黄仁勋：英伟达的 AI 算力，已经「1 折」出售 期货开户云平台时间怎么算出来的

身穿皮夹克的黄仁勋，站在蓝色冲浪板上，摆了几个冲浪的姿势。

这不是美国「网红节」VidCon，而是美国知名数据平台 Snowflake 的开发者大会上的一景。

当地时间 6 月 26 日，英伟达创始人黄仁勋和 Snowflake 公司 CEO Frank Slootman 就「如何把生成式 AI 带给企业用户」展开探讨。主持人则是前 Greylock 的 GP，现在是投资机构 Conviction 的创始人。

在会上，相较于「东道主」Frank 职业经理人式的老成持重，「皮衣教父」一如既往地语出惊人，不仅称双方的合作是「要相爱，不要战斗」（We are Lovers，not Fighters），更开玩笑说，为 Snowflake 提供的经过训练的模型，相当于给客户「打了 1 折」。

当天，英伟达与 Snowflake 又共同放出大招：世界第一芯片公司与风头最劲的云数据平台合作，推出共同合作。Snowflake 的用户可以在数据不离开平台的前提下，直接利用英伟达的预训练 AI 模型，在云平台上对自己公司的数据进行分析，开发针对自己数据的「AI 应用」。

「目前的重大变革来自数据+AI 算法+计算引擎。通过我们的合作，我们的能够将这三点带到一起。」黄仁勋讲道。

大语言模型+企业专属数据库=针对特定问题的 AI 应用；

以前是 Data going to Work，现在是 Work going to Data，让计算去到数据所在之地，避免数据孤岛；

英伟达提供的预训练模型，已经是花费数千万美元、在英伟达 AI 工厂中训练出来的，所以在 Snowflake 上调用计算引擎已经「打了 0.5 折」；

软件 3.0 时代，基于模型、数据库，企业能够在几天内搭建自己的专属应用；

未来企业能够生产许多智能代理，并运行它们；

对于企业来说，真正的难题是混合结构的、非结构化的数据，如何被调动。这或许能够带来商业模式的更新。

以下为双方对话主要内容，整理编辑：

01

谈合作：把最好的计算引擎，

带给最有价值的数据

Frank：

NVIDIA 目前在历史上发挥着重要的作用。对于我们来说，能够带来数据和大型企业的关系。我们需要启用这项技术，以及让整个服务堆栈来有效地使用它。我不想使用「天作之合」来形容，但是对于一个门外汉，是一个很好的机会，进入到这扇机会的大门里。

黄仁勋：

我们是 lovers，而不是对手。我们要把世界上最好的计算引擎带到世界上最有价值的数据。回想过去，我已经工作了很长时间，但是还没有那么老。Frank，你更老一些（笑）。

最近，由于众所周知的原因，数据是巨大的，数据是宝贵的。它必须是安全的。移动数据很困难，数据的引力真实存在。因此，对我们来说，把我们的计算引擎带到 Snowflake 上要容易得多。我们的伙伴关系是加速 Snowflake，但它也是关于将人工智能带到 Snowflake。

最核心的是，数据+人工智能算法+计算引擎的组合，我们的伙伴关系将所有这三件事结合在一起。令人难以置信的有价值的数据，令人难以置信的伟大的人工智能，令人难以置信的伟大的计算引擎。

我们可以一起做的事情，是帮助客户使用他们的专有数据，并用它来编写 AI 应用程序。你知道，这里的重大突破是，你第一次可以开发一个大型语言模型。你把它放在你的数据前面，然后你与你的数据交谈，就像你与一个人交谈一样，而这些数据将被增强到一个大型语言模型中。

大型语言模型加知识库的组合等于一个人工智能应用。这一点很简单，一个大型的语言模型将任何数据知识库变成一个应用程序。

想想人们所写的一切惊人的应用程序。它的核心始终是一些有价值的数据。现在你有一个查询引擎通用查询引擎在前面，它超级智能，你可以让它回应你，但你也可以把它连接到一个代理，这是 Langchain 和向量数据库带来的突破。将数据和大语言模型叠加的突破性的东西正在到处发生，每个人都想做。而 Frank 和我将帮助大家做到这一点。

02

软件 3.0：建立 AI 应用，

解决一个特定问题

主持人：

作为投资者来看这种变化，软件 1.0 是非常确定的代码，由工程师按照功能写出来；软件 2.0 是用仔细收集的标记的训练数据优化一个神经网络。

你们在帮助人们撬动软件 3.0，这套基础模型本身有令人难以置信的能力，但它们仍然需要与企业数据和自定义数据集合作。只是针对它们去开发那些应用程序要便宜得多。

对于那些深入关注这个领域的人来说有一个问题，基础模型是非常泛化，它可以做所有事情吗？为什么我们需要自定义模型和企业数据呢？

Frank：

所以我们有非常泛化的模型，可以做诗，处理《了不起的盖茨比》的做摘要，做数学问题。

但是在商业中，我们不需要这些，我们需要的是一个 Copilot，在一个非常狭窄，但是非常复杂的数据集上获得非凡的洞见。

我们需要了解商业模式和商业动态。这样的计算上不需要那么昂贵，因为一个模型并不需要在一百万件事情上接受训练，只需要知道非常少的、但很深入的主题。

举个例子。我是 Instacart 的董事会成员，我们一个大客户，像 DoorDash 和所有其他企业常面临的问题是，他们不断增加营销费用，来了一个客户，客户下了一个订单，客户要么不回来，要么 90 天后回来，这非常不稳定。他们把这称为流失客户。

这是复杂问题的分析，因为客户不回来的原因可能有很多。人们想找到这些问题的答案，它在数据中，不在一般的互联网中，而且可以通过人工智能找出来。这就是可能产生巨大价值的例子。

主持人：

这些模型应该如何与企业数据互动？

黄仁勋：

我们的战略和产品是各种尺寸、最先进的预训练模型，有时你需要创建一个非常大的预训练模型，以便它可以产生 prompt，来教更小的模型。

而较小的模型几乎可以在任何设备运行，也许延迟非常低。然而它的泛化能力并不高，zero shot（零样本学习）能力可能更有限。

因此，你可能有几种不同类型不同大小的模型，但在每一种情况下，你必须做监督的微调，你必须做 RLHF（人类反馈的强化学习），以便它与你的目标和原则保持一致，你需要用矢量数据库之类的东西来增强它，所以所有这些都汇集在一个平台上。我们有技能、知识和基本平台，帮助他们创建自己的人工智能，然后将其与 Snowflake 中的数据连接起来。

现在，每个企业客户的目标不应该是思考我如何建立一个大型的语言模型，他们的目标应该是，我如何建立一个人工智能应用程序来解决特定的问题？那个应用可能需要 17 个问题来做 prompt，最终得出正确的答案。然后你可能会说，我想写一个程序，它可能是一个 SQL 程序，可能是一个 Python 程序，这样我就可以在未来自动做这个。

你还是要引导这个人工智能，让他最终能给你正确的答案。但在那之后，你可以创建一个应用程序，可以作为一个代理（Agent）24/7 不间断地运行，寻找相关情况，并提前向你汇报。所以我们的工作就是帮助客户建立这些人工智能的应用，这些应用是有安全护栏的、具体的、定制的。

最终，我们在未来都将成为智能制造商，当然雇用员工，但我们将创建一大堆代理，它们可以用 Lang Chain 类似的东西来创建，连接模型、知识库、其他 API，在云中部署，并将其连接到所有的 Snowflake 数据。

你可以规模化地操作这些 AI，并不断地完善这些 AI。因此，我们每个人都将制造 AI、运行 AI 工厂。我们将把基础设施放在 Snowflake 的数据库，客户可以在那里使用他们的数据，训练和开发他们的模型，操作他们的 AI，因此，Snowflake 将是你的数据存储库和银行。

有了自己的数据金矿，所有人都将在 Snowflake 上运行 AI 工厂。这是目标。

03

「核弹」虽贵，

直接用模型相当于「打 1 折」

黄仁勋：

我们在 NVIDIA 建立了有五个 AI 工厂，其中四个是世界前 500 名的超级计算机，另一个正在上线。我们使用这些超级计算机来做预训练模型。因此，当你在 Snowflake 中使用我们的 Nemo AI 基础服务时，你将得到一个最先进的预训练模型，已经有几千万美元的费用投入其中，更不用说研发投入了。所以它是预先训练好的。

然后有一大堆其他的模型围绕着它，这些模型用于微调、RLHF。所有这些模型的训练成本都要高得多。

因此，现在你已经将预训练模型适应于你的功能，适应于你的护栏，优化你希望它具有的技能或功能类型，用你的数据增强。因此，这将是一个更具成本效益的方法。

更重要的是，在几天内，而不是几个月。你可以在 Snowflake 开发与你的数据连接的人工智能应用程序。

你应该能够在未来快速建立人工智能应用程序。

因为我们现在看到它正在实时发生。已经有一些应用能够让你和数据聊天，比如 ChatPDF。

主持人：

是的，在软件 3.0 时代，95% 的培训费用已经由别人承担了。

黄仁勋：

（笑）是的，95％ 的折扣，我无法想象一个更好的交易。

主持人：

这是真正的动力，作为投资人，我看到在分析、自动化、法律等领域的非常年轻的公司，他们的应用已经在六个月或更短的时间内实现了真正的商业价值。其中一部分原因是他们从这些预先训练好的模型开始，这对企业来说是一个巨大的机会。

黄仁勋：

每家公司都会有数百个，甚至 1000 个人工智能应用程序，只是与你公司的各种数据相连。所以，我们所有人都必须善于构建这些东西。

04

原来是数据找业务，

现在是业务找数据

主持人：

我一直从大企业参与者听到的一个问题是，我们必须去投资人工智能，我们需要一个新的堆栈（Stack）吗？应该如何考虑与我们现有的数据堆栈相连？

Frank：

我认为它在不断发展。模型们正逐渐变得更简洁、安全、更好地被管理。所以，我们没有一个真正明确的观点，这就是每个人都会使用的参考架构？有些人将有一些中央服务的设置。微软有 Azure 中的人工智能版本，它们的很多客户正在与 Azure 进行互动。

但我们不清楚什么模型将主导，我们认为市场将在使用难易、成本这些事上进行自我排序。现在仅仅是开始，不是最终的状态。

安全部门也会参与进来，关于版权的问题会被革新。现在我们对技术很着迷，现实中的问题也会被同时处理。

黄仁勋：

我们现在正经历 60 年来第一次根本性的计算平台变革。如果你刚刚读了 IBM System 360 的新闻稿，你会听到关于中央处理单元、IO 子系统、DMA 控制器、虚拟内存、多任务、可扩展计算向前和向后端兼容，而这些概念，实际都是 1964 年的东西，而这些概念帮助我们在过去六十年来，不断进行 CPU 扩展。

这样的扩展已经进行了 60 年了，但这已经走到了尽头。现在大家都明白，我们无法再扩展 CPU 了，突然之间，软件变化了。软件的编写方式，软件的操作方式，以及软件能做的事情都与以前有很大的不同。我们称之前的软件为软件 2.0。现在是软件 3.0。

事实就是，计算已经从根本上改变了。我们看到两个基本的动力在同时发生，这也是为什么现在事情正在发生剧烈震荡。

一方面，你不能再不断地购买 CPU。如果你明年再买一大堆 CPU，你的计算量将不会增加。因为 CPU 扩展的终点已经到来了。你会多花一大堆钱，你不会得到