هاست. ما همچنین مفهومی به نام «تفکر با سرعت نور» داریم. این فقط سرعت نیست، این محدودیت فیزیکی است. ما همه مسائل را با محدودیت‌های فیزیکی ملاک قرار می‌دهیم: سرعت حافظه، سرعت پردازش، مصرف انرژی، هزینه، زمان، چرخه تولید و غیره. ما ابتدا می‌پرسیم: در حد فیزیکی، چه چیزی قابل دستیابی است؟ و سپس در واقعیت مصالحه‌هایی انجام دهید.

من واقعاً رویکرد «بهینه‌سازی مداوم» را دوست ندارم. اگر یک فرایند در حال حاضر ۷۴ روز طول بکشد و کسی بگوید می‌توان آن را به ۷۲ روز بهینه‌سازی کرد، من کاملاً آن را نمی‌پذیرم. ترجیح می‌دهم از صفر شروع کنم و بپرسم: چرا ۷۴ روز است؟ اگر از صفر شروع کنیم، اکنون چقدر سریع می‌توان آن را انجام داد؟ بسیاری از مواقع پاسخ ممکن است ۶ روز باشد. سپس می‌فهمی چرا ۶۸ روز باقی‌مانده وجود دارند.

لکس فریدمن: در چنین سیستم پیچیده‌ای، آیا اصل «سادگی» هنوز هم مهم است؟

جنسن هوانگ: البته آنچه ما دنبال می‌کنیم «پیچیدگی ضروری» و «سادگی در هر جا که ممکن باشد» است. ما باید پیوسته بپرسیم: آیا این پیچیدگی ضروری است؟ اگر نه، آن را حذف کن.

لکس فریدمن: اما سیستم شما از قبل فوق‌العاده پیچیده است، مانند پاد ورا روبین، با تریلیون‌ها ترانزیستور و هزاران پردازنده گرافیکی.

جنسن هوانگ: بله، این پیچیده‌ترین سیستم کامپیوتری در جهان است.

لکس فریدمن: این خیلی جالب است. شما اخیراً از چین بازدید کردید. پس خیلی کنجکاوم از شما یک سؤال بپرسم: رشد شگفت‌انگیز چین در صنعت فناوری طی دهه گذشته چشمگیر بوده است. چگونه می‌بینید که آن‌ها این‌همه شرکت‌های سطح‌جهانی، تیم‌های مهندسی سطح‌جهانی و چنین اکوسیستم فناوری‌ای را می‌سازند که در مدت‌زمان کوتاهی به‌طور مداوم محصولات شگفت‌انگیزی تولید می‌کند؟

جنسن هوانگ:

دلایل زیادی وجود دارد. بیایید با چند واقعیت اساسی شروع کنیم. در سطح جهانی، تقریباً نیمی از پژوهشگران هوش مصنوعی چینی هستند و بیشتر آن‌ها هنوز در چین هستند. ما اینجا هم تعداد زیادی داریم، اما خود چین هنوز هم تعداد زیادی پژوهشگر برجسته دارد. صنعت فناوری چین در زمان حساسی ظهور کرد—عصر اینترنت همراه و رایانش ابری. مسیر اصلی مشارکت آن‌ها نرم‌افزار است و این کشور پایهٔ بسیار محکمی در آموزش علوم و ریاضیات دارد؛ جوانان آن بسیار تحصیل‌کرده‌اند. آنها که در عصر نرم‌افزار بزرگ شده‌اند، با سیستم‌های نرم‌افزاری مدرن بسیار آشنا هستند.

علاوه بر این، چین یک واحد اقتصادی واحد نیست، بلکه از استان‌ها و شهرهای متعددی تشکیل شده است که با یکدیگر رقابت می‌کنند. به همین دلیل است که شما تعداد زیادی شرکت خودروهای انرژی نو، شرکت‌های متعدد هوش مصنوعی و تقریباً در هر صنعتی شرکت‌های زیادی را می‌بینید که همزمان کارهای مشابهی انجام می‌دهند. این رقابت داخلی بسیار شدید است و معمولاً تنها شرکت‌های ممتاز دوام می‌آورند.

علاوه بر این، فرهنگ اجتماعی آن‌ها «خانواده در اولویت اول، دوستان در اولویت دوم، شرکت در اولویت سوم» است. در این ساختار، تبادل اطلاعات بین شرکت‌های مختلف بسیار مکرر است و اساساً یک محیط باز و بلندمدت ایجاد می‌کند. بنابراین، سرمایه‌گذاری بیشتر آن‌ها در نرم‌افزار متن‌باز به‌طور طبیعی دنبال می‌شود، زیرا آن‌ها ذاتاً فکر می‌کنند: «واقعاً چه چیزی را محافظت می‌کنیم؟» در میان مهندسان همپوشانی قابل‌توجهی در روابط وجود دارد—خویشاوندان، دوستان، هم‌کلاسی‌ها، که «هم‌کلاسی‌ها» تقریباً رابطه‌ای مادام‌العمر هستند. این انتشار سریع دانش، نرم‌افزار متن‌باز را کارآمدتر می‌کند، زیرا انگیزهٔ قوی مالکیتی در خود فناوری وجود ندارد. جامعه متن‌باز فرایند نوآوری را بیش‌تر تقویت و تسریع می‌کند.

پس خواهید دید که ترکیب استعدادهای برتر، نوآوری سریع مبتنی بر متن‌باز، روابط بسیار به‌هم‌پیوسته و رقابت شدید در نهایت نتایج فنی بسیار قدرتمندی را به بار می‌آورد. از این منظر، چین در حال حاضر نوآورترین کشور جهان است. در پس همه این‌ها عوامل بنیادی قرار دارند: نظام آموزشی، تأکید بر یادگیری در خانواده‌ها، ساختار فرهنگی و موقعیت خوش‌یمن در یک پنجره کلیدی از توسعه تصاعدی فناوری.

لکس فریدمن: از نظر فرهنگی، مهندس بودن خیلی باحال است.

جنسن هوانگ: بله، این یک کشور مهندس‌گونه است. بسیاری از رهبران در ایالات متحده پیشینه حقوقی دارند که برای حاکمیت و ثبات نهادی است؛ در حالی که بسیاری از رهبران در چین خود مهندسان برجسته‌ای هستند.

لکس فریدمن: شما قبلاً به نرم‌افزار متن‌باز اشاره کردید و می‌خواهم در این زمینه عمیق‌تر شوم. شما همیشه برای Perplexity ارزش زیادی قائل بوده‌اید.

جنسن هوانگ: من عاشقش هستم.

لکس فریدمن: همچنین از اینکه Nemotron 3 Super، یک مدل MoE با ۱.۲ تریلیون پارامتر، را متن‌باز کردید سپاسگزاریم؛ این مدل اکنون در Perplexity قابل استفاده است. چگونه اهمیت بلندمدت متن‌باز را می‌بینید؟ شرکت‌هایی مانند دیپ‌سیک و مینی‌مکس چین، پیشران هوش مصنوعی متن‌باز هستند و انویدیا نیز در حال کار بر روی مدل‌های متن‌باز نزدیک به پیشرفته‌ترین سطح (near-SOTA) است. ارزیابی کلی شما چیست؟

جنسن هوانگ: ابتدا، اگر قرار است یک شرکت محاسباتی هوش مصنوعی عالی باشیم، باید درک کنیم که مدل‌ها چگونه تکامل یافته‌اند. آنچه واقعاً در مورد Nemotron 3 دوست دارم این است که این یک ترانسفورماتور خالص نیست، بلکه ترکیبی از ترانسفورماتور و SSM است. ما همچنین در ترسیم مسیرها برای GANهای شرطی و GANهای پیش‌رونده پیشگام بوده‌ایم که به تدریج به دیفیوژن تبدیل شده‌اند. همین انباشت در معماری مدل و پژوهش‌های بنیادی است که به ما امکان می‌دهد از همان ابتدا پیش‌بینی کنیم مدل‌های آینده به چه نوع سیستم‌های محاسباتی نیاز خواهند داشت. خودِ این، بخشی از «هم‌طراحی افراطی» ماست.

ثانیاً، از یک سو، ما نیاز داریم که مدل‌های در سطح جهانی را به عنوان محصول داشته باشیم که می‌توانند اختصاصی باشند؛ اما از سوی دیگر، ما همچنین امیدواریم که هوش مصنوعی در تمام صنایع، کشورها، پژوهشگران و دانشجویان گسترش یابد. اگر همه چیز مسدود شود، انجام پژوهش و نوآوری بیشتر بر این اساس دشوار خواهد بود. بنابراین، برای بسیاری از صنایع، متن‌باز شرط لازم برای مشارکت در انقلاب هوش مصنوعی است. انویدیا از مقیاس و انگیزه لازم برای ساخت مداوم این مدل‌ها در بلندمدت برخوردار است، و ما همچنین توانایی هدایت کل اکوسیستم برای مشارکت دادن افراد بیشتر را داریم.

نکته سوم این است که هوش مصنوعی فقط زبان نیست. هوش مصنوعی آینده به ابزارها و زیرمدل‌ها متکی خواهد بود و شامل حوزه‌های مختلفی مانند زیست‌شناسی، شیمی، فیزیک، سیالات و ترمودینامیک خواهد شد که همگی به شکل زبان وجود ندارند. بنابراین، باید تلاش‌های مستمری برای پیشبرد حوزه‌هایی مانند هوش مصنوعی آب و هوا، هوش مصنوعی زیستی، هوش مصنوعی فیزیک و غیره صورت گیرد و همواره به مرزهای دانش نزدیک شد. ما خودرو نمی‌سازیم، اما امیدواریم که هر خودروساز بتواند از بهترین مدل‌ها استفاده کند؛ ما در توسعه دارو دخیل نیستیم، اما امیدواریم که شرکت‌هایی مانند جیلیاد بتوانند بهترین سیستم هوش مصنوعی زیستی را داشته باشند.

بنابراین، با در نظر گرفتن وسعت هوش مصنوعی، محبوبیت آن و تکامل مشترک هوش مصنوعی و معماری رایانش، منبع باز ضروری است.

لکس فریدمن: بار دیگر از شما برای متن‌باز کردن Nemotron 3 سپاسگزارم.

جنسن هوانگ: ما نه تنها مدل را متن‌باز کرده‌ایم، بلکه وزن‌ها، داده‌ها و روش‌های ساخت آن را نیز متن‌باز کرده‌ایم.

لکس فریدمن: واقعاً شگفت‌انگیز

جنسن هوانگ: متشکرم

لکس فریدمن: شما در تایوان، چین متولد شده‌اید و همکاری طولانی‌مدتی با TSMC داشته‌اید. مایلم بپرسم، شما فرهنگ TSMC را چگونه درک می‌کنید و چگونه به چنین موفقیت منحصربه‌فردی دست یافته است؟

جنسن هوانگ: بزرگ‌ترین سوءتفاهمی که افراد خارج از شرکت درباره TSMC دارند این است که هسته‌ی اصلی آن تنها فناوری است. البته فناوری آن‌ها واقعاً بسیار قوی است، از جمله ترانزیستورها، لایه‌های فلزی، بسته‌بندی پیشرفته، بسته‌بندی سه‌بعدی و فوتونیک سیلیکونی. اما آنچه واقعاً آن‌ها را متمایز می‌کند، توانایی‌های هماهنگی آن‌ها در پاسخ به نیازهای کل صنعت است.

آنها باید به‌طور همزمان به نیازهای همواره در حال تغییر صدها مشتری جهانی رسیدگی کنند: افزایش یا کاهش سفارش‌ها، تغییر مشتری، افزودنی‌های اضطراری، توقف تولید، راه‌اندازی مجدد و غیره. با وجود چنین محیط بسیار پویایی، آن‌ها همچنان قادر به حفظ نرخ جریان بالا، بازده بالا، هزینه پایین و سطح خدمات بسیار بالا هستند.

آنها تعهدات را بسیار جدی می‌گیرند. وقتی می‌گویند یک ویفر در زمان مشخصی تحویل داده خواهد شد، حتماً تحویل داده می‌شود و این موضوع مستقیماً بر عملیات شرکت‌های مشتری تأثیر می‌گذارد. بنابراین، خود سیستم تولید آن‌ها را می‌توان معجزه نامید.

نکته دوم فرهنگ است. از یک سو، آنها همچنان مرزهای فناوری را پیش می‌برند و از سوی دیگر، بسیار مشتری‌محور هستند. بسیاری از شرکت‌ها تنها می‌توانند یکی از این دو را به‌خوبی انجام دهند، اما آن‌ها توانسته‌اند هر دو را در سطح جهانی به انجام برسانند.

نقطه سوم یک دارایی نامشهود است: اعتماد. این خیلی مهم است. من می‌توانم شرکت خود را کاملاً بر پایهٔ شرکت آن‌ها بسازم و این اعتماد از طریق همکاری‌های بلندمدت به دست آمده است.

لکس فریدمن: این اعتماد هم از همکاری‌های بلندمدت و هم از روابط بین‌فردی ناشی می‌شود.

جنسن هوانگ: بله ما سی سال است که با هم همکاری می‌کنیم، در معاملاتی به ارزش ده‌ها و شاید صدها میلیارد دلار، اما حتی یک قرارداد هم بین ما وجود ندارد.

لکس فریدمن: واقعاً شگفت‌انگیز. می‌گویند در سال ۲۰۱۳، موریس چانگ، بنیان‌گذار TSMC، از شما دعوت کرد تا مدیرعامل شوید، اما شما رد کردید. آیا این درست است؟

جنسن هوانگ: این درست است. من بسیار مفتخر بودم، اما در آن زمان کاملاً روشن بود که آنچه انویدیا انجام می‌داد فوق‌العاده مهم بود. من دیده بودم که در آینده چه خواهد شد و چه تأثیری می‌تواند داشته باشد. مسئولیت من بود و باید آن را به انجام می‌رساندم. پس من رد کردم، نه به این دلیل که فرصت مهم نبود، بلکه به این دلیل که نمی‌توانستم از آن دست بکشم.

لکس فریدمن: من فکر می‌کنم انویدیا و TSMC هر دو از بزرگ‌ترین شرکت‌های تاریخ بشر هستند.

جنسن هوانگ: متشکرم

لکس فریدمن: من باید یک سؤال بپرسم. با استفاده از واژه‌های رایج در صنعت فناوری، بزرگ‌ترین «خندق» شما چیست؟ یعنی چه مزیت اصلی‌ای به شما کمک می‌کند تا رقبا را دور نگه دارید؟

جنسن هوانگ:

در اصل، مقیاس پلتفرم محاسباتی ما همان پایگاه نصب‌شده‌ی CUDA است. بیست سال پیش ما از این مزیت برخوردار نبودیم، اما امروز اوضاع کاملاً متفاوت است. حتی اگر کسی فناوری مشابه CUDA را توسعه دهد، تغییر چشم‌انداز فعلی دشوار خواهد بود. زیرا کلید هرگز صرفاً خود فناوری نبوده، بلکه مزیت سیستمی است که از سرمایه‌گذاری بلندمدت، تکرار مداوم و گسترش پیوسته شکل می‌گیرد.

موفقیت CUDA توسط تعداد اندکی از افراد به دست نیامد، بلکه نتیجه کار مشترک ۴۳٬۰۰۰ کارمند و میلیون‌ها توسعه‌دهنده بود. توسعه‌دهندگان به دلیل باور به اینکه ما این پلتفرم را در درازمدت حفظ کرده و به پیشبرد توسعه آن ادامه خواهیم داد، انتخاب می‌کنند روی CUDA توسعه دهند. بنابراین، خود «پایگاه نصب‌شده» مهم‌ترین مزیت است.

وقتی این مزیت مقیاسی با سرعت اجرای ما ترکیب می‌شود، مانعی قوی‌تر ایجاد می‌کند. به‌طور تاریخی، تعداد کمی از شرکت‌ها توانسته‌اند چنین سیستم پیچیده‌ای را با این سرعت بسازند، چه رسد به اینکه آن را به‌طور مداوم و سالانه تکرار کنند.

از دیدگاه یک توسعه‌دهنده، اگر تصمیم بگیرید از CUDA پشتیبانی کنید، می‌توانید انتظار داشته باشید که شش ماه بعد قدرتمندتر باشد و در عین حال به صدها میلیون دستگاه در سراسر جهان دسترسی پیدا کنید که تمام پلتفرم‌های ابری، تقریباً همه صنایع و کشورهای مختلف را پوشش می‌دهند. اگر یک پروژه را متن‌باز کنید و پشتیبانی از CUDA را در اولویت قرار دهید، نه تنها مقیاس‌پذیری را به دست می‌آورید، بلکه سرعت رشد را نیز افزایش می‌دهید.

علاوه بر این، جنبه «اعتماد» نیز مطرح است، جایی که توسعه‌دهندگان معتقدند انویدیا این اکوسیستم را در درازمدت حفظ خواهد کرد. اگر من توسعه‌دهنده بودم، اولویت را به انتخاب CUDA می‌دادم.

مزیت دوم اکوسیستم ماست. ما به‌طور عمودی به‌شدت در سیستم محاسباتی یکپارچه شده‌ایم و به‌طور افقی در تقریباً تمام لایه‌های محصول شرکت‌های مختلف تعبیه شده‌ایم. ما در گوگل کلاود، آمازون، آژور و همچنین در پلتفرم‌های ابری جدید مانند CoreWeave حضور داریم و ابررایانه‌ها، سیستم‌های سازمانی، دستگاه‌های لبه، خودروها، ربات‌ها، ماهواره‌ها و حتی فضا را پوشش می‌دهیم.

به عبارت دیگر، یک معماری محاسباتی یکپارچه که تقریباً در هر صنعتی نفوذ کرده است.

لکس فریدمن: پس با توسعه کارخانه‌های هوش مصنوعی، این مزیت نصب CUDA چگونه تکامل خواهد یافت؟ آیا انویدیا در آینده اساساً به یک «شرکت کارخانه‌ای هوش مصنوعی» تبدیل خواهد شد؟

جنسن هوانگ: در گذشته واحد محاسباتی ما GPU بود؛ بعداً به یک کامپیوتر کامل تبدیل شد، سپس به یک خوشه؛ اکنون یک کارخانهٔ کامل هوش مصنوعی است. در گذشته، وقتی محصولی از نسل جدید مانند «معرفی امپِر امروز» را عرضه می‌کردم، یک تراشه را بالا می‌گرفتم. آن در آن زمان «مدل ذهنی» من بود. اما امروز متفاوت است. بالا گرفتن یک تراشه تا حدی «بامزه» شده است—دیگر نمایانگر آنچه ما واقعاً ساخته‌ایم نیست.

اکنون مدل در ذهن من یک سیستم عظیم است: به شبکه متصل می‌شود، دارای تولید برق، سیستم‌های خنک‌کنندگی، ساختارهای شبکه‌ای فوق‌العاده پیچیده، ده‌ها هزار نفر برای نصب در محل و ده‌ها هزار مهندس پشت صحنه است. راه‌اندازی چنین سیستمی با فشردن یک دکمه امکان‌پذیر نیست؛ بلکه نیازمند همکاری هزاران نفر است.

لکس فریدمن: پس وقتی حالا به «یک واحد محاسباتی» فکر می‌کنید، در واقع دارید به مجموعه‌ای کامل از رک‌ها، یک پود، فکر می‌کنید، نه یک تراشهٔ واحد؟

جنسن هوانگ: این کل زیرساخت است. و امیدوارم که جهش شناختی بعدی‌ام این باشد که عمل «ساختن یک کامپیوتر» را به‌عنوان مسئله‌ای در مقیاس سیاره‌ای درک کنم. این گام بعدی خواهد بود.

لکس فریدمن: آیا فکر می‌کنید انویدیا در آینده می‌تواند به ارزش بازار یک تریلیون دلاری دست یابد؟ یا اگر از زاویه‌ای متفاوت به آن نگاه کنیم، اگر چنین اتفاقی بیفتد، دنیا چگونه خواهد بود؟

جنسن هوانگ: من معتقدم رشد انویدیا بسیار محتمل است و از نظر من اجتناب‌ناپذیر است. اجازه دهید دلیل را توضیح دهم.

ابتدا، ما در حال حاضر یکی از بزرگ‌ترین شرکت‌های رایانش در تاریخ هستیم. این به تنهایی ارزش تأمل دارد: چرا چنین است؟

دو دلیل وجود دارد که هر دو تغییرات بنیادین در فناوری هستند.

ابتدا، تحولی در پارادایم محاسباتی رخ داده است. رایانش گذشته اساساً یک «سامانه بازیابی» بود. ما محتوا را از پیش نوشتیم، ضبط کردیم، فایل‌ها را تولید کردیم و سپس این محتوا را از طریق یک سیستم پیشنهاددهنده یا سیستم جستجو بازیابی کردیم. به عبارت دیگر، این یک سیستم «پیش‌تولیدشده توسط انسان + بازیابی فایل» بود. اکنون محاسبات هوش مصنوعی مبتنی بر زمینه است و نیازمند پردازش بلادرنگ و تولید توکن می‌باشد. ما از «محاسبات مبتنی بر بازیابی» به «محاسبات مبتنی بر تولید» منتقل شده‌ایم.

در سیستم قدیمی به فضای ذخیره‌سازی زیادی نیاز داشتیم؛ در سیستم جدید به توان محاسباتی زیادی نیاز داریم. بنابراین، نیاز محاسباتی به‌طور قابل‌توجهی افزایش خواهد یافت. تنها سناریویی که می‌تواند این روند را تغییر دهد، این است که این محاسبهٔ تولیدکننده ناکارآمد از آب درآید. اما در ده تا پانزده سال گذشته در پژوهش‌های یادگیری عمیق و پیشرفت‌های اخیر در پنج سال گذشته، بیش از هر زمان دیگری مطمئن هستم.

دومین تغییر این است که نقش کامپیوترها در جهان تغییر کرده است. در گذشته، کامپیوترها بیشتر شبیه یک انبار بودند؛ اکنون، آنها بیشتر شبیه یک کارخانه هستند. یک انبار به خودی خود مستقیماً درآمدزایی نمی‌کند، در حالی که یک کارخانه مستقیماً به درآمد مرتبط است. کامپیوترها دیگر صرفاً سیستم‌های ذخیره‌سازی نیستند، بلکه سیستم‌های تولید هستند. کالاهایی که تولید می‌کند توکن هستند. و این توکن‌ها توسط گروه‌های مختلف مردم مصرف می‌شوند و مانند آیفون لایه‌هایی را نشان می‌دهند: رایگان، رده‌بالا و میان‌رده.

هوش به طور بنیادین به یک محصول مقیاس‌پذیر تبدیل شده است. در آینده به‌زودی وضعیتی پیش خواهد آمد که کسی حاضر باشد برای هر یک میلیون توکن، ۱۰۰۰ دلار بپردازد. مسئله این نیست که آیا این اتفاق خواهد افتاد، بلکه صرفاً مسئله زمان است.

پس سؤال این می‌شود: جهان به چند «کارخانه هوش مصنوعی» نیاز دارد؟ چند توکن لازم است؟ جامعه چقدر حاضر است برای این توکن‌ها بپردازد؟ اگر در نتیجه بهره‌وری به‌طور قابل‌توجهی افزایش یابد، چه تغییراتی در اقتصاد جهانی رخ خواهد داد؟ آیا ما داروهای جدید، محصولات جدید و خدمات جدید را کشف خواهیم کرد؟

وقتی همه این عوامل را با هم در نظر می‌گیرید، من بسیار مطمئن هستم: تولید ناخالص داخلی جهانی شتاب خواهد گرفت. در عین حال، سهم هزینه‌های محاسباتی به مراتب بیشتر از گذشته خواهد بود.

در این زمینه، با بازگشت به انویدیا: نقش ما در این اقتصاد جدید بسیار بزرگ‌تر از وضعیت فعلی خواهد بود. در مورد اعداد، مانند اینکه آیا امکان رسیدن به درآمد ۳ تریلیون دلاری در آینده وجود دارد؟ پاسخ البته ممکن است. زیرا این توسط هیچ محدودیت فیزیکی آشکاری محدود نشده است.

زنجیره تأمین انویدیا توسط ۲۰۰ شرکت که با یکدیگر همکاری می‌کنند پشتیبانی می‌شود و ما در سراسر اکوسیستم در حال گسترش هستیم. تنها محدودیت واقعی: انرژی است. و من معتقدم که مسئله انرژی در نهایت قابل حل است.

پس، این اعداد خودشان فقط «اعداد» هستند. به یاد دارم وقتی انویدیا برای اولین بار درآمدش از یک میلیارد دلار گذشت، کسی به من گفت: «یک شرکت نیمه‌رسانا بدون کارخانه نمی‌تواند از یک میلیارد دلار فراتر رود.» بعداً، شخص دیگری گفت: «شما نمی‌توانید از ۲۵ میلیارد دلار فراتر بروید.»

این ارزیابی‌ها مبتنی بر اصول اول نیستند. سؤال واقعی که باید پرسید این است: ما در حال خلق چه چیزی هستیم؟ این فرصت چقدر بزرگ است؟

انویدیا برای سهم بازار موجود رقابت نمی‌کند. بخش زیادی از آنچه انجام می‌دهیم برای بازاری است که هنوز وجود ندارد. به همین دلیل برای افراد بیرونی تصور کردن حد ما دشوار است، زیرا هیچ نقطه مرجع آماده‌ای وجود ندارد. اما من وقت کافی دارم. من به استنتاج و بیان ادامه خواهم داد. هر GTC آن آینده را ملموس‌تر خواهد کرد. در نهایت، ما آن گام را برمی‌داریم. من از این موضوع صددرصد مطمئن هستم.

لکس فریدمن: از منظر «کارخانه توکن»، کل سیستم در واقع می‌تواند این‌گونه درک شود: تولید توکن به ازای هر وات در هر ثانیه، و هر توکن ارزشی دارد که برای افراد مختلف متفاوت است. به این ترتیب، کل جهان از کارخانه‌های توکن متعدد تشکیل شده است. با شروع از اصول اولیه، تا زمانی که مشکلات قابل حل توسط هوش مصنوعی همچنان افزایش یابند، می‌توان نتیجه گرفت که تقاضا برای این «کارخانه‌ها» در آینده به‌صورت نمایی رشد خواهد کرد.

جنسن هوانگ: بله یک چیزی که مرا خیلی هیجان‌زده می‌کند این است که «لحظه آیفون توکن‌ها» فرا رسیده است.

لکس فریدمن: مقصودت چیست؟

جنسن هوانگ: نماینده Agent در حال تبدیل شدن به سریع‌ترین فرم درخواست در تاریخ است.

لکس فریدمن: پس از دسامبر گذشته، مردم واقعاً شروع کردند به درک قابلیت‌های سیستم‌هایی مانند کلاود کد، کدکس و اوپن‌کلا؟ راستش کمی خجالت می‌کشم که اعتراف کنم: وقتی در فرودگاه بودم، برای اولین بار شروع کردم به «صحبت کردن با کامپیوتر به زبان برنامه‌نویسی»، درست مثل ارتباط با همکارانم. مطمئن نیستم در آینده تعامل همه با هوش مصنوعی به این شکل چگونه خواهد بود، اما کارایی آن واقعاً بسیار بالا است.

جنسن هوانگ: احتمال بیشتری دارد که هوش مصنوعی شما مدام شما را «مقاطعه» کند. از آنجا که وظایف را خیلی سریع انجام می‌دهد، به طور مداوم به شما بازخورد خواهد داد: این انجام شد، گام بعدی چیست؟

لکس فریدمن: این واقعاً آینده‌ای شگفت‌انگیز است.

لکس فریدمن: دیده‌ام که گفته‌ای موفقیتت تا حد زیادی به این برمی‌گردد که سخت‌تر از دیگران کار می‌کنی و می‌توانی درد بیشتری را نسبت به دیگران تحمل کنی.

این «درد» در واقع جنبه‌های زیادی را در بر می‌گیرد، مانند مواجهه با شکست، چالش‌های مهندسی و مسائل هزینه‌ای که همین‌الان درباره‌شان صحبت کردیم، و همچنین مسائل بین‌فردی، عدم‌قطعیت، مسئولیت، خستگی، دست‌وپاچلفتی‌بودن و آن لحظاتی که اشاره کردید وقتی شرکت در آستانه فروپاشی بود.

اما فراتر از آن، فشار هم وجود دارد. به‌عنوان مدیرعامل شرکتی که در میان دولت‌ها و اقتصادهای سراسر جهان قرار دارد و در شکل‌دهی تخصیص منابع و برنامه‌ریزی زیرساخت هوش مصنوعی نقش دارد، چگونه با این نوع فشار کنار می‌آیید؟ با این همه کشور و مردمی که به شما تکیه دارند، قدرتتان از کجا می‌آید؟

جنسن هوانگ: من کاملاً آگاه هستم که موفقیت انویدیا برای ایالات متحده مهم است. ما درآمد مالیاتی قابل‌توجهی ایجاد می‌کنیم، جایگاه فناوری پیشرو را تثبیت می‌کنیم و خود رهبری فناوری بخشی از امنیت ملی است. یک کشور ثروتمندتر می‌تواند سیاست‌های اجتماعی را بهتر پیش ببرد. در عین حال، ما در حال پیشبرد صنعتی‌سازی مجدد، ایجاد فرصت‌های شغلی فراوان و بازسازی ظرفیت‌های تولید داخلی، از جمله در زمینه تراشه‌ها، کامپیوترها و کارخانه‌های هوش مصنوعی هستیم. من همچنین کاملاً آگاه هستم که بسیاری از سرمایه‌گذاران عادی—معلمان، مأموران پلیس—از سرمایه‌گذاری در انویدیا ثروت اندوخته‌اند. علاوه بر این، انویدیا بخشی از یک اکوسیستم گسترده است که در آن شرکای بسیاری در بالادست و پایین‌دست به ما متکی هستند.

در مواجهه با همه این‌ها، رویکرد من بسیار ساده است: مسئله را تجزیه و تحلیل کنید.

از خودم می‌پرسم، وضعیت فعلی چیست؟ چه چیزی تغییر کرده است؟ چالش‌ها کجا هستند؟ چه کار می‌توانم بکنم؟ وقتی مسئله تجزیه شود، به مجموعه‌ای از وظایف قابل اجرا تبدیل می‌شود.

آنگاه تنها یک سؤال باقی می‌ماند: تو این کار را انجام دادی؟ یا از شخص دیگری خواستید این کار را انجام دهد؟ اگر معتقدی کاری باید انجام شود اما نه خودت آن را انجام دادی و نه دیگران را به انجامش واداشتی، پس شکایت کردن از آن بی‌فایده است.

من با خودم خیلی سخت‌گیرم. اما در عین حال، با تجزیه و تحلیل مشکلات، از هراس اجتناب می‌کنم. می‌توانم با آرامش بخوابم، زیرا می‌دانم که تمام نقاط پرخطر را شناسایی کرده و مسئولان ذی‌ربط را مطلع کرده‌ام. تا زمانی که اوضاع طبق برنامه پیش می‌رود، نیازی به نگرانی نیست.

لکس فریدمن: آیا در این فرایند دچار افت‌های روانی شده‌اید؟

جنسن هوانگ: البته، بارها.

لکس فریدمن: و روش شما هنوز هم تجزیه و تحلیل مسئله است؟

جنسن هوانگ: بله نکتهٔ دیگر «یادگیری فراموش کردن» است. در یادگیری ماشین، توانایی مهمی به نام «فراموشی گزینشی» وجود دارد. برای انسان‌ها هم همین‌طور است—نمی‌توانی همه‌چیز را با خودت حمل کنی. من سریعاً یک مسئله را تجزیه و تحلیل می‌کنم و سپس فشار را پخش می‌کنم. هر چیزی که مرا نگران می‌کند، به جای اینکه خودم آن را نگه دارم، هرچه زودتر به افراد ذی‌ربط می‌گویم. البته، باید با خودتان هم سخت‌گیر باشید—در احساسات غرق نشوید، فقط به حرکت رو به جلو ادامه دهید.

یک نکتهٔ دیگر این است که شما به «آینده» جذب خواهید شد. مانند ورزشکاران، آن‌ها تنها بر امتیاز بعدی تمرکز می‌کنند، نه اشتباه قبلی.

لکس فریدمن: شما یک‌بار گفتید که اگر از ابتدا می‌دانستید NVIDIA تا این حد دشوار است، شاید آن را انجام نمی‌دادید.

جنسن هوانگ: بله اما آنچه می‌خواهم بیان کنم این است: این تقریباً در مورد هر کاری که ارزش انجام دادن دارد صدق می‌کند. شما به یک «ذهنیت کودکانه» نیاز دارید—وقتی چیزی را می‌بینید، اولین واکنش‌تان باید این باشد: «این چقدر سخت است؟» نه اینکه از قبل همه دشواری‌ها را شبیه‌سازی کنید. نباید قبل از شروع حتی تمام شکست‌ها را مرور کنی. شما باید با این انتظار وارد شوید که «این عالی خواهد بود.» با این حال، وقتی وارد می‌شوید، باید مقاوم باشید. پس‌رفت‌ها، شکست‌ها و تحقیرها رخ خواهند داد، اغلب به‌طور غیرمنتظره. در این مرحله، کاری که باید انجام دهی این است: آن را فراموش کن و به حرکت رو به جلو ادامه بده. تا زمانی که قضاوت کلی شما دربارهٔ آینده تغییر نکرده است، باید به راهتان ادامه دهید.

لکس فریدمن: بعد از تجربهٔ این همه موفقیت، آیا فروتن ماندن دشوارتر می‌شود؟

جنسن هوانگ: کاملاً برعکس از آنجا که بسیاری از کارهایی که انجام می‌دهم علنی هستند، وقتی یک خطای قضاوت رخ می‌دهد، همه می‌توانند آن را ببینند. همچنین سبک مدیریت من «استدلال باز» است. من مستقیماً نتیجه‌گیری نمی‌کنم؛ من فرایند استدلال را توضیح می‌دهم و اجازه می‌دهم هر کس درستی آن را قضاوت کند.

من مرتب می‌گویم: «این مسیر درک فعلی من است»، و سپس فرایند استدلال را توضیح می‌دهم. این به همه امکان می‌دهد در هر مرحله نظرات متفاوتی را مطرح کنند. آنها نیازی ندارند نتیجه را رد کنند؛ کافی است در یک مرحله از استدلال مشکلی را نشان دهند و ما می‌توانیم از آنجا استنتاج را ادامه دهیم. این اساساً روشی برای «یافتن جمعی مسیر» است و بسیار مؤثر است.

لکس فریدمن: وقتی مشکلی را توضیح می‌دهید، همیشه حالت باز را حفظ می‌کنید و باعث می‌شوید مردم احساس کنند می‌توانند مشارکت کنند و حتی بر تفکر شما تأثیر بگذارند. در واقع، پس از تجربهٔ این همه موفقیت و فشار، حفظ این وضعیت بسیار دشوار است. بسیاری از مردم به‌خاطر درد خود را منزوی می‌کنند.

جنسن هوانگ: من فکر می‌کنم یکی از کلیدها تحمل خنده‌مسخره شدن است.

لکس فریدمن: بله، این واقعاً یک توانایی بسیار واقعی است. در طول سال‌ها، بارها تجربهٔ «صدور قضاوتی در یک جلسه که در نهایت اشتباه از آب درآمد» و همچنان توانایی اعتراف صادقانه به آن و رشد کردن از آن، در سطح روان‌شناختی واقعاً بسیار دشوار است.

جنسن هوانگ: بله می‌دونی، اولین کارم در واقع تمیز کردن دستشویی بود.

لکس فریدمن: خوشحالم که همیشه همان نگرشی را که وقتی در دنیز کار می‌کردی داشتی، حفظ کرده‌ای. تجربهٔ شروع کار در دنیز خود بسیار تأثیرگذار است. می‌خواهم درباره بازی صحبت کنم. من خودم یک گیمر سنگین‌وزن هستم و باید از انویدیا برای تجربهٔ گرافیکی فوق‌العاده‌ای که در طول سال‌ها فراهم کرده است، تشکر کنم.

جنسن هوانگ: راستی، تا به امروز، GeForce همچنان مهم‌ترین نقطه ورود ما در بازاریابی باقی مانده است. بسیاری از افراد در دوران نوجوانی از طریق بازی‌های ویدیویی با انویدیا آشنا شدند. سپس آن‌ها به دانشگاه رفتند در حالی که از قبل می‌دانستند انویدیا چیست. آن‌ها در ابتدا فقط «کال آو دیوتی» و «فورتنایت» بازی می‌کردند، سپس بعداً از CUDA استفاده کردند و در نهایت از ابزارهای اکوسیستم انویدیا مانند بلندر، داسو و اتودسک و غیره بهره بردند.

لکس فریدمن: بله به دوستی گفتم که می‌خواهم با شما صحبت کنم، و اولین واکنش او این بود: «آن‌ها کارت‌های گرافیک بازی واقعاً خوبی می‌سازند.»

جنسن هوانگ: درسته (می‌خندد).

لکس فریدمن: البته، ماجرا خیلی فراتر از این حرف‌هاست. اما در واقع، بسیاری از مردم واقعاً این محصولات را دوست دارند و آن‌ها سرگرمی زیادی به همراه می‌آورند. خودِ سخت‌افزار واقعاً این جهان‌های مجازی را به زندگی می‌آورد. با این حال، اخیراً بحث و جنجال‌هایی در مورد DLSS 5 به وجود آمده است. برخی گیمرها نگرانند که این باعث شود بازی‌ها شبیه «محتوای ارزان‌قیمت تولیدشده توسط هوش مصنوعی» به نظر برسند. شما این بحث را چگونه می‌بینید؟

جنسن هوانگ: می‌توانم دیدگاه آن‌ها و منشأ این نگرانی را درک کنم. زیرا امروزه بسیاری از محتوای تولیدشده توسط هوش مصنوعی واقعاً هر روز یکنواخت‌تر می‌شوند، هرچند همگی بسیار «زیبا» هستند، اما فاقد شخصیت‌اند. من خودم این نوع محتوای قالبی «هوش مصنوعی» را دوست ندارم.

اما DLSS 5 در تلاش است تا این کار را انجام دهد. من چند مثال نشان داده‌ام. DLSS 5 مبتنی بر محدودیت‌های شرطی سه‌بعدی است که توسط داده‌های سازه‌ای واقعی هدایت می‌شود. ساختار هندسی صحنه کاملاً توسط هنرمند تعیین می‌شود و سیستم در هر فریم به‌طور دقیق به این ساختارها پایبند است.

در عین حال، این نیز توسط بافت‌ها و سبک هنری محدود می‌شود. بنابراین، هر فریم در حال «بهبود» است، نه «تغییر». در مورد «بهبود»، DLSS 5 خود یک سیستم باز است. توسعه‌دهندگان می‌توانند مدل‌های خود را آموزش دهند و در آینده حتی می‌توانند سبک‌ها را از طریق ورودی‌ها، مانند رندرینگ کارتونی، تعریف کنند یا نمونه‌های مرجع برای سیستم فراهم آورند تا در سبک خاصی تولید کند.

با این حال، همه نتایج باید با سبک و نیت خلاقانهٔ هنرمند همخوانی داشته باشند. وجود این ابزارها به هنرمندان کمک می‌کند تا محتوایی زیباتر خلق کنند و در عین حال سبک دلخواه خود را حفظ نمایند.

بسیاری از بازیکنان اشتباه می‌فهمند و گمان می‌کنند که بازی ابتدا به همین شکل خلق می‌شود و سپس از طریق DLSS پردازش می‌گردد. اما DLSS این‌گونه طراحی نشده است. DLSS به‌طور عمیق در فرایند خلاقانه ادغام شده است؛ در واقع، ابزارهای هوش مصنوعی را در اختیار هنرمندان قرار می‌دهد. استفاده از آن کاملاً به خودشان بستگی دارد.

لکس فریدمن: من فکر می‌کنم انسان‌ها به‌ویژه نسبت به «چهره» حساس هستند. اکنون مردم نسبت به محتوای تولیدشده توسط هوش مصنوعی نیز حساس شده‌اند که به نظرم چیز خوبی است. این مانند آیینه‌ای است که به ما نشان می‌دهد آنچه انسان‌ها واقعاً در پی آن هستند لزوماً کمال نیست، بلکه گاهی نوعی «ناکمالی» است. این به ما کمک می‌کند تا بفهمیم چه نوع دنیایی جذاب است. تا زمانی که این ابزارها به ما کمک کنند این جهان‌ها را خلق کنیم، کار خوبی است.

جنسن هوانگ: دقیقاً. این فقط یک ابزار دیگر است. اگر توسعه‌دهندگان بخواهند محتوای سبک غیرواقع‌گرایانه تولید کنند، مدل می‌تواند این کار را نیز انجام دهد. به نوعی، این شبیه زمانی است که در گذشته شیدرهای پوست را معرفی کردیم. ما زمانی پراکندگی زیرسطحی را اضافه کردیم تا پوست واقع‌گرایانه‌تر به نظر برسد. تمام صنعت به دنبال ابزارهای بیشتری برای بیان هنر بوده است و DLSS تنها یکی از آن‌هاست. آخرین تصمیم همیشه با خالق است.

لکس فریدمن: یک سؤال نسبتاً غیررسمی. از دیدگاه انویدیا، به نظر شما بزرگ‌ترین یا تأثیرگذارترین بازی در تاریخ کدام است؟

جنسن هوانگ: دم

لکس فریدمن: دم، بدون شک. این سرآغاز عصر سه‌بعدی بود.

جنسن هوانگ: از منظر هنر، تأثیر فرهنگی و نقاط عطف صنعت، Doom حیاتی است. این تحول، رایانهٔ شخصی را از یک ابزار اتوماسیون اداری به یک رایانهٔ شخصی برای خانه‌ها و گیمرها تبدیل کرد که نقطهٔ عطفی مهم بود. البته قبل از آن هم بازی‌های شبیه‌سازی پرواز وجود داشتند، اما آن‌ها تأثیر گسترده‌ای مانند Doom نداشتند. از منظر کاملاً فنی، من Virtua Fighter را انتخاب می‌کنم. ما روابط خوبی با تیم‌های پشت هر دوی این آثار داریم.

لکس فریدمن: همچنین برخی آثار جدیدتر، مانند «سایبرپانک ۲۰۷۷»، در شتاب‌دهی GPU عالی هستند.

جنسن هوانگ: بله، این کاملاً با ردیابی پرتو ساخته شده است.

لکس فریدمن: من شخصاً عاشق «The Elder Scrolls V:» هستم. اسکایریم با اینکه سال‌هاست منتشر شده و از طریق مودهای مختلف عرضه شده، هر بار که بازی می‌کنی انگار یک بازی کاملاً جدید است.

جنسن هوانگ: ما همچنین عاشق جامعه مدینگ هستیم. ما RTX Mod را معرفی کردیم، ابزاری برای مدینگ که به جامعه اجازه می‌دهد جدیدترین فناوری‌های گرافیکی را به بازی‌های قدیمی تزریق کند.

لکس فریدمن: البته یک بازی عالی فقط به گرافیک خلاصه نمی‌شود، بلکه داستان و شخصیت‌ها را هم در بر می‌گیرد. با این حال، گرافیک‌های عالی واقعاً می‌توانند حس غوطه‌وری را افزایش دهند و باعث شوند احساس کنید به دنیایی دیگر منتقل شده‌اید.

جنسن هوانگ: من کاملاً موافقم.

لکس فریدمن: یک نکته‌ای که شما اشاره کردید و من فکر می‌کنم بسیار دقیق است: جدول زمانی برای هوش مصنوعی عمومی اساساً بستگی دارد به اینکه هوش مصنوعی عمومی را چگونه تعریف کنید.

لکس فریدمن: می‌خواهم در مورد زمان یک سؤال بپرسم. می‌توانیم درباره هوش مصنوعی عمومی (AGI) با تعریفی شاید کمی افراطی بحث کنیم — سیستمی از هوش مصنوعی را تصور کنید که بتواند شغل شما را انجام دهد: یعنی از صفر شروع کند، یک شرکت فناوری موفق با ارزش بازار بیش از یک میلیارد دلار را ایجاد، توسعه و اداره کند.

جنسن هوانگ: آیا داریم درباره «شرکت‌های موفق» صحبت می‌کنیم یا «فقط یکی کافی است»؟

لکس فریدمن: باید شرکتی موفق باشد که ارزش بازار آن بیش از یک میلیارد دلار باشد. همان‌طور که می‌دانید، این شامل عوامل پیچیدهٔ زیادی است. خب، فکر می‌کنید این قابلیت چقدر طول می‌کشد؟ ۵ سال، ۱۰ سال، ۱۵ سال یا ۲۰ سال؟ ما در مورد سیستمی مانند OpenClaw صحبت می‌کنیم که می‌تواند مجموعه‌ای کامل از وظایف پیچیده مانند نوآوری، یافتن مشتریان، فروش محصولات، مدیریت تیم‌ها (شامل همکاری انسان و هوش مصنوعی) و غیره را انجام دهد.

جنسن هوانگ: من معتقدم که اکنون می‌توان این کار را انجام داد. فکر می‌کنم ما قبلاً به هوش مصنوعی عمومی دست یافته‌ایم.

لکس فریدمن: آیا می‌گویید که در حال حاضر امکان راه‌اندازی شرکتی که توسط هوش مصنوعی اداره شود وجود دارد؟

جنسن هوانگ: ممکن است. دلیل آن، همان‌طور که شما گفتید، «رسیدن به یک میلیارد دلار» است، اما هیچ الزامی برای «پایداری بلندمدت» وجود ندارد. برای مثال، یک هوش مصنوعی می‌تواند به‌راحتی یک سرویس یا اپلیکیشن شبکه‌ای را توسعه دهد که ناگهان توسط میلیاردها نفر، هر کدام با پرداخت ۰.۵ دلار، مورد استفاده قرار گیرد و سپس در مدت کوتاهی به‌سرعت ناپدید شود. در عصر اینترنت، در واقع شرکت‌های زیادی مانند این وجود داشته‌اند. و پیچیدگی فناوری آن‌ها در آن زمان از آنچه اوپن‌کلاو امروز می‌تواند به آن دست یابد، فراتر نبود.

لکس فریدمن: پس، کلید کار دستیابی به گسترش ویروسی و کسب درآمد از آن است.

جنسن هوانگ: بله ما دقیقاً نمی‌دانیم که کدام محصول خواهد بود. دقیقاً مثل آن زمان، نمی‌توانستیم پیش‌بینی کنیم کدام شرکت‌های اینترنتی موفق خواهند شد.

لکس فریدمن: بیانیهٔ شما بسیاری از افراد را هیجان‌زده می‌کند—انگار می‌گوید: «تمام کاری که باید انجام دهم این است که یک عامل را مستقر کنم و می‌توانم پول زیادی به دست آورم.»

آیا هوش مصنوعی شغل‌ها را از بین می‌برد؟ نه، اما این تعریف کار را تغییر خواهد داد.

جنسن هوانگ: در واقع، این همین حالا در حال رخ دادن است. اگر به چین بروید، خواهید دید که بسیاری از مردم در حال آموزش دادن به ربات‌های تلگرام خود هستند تا شغل پیدا کنند، وظایفی را انجام دهند یا حتی مستقیماً پول به دست آورند. اگر یک اپلیکیشن اجتماعی در آینده ناگهان منفجر شود، تعجب نمی‌کنم. برای مثال، یک شخصیت دیجیتال بسیار بامزه یا محصولی شبیه تاموگاتچی می‌تواند برای چند ماه در میان تعداد زیادی کاربر بسیار محبوب شود و سپس به‌سرعت محو شود. البته، احتمال موفقیت اگر ۱۰۰٬۰۰۰ عامل تلاش کنند تا «یک انویدیا بسازند» صفر است.

اما می‌خواهم یک نکته را تأکید کنم: بسیاری از مردم در حال حاضر در مورد کارشان احساس اضطراب می‌کنند.

می‌خواهم به همه یادآوری کنم که «هدف» کار و «وظایف و ابزارها» برای انجام کار مرتبط هستند اما یکسان نیستند. من ۳۳ سال است که در این شغل بوده‌ام و با احتساب دوره تصدی‌ام در شرکت فناوری، در مجموع ۳۴ سال، طولانی‌ترین دوره خدمت به‌عنوان مدیرعامل در صنعت فناوری را دارم. در طول این ۳۴ سال، ابزارهایی که استفاده کرده‌ام همیشه در حال تغییر بوده‌اند، گاهی به‌طور چشمگیر.

داستانی هست که می‌خواهم همه بشنوند. در ابتدا، دانشمندان کامپیوتر و پژوهشگران هوش مصنوعی پیش‌بینی کردند که اولین حرفه‌ای که ناپدید خواهد شد، رادیولوژیست خواهد بود. زیرا بینایی کامپیوتری به سطح انسان می‌رسید یا از آن فراتر می‌رفت، و در واقع همین‌طور شد. حدود سال‌های ۲۰۱۹ تا ۲۰۲۰، بینایی کامپیوتری از سطح انسان فراتر رفته بود. پیش‌بینی آن زمان این بود: از آنجا که هوش مصنوعی می‌تواند تحلیل تصویر را انجام دهد، حرفهٔ رادیولوژیست از بین خواهد رفت.

اما برعکس اتفاق افتاد. امروزه، تمام پلتفرم‌های رادیولوژی مبتنی بر هوش مصنوعی هستند، با این حال تعداد رادیولوژیست‌ها افزایش یافته و همچنان کمبود جهانی وجود دارد.

چرا این‌گونه است؟ زیرا «هدف» یک رادیولوژیست تشخیص بیماری‌ها و کمک به پزشکان و بیماران در اتخاذ تصمیم‌گیری‌ها است. وقتی هوش مصنوعی تحلیل تصاویر را سریع‌تر کرد: می‌توانستیم تصاویر بیشتری را تحلیل کنیم، تشخیص دقیق‌تری بدهیم، بیماران بیشتری را ببینیم، درآمد بیمارستان را افزایش دهیم، بیماران بیشتری جذب کنیم و در نتیجه تقاضا برای رادیولوژیست‌ها افزایش یافت.

این یک نتیجه بسیار شهودی است. همان منطق در مورد مهندسان نرم‌افزار نیز صدق می‌کند. تعداد مهندسان نرم‌افزار در انویدیا افزایش خواهد یافت، نه کاهش. زیرا «هدف» مهندسان نرم‌افزار حل مسئله است و کدنویسی تنها یکی از ابزارهای رسیدن به آن هدف است.

کار آن‌ها شامل حل مسئله، کار تیمی، تشخیص مسئله، ارزیابی نتایج، یافتن مسئله، ایجاد نوآوری و برقراری ارتباط است. این توانایی‌ها ناپدید نخواهند شد.

لکس فریدمن: آیا فکر می‌کنید تعداد برنامه‌نویسان به جای کاهش، افزایش خواهد یافت؟

جنسن هوانگ: بله کلید مسئله این است که چگونه «برنامه‌نویسی» را تعریف می‌کنیم. من فکر می‌کنم که اساساً برنامه‌نویسی «تعیین کردن» است. شما می‌توانید دستورالعمل‌های واضحی ارائه دهید و حتی معماری سیستم را تعریف کنید.

پس سؤال این است: چند نفر می‌توانند این کار را انجام دهند؟ اساساً، این «گفتن به کامپیوتر که چه کاری انجام دهد» است. در گذشته، شاید حدود ۳۰ میلیون نفر می‌توانستند این کار را انجام دهند؛ در آینده، شاید یک میلیارد نفر باشند. در آینده، هر نجار تبدیل به یک «برنامه‌نویس» خواهد شد. و با هوش مصنوعی، آن‌ها همچنین «معمار» هستند. آنها می‌توانند ارزش ایجادشده برای مشتریان را به‌طور قابل‌توجهی افزایش دهند و توانایی بیانگر آن‌ها به‌طور چشمگیری ارتقا می‌یابد. به همین ترتیب، حسابداران آینده نیز هم مهارت‌های تحلیل مالی و هم مهارت‌های مشاوره‌ای خواهند داشت.

تمام حرفه‌ها ارتقا خواهند یافت. اگر من نجار بودم، از هوش مصنوعی بسیار هیجان‌زده می‌شدم چون می‌تواند به من امکان دهد خدماتم را در سطحی کاملاً متفاوت ارائه دهم؛ و اگر لوله‌کش بودم، من هم همین‌طور.

لکس فریدمن: مهندسان نرم‌افزار فعلی ممکن است همچنان در موقعیت پیشرو در درک نحوه تعامل با هوش مصنوعی به زبان طبیعی و نحوه طراحی سیستم‌ها باشند.

جنسن هوانگ: درست است.

لکس فریدمن: اما در درازمدت، این توانایی به تدریج فراگیر خواهد شد. با این حال، من همچنان معتقدم که یادگیری برنامه‌نویسی سنتی، زبان‌ها، اصول طراحی و معماری سیستم‌های بزرگ همچنان ارزشمند است.

جنسن هوانگ: بله زیرا «چگونگی تعریف یک مسئله» خود به خود یک مهارت است. شیوه‌ی بیان یک مشخصه بستگی به مشکلی دارد که می‌خواهید حل کنید. برای مثال، در سطح شرکت، هنگام تدوین یک استراتژی، من جهت‌گیری‌ای به اندازه کافی روشن برای تیم فراهم می‌کنم تا آن را اجرا کنند؛ اما عمداً برای ۴۳٬۰۰۰ نفر فضای لازم را باز می‌گذارم تا بر اساس آن بهتر از آنچه من تصور کرده بودم عمل کنند. بنابراین، سطح جزئیات در مشخصات در سناریوهای مختلف متفاوت است. در آینده، همه باید جایگاه خود را در این «طیف برنامه‌نویسی» پیدا کنند. نوشتن یک مشخصات به خودی خود برنامه‌نویسی است.

گاهی اوقات به دستورالعمل‌های بسیار واضح نیاز دارید؛ گاهی اوقات به کاوش بازتر نیاز دارید، با هوش مصنوعی بارها تعامل می‌کنید و خلاقیت خود را گسترش می‌دهید. این آینده برنامه‌نویسی است.

لکس فریدمن: با این حال، از دیدگاه وسیع‌تر، بسیاری از افراد، به‌ویژه کارکنان اداری، نگران اشتغال هستند. هرگاه اتوماسیون و فناوری‌های نوین پدید می‌آیند، تحول و دگرگونی به همراه می‌آورند. من فکر می‌کنم ما باید برای این اضطراب همدلی داشته باشیم، زیرا درد بیکاری تجربه‌ای واقعی برای افراد و خانواده‌هاست. امیدوارم این فناوری‌ها در نهایت فرصت‌های بیشتری فراهم کنند، بهره‌وری افراد را افزایش دهند و کار را جذاب‌تر سازند، همان‌طور که در حال حاضر در حوزه برنامه‌نویسی رخ می‌دهد. اما در فرایند گذار، واقعاً درد زیادی خواهد بود.

جنسن هوانگ: اولین توصیه‌ام به همه دربارهٔ نحوهٔ مقابله با اضطراب است. همان‌طور که همین الان بحث کردیم، من ابتدا مسئله را تجزیه می‌کنم.

چه چیزهایی را می‌توانید کنترل کنید؟ چه چیزهایی را نمی‌توانید کنترل کنید؟ برای بخش‌های قابل کنترل، تحلیل کنید و اقدام کنید.

اگر می‌خواستم یک فارغ‌التحصیل جدید را استخدام کنم و مجبور بودم بین دو نامزد یکی را انتخاب کنم، یکی که هیچ درکی از هوش مصنوعی ندارد و دیگری که در هوش مصنوعی ماهر است، قطعاً دومی را انتخاب می‌کردم. چه در حسابداری باشد، چه بازاریابی، زنجیره تأمین، خدمات مشتری، فروش، توسعه کسب‌وکار یا حتی حقوق، من فردی را انتخاب می‌کنم که هوش مصنوعی را بهتر درک می‌کند.

بنابراین، توصیه من این است: هر دانش‌آموز باید یاد بگیرد چگونه از هوش مصنوعی استفاده کند؛ هر معلم باید دانش‌آموزان را به استفاده از هوش مصنوعی تشویق کند؛ هر فارغ‌التحصیل باید در هوش مصنوعی مهارت پیدا کند. چه نجار باشید، چه برقکار، کشاورز یا داروساز، باید هوش مصنوعی را امتحان کنید و ببینید چگونه می‌تواند مهارت‌های شغلی شما را ارتقا دهد.

در عین حال، باید بپذیریم که فناوری بسیاری از وظایف را خودکار خواهد کرد. اگر شغل شما اساساً شامل این «وظایف» باشد، در معرض خطر بالای جایگزین شدن قرار دارید. اگر آرزوهای شغلی‌تان بلندپروازانه‌تر است، باید یاد بگیرید که از هوش مصنوعی برای انجام این وظایف استفاده کنید.

لکس فریدمن: نکتهٔ مهم دیگر این است که خود هوش مصنوعی می‌تواند به شما در تجزیه و تحلیل مسائل کمک کند. می‌توانید مستقیماً از آن بپرسید: چگونه می‌توانم مهارت‌هایم را بهبود ببخشم؟ چگونه می‌توانم از هوش مصنوعی استفاده کنم؟ می‌تواند مراحل بسیار مشخصی را ارائه دهد. حتی می‌تواند به یک «مربی زندگی» تبدیل شود.

جنسن هوانگ: بله اگر ندانید چگونه از هوش مصنوعی استفاده کنید، آن به شما آموزش خواهد داد.

لکس فریدمن: این واقعاً یک تجربه بسیار «متا» است اما در عین حال بسیار قدرتمند.

جنسن هوانگ: نمی‌توانید به اکسل بگویید «نمی‌دانم چگونه از تو استفاده کنم»، اما می‌توانید به هوش مصنوعی بگویید.

لکس فریدمن: آیا چیزهایی وجود دارند که ذاتاً «محاسبه‌ناپذیر» باشند؟ به عبارت دیگر، مهم نیست تراشه چقدر قدرتمند باشد، نمی‌تواند خود را تکثیر کند؟

جنسن هوانگ: مطمئن نیستم که یک تراشه بتواند «استرس را احساس کند.» البته شرایطی که منجر به اضطراب، استرس یا سایر احساسات می‌شوند را می‌توان توسط هوش مصنوعی شناسایی و درک کرد، اما فکر نمی‌کنم خود تراشه بتواند «احساس» کند. بنابراین، اینکه این احساسات، مانند اضطراب، هیجان و ترس، چگونه بر عملکرد انسان تأثیر می‌گذارند، بُعدی کاملاً متفاوت است.

برای مثال، تحت همان شرایط، افراد مختلف عملکردهای کاملاً متفاوتی از خود نشان می‌دهند: برخی درخشان عمل می‌کنند، در حالی که برخی دیگر عملکردی متوسط یا حتی پایین‌تر از متوسط دارند. این تفاوت عمدتاً ناشی از تجربهٔ ذهنی فرد است.

و در یک سیستم محاسباتی، اگر دو سیستم دقیقاً با همان ورودی مواجه شوند، البته ممکن است تفاوت‌های آماری وجود داشته باشد، اما این تفاوت‌ها ناشی از «تفاوت‌های ادراکی» نیست.

لکس فریدمن: بله، در واقع، تجربهٔ ذهنی انسان واقعاً منحصربه‌فرد است. برای مثال، همین الان که داشتم با تو صحبت می‌کردم، احساس اضطراب کردم، همراه با انتظارات، ترس‌ها، دلهره‌ها و غنای زندگی خود—عشق، دل‌شکستگی، ترس از مرگ، درد از دست دادن عزیزان—همهٔ این‌ها، تصور اینکه یک سیستم محاسباتی واقعاً آن‌ها را در خود تجسم کند دشوار است.

جنسن هوانگ: در واقع، تصور آن دشوار است. اما ما هنوز دربارهٔ همهٔ این‌ها چیز زیادی نمی‌دانیم و رازهای حل‌نشدهٔ زیادی وجود دارد. بنابراین، من نیز ذهنی باز نگه می‌دارم و آماده‌ام تا شگفتی‌های آینده را در آغوش بکشم. در چند سال گذشته، به‌ویژه در ماه‌های اخیر، پیشرفت هوش مصنوعی بارها مرا شگفت‌زده کرده است. خودِ «مقیاس» واقعاً می‌تواند تغییراتی تقریباً معجزه‌آسا به همراه داشته باشد.

جنسن هوانگ: همچنین، فکر می‌کنم یک نکته بسیار مهم است که مفهوم «هوش» را تجزیه کنیم. ما اغلب از واژه «هوش» استفاده می‌کنیم، اما این مفهوم مرموز نیست.

هوش، اساساً، مجموعه‌ای از قابلیت‌های سیستمی است، شامل: ادراک، فهم، استنتاج، برنامه‌ریزی و چرخه عمل. این است هوش.

اما «هوش» معادل «انسان» نیست. این‌ها دو مفهوم متفاوت هستند و باید بین آن‌ها تمایز قائل شویم. من «هوش» را بیش از حد اسطوره‌ای نخواهم کرد. به نظر من، هوش یک «توانایی کارکردی» است. حتی می‌توان گفت که هوش در حال تبدیل شدن به یک «کالا» است.

من توسط افراد بسیار باهوشی احاطه شده‌ام که در زمینه‌های خود از من بهتر و حرفه‌ای‌تر هستند. آنها تحصیلات بهتری دریافت کرده‌اند و در حوزه‌های مربوطه خود تخصص بیشتری دارند. اما من هنوز در این سیستم نقش دارم.

خودِ این موضوع بسیار جالب است.

ممکن است بپرسید: چرا کسی که زمانی در رستورانی ظرف‌ها را می‌شست، می‌تواند کار را در میان گروهی از افراد «فراانسانی» هماهنگ کند؟

این فقط نشان می‌دهد که «هوش» تنها یک بعد است. «انسانیت» مفهوم والاتری است. تجربیات زندگی ما، توانایی تحمل درد، اراده— این‌ها با «هوش» متفاوت هستند.

جنسن هوانگ: اگر می‌توانستم به همه یک توصیه بدهم، این می‌بود: کلمه «هوش» را بیش از حد بزرگ جلوه ندهید.

آنچه واقعاً باید ارزش‌گذاری شود عبارتند از: شخصیت، انسانیت، همدلی و سخاوت. این‌ها «توانایی‌های فراانسانی» هستند. از سوی دیگر، هوش به تدریج فراگیر و کالایی خواهد شد.

لکس فریدمن: پس، آنچه شما می‌گویید این است که ما باید بیشتر روی «انسانیت» تمرکز کنیم.

جنسن هوانگ: بله انسانیت، شخصیت، همدلی، سخاوت – این‌ها مهم‌ترین چیزها هستند. جامعه مدت‌هاست همه چیز را در واژه «هوش» فشرده کرده است، اما زندگی بسیار فراتر از این است. از تجربهٔ من، هرچند شاید به اندازهٔ بسیاری از اطرافیانم باهوش نباشم، باز هم موفق بوده‌ام. امیدوارم همه نگران «همه‌جا بودن هوش» نباشند، بلکه از آن الهام بگیرند.

لکس فریدمن: من همچنین معتقدم که هوش مصنوعی باعث می‌شود ما بیشتر به ارزش انسانیت پی ببریم.

جنسن هوانگ: دقیقاً. هوش مصنوعی بشریت را قدرتمندتر خواهد کرد.

لکس فریدمن: موفقیت انویدیا و زندگی شمار بی‌شماری از مردم تا حدی به شما بستگی دارد. اما تو نیز فقط یک انسان عادی هستی و در نهایت با مرگ روبه‌رو خواهی شد. آیا به این سؤال فکر می‌کنید؟ آیا از مرگ می‌ترسی؟

جنسن هوانگ: من نمی‌خواهم بمیرم.

من زندگی خوبی دارم، خانوادهٔ خوبی دارم و کار بسیار مهمی انجام می‌دهم. این فقط «تجربهٔ تمام عمر یک نفر» نیست، بلکه تجربه‌ای در سطح «تاریخ بشر» است. انویدیا یکی از مهم‌ترین شرکت‌های فناوری در تاریخ است و کاری که ما انجام می‌دهیم عمیقاً معنادار است و من این موضوع را بسیار جدی می‌گیرم.

البته، مسائل عملیاتی دیگری نیز وجود دارد، مانند برنامه‌ریزی جانشینی. من اغلب می‌گویم که چندان به «برنامه‌ریزی جانشین‌پروری» باور ندارم. نه به این دلیل که فکر می‌کنم نخواهم رفت، بلکه به این دلیل که: اگر واقعاً برای آینده شرکت پس از خودت اهمیت قائلی، مهم‌ترین کاری که امروز باید انجام دهی انتقال مستمر دانش است. معلومات، بینش‌ها، تجربیات و توانایی‌ها را به‌طور مستمر به تیم منتقل کنید.

به همین دلیل است که من همیشه جلوی تیم استدلال می‌کنم. هر جلسه در اصل درباره انتقال شناخت است.

من هیچ اطلاعاتی را در اختیار نخواهم داشت. به محض اینکه چیزی یاد می‌گیرم، تقریباً بلافاصله آن را به اشتراک می‌گذارم. حتی وقتی که هنوز کاملاً آن را نفهمیده‌ام، از قبل به دیگران می‌گویم: این مهم است؛ شما باید درباره‌اش تحقیق کنید. من به توانمندسازی اطرافیانم ادامه می‌دهم و به آنها کمک می‌کنم تا توانایی‌هایشان را بهبود بخشند. وضعیت ایده‌آل من این است: من در کارم خارج می‌شوم و این خروج آنی است، بدون رنج طولانی.

لکس فریدمن: به‌عنوان یک ناظر و یک طرفدار، البته امیدوارم بتوانی برای همیشه به کار ادامه دهی (می‌خندد). سرعت نوآوری انویدیا خیره‌کننده است و خود گواهی بر مهندسی است.

خب، سؤال نهایی: وقتی به آینده ۱۰، ۲۰، ۵۰ یا حتی ۱۰۰ سال آینده نگاه می‌کنید، چه چیزی به شما امید به آینده بشریت می‌دهد؟

جنسن هوانگ: من همیشه به مهربانی، سخاوت و همدلی انسان‌ها اطمینان داشته‌ام. گاهی حتی از آنچه باید با اعتمادبه‌نفس باشم، با اعتمادبه‌نفس‌ترم، و به همین دلیل گاهی ناامید می‌شوم. اما این تغییر قضاوتم را نخواهد داد. من همیشه معتقدم که مردم مایل به انجام کارهای نیک و کمک به دیگران هستند. و اغلب اوقات، این قضاوت درست است، حتی فراتر از انتظاراتم.

جنسن هوانگ: آنچه مرا پر از امید می‌کند این است که وقتی آنچه اکنون در حال وقوع است را می‌بینم و آن را به آینده تعمیم می‌دهم، بسیاری از مشکلات «قابل حل» می‌شوند.

ما مشکلات زیادی برای حل کردن و چیزهای زیادی برای خلق کردن داریم و این‌ها در دسترس قرار گرفته‌اند، حتی ممکن است در طول عمر من قابل دستیابی باشند. سخت است که درباره‌ی چنین آینده‌ای احساس رمانتیک نکرد. برای مثال، پایان بیماری‌ها انتظاری معقول است؛ کاهش چشمگیر آلودگی انتظاری معقول است؛ و حتی نوعی «تله پورتیشن» با سرعتی نزدیک به سرعت نور نیز آینده‌ای قابل تصور است.

جنسن هوانگ: من حتی دارم به راهی فکر می‌کنم: در آینده ممکن است بتوانیم «خودآگاهی» را به‌صورت دیجیتال منتقل کنیم. ما می‌توانیم به‌تدریج تمام اطلاعات، ایمیل‌ها، افکار و رفتارهای یک فرد را در یک هوش مصنوعی تقطیر کنیم. وقتی شرایط مناسب باشد، این «خود دیجیتالی» را به فضا بفرستید تا با یک ربات ادغام شود.

لکس فریدمن: این واقعاً ایده‌ای بسیار تکان‌دهنده است. اما از دیدگاه علمی، هنوز مسائل بسیاری حل‌نشده باقی مانده‌اند، مانند خودِ آگاهی.

جنسن هوانگ: بله اما درک «سیستم زندگی» ممکن است همین‌جا پیش‌روی ما باشد، شاید ظرف پنج سال به یک نقطه عطف برسیم.

لکس فریدمن: چه آگاهی باشد چه مسائل عمیق فیزیک، همه‌ی این‌ها آینده را بسیار هیجان‌انگیز می‌کنند.

لکس فریدمن: جنسن، از همه کاری که انجام دادید خیلی ممنونم و از اینکه امروز تجربیات‌تان را به اشتراک گذاشتید سپاسگزارم.

جنسن هوانگ: ممنون، لکس. من از این گفتگو کاملاً لذت بردم. من همچنین از مصاحبه‌هایی که شما انجام می‌دهید قدردانی می‌کنم؛ عمق، احترام و تحقیقات شما به ما امکان می‌دهد تا این شخصیت‌ها و ایده‌ها را بهتر درک کنیم.

لکس فریدمن: این برایم خیلی ارزش دارد، متشکرم.

لکس فریدمن: از همه شما برای گوش دادن به این گفتگو با جنسن هوانگ سپاسگزاریم. همان‌طور که آلن کِی گفت: «بهترین راه برای پیش‌بینی آینده این است که آن را با دستان خود اختراع کنید.» ممنون که گوش دادید، و تا دفعه بعد خداحافظ.

[لینک مقاله اصلی]