（關注公眾號設為標，獲取AI深度洞察）

全文 5,000字 | 閱讀約16分鐘

昨天，在Beyond Artificial大會上，英偉達CEO黃仁勛首次就近期引發全球AI圈熱議的中國企業DeepSeek發表了他的看法。這來得特別及時——過去一個月，由于市場擔憂開源推理模型可能影響行業格局，英偉達股價一度承壓。而黃仁勛的觀點，卻給市場帶來了意外的驚喜。

在與數據存儲巨頭DDN公司的深度對話中，黃仁勛不僅高度肯定了DeepSeek在推理模型領域的突破性進展，更重要的是，他系統性地闡述了一個被市場普遍誤解的觀點：AI的價值并不僅僅在于預訓練階段。

"不知道是誰先提出這種模式，但顯然它并不準確。"黃仁勛直言。在他看來，真正的AI應用應該包含三個同等重要的階段：預訓練、后訓練（推理能力學習）以及實際推理過程。而DeepSeek的開源推理模型，恰恰切中了這一關鍵環節。

文稿整理

主持人（Alex）：歡迎來到《Beyond Artificial》大會，Jensen，謝謝你能來。

嘉賓黃仁勛（Jensen Huang）：能來到這里真是太好了，Alex，非常感謝。很高興見到你。

一、DDN的Infinia產品起源

主持人：好的，我必須先講講 Infinia 這個新產品是怎么開始的。2017 年，NVIDIA 說：“我們想要搭建一個參考架構（reference architecture）的超級計算平臺，需要數據部分來支撐。” 我們離開那次會議后，我就想：如果 Jensen 對未來十年甚至更長遠的人工智能愿景變成現實，那么需要一種完全不同的架構。它必須在訓練階段可以高效擴展，必須非常低延遲，必須是分布式的，同時能在本地數據中心和多云環境中運行。而且數據本身不能到處移動，因為成本太高，比如圖像、視頻等等都很昂貴。所以只能用元數據和標簽之類的東西。這就是它的起點。當時我把它畫在白板上，說：“這才是面向 AI 的架構。”所有人都看著我，說：“你完全瘋了，你在談論一些無法實現的東西?！蔽艺f：“好吧，讓我們換個角度看問題。跳出過去的經驗，從我們真正想解決的問題來思考。先別管過去，也別管文件系統之類的?！焙髞砘似吣陼r間才實現了。當兩個工程師出身的 CEO 在一起時，常常就會發生這種事。

黃仁勛：我覺得你描述的這個非凡歷程非常精彩。當然，從訓練一個模型到現在利用這些不可思議的前沿 AI 模型，并把它們帶到推理（inference）和大型應用上，這是一條很漫長的道路。人們常常忽視的一點，就是在實際應用階段（而不只是訓練階段）對數據的需求非常關鍵。因此，你不僅要對海量數據進行預訓練，而且在實際使用時，AI 也需要訪問信息。AI 希望訪問到的并不只是原始數據，而是信息本身——更加“理解化”的數據。所以，這也是為什么要把存儲從簡單的對象和原始數據升級到“數據智能（Data Intelligence）”。對于 DDN公司的產品來說，為全世界的企業提供這樣一種數據智能，讓 AI 在這個信息層之上去運轉，這是一個對計算和存儲關系的全新定義，也是對我們所能提供產品類型的全新定義。

主持人：所以，你可以把它看作是重新思考計算和存儲的一次重大機遇。我們都認為，這背后的驅動力是你的遠見卓識。你幾乎創造了這個產業，并且讓它能真正結出碩果。它在以各種方式改變我們的工作、娛樂、休閑、健康、安全……它的影響如此深遠，并且在全球范圍內都是一種轉折。要想讓這一切發生，企業必須去采用 AI，并且以更快的速度采用，這就要求投資回報率（ROI）能夠成立。而 ROI 的實現，需要應用層得到加速，同時基礎設施（無論在本地數據中心還是云中）都要具備更高的效率。我們已經做到這一點。而現在我認為最大的催化劑與加速器在于：“如何讓應用層獲得超級加速？” 你們在這方面做得非常出色，比如 CUDA 等生態。

黃仁勛：我非常喜歡你使用“加速（accelerate）”這個詞。在計算機科學領域，或者說在計算領域，你和我都經歷并見證了摩爾定律的好處：計算性能越來越強，價格和功耗卻不斷降低。在我們職業生涯的最初 30 年里，我們都享受到了這種“摩爾定律的紅利”?？墒窃谶^去的 15 年里，我們看到摩爾定律漸漸放緩甚至趨于結束。在此之上，NVIDIA 做出的首要重要貢獻是通過一種完全不同的體系結構和算法重構，把序列處理變成了極致的并行加速處理?，F在我們在極端地加速計算，讓計算重新變得高效、經濟，同時也降低能耗，并且極大地加速了各種工作負載。在這個基礎之上，我們使得機器學習和人工智能成為可能。因為我們現在能以非常高的能效和極快的速度進行計算，所以我們可以把計算推向極限，讓計算機去發現洞察。所以在底層，NVIDIA 和 DDN 新的產品線合作正是基于這種加速計算和 AI 技術，把你存儲的大量原始數據轉化成數據智能。你把這些數據內在的價值抽取到模型里，挖掘其中的語義和信息，而不再只是存儲原始數據。這樣，你服務的就不再是原始數據，而是元數據、知識、洞察。非常令人驚嘆的是，元數據和語義層的數據往往高度壓縮。

二、AI與數據的新關系

主持人：對，對，對，壓縮率是驚人的，這讓我們可以在全球范圍內快速傳輸這些信息。必須要有這種方式，多模態（multimodal）也成為企業想真正從 AI 中獲益的必要條件。通過多模態的元數據標注，以及移動這些元數據，才能實現更好的經濟效益，否則成本也無法承受。數據中心也沒有足夠的空間，世界也沒有那么多電力，去按照過去那種方式處理。所以對元數據的標注非常重要。當我們開始 Infinia 這個項目時，就重點關注了它：必須成為一個元數據豐富、低延遲的基礎設施，能夠不斷對這些對象進行轉換，從而得到洞察。 畢竟，最終的目標是數據智能。如果你把所有數據都導入環境中去訓練模型，但卻沒從中得到任何洞察或商業價值，對消費者的娛樂、健康也沒有任何幫助，那就毫無意義。所以它必須發揮效益，能夠帶來好處。

黃仁勛：是，這也是一種企業與自身數據交互的新方式——不僅僅是存取數據，而是“理解”數據、可能還要對數據做修改，再存回去。你實際上是在“對話”自己的數據，你提出問題，你的數據會回答你，告訴你你所需的信息。也可能隱藏在原始數據中的洞察，已經變成了語義化的信息。然后你可以讓不同的 AI 代理和模型，針對公司不同部門的數據進行交互，查詢并生成報告，再由另一個 AI 代理去讀取、理解，然后與其他數據或情報結合，最終給出某種結論。 基本上，這就像是多個領域專家組成的團隊，每個 AI 代理都在某個特定專業領域里是行家，他們成了某種“顧問團”，讓組織能更好地競爭，更快地開發出更好的產品，給客戶帶來更多價值，可能是產品也可能是服務。然后你再把這種能力與 Omniverse 結合起來。我覺得這才是最驚艷的部分：與其在物理世界去做所有研發，你可以用數字孿生（digital twin）的方式來模擬，比如開發一種新藥需要花費數十億美元，耗時很多年，還要通過 FDA 審批，而且還不一定成功，可能有好幾條研發路徑要并行或試錯。如果你把這些研發路徑都放到 Omniverse 中的數字孿生去模擬，系統就可能告訴你：“如果把研發路徑一的一些屬性和路徑四的其他屬性結合起來，能最大化成功率，最有效地壓縮上市時間，并帶來最大的好處?！?/p>

主持人：對于在座的觀眾來說，這的確很有意思。我們一開始是在高性能計算（HPC）領域結緣的。訓練基礎模型和前沿模型是 HPC 最極致的形態。因此，NVIDIA 與 DDN 在這個領域建立了友誼與長期合作。

黃仁勛：但現在，我們的目標是把這些訓練好的模型用到企業里，把原始數據轉化為數據智能。這意味著我們正走向企業市場。所以從 HPC 到企業市場，從公共云到現在私有云和公有云并行，在那里，企業最終希望進入數字世界。因為一旦到了數字世界，就可以更快地完成一切——這正是 Omniverse 的愿景，讓每家公司都擁有它們自己的數字孿生。這太深刻了，真是不可思議。我不確定大家有沒有真正理解它的重要性和影響力。這正是我們要向下一個階段邁進的過程。從超級計算到企業，再到把企業數字化為數字孿生世界。要做到這一點，就必須獲取各自領域的數據，無論是 3D、蛋白質、化學物質、各類信息或者時間序列數據，甚至可能是物理仿真數據。我們要做的，就是把它們所蘊含的含義和表征抽取出來，再在 Omniverse 中進行數字化。這樣，全世界所有的公司就都能在數字世界擁有自己的“數字鏡像”。進入數字世界后，我們可以一次性做數千次實驗，而且都是并行進行的。于是，就相當于我們在 Omniverse 中擁有平行宇宙的能力，可以同時進行各種試驗，一次就能嘗試無數條路徑。這就像“同時活了無數次人生”，然后從中找出最優的一條或某幾條組合。

三、DeepSeek開源突出貢獻

主持人：這適用于企業組織，也適用于政府的“主權 AI”，為廣大民眾提供好處，也適用于個人、消費層面的健康等領域。你可以把它擴展到任何地方，它能幫你做各種最優解。當我第一次聽你談到 Omniverse 的時候，我就覺得這太震撼了，這就是 AI 讓我們走到的地方，爆發力極其強大。

黃仁勛：是的，沒有 AI，無法把世界上所有的原始數據提取出意義，然后用數字孿生的形式呈現。因為我們需要壓縮時間和降低經濟成本，只能更快、更便宜地進行實驗，而數字孿生是唯一的途徑。我們要做的就是把一切都數字孿生化。這就是企業加速采用 AI 的背景，他們想在這個過程中縮短周期，從而獲得巨大的益處。這就是我們現在所處的時刻。我們已經在“數據層”構建了“智能層”，也就是你說的數據智能之上，再往上就是代理層（Agentic Layer）。在信息世界里，我們稱之為 Agentic AI；在物理世界里，會是融入機器人形態的物理 AI。現在，我們又往上多加了一層。你或許已經注意到最近 DeepSeek 的一些進展——世界上首個開源的“推理（reasoning）模型”，反響極其強烈，全世界都在關注。

主持人：為什么有些人會認為這是個壞事？我反而覺得是好事。

黃仁勛：從投資者的角度來看，以前可能有一種“只做預訓練，再做推理”的簡單思維：預訓練需要很多計算量，然后推理就一瞬間給出答案。我不知道是誰先提出這種模式，但顯然它并不準確。

真正的模式應該是：

• 1、預訓練（Pre-training）：用大量多模態數據（語言、圖像、視頻、音頻……）去學習基礎知識。

• 2、后訓練（Post-training）：學習如何解決問題。也就是在基礎知識之上，做強化學習、人工反饋、或者 AI 間互相教練等各種方式，讓模型學會推理、不斷迭代。

預訓練會一直很繁重，但后訓練對于智能來說才是最重要的部分，因為那是把學來的知識用于解決問題的過程。人們過去可能以為預訓練占大頭，可實際上后訓練也非常消耗計算。

第三個層面是推理過程中的“思考”本身，也需要大量計算。因為智能體在回答問題前會進行推理，并行試驗，甚至要分步推理（Chain-of-Thought），再不斷修正。所以“推理”是相當計算密集的。

主持人：DeepSeek的出現讓大家意識到，有很多新方法可以讓模型比原來設想得更高效。這實際上會加速 AI 的應用擴展，而不是讓它停止。所以，這只是讓整個 AI 的生態進一步擴大和加速。

黃仁勛：現在，我們有了像 R1 這樣的模型，還有 Infinia 這樣的數據智能層。二者結合，就能讓模型與“智能化數據”對話，一起解決問題。我還想提到很重要的一點就是你提到的 CUDA 生態系統（Cuda Obj 等），這是非常巨大的推動力。人們可以利用這個生態，結合 CUDA、Nims、以及專業行業的推理庫，覆蓋特定領域比如生命科學、金融服務、自動駕駛等等，把這一切結合起來，再加上模型的進化，就能進一步加速 AI 的應用。這對 NVIDIA 來說是一件好事，對 DDN 也是好事，但從本質上說，所有的核心點都在于“應用層”的加速。

四、企業AI應用策略

主持人：最讓人感到神奇的地方在于，所有這些說到底都是“軟件”?？晌覀儸F在對軟件的表述方式，和十年前已經完全不一樣了。

黃仁勛：很多人會問：“企業應該自己構建 AI 呢？還是直接用公有云上的 AI？” 我覺得答案是：都可以而且都需要。如果公有云上有現成的 AI 可以用，那么非常適合先用起來，因為它能快速給出通用的智能服務，而且會以指數級速度變得更好。但是，企業內部通常有很多不同的專業領域，比如我們在英偉達做芯片設計、編寫 CUDA 軟件、編寫 Verilog 代碼、供應鏈管理……在這些地方，我們有深厚的專業知識。在這種情況下，我們就會基于開源模型和工具（如 NVIDIA Nemo、Nims，以及像 DDN Infinia 這樣的數據智能平臺）自己來訓練專有 AI。因此，企業最終會擁有自研 AI、與第三方平臺合作的 AI、以及公有云 AI，多種并存。公司內部會有“AI 的 AI”，而在每個 AI 內部又是一個“模型系統”。它們彼此協作，共同解決大型問題，坐落在企業的數據智能層之上。

主持人：對每一個企業來說，都需要想清楚：“我們的使命和價值是什么？” 然后，“如何差異化？” 這種差異化只能來自于將 AI 專門應用于自身組織的獨特目標上。是的，你可以直接“使用”AI，但那只是消費層面的用法。真正帶來價值的是，在你是生命科學企業或金融服務企業的場景下，怎么利用 AI 去做更具針對性和獨特性的事。這才是專業化的地方，也正是 NVIDIA 提供的專業能力所發揮的作用，比如 Nemo，再比如 DDN 的 Infinia，都能幫助你更好地放大自身的差異化。所以我非常感謝你成為我們的卓越合作伙伴，為我們指明方向，也非常感激你們把我們的技術廣泛應用在 NVIDIA 內部。未來將由 DDN 來驅動。

黃仁勛：跟你們合作真的很棒，你們的技術也非常出色。如果沒有 DDN，就不可能有現在 NVIDIA 的超級計算平臺。所以，我也十分感激。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

參考資料：https://www.youtube.com/watch?v=F3NJ5TwTaTI

來源：官方媒體/網絡新聞

排版：Atlas

編輯：深思

主編: 圖靈