11月23日，在香港科技大學舉行的博士學位授予儀式上，不僅梁朝偉被授予人文學榮譽博士學位，作為英偉達創始人兼CEO的老黃也被授予工程學榮譽博士學位。

授予儀式結束后，老黃與HKUST校董會主席沈向洋進行了一場長達1小時的爐邊對談。

沈向洋坦言，今天活動之前自己輾轉反側，因為大家告訴他最近蘋果股價漲勢迅猛，英偉達的情況反而有點不妙。但是還好，對談當天時英偉達仍是市值第一的公司。

然而根據最新的數據，市值第一的寶座又一次易主，英偉達目前低于蘋果屈居第二。

作為新晉校友，老黃對自己的新母校和新校董也不吝溢美之詞，不僅對談中將香港科技大學比作「亞洲的MIT」，還稱贊沈向洋是「我們這個時代最偉大的計算機科學家之一」，而且很長時間以來都是自己和很多其他人心目中的英雄。

一小時的對談中全程高能，善于提問的沈向洋和善用比喻的老黃經常引發觀眾們的掌聲爆笑，最后的抽獎環節更是直接豪橫送出10張英偉達RTX 4060ti顯卡，點燃全場。

不同于以往在會議論壇中的對談，回到「母校」的老黃非常放松，不僅分享了自己對AI產業和團隊管理的見解，更是罕見地透露了很多個人八卦。

這個時代，AI究竟意味著什么

如今，AI已經有能力理解語言、圖像、蛋白質序列等各種數據時，GenAI能夠將一種信息模式轉換為另一種信息模式，比如文本到圖像、文本到蛋白質、文本到化學物質等等，因此獲得了變革性、開創性的能力。

最初，AI僅僅是通用的函數逼近器，現在則演變為通用的語言翻譯器，可以理解各種信息的含義。那么問題是，我們可以用它做什么？

從計算機科學的角度看，開發軟件的方式已經發生了根本性的變化，不再依賴于傳統的代碼編寫方式，而是轉向了機器學習和自動生成。

這不再是簡單的軟件問題，我們是重新發明了整個技術堆棧。計算機可以自動生成神經網絡，并在GPU上進行處理。從編碼到機器學習，從CPU到GPU，標志著一個全新的時代的到來。

由于GPU能力強大得多，所以我們可以開發出和以前完全不同的軟件，在這些軟件之上就是人工智能。那么，什么是AI？當我們在競相發現新的AI時，這個行業之后會發生什么？

AI做的事情之一是「認知自動化」，或者說解決問題的自動化。

解決問題的過程可以被歸結為三個步驟：感知、推理和規劃。比如，自動駕駛需要汽車感知周圍環境，然后推理自己和其它汽車的位置，再規劃駕駛過程。

實際上，不僅是自動駕駛，任何事情都可以有相應的表達式，然后交給AI來執行。

300年前，通用電氣和西屋公司發明了一種新設備，最終改進為交流發電機，搭配上后來發明的燈泡、烤面包機的等用電設備，從而創造了一整個用電生態系統。

人工智能的情況也很類似，我們如今正在創造一個「數字智能」的生態系統。Copilot和ChatGPT等應用就像是各種電器，而發電機對應的是數字智能工廠（digital intelligence factory）。

從工業的角度來看，我們正在創造一個全新的、從未存在過的產業，這個產業以能源為輸入并產生數字智能，未來將會實現龐大的消費量。

AI4Science前景廣闊

近兩年，越來越多的人提到AI4Science，不僅英偉達在發布會上多次展示與氣象科學、生物學交叉的成果，老黃本人也經常談起AI和生物的結合。

對談中，老黃回憶起自己在2018年的世界科學計算會議上介紹了人工智能，但當時由于AI的「黑箱」屬性飽受質疑。但今天的人工智能，已經不那么像黑箱了。

原因在于，你可以「邀請」當下的LLM一起進行推理，讓它輸出得到答案的每個步驟，這就是一種「探查」，讓我們理解AI的思維過程。（老黃的描述，或許就類似于我們常說的CoT「思維鏈」）

雖說「黑箱」的屬性減弱了，但人工智能依舊是「黑箱」，因為它還無法從第一性原理中產生答案的能力，而是通過觀察數據、學習規律來產生答案。因此，它并不是在模擬第一性原理求解器，而是在模擬智能、模擬物理。

那么關鍵的問題是：模擬對科學有價值嗎。我的答案是，模擬對科學而言是無價的。

在許多科學領域，我們已經理解并掌握了第一性原理，比如薛定諤方程、麥克斯韋方程等，但無法在龐大的系統中模擬這些方程。所以，與其從第一性原理出發去解決這些計算上受限的問題，不如讓人工智能模擬。

我們可以訓練理解物理的人工智能，用它來模擬非常大的系統，以便理解大系統和大尺度。

再比如，生物學有一個從納米開始的尺度，從納秒到年，用第一性原理求解器去求解這樣的系統幾乎是不可能的。那我們能否使用AI來模擬人類生物學，以便更好地理解這些非常復雜的多尺度系統，甚至創建一個人類生物學的數字孿生。

這是一個偉大的希望，如果能夠實現，生物學家、氣候科學家將第一次真正理解自己所研究的大尺度物理系統。

「實體智能」和大灣區的未來

沈向洋提到，大灣區近年來已經發展出龐大的硬件生態系統。比如，大疆公司就是憑借無人機技術從這里起步，成為全球領先的企業。

對于硬件生態和「實體智能」這個領域，以及「大灣區」這個獨特的地理位置，老黃有怎樣的看法？

他表示，大灣區對于中國乃至世界來說都是一個絕佳的機會，因為這個區域在機電一體化（mechatronics）方面非常成熟，這是機械與電子技術的交匯點。

大灣區是世界上唯一一個機電技術和AI同時蓬勃發展的地區。其他兩個主要的機電技術產業中心 —— 日本和德國，在人工智能領域落后了不少，而大灣區不存在這個問題。正如沈向洋形容的，這是一個「以迭代軟件的速度來迭代硬件的地方」。

老黃認為，這是一個非常獨特的機會，而且強烈建議大家抓住這個機會并充分利用它。

機器人技術的關鍵就在于加入一個能理解物理世界的AI。目前如ChatGPT之類的大語言模型擅長處理知識和認知智能，但并不理解物理智能（physical intelligence）。比如把一個杯子放到桌子上，AI無法理解杯子不會穿過桌子這一事實。

但其實這個領域已經取得了很大的進展，也就是我們看到的文生視頻模型。如果輸入文字指令「Jensen拿起咖啡杯喝一口」，AI就能生成相應的視頻，那么同樣也可以生成指令來控制機械臂完成相同的動作。因此，從GenAI到通用機器人，這一步已經非常接近了。

而且，規模化量產非常重要，因為只有大規模生產才能形成技術飛輪（flywheel），攤平高額的研發投入，從而帶來更大的技術突破，進一步擴大生產規模。這個研發飛輪對任何行業都是至關重要的。

我們現在有三種類型的機器人可以實現大規模生產，而且只有這三種，其中兩種的產量會是最高的。其他類型的機器人都很難實現規模化生產。

這三類機器人分別是：汽車，因為過去150年的世界是為汽車設計的；無人機，因為天空幾乎沒有限制；以及體量最大的，人形機器人，因為我們的世界是為人類設計的。

這三類機器人很容易實現「棕地部署」（brownfield deployment），即在現有的環境設施基礎上進行應用，而不需要從頭開始創建全新的環境。這三種類型可以將機器人擴展到極大的體量，這是像大灣區這樣的制造業生態系統真正擁有的優勢之一。

再論「黃氏定律」

2020年，華爾街日報發文，稱摩爾定律正逐漸失效，而「黃氏定律」（Huang's Law）或將取代摩爾定律的位置，主宰未來的互聯網創新發展。

去年，黃仁勛在CES 2019展會上表示，「摩爾定律過去是每5年增長10倍，每10年增長100倍。而如今，摩爾定律每年只能增長幾個百分點，每10年可能只有2倍。因此，摩爾定律結束了。」

4年前的Huang's Law是這樣預言的：由于硬件和軟件的升級，人工智能芯片的性能每兩年的可提高一倍多。

而如今站在2024年回看過去的10到12年，從消費的角度出發并算上所有的大語言模型，每年的計算需求實際上遠遠不止翻了一番，而是是增長了四倍。如果每年增長四倍，那么在十年的時間里，這個數字將變成驚人的一百萬倍。

摩爾定律失效了，「黃氏定律」會持續有效嗎？沈向洋將這個難以回答的問題拋給了老黃本人。

首先，老黃分析了一下摩爾定律起作用的原因，它依賴于兩個概念：一是VSI縮放（大規模集成電路縮放），這得益于Carver Mead和Lynn Conway的研究；另一個是Dennard縮放（恒定電流密度縮放）。這些技術的結合讓我們每隔幾年就能將半導體的性能翻倍。

目前為人熟知的一種經驗法則「Scaling Law」告訴我們，神經網絡的規模越大，訓練數據越多，AI的性能似乎就越強大，而 Scaling Law 似乎仍在持續發揮作用。

然而，僅指望收集到所用的數據然后通過預訓練從中自動發現知識是不夠的。我們還需要后訓練，也就是深入一個領域，理解其中的某些內容，并學習特定技能的過程，涉及到強化學習、人類反饋、人工智能反饋、合成數據生成、多路徑學習等多種技術。

這就好比上大學，完成學業、拿到學位是一個重要的里程碑，但這還遠遠不夠。一旦你選擇了一份職業，就還需要再次進行大量的學習。

然后，在后訓練階段，就到了我們所說的「思考」，這可以被稱為test-time scaling。這個階段的一些問題需要將其分解，逐步追溯到第一性原理，然后再從原點出發，為每個問題找到解決方案。

因為答案是不可預測的，這可能需要你進行迭代和分情況討論，模擬不同的結果，這就是我們所說的「思考」，而且往往思考時間越長，答案的質量可能就越高。

現在AI已經能提供能力范圍內最好的答案，但我們還需要知道是否有幻覺、答案是否合理，以及我們多大程度上能信任這個答案。我認為我們距離這一目標還有幾年的時間，在此之前依舊不得不持續投入。

GPU：算力太少怎么解

過去的10年中，Huang's Law不僅意味著計算能力的增長，也是計算成本上百萬倍的降低。

想象一下，在這個世界上，任何你依賴的東西，無論是電力、機票，還是其他任何東西，如果成本降低了上百萬倍，就會讓你的行為習慣會發生根本性的改變。

最明顯的是，計算能力的提高帶來了機器學習蓬勃發展，研究員們可以毫不猶豫地使用機器學習方法分析處理數據。

但不可否認的是，GPU算力少，依舊困擾著高校中的研究人員。今年5月的一次采訪中，李飛飛曾直言，「美國的公立機構和學術界正在AI資源方面跌落懸崖」，斯坦福的NLP實驗室也僅有64塊GPU可用。

對談中，沈向洋也表達了類似的觀點：在深度學習領域，即使是美國的頂尖大學也沒有做出貢獻。過去十年的大多數開創性論文都來自英偉達、微軟、OpenAI、谷歌等頂尖的科技公司。他們完成了令人驚嘆的工作，部分原因其實是擁有足夠的算力。

對此，老黃的角度相當新穎：這個問題的核心是大學中一個非常嚴肅的結構性問題。

算力是重要的。沒有機器，就不可能有機器學習。科研需要儀器，而超算就是當今人工智能領域的科學儀器。

大學的結構性問題在于，每個研究人員只負責籌集自己的經費和資金，不與他人共享，這不符合機器學習的工作方式。

機器學習的工作方式是，每個人只需要機器的一部分時間，但需要的是全部機器一起運行。沒有人永遠需要機器的全部，只是在一小段時間內需要巨大的資源。

大學要想推進研究，就必須發揮領導作用，把所有人的資金都集中起來，提供全校都可以訪問的基礎設施，但這在斯坦福或哈佛這樣的大學是非常困難的。

這也能解釋為什么很多研究人員來英偉達、谷歌和微軟這樣的公司實習、做研究，因為有基礎設施。據我所知，很多教授一邊教學，一邊在大公司擔任兼職研究。解決方法有很多，當然，最好的辦法是大學重新考慮如何提供資金。

GPU：耗能太多怎么破

圍繞著GPU，沈向洋再拋出了一個尖銳的話題：GPU大量使用帶來的能源消耗問題，應該怎么破？

根據預測，到2030年，全球能耗將增加30%，而其中很大一部分可能都要歸因于為AI提供動力的GPU計算。

老黃表示：請允許我用倒推的方式回答這個問題。先上結論：如果全球能源被更多地被用于支持AI，那么這個世界會變得更美好。

首先，AI的目標不是訓練模型，而是使用模型進行推理，而推理的價值是令人難以置信的。它可能發現儲存二氧化碳的新方法，也許能設計更高效的風力渦輪機，或者優化太陽能電池板、開發新的儲能材料，等等。這些都是我們想通過AI實現的終極目標。

其次，在哪里訓練AI是無關緊要的。我們不需要把超算放在大學校園中，而是可以放在更靠近電網，甚至遠離人口密集區的地方。

最后，我們應該在許多不同的領域利用AI來節約能源，減少資源浪費，這樣最終達到節能20%～30%的目標。用于「智能」（intelligence）是我們所能想象到的對能源的最佳利用。

公開英偉達獨特管理經

開啟這個話題前，沈向洋提到，老黃掌舵英偉達接近32年，是當今硅谷在任時間最長的CEO，甚至可能不是當今而是有史以來。

那么，在神人輩出的硅谷，老黃為何能成功創辦英偉達，并實現了今日的輝煌？

在管理風格方面，老黃自成一家。在英偉達，任何人發現有5件可以改進的事情都可以直接給老黃發郵件，有60個總監（director）向他直接匯報，每次開會也是這60個人全部參與、「濟濟一堂」。

這樣做的原因只有一點：透明度。給所有人同步所有事情，在所有人面前討論公司的戰略和決定，這樣就不止是他一個人去森林探險一樣找到發展方向再布置任務，而是讓每個人都知道并參與到推理答案的過程中。

除了管理上的方法論，老黃分享更多的是自己的心得和精神體會。

首先，不要把你的工作僅僅當成一份「工作」，而是要看成一生的事業。去做任何你愿意為之奉獻一生的事情，把職業看作是自己終生要追求完美的技藝，這種心態的差別會極大地影響投入感和你的思維方式。

對老黃而言，領導英偉達就不是一份普通的工作而是他的人生事業。

第二，要盡可能多地學習，尤其是作為CEO，需要不斷學習和重塑自己，因為世界在不斷變化，公司在變化，技術也在變化。今天掌握的知識可能在未來派上用場，但永遠不會足夠。

老黃表示，自己每天都在學習，來的路上還在看YouTube視頻，還訓練（甚至是折磨）AI模型讓它當教練幫助自己學習。

但是，學習也是有個度的。作為領導者的CEO，你必須對自己想要做的事情充滿信心，但你不必知道一切，也不必完全確定。信心和確定性不是一回事，你有可能非常自信地追求一個方向，同時又給不確定性留出空間。

這種不確定性的空間能給你提供繼續學習的機會，不確定性是朋友而非敵人。

以及，作為領導者需要強大（strong），因為很多人依靠你的力量生存。但強大并不意味著不能脆弱。也就是說，如果你需要幫助，就尋求幫助。

總而言之，脆弱不等于缺乏力量，不確定不等于缺乏信心。

最后，貢獻一則老黃追妻的八卦小故事：

我16歲上大學，17歲時遇見我老婆，當時她19歲。我們班250名同學，只有3個女生，而且我最小，只有我看起來像個小孩，所以搭訕技巧非常重要。

所以我的策略是：要讓她對我的第一印象是「非常聰明」，所以走到她面前說：「你想看看我的作業嗎？」

然后我向她保證，我說如果你每個星期天和我一起做作業，我保證你會得到全A。結果就是，我每個星期天都能跟她約會，然后我就讓她一整天都在做作業，這樣就能約會一整天了。

我老婆從來沒看到過我寫作業的過程，因為我想展現出自己很聰明，所以總是在她來之前就把作業寫完了，這樣在她面前我就是知道所有答案的樣子。她可能整個四年都在想，「Jenson真是個天才」。

而且為了確保她能和我結婚，我就說：「到30歲的時候，我一定能當上CEO。」但老實說，當時我完全不知道自己在說什么，然后我們結婚了。以上，就是我給企業家們的建議。