原文標題：Jensen Huang: NVIDIA - Công Ty 4 Nghìn Tỷ Đô La và Cuộc Cách Mạng Trí Tuệ Nhân Tạo | Podcast Lex Fridman
Người viết bản gốc：Lex Fridman
Dịch bởi: Peggy, BlockBeats

Chú thích biên tập viên:

Trong bối cảnh mà AI dựa trên mô hình tiếp tục tiến triển, và Agent bắt đầu tham gia vào quy trình sản xuất thực tế, trọng tâm của cuộc trò chuyện trong ngành đang dịch chuyển từ "khả năng của mô hình" sang "hệ thống làm thế nào để chứa đựng trí tuệ". Khi việc huấn luyện mô hình lớn dần trở nên tiêu chuẩn hóa, một vấn đề ở tầng cơ bản hơn bắt đầu được nổi lên: cái không chỉ duy trì sự mở rộng tiếp tục của AI, không còn chỉ là sự tiến bộ của thuật toán, mà là toàn bộ hệ thống tính toán.

Bài viết này được dịch từ cuộc trò chuyện giữa Jensen Huang và Lex Fridman, Lex Fridman là một nhà nghiên cứu AI nổi tiếng và người dẫn chương trình podcast công nghệ, chương trình của ông tập trung vào cuộc trò chuyện sâu về công nghệ, công nghiệp và xu hướng tương lai. Trong cuộc trò chuyện này, Jensen Huang không tập trung vào khả năng của mô hình mà thay vào đó, từ cạnh kiến trúc tính toán và phát triển của ngành, ông đưa ra một nhận định có tính cấu trúc hơn: AI đang chuyển từ "vấn đề chip" sang "vấn đề kỹ thuật hệ thống".

Cuộc trò chuyện này có thể hiểu được chủ yếu từ năm khía cạnh.

Tính toán từ "Chip" chuyển sang "Nhà máy"
Nhận định lõi đầu tiên của cuộc trò chuyện là, cuộc cạnh tranh của AI không còn xoay quanh hiệu suất tại một điểm duy nhất mà đã chuyển sang là cạnh tranh về khả năng của hệ thống. Từ GPU, đến toàn bộ hệ thống, và sau đó đến cấp độ "nhà máy AI", ranh giới của đơn vị tính toán ngày càng mở rộng. Trong khi đó, vai trò của máy tính cũng đã thay đổi - từ một "kho lưu trữ và truy xuất thông tin" sang "hệ thống sản xuất" liên tục tạo ra mã thông báo. Điều này có nghĩa là AI không còn chỉ là một công cụ mà là một cơ sở hạ tầng tham gia trực tiếp vào sản xuất kinh tế.

Bốn kiểu scaling chồng chéo: Tại sao AI ngày càng trở nên "nặng nề"
Trên cơ sở này, con đường mở rộng của AI cũng đã trải qua một sự thay đổi cấu trúc. Sự tăng trưởng không còn phụ thuộc vào việc scaling của một mình qua quá trình huấn luyện ban đầu mà chuyển sang một hình thức chồng chéo của bốn loại scaling: huấn luyện ban đầu, huấn luyện sau, suy luận và Agent, và hình thành một hệ thống tuần hoàn: Agent tạo dữ liệu, dữ liệu đi vào huấn luyện, huấn luyện phản hồi vào suy luận, sau đó suy luận hỗ trợ Agent phức tạp hơn. Tất cả các con đường cuối cùng sẽ hội tụ vào một biến số - sức mạnh tính toán. Sự thay đổi quan trọng nhất ở đây là, suy luận đang trở thành lõi của việc tiêu thụ tính toán, việc "suy nghĩ" chính thức trở thành bước quan trọng nhất về chi phí.

Giới Hạn của Trí Tuệ Nhân Tạo Di Chuyển từ Thuật Toán sang Năng Lượng
Với việc tăng tỷ lệ, vấn đề đã chuyển từ mức độ mô hình xuống cấp độ cơ sở hạ tầng. Một nhận định trực tiếp trong cuộc trò chuyện là, giới hạn dài hạn của trí tuệ nhân tạo không còn là dữ liệu hay thuật toán nữa, mà là hệ thống điện lực và năng lượng. Tuy nhiên, hạn chế thực sự không chỉ là vấn đề cung cấp không đủ, mà là lập lịch lưới điện, kiến trúc trung tâm dữ liệu, và sự nghiện đường của doanh nghiệp vào "khả năng sẵn sàng cao". Điều này làm cho vấn đề của trí tuệ nhân tạo, từ vấn đề kỹ thuật, chuyển biến thành vấn đề tổng hợp của kỹ thuật, năng lượng và sắp xếp tổ chức.

Bản Chất của CUDA: Sức Mạnh của Số Lượng Máy Chủ Chứ Không Phải là Ưu Thế Kỹ Thuật
Trong mặt tranh cạnh, cuộc trò chuyện cũng cung cấp một quan điểm then chốt: Lẻn ra của NVIDIA không chỉ là về sự dẫn đầu về công nghệ, mà là với sức mạnh lắp ráp và hệ sinh thái phát triển thông qua CUDA. Bằng cách nhúng CUDA vào GeForce và hy sinh lợi nhuận ngắn hạn để đổi lấy quy mô, NVIDIA thực tế đã xây dựng một "nền tảng tính toán". Khi quy mô, sinh thái và tốc độ thực hiện chồng chéo, công nghệ chính mình trở thành một biến số phụ. Điều này có nghĩa là, cuộc cạnh tranh trên trí tuệ nhân tạo đang di chuyển từ khả năng mô hình sang khả năng nền tảng và hệ thống.

Lưu ý: CUDA (Compute Unified Device Architecture) là một nền tảng tính toán song song do NVIDIA phát triển, cho phép GPU được các nhà phát triển sử dụng cho tính toán chung chứ không chỉ là kỹ thuật render đồ họa.

Trí Tuệ Nhân Tạo Có Thể Lấy Việc làm của Ai không? Không, nhưng Có Thể Thay Đổi Định Nghĩa của Công Việc
Ở mức ứng dụng, cuộc trò chuyện cũng cung cấp một nhận định quan trọng: Trí tuệ nhân tạo không đơn giản thay thế các nghề nghiệp, mà là thay đổi cấu trúc công việc. Tự động hóa ở mức nhiệm vụ sẽ nâng cao hiệu suất tổng thể, từ đó mở rộng nhu cầu về năng lực chuyên môn. Trọng tâm công việc không còn là "thực thi nhiệm vụ", mà là "định nghĩa vấn đề, sử dụng công cụ và hợp tác giải quyết vấn đề", trí tuệ dần trở thành khả năng có thể truy cập được, và sự khác biệt của con người đặc biệt hơn được thể hiện trong tư duy và khả năng tổ chức.

Nếu cuộc trò chuyện này cung cấp một điểm khởi đầu rõ ràng, đó là nó đã chuyển trí tuệ nhân tạo từ "cuộc cạnh tranh về khả năng mô hình", sang một vấn đề hệ thống: khi tính toán trở thành hệ thống sản xuất, hạn chế của nó sẽ không chỉ là công nghệ chính mà là lưu lượng điện, chuỗi cung ứng và cách tổ chức. Dưới góc nhìn như vậy, vấn đề không còn là việc công nghệ nào vượt trội hơn con đường khác, mà toàn thể thế giới, hiện đang bị một cơ sở hạ tầng có bản chất tính toán tái tổ chức.

Dưới đây là nội dung gốc (đã được sắp xếp lại để dễ đọc và hiểu):

Tóm Tắt

· Trí Tuệ Nhân Tạo đã chuyển từ "chip nhanh hơn" sang "nhà máy tính", cạnh tranh không còn là hiệu suất điểm duy nhất mà là hiệu suất hệ thống tổ hợp của một hệ thống (sức mạnh tính toán, mạng lưới, điện lực, phần mềm)

·Thành công của CUDA không nằm ở công nghệ, mà ở quy mô triển khai: NVIDIA đã hy sinh lợi nhuận để xây dựng một hệ sinh thái nền tảng tính toán gần như không thể xâm phạm

·Sự tăng trưởng của AI không chỉ phụ thuộc vào việc mô hình lớn hơn nữa, mà còn là sự đa chiều của các quy mô như tiền huấn luyện, suy luận, Agent, tất cả đều hướng đến một biến chung: sức mạnh tính toán

·Suy luận đang trở thành phần quan trọng tiêu thụ sức mạnh tính toán, "suy nghĩ" đắt hơn "huấn luyện", AI đang chuyển từ mô hình ngoại tuyến sang hệ thống hoạt động liên tục

·Chướng ngại đích thực của AI không phải là thuật toán, mà là năng lượng và cơ sở hạ tầng, khả năng phân phối điện sẽ trở thành ràng buộc quan trọng của giai đoạn tiếp theo

·Máy tính đang chuyển từ "kho thông tin" sang "nhà máy sản xuất", mã thông báo trở thành hàng hóa có thể giá, cơ sở hạ tầng AI sẽ trực tiếp tham gia vào sản xuất kinh tế

·AI sẽ không đơn giản thay thế công việc, mà là nâng cao ngưỡng năng lực của tất cả các ngành nghề; năng lực cốt lõi trong tương lai từ "thực hiện nhiệm vụ" chuyển sang "xác định vấn đề và giải quyết vấn đề theo cách hợp tác"

Nội dung Phỏng Vấn

Lex Fridman: Tiếp theo là một cuộc trò chuyện với Jensen Huang, ông là Tổng giám đốc điều hành của NVIDIA, một công ty có thể nói là một trong những công ty quan trọng và ảnh hưởng nhất trong lịch sử nhân loại. NVIDIA là động cơ chính của cuộc cách mạng AI, và thành công của nó, đến một mức đáng kể, phần lớn đến từ việc Jensen, với vai trò lãnh đạo, kỹ sư và người sáng tạo, đã đưa ra một loạt các quyết định chính xác và quyết liệt. Đây là Podcast Lex Fridman. Các bạn, tiếp theo, xin chào đón Jensen Huang.

Từ "Bộ vi xử lý nhanh hơn" đến "Nhà máy AI"

Lex Fridman: Bạn đã dẫn dắt NVIDIA vào một giai đoạn mới của AI, từ việc tập trung vào thiết kế cấp chip trong quá khứ, đến việc thiết kế cấp rack hiện tại. Tôi nghĩ có thể nói rằng, chiến thắng trước đây của NVIDIA, phần lớn là việc xây dựng GPU mạnh nhất, và bạn vẫn đang làm điều đó, nhưng đã mở rộng ra tới việc thiết kế cộng tác cực đại: GPU, CPU, bộ nhớ, mạng, lưu trữ, nguồn điện, tản nhiệt, phần mềm, chính rack, pod bạn phát hành, thậm chí là toàn bộ trung tâm dữ liệu. Vậy, chúng ta sẽ bắt đầu bằng việc nói về "thiết kế cộng tác cực đại". Đối mặt với nhiều thành phần và biến số phức tạp như vậy, điều khó nhất trong thiết kế cộng tác hệ thống là gì?

Jensen Huang: Đó là một câu hỏi rất hay. Đầu tiên, lí do tại sao phải thực hiện thiết kế cộng tác cực đại, là vì vấn đề chúng ta đang cố gắng giải quyết hiện nay, không còn thể được tăng tốc chỉ bằng một máy tính, hoặc ngay cả một GPU. Điều bạn thực sự muốn là - sự tăng tốc của tính toán, phải vượt qua tốc độ tăng của việc thêm máy tính. Bạn thêm 10.000 máy tính, nhưng bạn muốn hiệu suất tăng 100 triệu lần. Đó là lúc đó, bạn phải điều chỉnh lại thuật toán, phân rã thuật toán, chia nhỏ pipeline, chia nhỏ dữ liệu, chia nhỏ mô hình. Khi bạn làm như vậy và phân phối vấn đề ra, đó không chỉ là "kích thước mở rộng" nữa, mà là "phân phối vấn đề", lúc này mọi thứ sẽ trở thành chướng ngại.

Điều này thực ra chính là vấn đề của Định lý Amdahl: Tốc độ tăng cường toàn bộ hệ thống phụ thuộc vào phần có thể tăng cường trong tổng công việc. Nếu tính toán chỉ chiếm 50% vấn đề, ngay cả khi bạn tăng tốc độ tính toán lên một triệu lần, toàn bộ chỉ tăng lên hai lần. Do đó, bạn không chỉ cần phân phối tính toán, mà còn cần giải quyết vấn đề phân chia pipeline, kết nối mạng, vì tất cả các máy tính này phải kết nối với nhau. Trong tính toán phân tán ở quy mô như chúng tôi, CPU là vấn đề, GPU là vấn đề, mạng là vấn đề, trao đổi cũng là vấn đề, phân phối tải trọng chính là vấn đề. Đây là một vấn đề máy tính học cực kỳ phức tạp. Vì vậy, chúng ta phải sử dụng tất cả công nghệ, nếu không, bạn chỉ có thể mở rộng tuyến tính, hoặc phụ thuộc vào Định lý Moore, trong khi chính Định lý Moore cũng đang chậm lại.

Ghi chú: Định lý Amdahl (Amdahl's Law) có thể hiểu là biểu thức toán học của hiệu ứng thùng nước trong hệ thống tính toán. Trong bài viết này, nó được sử dụng để chỉ ra rằng tính toán AI không chỉ là vấn đề tăng cường hiệu suất GPU, mà còn mạng, lưu trữ, lập lịch và các phần khác cũng sẽ trở thành chướng ngại, cần phải được tối ưu hóa toàn diện hệ thống.

Lex Fridman: Chắc chắn có rất nhiều sự tha thứ ở đây, và liên quan đến các chuyên gia từ hoàn toàn các lĩnh vực khác nhau, chẳng hạn như bộ nhớ cao băng thông, mạng, NVLink, card mạng, quang học, kết nối đồng, nguồn điện, tản nhiệt và những thứ khác, mỗi lĩnh vực đều có các chuyên gia hàng đầu thế giới. Bạn đã làm thế nào để tập hợp những người này làm việc cộng tác với nhau?

Jensen Huang: Vì vậy, đây là lý do tại sao đội của tôi lại lớn như vậy.

Lex Fridman: Bạn có thể chia sẻ quá trình này không? Ví dụ, các chuyên gia và người thông thạo làm việc cộng tác như thế nào? Khi bạn cần gồm tất cả những thứ này vào một tủ rack, quy trình thiết kế tổng thể là như thế nào?

Jensen Huang:

Bạn có thể chia thành ba câu hỏi để trả lời. Câu hỏi đầu tiên là: "Thiết kế Hợp tác Cực bộ". Về bản chất, đó là việc tối ưu hóa toàn diện trên toàn bộ ngăn xếp phần cứng và phần mềm, từ kiến trúc, vi xử lý, hệ thống, đến phần mềm hệ thống, thuật toán, và ứng dụng, đó là tầng đầu tiên. Tầng thứ hai là, như chúng tôi vừa nói, không chỉ là CPU, GPU và chip mạng, mà còn bao gồm phần trao đổi của hệ thống scale-up và scale-out, cũng như nguồn điện và tản nhiệt, vì hệ thống máy tính này tiêu tốn rất nhiều năng lượng. Chúng thực sự rất hiệu quả, nhưng trên tổng thể vẫn tiêu hao một lượng lớn điện năng.

Vì vậy, câu hỏi đầu tiên là "Nó là gì", câu hỏi thứ hai là "Tại sao phải làm như vậy", điều này chúng ta đã nói qua, bạn cần phải phân phối công việc để vượt qua lợi ích mà việc tăng số lượng máy tính đơn giản mang lại.

Câu hỏi thứ ba là "Làm thế nào", điều này thực sự là điều kỳ diệu nhất của công ty này. Khi bạn thiết kế một chiếc máy tính, bạn cần có hệ điều hành; và khi bạn thiết kế một công ty, bạn nên đầu tiên xác định rõ rằng công ty đó muốn sản xuất ra điều gì. Tôi đã xem qua nhiều biểu đồ tổ chức của các công ty, chúng đều gần như giống nhau—cấu trúc giống như chiếc hamburger, giống như công ty phần mềm, giống như công ty xe hơi, nhưng theo tôi thì điều đó không có ý nghĩa gì. Mục tiêu của công ty, là trở thành một cỗ máy sản xuất sản phẩm, là một cơ chế, một hệ thống, dùng để liên tục sản xuất ra sản phẩm chúng ta mong muốn.

Cấu trúc tổ chức của công ty nên phản ánh môi trường mà công ty đang hoạt động trong đó. Đến một mức độ nào đó, điều này cũng quyết định cách mà tổ chức nên hoạt động. Nhóm trực tiếp báo cáo cho tôi có khoảng 60 người. Tôi không thể tương tác một cách một cách với họ, vì điều đó là không thể. Nếu bạn có 60 cấp dưới trực tiếp và vẫn phải làm việc, không thể thực hiện qua việc giao tiếp một cách cá nhân.

Lex Fridman: Nhưng bạn vẫn có 60 người trực tiếp báo cáo phải không?

Jensen Huang: Không chỉ có 60, nhiều hơn. Và những người này chủ yếu đều có nền tảng kỹ sư, có chuyên gia về bộ nhớ, chuyên gia về CPU, chuyên gia về quang học, chuyên gia về GPU, chuyên gia về kiến trúc, thuật toán, thiết kế.

Lex Fridman: Điều đó thật là đáng kinh ngạc.

Jensen Huang: Đúng.

Lex Fridman: Vậy nghĩa là bạn thực sự đang quan sát toàn bộ công nghệ stack và tham gia vào cuộc thảo luận sâu về thiết kế tổng thể?

Jensen Huang: Và chúng tôi không có cuộc trò chuyện "một-một". Chúng tôi đặt ra một vấn đề, sau đó tất cả mọi người cùng giải quyết. Bởi vì chúng tôi đang thực hiện thiết kế hợp tác cực kỳ chặt chẽ, công ty làm điều đó mỗi ngày.

Lex Fridman: Điều đó có nghĩa là, ngay cả khi bạn đang thảo luận về một thành phần cụ thể nào đó, như tản nhiệt hoặc mạng, tất cả mọi người đều tham gia sao?

Jensen Huang: Đúng, hoàn toàn như vậy.

Lex Fridman: Mỗi người đều có thể nói, "Giải pháp này không phù hợp cho điện nguồn," "Điều này không áp dụng cho bộ nhớ"?

Jensen Huang: Đúng. Ai muốn tham gia tham gia, ai không muốn thì đi ra. Nhưng mọi người trong nhóm đều biết khi nào họ nên tham gia. Nếu một vấn đề nào đó họ đáng lẽ phải đóng góp mà họ không tham gia, tôi sẽ gọi họ vào.

Lex Fridman: Vậy NVIDIA đã điều chỉnh như thế nào theo sự thay đổi của môi trường? Từ việc ban đầu về GPU chơi game, đến học sâu, và bây giờ là "nhà máy AI" - sự chuyển đổi này đã diễn ra như thế nào?

Jensen Huang:

Việc này có thể suy luận từ mặt logic. Ban đầu, chúng tôi là một công ty tăng tốc. Nhưng vấn đề của bộ tăng tốc là ứng dụng của nó quá hẹp. Ưu điểm của nó là tối ưu cao, giống như tất cả các hệ thống đặc biệt khác, nhưng vấn đề là, càng đặc biệt, phạm vi thị trường càng hẹp. Điều này không phải vấn đề lớn nhất, quan trọng hơn, quy mô thị trường quyết định khả năng nghiên cứu và phát triển của bạn, và khả năng nghiên cứu và phát triển cuối cùng quyết định sức ảnh hưởng của bạn trong lĩnh vực tính toán.

Vì vậy, khi chúng tôi bắt đầu với trình tăng tốc, chúng tôi đã biết, đó chỉ là bước đầu tiên. Chúng tôi phải tìm đường đi, để tiến tới "tăng tốc tính toán". Nhưng vấn đề là, khi bạn trở thành một công ty tính toán, bạn trở nên quá chung chung, dẫn đến làm suy yếu khả năng đặc thù của bạn. Tôi cố ý đặt hai từ có sự căng thẳng trong nhau này cạnh nhau: tính toán so với đặc thù. Bạn càng giống một công ty tính toán, bạn càng không giống một hệ thống đặc thù; bạn càng đặc thù, bạn càng khó mở rộng để bao phủ toàn bộ lĩnh vực tính toán.

Do đó, các công ty phải tìm ra một con đường rất hẹp, từng bước mở rộng ranh giới của khả năng tính toán, đồng thời không bỏ lỡ khả năng đặc thù cốt lõi nhất.

Bước đầu tiên của chúng tôi là phát minh ra bộ xử lý pixel có thể lập trình, đó là bước đầu tiên tiến tới "có thể lập trình". Bước thứ hai, chúng tôi đã thêm FP32 vào bộ xử lý, một số liệu điểm động theo tiêu chuẩn IEEE, bước này rất quan trọng, khiến nhiều người làm bộ xử lý dòng và tính toán dữ liệu phát hiện chúng tôi. Họ bắt đầu nhận ra rằng, GPU mạnh mẽ về tính toán và tuân thủ tiêu chuẩn này, có thể được sử dụng cho tính toán chung. Vì vậy, họ bắt đầu thử chuyển phần mềm ban đầu viết trên CPU sang GPU.

Tiếp theo, chúng tôi đã đưa ngôn ngữ C vào FP32, tạo ra Cg, tiếp tục phát triển thành CUDA. Đưa CUDA lên GeForce là một quyết định cực kỳ quan trọng, nhưng vào thời điểm đó, công ty thực sự không đủ khả năng chi trả chi phí này. Lý do chúng tôi vẫn tiếp tục làm đó, bởi vì chúng tôi muốn trở thành một công ty tính toán. Và một công ty tính toán phải có một kiến trúc tính toán thống nhất, kiến trúc này phải giữ nguyên trên tất cả chip.

Một quyết định suýt làm sụp đổ công ty, đẩy mạnh thời đại AI toàn cầu

Lex Fridman: Có thể nói thêm về quyết định này không? Khi đó, mặc dù không thể chi trả chi phí, tại sao vẫn đưa CUDA lên GeForce?

Jensen Huang: Đó là một quyết định gần như "tồn tại hoặc tiêu vong". Tôi muốn nói, đó là quyết định chiến lược đầu tiên gần như "đe dọa về sự tồn tại" của chúng tôi.

Lex Fridman: Để giải thích cho những người không hiểu, điều này sau này đã được chứng minh là một trong những quyết định lịch sử vĩ đại nhất của công ty. CUDA đã trở thành nền tảng tính toán cốt lõi cho toàn bộ cơ sở hạ tầng AI.

Jensen Huang:

Đúng vậy, sau này đã chứng minh đây là một quyết định đúng đắn. Lúc đó, lý do chính là như vậy: chúng tôi phát minh ra CUDA, nó mở rộng phạm vi ứng dụng mà trình tăng tốc của chúng tôi có thể bao phủ. Nhưng vấn đề là, làm thế nào để thu hút các nhà phát triển? Bởi vì trung tâm nền tảng tính toán là các nhà phát triển, và họ sẽ không đến với một nền tảng chỉ vì nó "thú vị", họ sẽ chọn nền tảng có khối lượng cài đặt lớn.

Sức mạnh cài đặt mới chính là yếu tố quan trọng nhất. Nhà phát triển cũng như tất cả mọi người khác, đều mong muốn phần mềm của mình có thể tiếp cận nhiều người hơn. Vì vậy, sức mạnh cài đặt mới là yếu tố quyết định quan trọng cho việc xây dựng một công nghệ thành công. Một công nghệ có thể bị chỉ trích thậm tệ, như kiến trúc x86, được coi là không tinh tế, nhưng vẫn là kiến trúc phổ biến nhất ngày nay vì cài đặt của nó là lớn nhất.

Ngược lại, nhiều kiến trúc RISC được thiết kế cực kỳ tinh tế, được xây dựng bởi những nhà khoa học máy tính hàng đầu, nhưng cuối cùng thất bại. Điều này chỉ ra rằng: sức mạnh cài đặt mới xác định kiến trúc, mọi thứ khác chỉ là yếu tố phụ.

Khi đó, CUDA đối mặt với sự cạnh tranh, chẳng hạn như OpenCL và các công nghệ khác. Quyết định quan trọng mà chúng tôi đã đưa ra là: vì sức mạnh cài đặt mới quan trọng nhất, chúng tôi cần nghĩ cách để kiến trúc mới này sớm được tung ra trên thị trường.

Lúc đó, GeForce đã rất thành công, hàng triệu GPU được xuất hàng mỗi năm. Vì vậy, chúng tôi quyết định đưa CUDA vào mỗi chiếc GeForce, để nó đến tay mọi PC—dù người dùng có sử dụng hay không. Điều này là cách nhanh nhất để xây dựng sức mạnh cài đặt mới.

Cùng lúc đó, chúng tôi đến các trường đại học, viết tài liệu giảng dạy, mở khóa học, mang CUDA đến mọi nơi. Thời đó, PC là nền tảng tính toán chính, chưa có đám mây. Thực tế, chúng tôi đã đưa một "siêu máy tính" vào tay từng sinh viên, từng nhà nghiên cứu.

Nhưng vấn đề làm giá GPU tăng mạnh, gần như tiêu tốn toàn bộ lợi nhuận gộp của công ty. Vào thời điểm đó, vốn hóa thị trường của công ty là khoảng sáu đến bảy tỷ USD, sau khi ra mắt CUDA, do tăng chi phí, vốn hóa thị trường giảm xuống cỡ 15 tỷ USD. Chúng tôi đã trải qua giai đoạn rất khó khăn, nhưng chúng tôi đã vượt qua được.

Tôi luôn nói, NVIDIA chính là ngôi nhà được xây dựng bởi GeForce. Bởi vì chính GeForce đã mang CUDA đến với mọi người. Người nghiên cứu, nhà khoa học, kỹ sư, tất cả đều đã phát hiện ra CUDA thông qua GeForce. Rất nhiều người từng là game thủ, họ tự lắp ráp PC, xây dựng cụm máy trên cơ sở các bộ phận PC, đó chính là điểm xuất phát cho sự phát triển của CUDA.

Lex Fridman: Sau đó, điều này trở thành nền tảng cơ bản của cách mạng Học sâu.

Jensen Huang: Đúng vậy, đó là một quan sát rất quan trọng.

Lex Fridman: Trong thời điểm gần như "sinh tử", bạn còn nhớ cách nội bộ thảo luận về vấn đề đó không?

Jensen Huang: Tôi phải giải thích rõ với Hội đồng quản trị những gì chúng tôi đang làm, và ban điều hành cũng hiểu rằng lợi nhuận gộp của chúng tôi sẽ bị nén hẹp nặng nề. Bạn có thể tưởng tượng một tình huống: GeForce chịu trách nhiệm cho chi phí CUDA, nhưng người chơi game không chịu trả tiền vì điều đó. Họ chỉ muốn trả một giá cố định, không bao giờ trả thêm vì chi phí bạn đã tăng lên.

Chúng tôi đã tăng chi phí lên 50%, trong khi tỷ suất lợi nhuận gộp của công ty chỉ có 35%, vì vậy đây là một quyết định rất khó khăn. Nhưng chúng ta có thể dự đoán một tương lai: CUDA sẽ tiến vào máy trạm, tiến vào siêu máy tính, trong những lĩnh vực này, chúng ta có thể thu được lợi nhuận cao hơn. Logic có thể thuyết phục bạn rằng điều đó là khả thi, nhưng thực sự thực hiện nó, vẫn mất mười năm.

Lex Fridman: Nhưng nó chủ yếu là truyền đạt với Hội đồng quản trị. Từ góc nhìn cá nhân của bạn, bạn đã ra sao để đưa ra quyết định "đánh cược vào tương lai" như vậy? NVIDIA luôn dự đoán tương lai, thậm chí định nghĩa tương lai bằng những quyết định mạnh mẽ, bạn đã làm điều đó như thế nào?

Jensen Huang: Đầu tiên, tôi rất tò mò. Sau đó, có quá trình lý luận mang lại sự tin chắc rằng một kết quả nhất định sẽ xảy ra. Khi tôi thực sự tin tưởng vào một điều gì đó trong tâm trí, tương lai đó trở nên rất rõ ràng, gần như không thể không xảy ra. Trong quá trình đó, thường có nhiều cực khổ, nhưng bạn phải tin vào điều bạn tin tưởng.

Lex Fridman: Vậy bạn trước hết xây dựng tương lai trong tâm trí, sau đó mới thực hiện nó bằng cách kỹ thuật?

Jensen Huang:

Đúng. Bạn sẽ lý luận về cách đạt được điều đó, tại sao nó phải tồn tại. Chúng tôi sẽ lý luận lặp đi lặp lại, toàn bộ ban điều hành cũng tham gia, chúng tôi sẽ dành rất nhiều thời gian cho việc đó.

Tiếp theo là một khả năng quan trọng. Nhiều nhà lãnh đạo sẽ im lặng trước tiên, học hỏi, sau đó một ngày đẹp trời đưa ra một "tuyên bố", như vào đầu năm mới, điều chỉnh lớn, cắt giảm lớn, tổ chức lại, nhiệm vụ mới, logo mới. Tôi không bao giờ làm như vậy.

Khi tôi nhận ra một điều gì đó quan trọng, tôi sẽ thông báo ngay lập tức cho mọi người xung quanh: Điều đó quan trọng, sẽ có tác động. Tôi sẽ từng bước giải thích rõ ràng. Rất nhiều lần tôi đã đưa ra quyết định, nhưng tôi sẽ sử dụng mọi cơ hội - thông tin mới, hiểu biết mới, tiến triển kỹ thuật mới - để liên tục định hình nhận thức của mọi người.

Tôi làm điều đó mỗi ngày, với Hội đồng quản trị, với ban lãnh đạo, với nhân viên. Tôi liên tục định hình hệ thống niềm tin của họ. Đến một ngày nào đó, khi tôi nói "Chúng ta sẽ mua lại Mellanox", tất cả mọi người đều cảm thấy đó là một quyết định rõ ràng.

Khi tôi nói "Chúng ta sẽ tập trung hết sức vào Học sâu", thực ra tôi đã chuẩn bị từ lâu. Khi tôi công bố thực sự, nhiều người sẽ tự hỏi: "Tại sao bạn mới nói bây giờ?"

Một cách nào đó, điều đó giống như "hướng dẫn từ phía sau", nhưng thực tế là bạn luôn định hình sự nhất quán. Bạn muốn mọi người cùng đi, chứ không phải bất ngờ công bố một quyết định mà không ai hiểu.

Lex Fridman: Và bạn không chỉ định hình nhận thức bên trong công ty mà còn đang định hình toàn bộ ngành.

Jensen Huang:

Thực ra chúng tôi không bán máy tính trực tiếp, cũng không bán đám mây trực tiếp. Chúng tôi là một công ty nền tảng tính toán. Chúng tôi thực hiện thiết kế tích hợp dọc ở mỗi tầng, nhưng đồng thời mở cửa ở mỗi tầng, để các công ty khác có thể tích hợp nó vào sản phẩm, dịch vụ, đám mây và siêu máy tính của riêng họ.

Vì vậy, nếu tôi không thể thuyết phục toàn bộ ngành trước, sản phẩm của tôi sẽ không thể triển khai. Đó cũng là lý do tại sao GTC rất quan trọng—nó là việc "dự báo tương lai". Khi chúng tôi thực sự phát hành sản phẩm, mọi người sẽ nói: "Tại sao bạn chỉ làm điều này bây giờ?"

AI Tại Sao Ngày Càng "Đốt Tiền"? Bốn Kiểu Scaling Đang Chồng Chéo

Lex Fridman: Bạn đã lâu tin tưởng vào định luật scaling, bây giờ bạn vẫn tin không?

Lưu ý: Định luật Scaling, thường được gọi là luật tỷ lệ, chỉ việc: Khi bạn liên tục tăng một số biến quan trọng, hiệu suất hệ thống sẽ tăng theo một cách ổn định, dễ dự đoán. Trong AI, thường nói đến việc: Mô hình càng lớn, dữ liệu càng nhiều, và sức mạnh tính toán càng mạnh, khả năng của mô hình thường càng mạnh.

Jensen Huang: Tất nhiên, và hiện tại có nhiều định luật scaling hơn.

Lex Fridman: Bạn đã đề cập đến bốn loại trước đó: tiền đào tạo, sau đào tạo, giai đoạn suy luận, và scaling agentic. Khi bạn nhìn xa hơn vào tương lai, dù là ngắn hạn hay dài hạn, có những "chướng ngại vật" tiềm năng nào mà bạn thực sự lo lắng không? Có những vấn đề nào mà bạn cảm thấy cần phải giải quyết, thậm chí khiến bạn mất ngủ không?

Jensen Huang: Chúng ta có thể quay đầu lại nhìn xem, các "chướng ngại vật" mà mọi người từng nghĩ.

Ban đầu là tiền đào tạo scaling, mọi người nghĩ rằng dữ liệu chất lượng cao có hạn sẽ hạn chế sức mạnh thông minh của AI. Ilya Sutskever thậm chí đã nói "Chúng ta sắp hết dữ liệu", ngành công nghiệp một thời gian trong tình trạng hoảng loạn. Nhưng sự thật đã chứng minh rằng điều đó không đúng. Chúng ta sẽ tiếp tục mở rộng nguồn dữ liệu, trong đó một phần lớn sẽ là dữ liệu tổng hợp. Thực tế, thông tin mà con người truyền đạt lẫn nhau về bản chất cũng là "tổng hợp". Bạn tạo ra nội dung, tôi tiêu thụ nó, sau đó xử lý và truyền bá. Bây giờ AI có thể xuất phát từ dữ liệu thực, mở rộng, tăng cường, tạo ra lượng lớn dữ liệu. Do đó, giai đoạn sau đào tạo vẫn đang mở rộng. Trong tương lai, hạn chế mô hình huấn luyện sẽ không còn là dữ liệu, mà là sức mạnh tính toán.

Lưu ý: Ilya Sutskever là một trong những người sáng lập và cựu giám đốc khoa học của OpenAI, một trong những người đẩy mạnh lĩnh vực học sâu, đã tham gia vào các bước tiến quan trọng như AlexNet, có ảnh hưởng sâu rộng đối với mô hình lớn và hướng mở rộng trí tuệ nhân tạo.

Tiếp theo là giai đoạn suy luận. Trước đây, nhiều người cho rằng suy luận rất đơn giản, khó khăn ở việc huấn luyện. Nhưng điều này thực ra không hợp lý, vì suy luận ở bản chất là "tư duy", và tư duy khó hơn nhiều so với "đọc hiểu". Huấn luyện giống như là ghi nhớ và nhận diện mẫu, trong khi suy luận liên quan đến suy luận, lập kế hoạch, tìm kiếm, phân tích vấn đề, tất cả đều yêu cầu một lượng lớn tính toán. Thực tế đã chứng minh, đánh giá ban đầu của chúng tôi là chính xác, tính toán trong suy luận rất cồng kềnh.

Một bước tiếp theo là quá trình mở rộng dạng cơ cấu. Hiện tại, chúng tôi không chỉ là một mô hình, mà là một "hệ thống đại diện", có thể gọi tới công cụ, truy cập cơ sở dữ liệu, tạo ra hệ thống đại diện con. Giống như một công ty, thay vì nâng cao khả năng của một người, dễ dàng hơn là mở rộng khả năng thông qua việc tăng cường đội ngũ. Trí tuệ nhân tạo cũng vậy, có thể nhân bản, mở rộng nhanh chóng. Vì vậy, đây là luật mở rộng mới.

Các quy trình này sẽ tạo thành một vòng lặp: hệ thống đại diện tạo ra dữ liệu, dữ liệu quay trở lại huấn luyện tiền đào tạo, sau đó vào huấn luyện phía sau, sau đó là suy luận, sau đó vào hệ thống đại diện, lặp đi lặp lại không ngừng. Cuối cùng, sự tăng trưởng của trí tuệ được rút ngắn thành một biến chính: sức mạnh tính toán.

Lex Fridman: Nhưng có một khía cạnh khó khăn ở đây, bạn phải dự đoán trước những thay đổi này, vì mỗi giai đoạn đòi hỏi phần cứng khác nhau, chẳng hạn như kiến trúc MoE, tính hở v.v. Nhưng chu kỳ của phần cứng là vài năm, bạn không thể điều chỉnh bất cứ lúc nào.

Jensen Huang: Chính xác. Kiến trúc mô hình trí tuệ nhân tạo thay đổi khoảng mỗi 6 tháng, trong khi kiến trúc hệ thống và phần cứng thay đổi khoảng mỗi 3 năm. Vì vậy, bạn phải dự đoán trước khoảng hai ba năm. Phương pháp của chúng tôi gồm ba điều: thứ nhất, chúng tôi tự nghiên cứu, bao gồm cả nghiên cứu cơ bản và ứng dụng, chúng tôi tự thực hiện mô hình; thứ hai, chúng tôi hợp tác với gần như tất cả các công ty trí tuệ nhân tạo, hiểu rõ thách thức của họ; thứ ba, chúng tôi xây dựng một kiến trúc đủ linh hoạt, chẳng hạn như CUDA, vừa hiệu quả vừa linh hoạt.

Ví dụ, sau khi MoE ra đời, chúng tôi giới thiệu NVLink 72, có thể chạy một mô hình 100 nghìn tỷ tham số như một GPU. Hoặc như thiết kế của rack Grace Blackwell và Vera Rubin, chúng hoàn toàn khác biệt, vì cái trước dành cho suy luận LLM, còn cái sau dành cho hệ thống đại diện.

Lưu ý: Grace Blackwell rack là hệ thống tính toán trí tuệ nhân tạo cấp máy tính toàn diện mà NVIDIA tung ra dành cho huấn luyện và suy luận mô hình lớn, hợp nhất Grace CPU và Blackwell GPU thông qua kết nối cực lớn băng thông, đóng vai trò như đơn vị năng lực trung tâm trong “nhà máy trí tuệ nhân tạo”; Vera Rubin rack là kiến trúc cơ sở hạ tầng AI thế hệ tiếp theo của NVIDIA (sau Blackwell), hướng đến hệ thống đại diện phức tạp hơn và kịch bản suy luận quy mô lớn, nhấn mạnh sự phối hợp hệ thống và hiệu quả năng lượng cao hơn.

Lex Fridman: Những thiết kế này đã hoàn thành trước khi Claude Code, Codex, OpenClaw xuất hiện, bạn đã dự đoán như thế nào?

Jensen Huang: Thực ra không khó, bạn chỉ cần suy luận. Giả sử LLM phải trở thành một "nhân viên kỹ thuật số", nó phải truy cập dữ liệu thực, thực hiện nghiên cứu, sử dụng công cụ. Vì vậy, nó chắc chắn sẽ có hệ thống I/O, sẽ gọi các công cụ. Một số người nói rằng AI sẽ thay thế phần mềm, điều này không đúng. Giống như một robot, nó sẽ không biến tay thành búa hoặc dao mổ, mà là sử dụng công cụ. Lần đầu tiên không biết cách sử dụng cũng không sao, nó có thể đọc sách hướng dẫn, sớm học được. Vì vậy, những khả năng này là không thể tránh khỏi.

Khi bạn suy luận như vậy, bạn sẽ nhận ra rằng thực ra chúng ta đã tái phát minh máy tính. Hai năm trước, tôi đã nói về kiến trúc agent tại GTC, hôm nay gần như tương ứng hoàn toàn với OpenClaw. Ý nghĩa của OpenClaw đối với agent giống như ChatGPT đối với AI sinh sẽ.

Lex Fridman: Đúng là một khoảnh khắc đặc biệt.

Jensen Huang: Đúng vậy.

Lex Fridman: Nhưng có một vấn đề ở đây, đó là khi công nghệ trở nên mạnh mẽ đến thế, nó cũng mang theo rủi ro về an ninh. Chúng ta cả cá nhân và xã hội đều đang cố gắng tìm ra một sự cân bằng.

Jensen Huang: Đúng vậy, chúng tôi đã sớm đưa vào một số chuyên gia an ninh để nghiên cứu vấn đề này. Chúng tôi đã phát triển một hệ thống gọi là OpenShell, hiện đã tích hợp vào OpenClaw. Đồng thời NVIDIA cũng đã giới thiệu NemoClaw.

Lex Fridman: Đúng, việc cài đặt nó cũng rất đơn giản và có thể đảm bảo an toàn cho hệ thống.

Jensen Huang: Chúng tôi đưa ra một nguyên tắc: vào bất kỳ thời điểm nào, chỉ được sở hữu hai trong ba khả năng, truy cập dữ liệu nhạy cảm, thực thi mã, truyền thông ra ngoài. Nếu đồng thời có cả ba khả năng, sẽ mang lại rủi ro. Vì vậy chúng tôi đảm bảo an ninh thông qua cách "chọn hai trong ba" này. Đồng thời, chúng tôi cũng tích hợp kiểm soát truy cập doanh nghiệp, và bộ máy chính sách, cho phép doanh nghiệp quản lý dựa trên hệ thống quyền của chính họ. Chúng tôi sẽ cố gắng biến OpenClaw trở nên an toàn và dễ kiểm soát hơn.

Điểm cuối của AI không phải là thuật toán, mà là điện

Lex Fridman: Bạn vừa nói rất nhiều về những thứ trước đây được coi là rào cản, nhưng sau đó đã được vượt qua. Vậy nhìn vào hiện tại, trong tương lai mà agent sẽ trở nên phổ biến mọi nơi, rào cản thực sự sẽ là gì?

Jensen Huang: Công suất là một vấn đề, nhưng không phải là duy nhất. Đó cũng là lý do tại sao chúng tôi đầu tư nhiều nỗ lực vào Thiết kế Cực Điểm Tương Hợp - chúng tôi muốn liên tục nâng cao hiệu suất "số token mỗi watt mỗi giây". Trong 10 năm qua, Định luật Moore đã giúp nâng cao khả năng tính toán khoảng 100 lần, trong khi chúng tôi đã nâng khả năng tính toán lên một triệu lần thông qua mở rộng hệ thống. Trong tương lai, chúng tôi sẽ tiếp tục làm như vậy. Hiệu suất góp phần trực tiếp vào doanh thu của công ty, cũng như doanh thu của "nhà máy AI". Mặc dù giá cứng là đang tăng, nhưng hiệu suất tạo token tăng nhanh hơn, vì vậy chi phí token thực tế đang giảm một cấp độ mỗi năm.

Lex Fridman: Vì vậy, một hướng là tăng cường hiệu suất, một hướng khác là có được nhiều điện lực hơn. Ví dụ như lò phản ứng hạt nhỏ và những thứ tương tự. Vậy bạn có lo ngại về chuỗi cung ứng không? Ví dụ như máy phát quang EUV của ASML, đóng gói tiên tiến của TSMC, bộ nhớ băng thông cao của SK Hynix?

Jensen Huang: Tôi liên tục theo dõi vấn đề này mỗi ngày và liên tục xử lý. Không có một công ty nào giống như chúng tôi, đồng thời đang tăng trưởng nhanh và tăng trưởng nhanh hơn. Điều này rất khó hiểu. Trong thị trường tính toán AI, phần trăm thị phần của chúng tôi đang tiếp tục mở rộng, vì vậy chuỗi cung ứng từ trên xuống và từ dưới lên đều rất quan trọng. Tôi dành nhiều thời gian nói chuyện với CEO của các công ty này, cho họ biết điều gì sẽ xảy ra trong tương lai, nguồn tăng trưởng ở đâu. Dãy CEO mà bạn đã thấy tại GTC, gần như bao gồm toàn bộ cung ứng của IT và hạ tầng cơ sở. Tôi cho họ biết về tình hình kinh doanh hiện tại, điểm mạnh tăng trưởng trong tương lai, và sự thay đổi sắp xảy ra, giúp họ đưa ra quyết định đầu tư dựa trên đó.

Tôi cũng sẽ tự đi thăm họ, thông báo cho họ về những gì sẽ xảy ra trong vài quý tiếp theo, trong một năm tới, và trong vài năm tới. Ví dụ, trong ngành DRAM, ba năm trước, tôi đã nói, bộ nhớ băng thông cao (HBM) sẽ trở thành bộ nhớ chính của trung tâm dữ liệu. Lúc ấy nghe có vẻ vô lý, nhưng một số CEO tin vào và bắt đầu đầu tư. Một ví dụ khác là bộ nhớ tiết kiệm điện dành cho điện thoại (LPDDR), chúng tôi cũng đã thuyết phục họ mang vào trung tâm dữ liệu. Bây giờ những công nghệ này đều đã đạt được thành công rất lớn.

Lex Fridman: Vì vậy, bạn không chỉ định hình NVIDIA, mà còn đang định hình tương lai của toàn bộ chuỗi cung ứng.

Jensen Huang: Đúng, cả cung và cầu đều ở cùng một nơi.

Lex Fridman: Nhưng chuỗi cung ứng này quá phức tạp, bao gồm khoa học sâu, kỹ thuật, sản xuất, và cả hàng trăm nhà cung cấp, cảm giác rất dễ tổn thương.

Jensen Huang: Thật sự rất phức tạp. Một khung rack của chúng tôi có khoảng 1,3 triệu thành phần, liên quan đến hơn 200 nhà cung cấp. Đây là một hệ thống cực kỳ phức tạp.

Lex Fridman: Nhưng dường như bạn không coi chuỗi cung ứng là chướng ngại vật quan trọng nhất phải không?

Jensen Huang: Bởi vì tôi đã thiết lập từng bước một, nên tôi có thể ngủ một cách yên bình. Chúng tôi sẽ suy luận từ nguyên lý cơ bản: sự thay đổi trong kiến trúc hệ thống có ý nghĩa gì? Phần mềm sẽ thay đổi như thế nào? Quy trình kỹ thuật sẽ thay đổi như thế nào? Chuỗi cung ứng sẽ thay đổi như thế nào? Ví dụ như khung NVLink 72, đã chuyển sự tích hợp siêu máy tính từ bên trong trung tâm dữ liệu ra phía chuỗi cung ứng. Trước đây, các linh kiện được chuyển đến trung tâm dữ liệu sau đó lắp ráp, nhưng bây giờ chúng ta lắp ráp hệ thống hoàn chỉnh trực tiếp trong chuỗi cung ứng, sau đó vận chuyển qua.

Điều này có nghĩa là chuỗi cung ứng cần phải có khả năng sản xuất mạnh mẽ hơn, chẳng hạn như hỗ trợ kiểm tra năng lượng quy mô lớn. Chúng tôi thậm chí cần chuỗi cung ứng có khả năng năng lượng cấp gigawatt để kiểm tra các hệ thống này. Vì vậy, tôi sẽ trực tiếp tiếp xúc với các nhà cung cấp và cho họ biết về nhu cầu trong tương lai, và yêu cầu họ đầu tư hàng tỷ đô la vào. Họ tin tưởng tôi, và tôi cũng sẽ cung cấp đủ thông tin và thời gian cho họ để hiểu rõ những thay đổi này.

Lex Fridman: Vậy bạn có lo lắng về các chướng ngại vật cụ thể nào không? Ví dụ như EUV, khả năng đóng gói?

Jensen Huang: Không. Bởi vì tôi đã nói với họ tôi cần gì, và họ cũng đã nói với tôi họ sẽ làm thế nào, tôi tin tưởng họ.

Lex Fridman: Vậy chúng ta quay trở lại với vấn đề năng lượng. Ông nghĩ sao về vấn đề năng lượng?

Jensen Huang: Tôi rất hy vọng mọi người chú ý đến một sự thật: lưới điện của chúng ta được thiết kế dựa trên "tình huống tồi tệ nhất", chẳng hạn như nhu cầu cực đoan trong thời tiết. Nhưng thực tế, trong 99% thời gian, chúng ta không bao giờ đạt đến đỉnh điểm này, phần lớn thời gian có thể chỉ hoạt động ở mức khoảng 60%. Điều này có nghĩa là, trong phần lớn thời gian, lưới điện có một lượng dư công suất lớn, nhưng công suất này phải tồn tại, bởi vì trong những thời điểm quan trọng, bệnh viện, sân bay và cơ sở hạ tầng cần phải có điện.

Vì vậy, tôi tự hỏi, liệu chúng ta có thể thiết kế một cơ chế, khi lưới điện cần hoạt động ở công suất cao, trung tâm dữ liệu giảm tiêu thụ điện; trong phần lớn thời gian, tận dụng năng lượng dư thừa này? Ví dụ, trung tâm dữ liệu có thể giảm hiệu suất vào giờ cao điểm, di chuyển công việc, thậm chí giảm chất lượng dịch vụ một cách tạm thời. Như vậy chúng ta có thể tận dụng lưới điện một cách hiệu quả hơn.

Nhưng vấn đề hiện tại là một ba phía: thứ nhất, khách hàng yêu cầu trung tâm dữ liệu phải sẵn sàng 100%; thứ hai, thiết kế của trung tâm dữ liệu phải hỗ trợ việc giảm công suất động; thứ ba, các công ty điện cần cung cấp mô hình cung cấp điện linh hoạt hơn. Nếu cả ba điều này đều được thực hiện, chúng ta có thể cải thiện đáng kể hiệu quả sử dụng điện năng.

Vì vậy, tôi nghĩ rằng trong tương lai, cách chúng ta sử dụng máy tính và xây dựng trung tâm dữ liệu không nên đòi hỏi uptime 100% mù quáng. Hiện nay, những hợp đồng rất nghiêm ngặt này thực sự tạo áp lực lớn cho lưới điện, vì chúng yêu cầu lưới điện không chỉ đáp ứng tải cao nhất mà còn phải mở rộng từ đó. Nhưng điều tôi thực sự muốn tận dụng chỉ là phần năng lượng dư thừa ban đầu đang không sử dụng.

Lex Fridman: Điều này thực sự chưa được thảo luận đầy đủ. Vậy bạn nghĩ rằng hiện tại các trở ngại là gì?

Jensen Huang: Tôi nghĩ rằng đây là một vấn đề ba phía.

Thứ nhất là khách hàng cuối. Khách hàng cuối sẽ đặt yêu cầu cho trung tâm dữ liệu: bạn không thể bao giờ mất kết nối, không thể bao giờ không sẵn sàng. Điều đó có nghĩa là, khách hàng mong muốn sự hoàn hảo. Và để đạt được sự hoàn hảo đó, bạn cần cả máy phát điện dự phòng, cũng như nhà cung cấp điện lưới cũng phải gần như hoàn hảo. Vì vậy mọi khía cạnh đều phải theo đuổi "sáu chữ số".

Chú thích: "Sáu chữ số" đề cập đến khả năng sử dụng 99.9999%.

Vì vậy, tôi nghĩ rằng điều quan trọng đầu tiên là phải khiến tất cả các khách hàng, tất cả các CEO thấu hiểu thực sự họ đang đòi hỏi gì. Rất nhiều lúc, người kí kết các hợp đồng này thực sự chỉ là một người trong nhóm vận hành trung tâm dữ liệu, xa lánh với CEO. Tôi dám cá rằng, rất nhiều CEO hoàn toàn không biết các điều khoản của hợp đồng này là gì. Tôi sẽ chuẩn bị để trò chuyện với họ.

Những CEO này có thể hoàn toàn không quan tâm đến những hợp đồng đang ký. Mỗi người đều muốn ký một hợp đồng tốt nhất, điều này hoàn toàn có thể hiểu. Sau đó những yêu cầu này được truyền cho nhà cung cấp dịch vụ đám mây, nhà cung cấp dịch vụ đám mây truyền cho công ty điện lực, vì vậy toàn bộ chuỗi đang đòi hỏi "sáu chữ số". Vì vậy, bước đầu tiên là khiến khách hàng và CEO thấu hiểu thực sự họ đang đòi hỏi điều gì.

Vấn đề thứ hai là chúng ta cần xây dựng trung tâm dữ liệu có thể "giảm cấp độ một cách tinh tế". Điều đó có nghĩa, nếu lưới điện nói với chúng tôi: "Bạn phải giảm điện sử dụng xuống còn 80%." Chúng ta nên nói: "Không vấn đề."

Chúng ta có thể lập lịch công việc lại. Chúng tôi sẽ đảm bảo dữ liệu không bao giờ bị mất, nhưng có thể giảm tốc độ tính toán, tiết kiệm điện. Chất lượng dịch vụ sẽ giảm đi một chút. Đối với công việc quan trọng nhất, tôi sẽ ngay lập tức di chuyển nó đến một nơi khác, như vậy sẽ không bị ảnh hưởng. Vì vậy, trung tâm dữ liệu nào có thể vẫn giữ 100% uptime, hãy để nó chịu trách nhiệm cho phần quan trọng nhất đó.

Lex Fridman: Vậy việc phân bổ năng lượng thông minh, linh hoạt như vậy đối với trung tâm dữ liệu, độ khó kỹ thuật là bao nhiêu?

Jensen Huang: Chỉ cần bạn có thể xác định rõ vấn đề, bạn sẽ có thể kỹ thuật hóa nó. Bạn đã đặt câu hỏi rất tốt. Chỉ cần nó tuân theo nguyên lý cơ bản của định luật vật lý, tôi nghĩ chúng ta có thể làm được.

Lex Fridman: Bạn vừa nói về ba điều, điều thứ ba là gì nhỉ?

Jensen Huang: Điều thứ hai là trung tâm dữ liệu chính, và điều thứ ba, công ty tiện ích cũng cần nhận ra rằng đây thực sự là một cơ hội.

Họ không thể luôn nói: "Bạn phải đợi năm năm nữa, tôi mới có thể mở rộng năng lực lưới điện lên mức đó." Nếu bạn sẵn lòng chấp nhận mức độ dịch vụ cung cấp điện ổn định đó, thì thực ra tháng sau tôi đã có thể cung cấp điện cho bạn với giá đó.

Vì vậy nếu các công ty tiện ích cũng có thể cam kết cung cấp nhiều hơn về dịch vụ cung cấp điện phân tầng, tôi nghĩ thị trường sẽ tự tìm ra giải pháp tương ứng. Hiện tại, lãng phí trong lưới điện quá nhiều, chúng ta nên tận dụng nó.

Lex Fridman: Bạn trước đó cũng đã ca ngợi khả năng xây dựng máy tính siêu lớn Colossus của Elon Musk tại Memphis. Theo bạn, có điều gì từ cách làm của anh ấy mà bạn nghĩ là đáng học hỏi?

Jensen Huang: Elon hoạt động trong rất nhiều lĩnh vực, nhưng anh ấy là người suy nghĩ về hệ thống rất mạnh mẽ. Anh ấy luôn hỏi: liệu việc này thực sự cần thiết không? Phải làm như vậy không? Tại sao phải mất thời gian? Anh ấy nén hệ thống xuống cấp độ tối thiểu cần thiết nhất, đồng thời vẫn duy trì khả năng cốt lõi.

Anh ấy cũng là người rất "hiện trường", nơi có vấn đề anh ấy sẽ tới đó. Anh ấy phá vỡ rất nhiều "quy chuẩn" và "quy trình", để việc diễn ra đúng cách. Ngoài ra, tinh thần cấp bách của anh ấy làm lan tỏa đến toàn bộ chuỗi cung ứng. Anh ấy khiến tất cả các nhà cung cấp đều đặt mình ở vị trí quan trọng nhất, điều này rất quan trọng.

Lex Fridman: Trong Thiết kế Đồng bộ của bạn tại NVIDIA, bạn có phương pháp tương tự không?

Jensen Huang: Thiết kế Đồng bộ chính là hình thức tối ưu của kỹ thuật hệ thống. Chúng tôi còn có một triết lý gọi là "Tư duy Tốc độ ánh sáng". Điều này không chỉ là về tốc độ, mà là về giới hạn vật lý. Chúng tôi đặt tất cả vấn đề so sánh với giới hạn vật lý: tốc độ bộ nhớ, tốc độ tính toán, công suất, chi phí, thời gian, chu kỳ sản xuất, v.v. Chúng tôi trước tiên hỏi: Dưới giới hạn vật lý, vấn đề này có thể thực hiện đến đâu? Sau đó mới thực hiện sự lựa chọn trong thực tế.

Tôi không quá thích phương pháp "Tối ưu hóa liên tục" như vậy. Nếu một quy trình hiện tại là 74 ngày, có người nói có thể tối ưu hóa xuống còn 72 ngày, tôi không chấp nhận. Tôi thích hơn hết là bắt đầu từ đầu và hỏi: Tại sao lại là 74 ngày? Nếu thiết kế từ đầu, có thể thực hiện trong bao lâu? Rất nhiều lần câu trả lời có thể là 6 ngày. Sau đó, bạn lại đi tìm hiểu lý do của 68 ngày còn lại.

Lex Fridman: Trong một hệ thống phức tạp như vậy, nguyên tắc "đơn giản" vẫn quan trọng không?

Jensen Huang: Chắc chắn. Chúng tôi theo đuổi "sự phức tạp cần thiết" và "sự đơn giản càng tối giản càng tốt". Chúng tôi luôn đặt ra câu hỏi: Sự phức tạp này có cần thiết không? Nếu không cần thiết, hãy loại bỏ nó.

Lex Fridman: Nhưng hệ thống của bạn đã rất phức tạp rồi, ví dụ như Vera Rubin pod, với hàng nghìn tỷ bóng bán dẫn, hàng nghìn GPU.

Jensen Huang: Đúng vậy, đây là hệ thống máy tính phức tạp nhất trên thế giới.

Lex Fridman: Điều này rất thú vị. Bạn vừa mới đến Trung Quốc. Vì vậy, tôi muốn hỏi bạn một câu hỏi: Trong vòng mười năm qua, sự phát triển nhanh chóng của Trung Quốc trong ngành công nghệ đã làm nhiều người kinh ngạc. Bạn nghĩ họ đã làm thế nào trong thời gian ngắn như vậy để xây dựng nên nhiều công ty hàng đầu thế giới, các đội ngũ kỹ sư hàng đầu thế giới, và một hệ sinh thái công nghệ có thể liên tục tạo ra các sản phẩm tuyệt vời như vậy không?

Jensen Huang:

Có nhiều lý do. Chúng ta hãy bắt đầu với một số sự thật cơ bản. Khoảng một nửa số nghiên cứu viên AI trên toàn cầu là người Trung Quốc, xấp xỉ như vậy, và hầu hết trong số họ vẫn đang ở Trung Quốc. Chúng ta cũng có nhiều, nhưng Trung Quốc vẫn sở hữu một lượng lớn nhà nghiên cứu xuất sắc. Ngành công nghiệp công nghệ của Trung Quốc xuất hiện vào một thời điểm rất quan trọng - thời đại di động và đám mây, con đường đóng góp chính của họ là phần mềm, và đất nước này tích cực trong việc giáo dục khoa học và toán học, với mức độ học vấn của giới trẻ rất cao. Do đã trưởng thành trong thời đại phần mềm, họ rất quen thuộc với cấu trúc phần mềm hiện đại.

Ngoài ra, Trung Quốc không phải là một thể chế kinh tế duy nhất, mà bao gồm nhiều tỉnh thành và thành phố, giữa các vùng tồn tại mối quan hệ cạnh tranh. Đó cũng là lý do tại sao bạn thấy có rất nhiều công ty ô tô điện mới, rất nhiều công ty AI, và hầu như tất cả các ngành đều có nhiều công ty cùng thời điểm đang làm những điều tương tự. Cuộc cạnh tranh nội bộ này rất quyết liệt, những gì cuối cùng tồn tại thường là những công ty rất xuất sắc.

Đồng thời, văn hóa xã hội của họ là "Gia đình là trên hết, bạn bè là tiếp theo, công ty là sau cùng." Trong cấu trúc này, việc trao đổi thông tin giữa các công ty rất thường xuyên, và bản chất là một môi trường dài hạn mở. Do đó, đầu tư vào mã nguồn mở của họ cũng tự nhiên thay vì qua đường như thế nào: "Chúng ta đang bảo vệ điều gì?" Có rất nhiều mối quan hệ chồng chéo giữa kỹ sư - họ có thể là người thân, bạn bè, bạn cùng lớp, và "bạn cùng lớp" hầu như là mối quan hệ tới cuối đời. Điều này khiến việc truyền bá kiến thức rất nhanh chóng, công nghệ chính nó không có động cơ đóng cửa mạnh mẽ, và mã nguồn mở lại trở nên hiệu quả hơn. Sự cộng đồng mã nguồn mở càng mở rộng và tăng tốc quá trình đổi mới.

Do đó, bạn sẽ thấy rằng yếu tố kết hợp giữa tài năng xuất sắc, sáng tạo nhanh chóng theo hướng mã nguồn mở, mạng lưới mối quan hệ rất mạnh, cùng với sự cạnh tranh cực kỳ gay gắt, cuối cùng đã tạo ra những thành tựu công nghệ rất mạnh mẽ. Từ góc độ này, Trung Quốc hiện đang là quốc gia có tốc độ sáng tạo nhanh nhất trên thế giới. Tất cả những điều này đều xuất phát từ những yếu tố cơ bản — hệ thống giáo dục, sự chú trọng của gia đình vào việc học tập, cấu trúc văn hoá, và họ đang ở ngay tại cửa sổ thời gian then chốt của sự phát triển công nghệ theo cấp số nhân.

Lex Fridman: Về mặt văn hoá, việc trở thành một kỹ sư là một điều rất "cool".

Jensen Huang: Chính xác, đó là một "quốc gia theo mô hình của kỹ sư". Nhiều lãnh đạo ở Mỹ có bề nền về luật pháp, điều này là để duy trì trật tự và ổn định chính trị; trong khi ở Trung Quốc, nhiều nhà lãnh đạo chính là những kỹ sư xuất sắc.

Lex Fridman: Bạn vừa nói về mã nguồn mở, tôi muốn tiếp tục nói về vấn đề này. Bạn luôn rất ủng hộ Perplexity.

Jensen Huang: Rất thích.

Lex Fridman: Cũng cảm ơn anh vì đã mã nguồn mở Nemotron 3 Siêu, mô hình MoE 1200 tỉ tham số này hiện cũng có thể sử dụng trong Perplexity. Bạn nhìn nhận thế nào về ý nghĩa dài hạn của mã nguồn mở? Các công ty như DeepSeek, MiniMax ở Trung Quốc đều đang thúc đẩy AI mã nguồn mở, trong khi NVIDIA cũng đang phát triển mô hình mã nguồn mở tiến gần đến SOTA, quan điểm tổng thể của bạn là gì?

Jensen Huang: Đầu tiên, nếu chúng ta muốn trở thành một công ty tính toán AI xuất sắc, chúng ta phải hiểu rằng mô hình đã phát triển như thế nào. Tôi rất thích điểm của Nemotron 3 ở chỗ, đó không phải là một Transformer thuần túy, mà là sự kết hợp giữa Transformer và SSM. Chúng ta cũng sớm đầu tư vào GAN có điều kiện, GAN tiến triển từng bước cho đến diffusion. Chính việc tích luỹ này trong cấu trúc mô hình và nghiên cứu cơ bản đã giúp chúng ta có thể dự đoán trước được hệ thống tính toán mô hình trong tương lai cần những gì, điều này chính là một phần của "thiết kế song phối tận cùng" của chúng tôi.

Thứ hai, mặt một mặt, chúng ta cần có các mô hình hàng đầu thế giới như sản phẩm, những mô hình này có thể là độc quyền; nhưng mặt khác, chúng ta cũng muốn AI có thể lan tỏa vào tất cả các ngành, tất cả các quốc gia, tất cả các nhà nghiên cứu và sinh viên. Nếu mọi thứ đều kín, thì rất khó để tiến hành nghiên cứu, cũng rất khó để tiếp tục sáng tạo từ điểm đó. Do đó, với rất nhiều ngành công nghiệp, mã nguồn mở là một điều kiện cần thiết để tham gia vào cuộc cách mạng AI. NVIDIA có quy mô, cũng có động lực, có thể xây dựng liên tục những mô hình này, chúng ta cũng có khả năng thúc đẩy toàn bộ hệ sinh thái, để đưa thêm nhiều người tham gia vào.

Điểm thứ ba là, Trí tuệ Nhân tạo không chỉ là ngôn ngữ. Trong tương lai, AI sẽ không chỉ sử dụng ngôn ngữ mà còn triệu hồi các công cụ, mô hình con, và liên quan đến các chế độ khác nhau như sinh học, hóa học, vật lý, lưu chất, nhiệt độ học, mà không phải tất cả đều tồn tại dưới dạng ngôn ngữ. Do đó, cần có người tiếp tục thúc đẩy phát triển trong các lĩnh vực dự báo thời tiết, AI sinh học, AI vật lý, v.v., và liên tục tiến gần hơn với tiền phong. Chúng tôi không sản xuất ô tô, nhưng hy vọng mọi hãng ô tô đều có thể sử dụng các mô hình tốt nhất; chúng tôi không nghiên cứu và phát triển thuốc, nhưng hy vọng các công ty như Lilly có thể sở hữu hệ thống AI sinh học tốt nhất.

Vì vậy, từ quan điểm về Phạm vi của AI, đầu mối của AI, và sự phối hợp tiến triển giữa AI và kiến trúc tính toán trong ba góc nhìn này, mã nguồn mở là cần thiết.

Lex Fridman: Một lần nữa, cảm ơn bạn đã phát hành Nemotron 3 dưới dạng mã nguồn mở.

Jensen Huang: Chúng tôi không chỉ phát hành mô hình mã nguồn mở, mà còn phát hành trọng số, dữ liệu, và phương pháp xây dựng.

Lex Fridman: Quả thực là rất tuyệt vời.

Jensen Huang: Cảm ơn.

Lex Fridman: Bạn sinh ra tại Đài Loan Trung Quốc, và đã hợp tác lâu dài với TSMC. Tôi muốn hỏi, bạn hiểu như thế nào về văn hóa của TSMC, và làm thế nào họ có thể đạt được thành công đặc biệt như vậy?

Jensen Huang: Sự hiểu lầm lớn nhất của thế giới bên ngoài về TSMC, là họ nghĩ rằng lõi của họ chỉ là công nghệ. Tất nhiên, công nghệ của họ thực sự rất mạnh mẽ, bao gồm transistor, lớp kim loại, đóng gói tiên tiến, đóng gói 3D, và silic. Nhưng điều làm cho họ nổi bật thực sự, là khả năng phối hợp với mọi nhu cầu của ngành công nghiệp.

Họ phải đối mặt với hàng trăm khách hàng trên toàn cầu đang thay đổi liên tục: tăng hoặc giảm đơn hàng, chuyển đổi khách hàng, đặt hàng gấp, tạm ngừng sản xuất, khởi động lại, và nhiều hơn nữa. Trong một môi trường cực kỳ động đội như vậy, họ vẫn có thể duy trì tốc độ cao, hiệu suất cao, chi phí thấp, và dịch vụ cấp cao.

Họ rất nghiêm túc với sự cam kết. Khi họ nói rằng wafer sẽ được giao vào một thời điểm nào đó, thì chắc chắn sẽ được giao, và điều này liên quan trực tiếp đến hoạt động của công ty khách hàng. Do đó, hệ thống sản xuất của họ có thể xem là một kỳ tích.

Điểm thứ hai là văn hóa. Họ vẫn liên tục thúc đẩy sang phía trước công nghệ, đồng thời rất tập trung vào khách hàng. Nhiều công ty chỉ có thể làm tốt một trong hai, nhưng họ đã đưa cả hai điều này lên mức đẳng cấp thế giới.

Điểm thứ ba, là một tài sản vô hình, niềm tin. Điều này rất quan trọng. Tôi có thể xây dựng toàn bộ doanh nghiệp của mình trên nền tảng của họ, niềm tin này tích lũy từ việc hợp tác dài hạn.

Lex Fridman: Mức độ tin cậy này đến từ cả sự hợp tác lâu dài và mối quan hệ giữa con người.

Jensen Huang: Đúng vậy. Chúng ta đã hợp tác trong ba mươi năm, liên quan đến hàng chục, thậm chí cả trăm tỷ đô la doanh thu, nhưng giữa chúng ta không có hợp đồng.

Lex Fridman: Điều đáng kinh ngạc. Có một câu nói là vào năm 2013, nhà sáng lập TSMC Morris Chang đã mời bạn làm CEO, bạn từ chối, điều này có đúng không?

Jensen Huang: Đúng vậy. Tôi rất tự hào, nhưng vào thời điểm đó, tôi đã rõ ràng rằng công việc NVIDIA đang làm rất quan trọng. Tôi đã nhìn thấy tương lai của nó và cũng thấy tác động mà nó có thể mang lại. Điều này là trách nhiệm của tôi, và tôi phải hoàn thành nó. Vì vậy tôi từ chối, không phải vì cơ hội này không quan trọng, mà vì tôi không thể rời bỏ.

Lex Fridman: Tôi nghĩ rằng NVIDIA và TSMC đều là một trong những công ty vĩ đại nhất trong lịch sử nhân loại.

Jensen Huang: Cảm ơn.

Lex Fridman: Tôi phải hỏi một câu hỏi. Theo cụm từ thông thường trong ngành công nghệ, Hang chợt lớn nhất của bạn là gì? Nghĩa là Ưu thế cốt lõi của bạn trong việc chống lại cạnh tranh nằm ở đâu?

Jensen Huang:

Điểm cốt lõi nhất chính là quy mô nền tảng tính toán của chúng tôi, cụ thể là danh sách CUDA. Hai mươi năm trước, chúng tôi không có ưu thế này, nhưng hôm nay mọi thứ đã hoàn toàn thay đổi. Ngay cả khi có ai đó phát triển công nghệ tương tự CUDA, cũng khó thay đổi bối cảnh hiện tại. Bởi vì điều quan trọng không phải là chính công nghệ, mà là ưu thế hệ thống được hình thành từ khoản đầu tư dài hạn, sự lặp lại liên tục và mở rộng không ngừng.

Thành công của CUDA không phải do một số người hoàn toàn, mà là kết quả của công việc hợp tác của 43,000 nhân viên và triệu trường phòng phát triển. Trích dẫn từ ngữ giáo của họ để phát triển trên CUDA bởi họ tin rằng chúng tôi sẽ duy trì nền tảng này trong thời gian dài, tiếp tục đẩy mạnh sự phát triển của nó. Do đó, "danh sách cài đặt" chính là ưu thế quan trọng nhất.

Khi ưu thế quy mô này kết hợp với tốc độ thực hiện của chúng tôi, chúng tạo ra một rào cản mạnh mẽ hơn. Trong lịch sử, hiếm có công ty nào có thể xây dựng một hệ thống phức tạp như vậy với tốc độ như vậy, chưa kể việc liên tục lặp đi lặp lại hàng năm.

Từ góc độ của nhà phát triển, nếu bạn quyết định hỗ trợ CUDA, bạn có thể mong đợi rằng sau nửa năm nữa, nó sẽ mạnh mẽ hơn, đồng thời bạn cũng có thể tiếp cận hàng tỷ thiết bị trên toàn cầu, phủ sóng tất cả các nền tảng đám mây, hầu hết mọi ngành công nghiệp và mọi quốc gia. Nếu bạn mã nguồn mở một dự án, và ưu tiên hỗ trợ CUDA, bạn không chỉ có quy mô mà còn có tốc độ tăng trưởng.

Nhìn vào yếu tố "tin tưởng", các nhà phát triển tin rằng NVIDIA sẽ duy trì hệ sinh thái này lâu dài. Nếu tôi là một nhà phát triển, tôi sẽ ưu tiên lựa chọn CUDA.

Ưu điểm thứ hai là hệ sinh thái của chúng tôi. Chúng tôi tích hợp hệ thống tính toán theo chiều dọc một cách sâu rộng, đồng thời nhúng vào hầu hết các sản phẩm của các công ty theo chiều ngang. Chúng tôi có mặt trên Google Cloud, Amazon, Azure, cũng như trên các nền tảng đám mây mới như CoreWeave, đồng thời bao gồm siêu máy tính, hệ thống doanh nghiệp, thiết bị cạnh tranh, ô tô, robot, vệ tinh, thậm chí cả không gian.

Nói cách khác, một kiến trúc tính toán thống nhất đã lan rộng sang gần như mọi ngành.

Lex Fridman: Với sự phát triển của nhà máy AI, lợi thế lắp ráp CUDA này sẽ phát triển như thế nào? Trong tương lai, liệu NVIDIA có thể trở thành một "công ty nhà máy AI" theo bản chất không?

Jensen Huang: Trước đây, đơn vị tính toán của chúng tôi là GPU; sau này trở thành toàn bộ máy tính, rồi là cụm; hiện nay, là một nhà máy AI hoàn chỉnh. Trước đây, khi tôi ra mắt sản phẩm thế hệ mới, như "Hôm nay ra mắt Ampere", tôi sẽ cầm một viên chip. Đó chính là "mô hình tâm hồn" của tôi vào thời điểm đó. Nhưng hiện nay lại không còn như vậy nữa. Việc cầm chip trở nên một chút "đáng yêu" — nó không còn đại diện cho cái mà chúng tôi thực sự xây dựng nữa.

Bây giờ, mô hình trong tâm trí tôi là một hệ thống khổng lồ: nó kết nối với lưới điện, có khả năng phát điện, có hệ thống làm mát, có cấu trúc mạng cực kỳ phức tạp, có hàng ngàn người trực tiếp lắp đặt, cũng như hàng ngàn kỹ sư ở phía sau hỗ trợ. Khởi động một hệ thống như vậy, không phải chỉ cần bấm nút công tắc, mà là cần hàng ngàn người cùng làm việc phối hợp.

Lex Fridman: Vậy khi bạn suy nghĩ về "một đơn vị tính toán" hiện tại, thực tế là bạn đang nghĩ về một tổ máy toàn bộ, một pod, chứ không phải chỉ một viên chip đúng không?

Jensen Huang: Đúng, là cơ sở hạ tầng hoàn chỉnh. Và tôi hi vọng rằng bước chuyển đổi nhận thức tiếp theo của tôi sẽ là hiểu việc "xây dựng máy tính" như một vấn đề ở "quy mô cấp hành tinh". Đó sẽ là bước tiếp theo.

Lex Fridman: Ông nghĩ rằng NVIDIA có khả năng đạt giá trị vốn hóa 10 nghìn tỷ Mỹ kim không? Hoặc để nhìn từ một góc độ khác, nếu điều đó xảy ra, thế giới sẽ trở nên như thế nào?

Jensen Huang: Tôi nghĩ rằng việc phát triển của NVIDIA là hoàn toàn có khả năng xảy ra, thậm chí tôi coi đó là điều tất yếu. Tôi sẽ giải thích lí do.

Đầu tiên, chúng tôi đã trở thành một trong những công ty máy tính lớn nhất trong lịch sử. Điều này đã tự đặt ra câu hỏi: Tại sao lại như vậy?

Có hai lý do, cả hai đều là về sự thay đổi công nghệ cơ bản.

Thứ nhất, mô hình tính toán đã thay đổi. Tính toán trước đây, về bản chất, là một "hệ thống truy xuất". Chúng ta trước đó đã viết sẵn nội dung, ghi lại nội dung, tạo tệp, sau đó thông qua hệ thống gợi ý hoặc tìm kiếm, truy xuất nội dung đó. Nói cách khác, đây là một "con người tạo sẵn + truy xuất tệp" hệ thống. Nhưng bây giờ, tính toán AI dựa trên ngữ cảnh, cần xử lý và tạo ra token trực tiếp. Chúng ta đã chuyển từ "tính toán dựa trên truy xuất" sang "tính toán dựa trên tạo ra".

Trong hệ thống cũ, chúng ta cần lưu trữ lớn; trong hệ thống mới, chúng ta cần tính toán lớn. Do đó, nhu cầu tính toán sẽ tăng đáng kể. Điều duy nhất có thể thay đổi xu hướng này là nếu tính toán định ra đã không hiệu quả. Nhưng các nghiên cứu học sâu trong 10 đến 15 năm qua, cũng như tiến triển gần đây trong 5 năm, khiến tôi tự tin hơn bao giờ hết.

Lần thứ hai là, vai trò của máy tính trong thế giới đã thay đổi. Trước đây, máy tính giống như một "kho hàng"; nhưng bây giờ, nó giống như một "nhà máy". Kho hàng chính nó không tạo ra doanh thu trực tiếp, trong khi nhà máy liên kết trực tiếp với doanh thu. Máy tính không còn chỉ là một hệ thống lưu trữ, mà là một hệ thống sản xuất. "Hàng hóa" mà nó sản xuất chính là token. Và các token này đang được tiêu thụ bởi các nhóm người khác nhau và biểu hiện đa tầng, giống như iPhone: có miễn phí, có cao cấp, và cũng có tầng trung.

Trí tuệ, về bản chất đã trở thành một sản phẩm có thể mở rộng. Trong tương lai, sẽ sớm xảy ra tình huống như sau: có người sẵn lòng trả 1000 đô la cho mỗi triệu token. Điều này không phải là vấn đề liệu có xảy ra hay không, mà chỉ là vấn đề thời gian.

Do đó, câu hỏi trở thành: Thế giới cần bao nhiêu "nhà máy AI" như vậy? Cần bao nhiêu token? Xã hội sẵn lòng trả bao nhiêu cho những token này? Nếu năng suất tăng mạnh nhờ vào điều này, nền kinh tế toàn cầu sẽ thay đổi như thế nào? Liệu chúng ta có thể phát hiện ra các loại thuốc mới, sản phẩm mới, dịch vụ mới không?

Khi bạn kết hợp tất cả những yếu tố này lại, tôi rất chắc chắn: GDP toàn cầu sẽ tăng trưởng nhanh hơn. Đồng thời, chi phí cho tính toán sẽ tăng một cấp số nhân so với quá khứ.

Trong bối cảnh như vậy, quay trở lại NVIDIA: Vai trò của chúng tôi trong nền kinh tế mới này sẽ lớn hơn nhiều. Về con số, liệu có thể đạt được doanh thu 300 tỷ đô la trong tương lai không? Câu trả lời là tất nhiên có thể. Vì điều này không bị ràng buộc rõ ràng bởi vật lý.

Chuỗi cung ứng của NVIDIA được hỗ trợ bởi 200 công ty, chúng tôi mở rộng thông qua toàn bộ hệ sinh thái. Hạn chế duy nhất thật sự là: Năng lượng. Và tôi tin rằng vấn đề về năng lượng cuối cùng sẽ được giải quyết.

Vì vậy, những con số này chỉ là "con số". Tôi vẫn nhớ, khi NVIDIA vượt qua mốc doanh thu 10 tỷ USD lần đầu tiên, có người nói với tôi: "Một công ty bán dẫn không có nhà máy chip không thể vượt qua 10 tỷ USD." Sau đó, cũng có người nói: "Bạn không thể vượt qua 250 tỷ USD."

Những nhận định này, đều không dựa trên nguyên lý cơ bản. Điều quan trọng là phải hỏi: Chúng ta đang tạo ra điều gì? Cơ hội này có lớn đến đâu?

NVIDIA không đang cạnh tranh để giành thị phần hiện có. Rất nhiều điều chúng tôi làm là một thị trường chưa tồn tại. Đó cũng là lý do tại sao bên ngoài khó mường tượng giới hạn của chúng tôi, vì không có một thước đo tồn tại sẵn. Nhưng tôi đã dành đủ thời gian. Tôi sẽ tiếp tục suy luận, và tiếp tục thể hiện. Mỗi kỳ hội nghị GTC, sẽ làm cho tương lai trở nên cụ thể hơn. Cuối cùng, chúng ta sẽ đi đến bước đó. Tôi chắc chắn 100% về điều đó.

Lex Fridman: Nếu nhìn từ góc độ "nhà máy token", thực ra toàn bộ hệ thống có thể hiểu là: tạo ra token theo từng watt, mỗi token đều có giá trị và giá trị của mỗi token đối với mỗi người là khác nhau. Điều này khiến cả thế giới trở thành một loạt "nhà máy token" lớn. Từ nguyên lý cơ bản, miễn là AI có thể giải quyết được vấn đề, chúng ta có thể suy ra rằng nhu cầu cho loại "nhà máy" này sẽ tăng mạnh theo cấp số nhân trong tương lai.

Jensen Huang: Đúng vậy. Một điều khiến tôi rất hào hứng là, "Thời điểm iPhone của token" đã đến.

Lex Fridman: Bạn đang nói về?

Jensen Huang: Agent. Agent đang trở thành dạng ứng dụng phát triển nhanh nhất trong lịch sử.

Lex Fridman: Nghĩa là, từ tháng 12 năm ngoái, mọi người thực sự nhận ra khả năng của các hệ thống như Claude Code, Codex, OpenClaw? Thành thật mà nói, tôi cũng cảm thấy ngại khi phải thừa nhận: Ở sân bay, lần đầu tiên tôi bắt đầu "nói chuyện với máy tính viết code", giống như đang trò chuyện với đồng nghiệp. Tôi không chắc chắn rằng trong tương lai mọi người thạo việc trò chuyện với AI sẽ trở nên như thế nào, nhưng hiệu quả thực sự rất cao.

Jensen Huang: Điều có khả năng xảy ra nhiều hơn là, AI của bạn sẽ liên tục "quấy rối bạn". Bởi vì tốc độ hoàn thành nhiệm vụ của nó rất nhanh, nó sẽ liên tục thông báo cho bạn: "Nhiệm vụ này đã hoàn thành, bước tiếp theo là gì?"

Lex Fridman: Đúng vậy, đây thực sự là một tương lai rất đáng kinh ngạc.

Lex Fridman: Tôi thấy bạn đã đề cập rằng, lý do bạn thành công đến mức lớn như vậy chủ yếu là bạn làm việc chăm chỉ hơn người khác, và bạn có thể chịu đựng đau khổ hơn người khác.

Đau khổ này thực sự bao gồm nhiều khía cạnh, chẳng hạn như đối mặt với thất bại, vấn đề kỹ thuật mà chúng ta vừa nói đến cũng như vấn đề về chi phí, cũng như các vấn đề giữa con người với nhau, sự không chắc chắn, trách nhiệm, mệt mỏi, ngượng ngùng, và những khoảnh khắc mà bạn đã đề cập khi công ty gần như sụp đổ.

Ngoài ra, còn áp lực. Với tư cách là CEO của một công ty được bao quanh bởi các chính phủ và tổ chức kinh tế của nhiều quốc gia, và dựa vào đó để xác định phân bổ tài nguyên và kế hoạch cơ sở hạ tầng AI, bạn làm thế nào để chịu đựng áp lực như vậy? Trong tình huống mà nhiều quốc gia và dân số phụ thuộc vào bạn, sức mạnh của bạn đến từ đâu?

Jensen Huang: Tôi rất rõ rằng sự thành công của NVIDIA đối với Hoa Kỳ rất quan trọng. Chúng tôi tạo ra một lượng lớn thuế, thiết lập vị trí dẫn đầu về công nghệ, và chính sự dẫn đầu về công nghệ là một phần của an ninh quốc gia. Một quốc gia càng giàu có, thì có thể thúc đẩy các chính sách xã hội một cách tốt hơn. Đồng thời, chúng tôi cũng đang thúc đẩy quá trình tái công nghiệp hóa, tạo ra nhiều cơ hội việc làm, tái tạo khả năng sản xuất trong nước, bao gồm việc sản xuất chip, máy tính, và cả nhà máy AI. Tôi cũng rất rõ rằng có rất nhiều nhà đầu tư thông thường — giáo viên, cảnh sát — đã có được tài sản nhờ đầu tư vào NVIDIA. Ngoài ra, NVIDIA tồn tại trong một hệ sinh thái lớn, với đối tác từ cả phía upstream và downstream đều phụ thuộc vào chúng tôi.

Đứng trước mọi thách thức, cách tôi xử lý rất đơn giản: chia nhỏ vấn đề.

Tôi sẽ tự hỏi, tình hình hiện tại là gì? Đã xảy ra những thay đổi gì? Khó khăn nằm ở đâu? Tôi có thể làm gì? Sau khi chia nhỏ vấn đề, nó trở thành một loạt các nhiệm vụ có thể tiến hành.

Tiếp theo chỉ còn một câu hỏi: Bạn đã làm chưa? Hoặc bạn đã nhờ người khác làm chưa? Nếu bạn nghĩ rằng một việc cần phải làm, nhưng không phải bạn tự làm, cũng không thúc đẩy người khác làm, thì không nên than vãn về điều đó nữa.

Tôi tự giám sát bản thân mình khá nghiêm ngặt. Nhưng đồng thời, tôi cũng sẽ tránh cảm giác hoảng loạn bằng cách chia nhỏ vấn đề. Tôi có thể ngủ ngon giấc, bởi vì tôi đã xác định tất cả các điểm rủi ro và đã thông báo cho những người có trách nhiệm liên quan. Miễn sao những việc cần phải làm vẫn đang được tiến triển, thì không cần phải lo lắng nữa.

Lex Fridman: Trong quá trình này, bạn đã trải qua những thời kỳ suy sụp tinh thần chưa?

Jensen Huang: Chắc chắn, và nhiều lần.

Lex Fridman: Phương pháp của bạn vẫn là chia nhỏ vấn đề phải không?

Jensen Huang：Vâng. Một điều nữa là "học cách quên". Trong học máy, có một khả năng quan trọng là "lựa chọn quên". Con người cũng vậy, bạn không thể nhớ hết mọi thứ. Tôi sẽ nhanh chóng phân tích vấn đề, sau đó phân chia áp lực đi. Bất cứ điều gì làm tôi lo lắng, tôi sẽ thông báo ngay lập tức cho những người liên quan, thay vì tự mình gánh vác. Tất nhiên, bạn cũng cần nghiêm túc với bản thân mình—đừng đắm chìm trong cảm xúc, hãy tiếp tục bước đi lên.

Còn một điều nữa, bạn sẽ bị cuốn hút bởi "tương lai". Giống như vận động viên, họ chỉ tập trung vào điểm số tiếp theo, chứ không phải vào lỗi sai ở điểm số trước đó.

Lex Fridman：Anh đã nói, nếu từ đầu biết NVIDIA khó khăn đến vậy, anh có thể sẽ không thực hiện.

Jensen Huang：Vâng. Nhưng điều tôi muốn nói là: điều này gần như áp dụng cho tất cả những điều đáng làm. Bạn cần một "tư duy của trẻ nhỏ"—khi nhìn thấy một điều gì đó, phản ứng đầu tiên là: "Điều này khó khăn đến mức nào?" Chứ không phải là mô phỏng trước tất cả khó khăn. Bạn không nên trước khi bắt đầu đã dự đoán tất cả nỗi khó khăn. Bạn nên tiếp cận với kỳ vọng "điều này sẽ rất tuyệt". Nhưng khi đã bắt đầu, bạn cần có tính kiên định. Thất bại, thất vọng, sỉ nhục sẽ xảy ra, và thường là ngoài dự liệu. Lúc đó, điều bạn cần làm là: quên nó đi, tiếp tục tiến về phía trước. Miễn là đánh giá cơ bản của bạn về tương lai không thay đổi, bạn nên tiếp tục bước đi.

Lex Fridman：Sau khi trải qua nhiều thành công như vậy, việc duy trì sự khiêm tốn có khó hơn không?

Jensen Huang：Ngược lại hoàn toàn. Bởi vì đối với tôi, nhiều điều tôi làm là công khai, một khi đánh giá sai, tất cả mọi người đều nhìn thấy. Hơn nữa, cách tôi quản lý là "luận điểm công khai". Tôi sẽ không trực tiếp đưa ra kết luận, mà là phác thảo quá trình suy luận ra, để mọi người đánh giá xem có hợp lý hay không.

Tôi sẽ liên tục nói: "Đây là con đường hiểu biết của tôi hiện tại." Sau đó phơi bày quá trình suy luận. Điều này tạo cơ hội cho mọi người, họ có thể lên tiếng phản đối ở bất kỳ bước nào. Họ không cần phủ định kết luận, chỉ cần chỉ ra vấn đề ở một khía cạnh suy luận nào đó, chúng ta có thể tiếp tục suy luận từ đó. Cái này bản chất là một cách "tập thể tìm đường đi", và rất hiệu quả.

Lex Fridman：Khi giải thích vấn đề, anh luôn duy trì một tư duy mở cửa, khiến người khác cảm thấy có thể tham gia thậm chí ảnh hưởng đến suy nghĩ của anh. Sau khi trải qua nhiều thành công và áp lực như vậy, vẫn giữ được tư duy này thực sự rất khó. Nhiều người sẽ trở nên lạnh lùng vì nỗi đau.

Jensen Huang：Tôi nghĩ một trong những chìa khóa, là sự khoan dung đối với "sự xấu hổ".

Lex Fridman：Vâng, điều này thực sự là một khả năng rất thực sự. Trải qua nhiều năm lặp lại "đưa ra một quyết định tại cuộc họp, kết quả lại chứng minh là sai lầm", đồng thời vẫn chịu trách nhiệm một cách đứng đắn, và phát triển từ đó, tâm lý của con người thực sự rất khó khăn.

Jensen Huang: Vâng. Bạn biết không, công việc đầu tiên của tôi thực ra là dọn dẹp nhà vệ sinh.

Lex Fridman: Tôi rất vui vẻ khi bạn vẫn duy trì tinh thần như khi làm việc tại Denny』s. Kinh nghiệm bắt đầu từ Denny』s là rất đáng yêu. Tôi muốn trò chuyện về trò chơi. Tôi là một game thủ nặng, và cũng phải cảm ơn NVIDIA đã mang đến trải nghiệm đồ họa tuyệt vời suốt nhiều năm.

Jensen Huang: Nhân tiện, cho đến ngày hôm nay, GeForce vẫn là cửa ngõ tiếp thị quan trọng nhất của chúng tôi. Nhiều người đã biết đến NVIDIA khi còn là thanh thiếu niên thông qua trò chơi. Sau này họ nhập học đại học, họ đã hiểu NVIDIA là công ty gì. Ban đầu chỉ chơi "Call of Duty", chơi "Fortnite", sau đó bắt đầu sử dụng CUDA, và sau đó họ sử dụng các công cụ trong hệ sinh thái NVIDIA như Blender, Dassault, Autodesk và nhiều phần mềm khác.

Lex Fridman: Vâng. Tôi nói bạn về việc trò chuyện với anh, phản ứng đầu tiên của anh ấy là: "Họ làm card đồ họa chơi game rất tốt".

Jensen Huang: Chính xác (cười).

Lex Fridman: Tất nhiên, phía sau đó không chỉ có vậy. Nhưng thực sự, rất nhiều người rất thích các sản phẩm này, chúng đã mang lại rất nhiều niềm vui. Phần cứng chính nó đã khiến cho thế giới ảo này thực sự "sống". Tuy nhiên, gần đây đã có một số tranh cãi về DLSS 5. Một số game thủ lo lắng rằng nó sẽ làm cho trò chơi trở nên như "nội dung rẻ tiền được tạo ra bởi trí tuệ nhân tạo". Ý kiến của bạn về cuộc thảo luận này như thế nào?

Jensen Huang: Tôi có thể hiểu quan điểm của họ, và cũng hiểu được nguồn gốc của lo lắng đó. Vì hiện nay nhiều nội dung được tạo thành từ trí tuệ nhân tạo đang trở nên giống nhau, mặc dù đều rất "đẹp", nhưng thiếu cái "duy nhất". Tôi cũng không thích kiểu "nội dung theo khuôn mẫu của trí tuệ nhân tạo".

Nhưng đó không phải là mục tiêu của DLSS 5. Tôi đã trình diễn một số ví dụ. DLSS 5 dựa trên ràng buộc ba chiều, được điều khiển bởi dữ liệu cấu trúc thực sự. Cấu trúc hình học của cảnh được hoàn toàn quyết định bởi nghệ sĩ, và hệ thống tuân thủ chặt chẽ theo cấu trúc đó trong mỗi khung hình.

Đồng thời, nó cũng tuân thủ các ràng buộc về texture và phong cách nghệ thuật. Do đó, mỗi khung hình đều được "tăng cường", thay vì "thay đổi". Về "tăng cường", DLSS 5 chính là một hệ thống mở. Các nhà phát triển có thể huấn luyện mô hình của mình, và thậm chí trong tương lai, họ có thể xác định phong cách thông qua gợi ý, chẳng hạn như kỹ thuật vẽ tranh hoạt hình, hoặc cung cấp ví dụ tham khảo để hệ thống tạo ra theo một phong cách nào đó.

Tuy nhiên, bất kỳ kết quả nào cũng phải phù hợp với phong cách của nghệ sĩ và ý đồ sáng tạo của họ. Sự tồn tại của các công cụ này là để giúp nghệ sĩ tạo ra nội dung đẹp hơn, đồng thời giữ nguyên phong cách mà họ muốn.

Nhiều người chơi hiểu lầm rằng trò chơi sẽ được tạo hoàn chỉnh trước, sau đó được xử lý bằng DLSS. Nhưng đó không phải là cách thiết kế của DLSS. DLSS hoàn toàn tích hợp sâu trong quy trình sáng tạo, nó về bản chất là cung cấp công cụ AI cho nghệ sĩ. Việc sử dụng hoàn toàn phụ thuộc vào họ.

Lex Fridman: Tôi cảm thấy con người rất nhạy cảm với việc nhìn vào "gương mặt". Bây giờ mọi người cũng trở nên nhạy cảm với nội dung AI, nhưng tôi nghĩ đó là một điều tốt. Nó giống như một chiếc gương, giúp chúng ta nhận thức rằng con người thực sự tìm kiếm không nhất thiết là sự hoàn hảo, đôi khi lại là một loại "không hoàn hảo" nào đó. Nó giúp chúng ta hiểu được thế giới nào là hấp dẫn. Miễn là các công cụ này giúp chúng ta tạo ra những thế giới đó, đó là một điều tốt.

Jensen Huang: Đúng vậy. Điều này chỉ là một công cụ nữa. Nếu các nhà phát triển muốn tạo nội dung không theo phong cách chân thực, mô hình cũng có thể làm được. Một cách nào đó, điều này giống như khi chúng tôi giới thiệu shader da. Chúng tôi đã thêm phần subsurface scattering, làm cho da trở nên gần gũi hơn với thực tế. Toàn bộ ngành công nghiệp luôn tìm kiếm thêm nhiều công cụ để thể hiện nghệ thuật, và DLSS chỉ là một trong số đó. Quyền quyết định cuối cùng luôn nằm trong tay người sáng tạo.

Lex Fridman: Một câu hỏi có lẽ hơi tùy tiện. Theo ông, trò chơi lớn nhất trong lịch sử, hoặc có tầm ảnh hưởng nhất là gì? Từ góc nhìn của NVIDIA.

Jensen Huang: Doom.

Lex Fridman: Doom, không thể nghi ngờ. Nó đã mở ra thời đại 3D.

Jensen Huang: Từ góc nhìn nghệ thuật, văn hóa và sự thay đổi trong ngành công nghiệp, Doom đều rất quan trọng. Nó đã biến PC từ một công cụ tự động hóa văn phòng thành máy tính cá nhân dành cho gia đình và người chơi, đó là một cột mốc quan trọng. Tất nhiên, trước đó cũng có các trò chơi mô phỏng bay, nhưng chúng không có sự ảnh hưởng rộng lớn như Doom. Từ góc độ kỹ thuật thuần túy, tôi sẽ chọn Virtua Fighter. Chúng tôi đã có mối quan hệ tốt với cả hai đội ngũ phát triển của các tựa game này.

Lex Fridman: Còn một số tác phẩm mới hơn, như "Cyberpunk 2077", cũng rất xuất sắc về việc tận dụng GPU.

Jensen Huang: Đúng, hoàn toàn sử dụng ánh sáng trực tiếp.

Lex Fridman: Tôi cá nhân rất thích trò chơi "The Elder Scrolls: Skyrim". Mặc dù đã được phát hành từ nhiều năm, nhưng thông qua nhiều mod, mỗi lần trải nghiệm đều giống như một trò chơi hoàn toàn mới.

Jensen Huang: Chúng tôi cũng rất thích cộng đồng mod. Chúng tôi đã phát hành RTX Mod, đây là một công cụ mod cho phép cộng đồng tích hợp công nghệ đồ họa mới nhất vào các trò chơi cũ.

Lex Fridman: Tất nhiên, một trò chơi xuất sắc không chỉ là đồ họa, mà còn bao gồm cốt truyện và nhân vật. Nhưng đồ họa xuất sắc thực sự có thể làm tăng trải nghiệm, khiến người chơi cảm thấy như mình đang bước vào một thế giới khác.

Jensen Huang: Hoàn toàn đồng ý.

Lex Fridman: Điểm bạn vừa nói thậm chí làm tôi cảm thấy rất đúng: thời gian thực sự để đạt được trí tuệ nhân tạo, về bản chất phụ thuộc vào cách bạn xác định trí tuệ nhân tạo đó.

Lex Fridman: Tôi muốn đặt câu hỏi về thời gian. Chúng ta có thể thảo luận về AGI bằng một định nghĩa có lẽ hơi cực đoan: giả sử có một hệ thống AI, có khả năng hoàn thành công việc của bạn: tức là từ đầu, tạo ra, phát triển và vận hành một công ty công nghệ thành công, với giá trị hơn 10 tỷ USD.

Jensen Huang: Có nghĩa là "một công ty xuất sắc", hay là "chỉ cần có một công ty"?

Lex Fridman: Phải là một công ty thành công, với giá trị hơn 10 tỷ USD. Bạn cũng biết, điều này liên quan đến nhiều yếu tố phức tạp. Vì vậy, khả năng như vậy sẽ mất bao lâu? 5 năm, 10 năm, 15 năm, hay 20 năm? Chúng ta đang nói về như OpenClaw, có thể hoàn thành một loạt công việc phức tạp như sáng tạo, tìm kiếm khách hàng, bán sản phẩm, quản lý nhóm (bao gồm cả sự hợp tác giữa AI và con người) và cả nhiều nhiệm vụ phức tạp khác.

Jensen Huang: Tôi nghĩ rằng, hiện tại chúng ta đã có thể. Tôi nghĩ rằng chúng ta đã đạt được AGI.

Lex Fridman: Bạn nghĩ, hiện tại có thể đã có một công ty được vận hành bởi AI?

Jensen Huang: Điều đó là có khả năng. Lý do là, bạn vừa nói "đạt trên 10 tỷ USD", nhưng không yêu cầu "duy trì lâu dài". Ví dụ, một AI có thể hoàn toàn phát triển một dịch vụ mạng hoặc ứng dụng nào đó, đột ngột được hàng tỷ người sử dụng, mỗi người trả 0.5 USD, sau đó nhanh chóng biến mất trong thời gian ngắn. Trong thời đại Internet, đã có nhiều công ty như vậy. Và độ phức tạp công nghệ của chúng lúc đó không cao hơn so với những gì OpenClaw có thể làm ngày nay.

Lex Fridman: Điều quan trọng là thực hiện truyền nhiễm virus và tận dụng nó.

Jensen Huang: Đúng vậy. Chỉ là chúng ta không biết chính xác sản phẩm đó sẽ là gì. Cũng giống như vào những năm trước, chúng ta không thể dự đoán được những công ty Internet nào sẽ thành công.

Lex Fridman: Cách bạn nói này sẽ khiến nhiều người rất hào hứng — nghe có vẻ như: Tôi chỉ cần triển khai một agent là có thể kiếm được nhiều tiền.

Trí tuệ nhân tạo có đánh cắp công việc không? Không, nhưng nó sẽ thay đổi định nghĩa của công việc

Jensen Huang: Thực tế, điều này đã đang diễn ra. Bạn đến Trung Quốc, sẽ thấy nhiều người đang huấn luyện agent của họ, để chúng đi tìm việc làm, thực hiện các nhiệm vụ, thậm chí là kiếm tiền trực tiếp. Nếu một ứng dụng mạng xã hội nào đó nổ sẽ vào tương lai, tôi cũng sẽ không ngạc nhiên. Ví dụ, một nhân vật số rất dễ thương, hoặc một sản phẩm giống như thú nuôi điện tử (Tamagotchi), bùng nổ trong thời gian ngắn, được sử dụng bởi số lượng lớn người dùng trong vài tháng, sau đó nhanh chóng phai nhạt. Tất nhiên, nếu có 100.000 agent đi "xây dựng một NVIDIA", khả năng thành công là không.

Nhưng tôi muốn nhấn mạnh một điều: Hiện nay nhiều người đang lo lắng về công việc.

Tôi muốn nhắc nhở mọi người rằng, "mục đích" của công việc, và "nhiệm vụ và công cụ để hoàn thành công việc", có mối liên hệ với nhau, nhưng không giống nhau. Tôi đã làm công việc này suốt 33 năm, là CEO có thời gian phục vụ dài nhất trong ngành công nghệ (34 năm). Trong 34 năm qua, công cụ mà tôi sử dụng luôn thay đổi, và đôi khi thay đổi mạnh mẽ.

Có một câu chuyện mà tôi muốn mọi người nhất định phải nghe. Ban đầu, các nhà khoa học máy tính và nhà nghiên cứu trí tuệ nhân tạo dự đoán rằng ngành nghề đầu tiên sẽ biến mất sẽ là bác sĩ chuyên khoa X quang. Bởi vì thị giác máy tính sẽ đạt hoặc vượt qua trình độ của con người, và thực tế cũng chính xác như vậy. Khoảng vào năm 2019 đến 2020, thị giác máy tính đã đạt đến mức siêu việt. Lúc đó, dự đoán là: Khi AI có thể thực hiện phân tích hình ảnh, ngành nghề bác sĩ chuyên khoa X quang sẽ biến mất.

Nhưng kết quả lại ngược lại hoàn toàn. Ngày nay, tất cả các nền tảng hình ảnh y khoa đều được điều khiển bởi AI, nhưng lượng bác sĩ chuyên khoa X quang đã tăng lên, và trên toàn cầu vẫn thiếu hụt.

Tại sao lại như vậy? Bởi vì "mục đích" của bác sĩ chuyên khoa X quang, là chuẩn đoán bệnh tật, giúp bác sĩ và bệnh nhân đưa ra quyết định. Khi AI giúp phân tích hình ảnh nhanh hơn: chúng ta có thể phân tích nhiều hình ảnh hơn, chuẩn đoán chính xác hơn, phục vụ nhiều bệnh nhân hơn, thu nhập của bệnh viện tăng cao, lượng bệnh nhân tăng, vì vậy, nhu cầu về bác sĩ chuyên khoa X quang ngược lại tăng lên.

Đây là một kết quả rất trực quan. Cùng một logic cũng áp dụng cho kỹ sư phần mềm. Số lượng kỹ sư phần mềm của NVIDIA sẽ tăng lên, chứ không phải giảm bớt. Bởi vì "mục đích" của kỹ sư phần mềm, là giải quyết vấn đề, và viết code chỉ là một phương tiện trong đó.

Công việc của họ bao gồm: giải quyết vấn đề, làm việc nhóm, chẩn đoán vấn đề, đánh giá kết quả, tìm kiếm vấn đề mới, thúc đẩy sự đổi mới, xây dựng kết nối. Những khả năng này sẽ không bao giờ biến mất.

Lex Fridman: Anh nghĩ số lượng lập trình viên sẽ tăng, chứ không phải giảm?

Jensen Huang: Đúng. Điều quan trọng là, chúng ta định nghĩa "lập trình" như thế nào. Theo tôi, lập trình về bản chất là "đặt ra qui định (specification)". Bạn có thể cung cấp hướng dẫn rõ ràng, thậm chí xác định kiến trúc hệ thống.

Vậy vấn đề là: số người có thể làm điều đó là bao nhiêu? Về bản chất, đó là "nói cho máy tính biết phải làm gì". Trước đây, có khoảng 30 triệu người có thể làm điều đó; trong tương lai, có thể sẽ có 10 tỷ người. Trong tương lai, mỗi thợ mộc sẽ trở thành "lập trình viên". Và với trí tuệ nhân tạo, họ cũng là "kiến trúc sư". Họ có thể gia tăng giá trị mà họ mang đến cho khách hàng, khả năng biểu đạt của họ cũng tăng đáng kể. Tương tự, trong tương lai, kế toán cũng sẽ đồng thời có khả năng phân tích tài chính và tư vấn.

Tất cả các nghề nghiệp sẽ được "nâng lên". Nếu tôi là thợ mộc, tôi sẽ rất phấn khích với trí tuệ nhân tạo, vì nó giúp tôi cung cấp dịch vụ ở một cấp độ hoàn toàn khác; nếu tôi là thợ sửa ống nước, tôi cũng vậy.

Lex Fridman: Hiện tại, các kỹ sư phần mềm có thể vẫn đang ở vị trí dẫn đầu trong việc hiểu cách tương tác bằng ngôn ngữ tự nhiên với trí tuệ nhân tạo, cách thiết kế hệ thống, thì phần này.

Jensen Huang: Đúng.

Lex Fridman: Nhưng theo dài hạn, khả năng này sẽ dần lan rộng. Tuy nhiên, tôi vẫn nghĩ rằng, việc học lập trình truyền thống, ngôn ngữ, nguyên tắc thiết kế, kiến trúc hệ thống quy mô lớn vẫn mang lại giá trị.

Jensen Huang: Đúng. Bởi vì "cách định nghĩa vấn đề", chính là một khả năng. Cách bày tỏ qui định phụ thuộc vào vấn đề mà bạn muốn giải quyết. Ví dụ, ở mức doanh nghiệp, khi tôi đang xây dựng chiến lược, tôi sẽ đưa ra hướng dẫn đủ rõ ràng để cho đội làm việc có thể thực hiện; nhưng tôi cũng sẽ cố ý giữ khoảng trống, để 43 nghìn người có thể làm tốt hơn so với tưởng tượng của tôi. Do đó, độ chi tiết của qui định sẽ khác nhau tùy theo tình huống. Trong tương lai, mỗi người cần phải tìm ra vị trí của mình trên "phổ lập trình" này. Viết qui định, chính là lập trình.

Đôi khi bạn cần hướng dẫn rất rõ ràng; đôi khi bạn cần khám phá mở rộng, tương tác lặp đi lặp lại với trí tuệ nhân tạo, mở rộng khả năng sáng tạo của chính mình. Đó, chính là tương lai của lập trình.

Lex Fridman: Tuy nhiên, từ một góc độ rộng hơn, rất nhiều người đang lo lắng về việc làm, đặc biệt là nhóm công nhân văn phòng. Mỗi khi tự động hóa và công nghệ mới xuất hiện, đều mang lại biến động. Tôi nghĩ rằng, chúng ta cần giữ lòng trắc ẩn với lo lắng này, vì đối với cá nhân và gia đình, nỗi đau từ việc mất việc thực sự tồn tại. Hy vọng rằng cuối cùng, công nghệ này sẽ mang lại nhiều cơ hội hơn, làm cho mọi người trở nên hiệu quả hơn, công việc trở nên thú vị hơn, giống như những gì đang xảy ra trong lĩnh vực lập trình bây giờ. Nhưng trong quá trình chuyển đổi, thực sự sẽ có nhiều nỗi đau.

Jensen Huang: Một lời khuyên đầu tiên mà tôi muốn chia sẻ với mọi người là cách xử lý lo lắng. Giống như chúng ta đã thảo luận, tôi thường bắt đầu bằng việc phân tích từng phần của vấn đề.

Có những điều bạn có thể kiểm soát không? Có những điều bạn không thể kiểm soát không? Đối với những phần mà bạn có thể kiểm soát, hãy phân tích và hành động.

Nếu tôi muốn tuyển dụng một sinh viên mới tốt nghiệp, và phải lựa chọn giữa hai ứng viên, một người hoàn toàn không hiểu biết về AI và một người thành thạo về AI, tôi chắc chắn sẽ chọn người thứ hai. Dù là ngành kế toán, tiếp thị, chuỗi cung ứng, dịch vụ khách hàng, bán hàng, phát triển kinh doanh, hoặc thậm chí luật sư, tôi sẽ luôn chọn người hiểu biết về AI hơn.

Do đó, tôi đề xuất: Mỗi sinh viên đều nên học cách sử dụng AI; Mỗi giáo viên đều nên khuyến khích học sinh sử dụng AI; Mỗi người mới tốt nghiệp đều nên trở thành người thành thạo về AI. Dù bạn là thợ mộc, thợ điện, nông dân, hay dược sĩ, bạn cũng nên thử nghiệm AI, xem nó làm thế nào để nâng cao khả năng làm việc của bạn.

Đồng thời, chúng ta phải nhận ra: Công nghệ sẽ tự động hóa nhiều nhiệm vụ. Nếu công việc của bạn chủ yếu là những "nhiệm vụ" này, thì rủi ro bị thay thế sẽ rất cao. Nếu mục tiêu công việc của bạn cao hơn, thì bạn phải học cách sử dụng AI để hoàn thành những nhiệm vụ đó.

Lex Fridman: Một điểm quan trọng khác là, chính AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Điều thực sự quan trọng là, AI có thể giúp bạn phân tích vấn đề. Bạn có thể trực tiếp hỏi nó: "Làm thế nào để nâng cao kỹ năng? Làm thế nào để sử dụng AI?" Nó có thể cung cấp cho bạn các bước cụ thể. Nó thậm chí có thể trở thành một "huấn luyện viên cuộc sống".

Jensen Huang: Đúng. Nếu bạn không biết sử dụng AI, nó sẽ dạy bạn.

Lex Fridman: Bạn có nhận thấy rằng, bản chất của một số điều không thể tính toán? Nghĩa là, bất kể vi chip mạnh đến đâu, vẫn không thể tái tạo?

Jensen Huang: Tôi không chắc vi xử lý có thể "lo lắng" hay không. Tất nhiên, những tình trạng gây lo lắng, căng thẳng hoặc các điều kiện tâm lý khác, AI có thể nhận diện và hiểu, nhưng theo tôi, vi xử lý chính nó không thể "cảm nhận" những điều đó. Vì vậy, những cảm xúc này, lo lắng, phấn khích, sợ hãi... làm thế nào chúng ảnh hưởng đến hiệu suất là một chiều hoàn toàn khác.

Ví dụ, trong cùng một điều kiện, những người khác nhau sẽ có hiệu suất hoàn toàn khác nhau: một số người表现 xuất sắc, trong khi một số người表现普通 hoặc thấp hơn trung bình. Sự khác biệt này, ở một mức độ lớn, đến từ trải nghiệm chủ quan của con người.

Trong hệ thống tính toán, nếu hai hệ thống đối diện với cùng một đầu vào hoàn toàn, tất nhiên có thể có sự khác biệt về mặt thống kê, nhưng sự khác biệt này không phải là do "cảm nhận khác nhau".

Lex Fridman: Đúng vậy, trải nghiệm chủ quan của con người thật sự rất đặc biệt. Ví dụ, khi tôi vừa nói chuyện với bạn, tôi cảm thấy lo lắng, sự mong đợi, nỗi sợ hãi, lo lắng, cũng như sự phong phú của cuộc sống chính mình - tình yêu, sự đau khổ, nỗi sợ hãi trước cái chết, nỗi đau khi mất đi người thân - tất cả điều này, rất khó để tưởng tượng là một hệ thống tính toán có thể thực sự sở hữu được.

Jensen Huang: Thực sự rất khó tưởng tượng. Nhưng chúng ta vẫn biết rất ít về tất cả những điều này, vẫn còn rất nhiều bí ẩn chưa được giải mã. Vì vậy, tôi vẫn giữ tâm hồn mở cửa, sẵn sàng chấp nhận những bất ngờ trong tương lai. Trong vài năm qua, đặc biệt là trong vài tháng gần đây, sự phát triển của Trí tuệ Nhân tạo đã khiến tôi nhiều lần ngạc nhiên. "Tầm vóc" chính cái mà nó mang lại thì thật khó tin.

Jensen Huang: Ngoài ra, tôi nghĩ rằng có một điều rất quan trọng, đó là phân rã khái niệm "trí tuệ". Chúng ta thường xuyên sử dụng từ "trí tuệ", nhưng nó không phải là một khái niệm bí ẩn.

Trí tuệ, bản chất là một hệ thống năng lực, bao gồm: cảm nhận, hiểu biết, suy luận, lập kế hoạch, và chu kỳ hành động. Đó chính là trí tuệ.

Nhưng "trí tuệ" không phải là "con người". Đó là hai khái niệm khác nhau, chúng ta nên phân biệt. Tôi không bao giờ thiêng liêng hóa quá mức "trí tuệ". Đối với tôi, trí tuệ là một dạng của "năng lực chức năng". Thậm chí có thể nói, trí tuệ đang trở thành một "sản phẩm".

Xung quanh tôi có rất nhiều người rất thông minh, họ xuất sắc hơn và chuyên sâu hơn tôi trong lĩnh vực của mình. Họ đã được đào tạo tốt hơn, và họ cũng chuyên sâu hơn ở lĩnh vực của họ. Nhưng tôi vẫn đóng vai trò trong hệ thống này.

Điều này thật sự thú vị.

Bạn có thể hỏi: Tại sao một người trước đây làm công việc giặt chén trong một nhà hàng có thể phối hợp công việc của họ trong một nhóm "bất khả chiến bại"?

Điều này chính là minh chứng, "trí tuệ" chỉ là một trong các khía cạnh. "Nhân tính" mới chính là một khái niệm lớn hơn. Kinh nghiệm cuộc sống của chúng ta, khả năng chịu đựng đau khổ, ý chí, những điều này khác biệt so với "trí tuệ".

Jensen Huang: Nếu tôi chỉ được đưa ra một lời khuyên cho mọi người, đó là: Đừng đặt quá nhiều trọng tâm vào từ "trí tuệ".

Điều thực sự cần được coi trọng là: phẩm cách, nhân tính, sự đồng cảm, lòng hào phóng. Những điều này mới là các "năng lực siêu phàm". Còn trí tuệ, sẽ dần dần trở nên phổ biến, trở thành một sản phẩm.

Lex Fridman: Nghĩa là, chúng ta nên chú trọng hơn vào "nhân tính".

Jensen Huang: Vâng. Tính cách của con người, phẩm chất, sự đồng cảm, lòng rộng lượng, đó mới là những điều quan trọng nhất. Xã hội đã lâu đã coi mọi thứ như "thông minh", nhưng cuộc sống con người không chỉ vậy. Từ trải nghiệm của tôi, dù tôi không bằng nhiều người xung quanh về "thông minh", tôi vẫn đạt được thành công. Vì vậy, tôi hy vọng mọi người không nên lo lắng vì "sự phổ biến của thông minh", mà nên tìm kiếm cảm hứng từ đó.

Lex Fridman: Tôi cũng nghĩ rằng, Trí tuệ Nhân tạo sẽ khiến chúng ta trân trọng hơn con người.

Jensen Huang: Đúng. Trí tuệ Nhân tạo sẽ làm cho con người mạnh mẽ hơn.

Lex Fridman: Sự thành công của NVIDIA, cũng như cuộc sống của vô số người, đều ở mức độ nào đó phụ thuộc vào bạn. Nhưng bạn cũng chỉ là một người bình thường, và sẽ đối diện với cái chết. Bạn có nghĩ về vấn đề này không? Bạn sợ cái chết không?

Jensen Huang: Tôi không muốn chết.

Tôi có cuộc sống tốt, gia đình tốt, và đang làm công việc rất quan trọng. Đây không phải là "một trải nghiệm trong đời của một người", mà là "một trải nghiệm trong lịch sử nhân loại". NVIDIA là một trong những công ty công nghệ quan trọng nhất trong lịch sử, những gì chúng tôi đang làm mang ý nghĩa sâu sắc, và tôi rất nghiêm túc với điều đó.

Tất nhiên, có những vấn đề thực tế, như kế hoạch kế tục. Tôi thường nói, tôi không thực sự tin vào "kế hoạch kế tục". Không phải vì tôi nghĩ rằng mình sẽ không rời đi, mà vì: Nếu bạn thực sự quan tâm đến sự phát triển của công ty sau khi bạn ra đi, điều quan trọng nhất bạn nên làm ngay bây giờ, đó là liên tục truyền đạt kiến thức. Chia sẻ thông tin, hiểu biết, kinh nghiệm, khả năng, liên tục cho đội ngũ.

Đó cũng là lý do tại sao tôi liên tục thuyết trình trước đội ngũ. Mỗi cuộc họp, theo bản chất, đều là việc truyền đạt nhận thức.

Tôi sẽ không giữ bất kỳ thông tin nào "trong tay của bản thân". Ngay khi tôi học được điều gì đó, tôi gần như ngay lập tức chia sẻ ra ngoài. Ngay cả khi tôi chưa hiểu rõ hoàn toàn, tôi đã bắt đầu nói cho người khác biết: "Điều này rất quan trọng, bạn nên nghiên cứu". Tôi liên tục tăng cường khả năng cho những người xung quanh. Trạng thái lý tưởng của tôi là: Tôi rời khỏi công việc mà không có sự thoái thác kéo dài.

Lex Fridman: Là một người quan sát và người hâm mộ, tôi chắc chắn hy vọng rằng bạn sẽ tiếp tục làm việc mãi (cười). Tốc độ đổi mới của NVIDIA làm ngưỡng mộ, chính điều đó đã là một sự tôn vinh cho kỹ thuật.

Vậy câu hỏi cuối cùng: Khi bạn nhìn vào tương lai 10 năm, 20 năm, 50 năm hoặc thậm chí 100 năm, điều gì trong tương lai của con người khiến bạn cảm thấy hy vọng?

Jensen Huang: Tôi luôn tin tưởng vào lòng tốt, sự hào phóng và sự đồng cảm của con người. Đôi khi thậm chí còn nhiều hơn niềm tin cần thiết, và đôi khi vì thế tôi bị phản bội. Nhưng điều này không làm thay đổi ý kiến của tôi. Tôi luôn tin rằng mọi người sẵn lòng làm điều tốt, sẵn lòng giúp đỡ người khác. Và hầu hết thời gian, niềm tin này là chính xác, thậm chí vượt xa mong đợi của tôi.

Jensen Huang: Điều làm tôi tràn đầy hy vọng là khi tôi nhìn thấy những điều đang diễn ra ngay bây giờ và nhìn thấy rằng nhiều vấn đề đang trở nên "có thể giải quyết".

Chúng ta có quá nhiều vấn đề cần giải quyết, có quá nhiều điều muốn sáng tạo, và những điều này đều trở nên trong tầm tay, thậm chí có thể được thực hiện trong đời sống của tôi. Bạn rất khó lòng không cảm thấy lãng mạn với một tương lai như vậy. Ví dụ, việc chấm dứt các căn bệnh là một kỳ vọng hợp lý; giảm ô nhiễm môi trường một cách đáng kể là một kỳ vọng hợp lý; thậm chí việc "truyền tải" một cách gần đến tốc độ ánh sáng cũng là một tương lai có thể tưởng tượng được.

Jensen Huang: Tôi thậm chí nghĩ về một cách: trong tương lai, chúng ta có thể truyền tải "nhận thức" dưới dạng số học. Chúng ta có thể chuyển toàn bộ thông tin của một người, email, suy nghĩ, hành vi để từng bước trở thành một trí tuệ nhân tạo. Khi điều kiện chín muồi, hãy gửi "bản sao số hóa của bản thân" này lên không gian và hợp nhất với robot.

Lex Fridman: Điều này thực sự là một tưởng tượng đầy ấn tượng. Nhưng từ góc độ khoa học, vẫn còn rất nhiều vấn đề chưa được giải quyết, chẳng hạn như bản thể của nhận thức.

Jensen Huang: Đúng vậy. Nhưng việc hiểu "hệ thống sống" có thể ngay trước mặt, có thể trong vòng năm năm sẽ đạt được tiến triển lớn.

Lex Fridman: Dù là nhận thức, hay là những vấn đề sâu sắc trong vật lý, tất cả đều khiến tương lai trở nên rất hứng thú.

Lex Fridman: Jensen, cảm ơn bạn về tất cả những gì bạn đã làm, cũng như về chia sẻ của bạn hôm nay.

Jensen Huang: Cảm ơn bạn, Lex. Tôi rất thích cuộc trò chuyện này. Đồng thời cũng cảm ơn những cuộc phỏng vấn mà bạn đã thực hiện, sự sâu sắc, tôn trọng và nghiên cứu của bạn đã giúp chúng ta hiểu rõ hơn về những nhân vật và tư duy này.

Lex Fridman: Điều này có ý nghĩa quan trọng đối với tôi, cảm ơn bạn.

Lex Fridman: Cảm ơn mọi người đã lắng nghe cuộc trò chuyện với Jensen Huang lần này. Như Alan Kay đã nói: "Cách tốt nhất để dự đoán tương lai là tự mình tạo ra nó." Cảm ơn đã lắng nghe, hẹn gặp lại lần sau.

[Link gốc]

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia