想写出优秀的家具广告语？看这里！

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>黃(huang)仁(ren)勛(xun)：英(ying)偉(wei)達(da)的(de) AI 算(suan)力(li)，已(yi)經(jing) 1 折(zhe)出(chu)售(shou)

作(zuo)者(zhe) | 淩(ling)梓(zi)郡(jun)、Li Yuan

編(bian)輯(ji) | 靖(jing)宇(yu)

圖(tu)片(pian)來(lai)源(yuan)：由(you)無(wu)界(jie) AI 生(sheng)成(cheng)

身(shen)穿(chuan)皮(pi)夾(jia)克(ke)的黄仁勋，站(zhan)在(zai)藍(lan)色(se)沖(chong)浪(lang)板(ban)上(shang)，擺(bai)了(le)幾(ji)個(ge)冲浪的姿(zi)勢(shi)。

這(zhe)不(bu)是(shi)美(mei)國(guo)「網(wang)紅(hong)節(jie)」VidCon，而(er)是美国知(zhi)名(ming)數(shu)據(ju)平(ping)臺(tai) Snowflake 的開(kai)發(fa)者大(da)會(hui)上的壹(yi)景(jing)。

當(dang)地(di)時(shi)間(jian) 6 月(yue) 26 日(ri)，英伟达創(chuang)始(shi)人(ren)黄仁勋和(he) Snowflake 公(gong)司(si) CEO Frank Slootman 就(jiu)「如(ru)何(he)把(ba)生成式(shi) AI 帶(dai)給(gei)企(qi)業(ye)用(yong)戶(hu)」展(zhan)开探(tan)討(tao)。主(zhu)持(chi)人則(ze)是前(qian) Greylock 的 GP，現(xian)在是投(tou)資(zi)機(ji)構(gou) Conviction 的创始人。

在会上，相(xiang)較(jiao)於(yu)「東(dong)道(dao)主」Frank 職(zhi)业经理(li)人式的老(lao)成持重(zhong)，「皮衣(yi)教(jiao)父(fu)」一如既(ji)往(wang)地語(yu)出驚(jing)人，不僅(jin)稱(cheng)雙(shuang)方(fang)的合(he)作是「要(yao)相愛(ai)，不要戰(zhan)鬥(dou)」（We are Lovers，not Fighters），更(geng)开玩(wan)笑(xiao)說(shuo)，為(wei) Snowflake 提(ti)供(gong)的经過(guo)訓(xun)練(lian)的模(mo)型(xing)，相当于给客(ke)户「打(da)了 1 折」。

当天(tian)，英伟达與(yu) Snowflake 又(you)共(gong)同(tong)放(fang)出大招(zhao)：世(shi)界第(di)一芯(xin)片公司与風(feng)頭(tou)最(zui)勁(jin)的雲(yun)数据平台合作，推(tui)出共同合作。Snowflake 的用户可(ke)以(yi)在数据不離(li)开平台的前提下(xia)，直(zhi)接(jie)利(li)用英伟达的預(yu)训练 AI 模型，在云平台上對(dui)自(zi)己(ji)公司的数据進(jin)行(xing)分(fen)析(xi)，开发針(zhen)对自己数据的「AI 應(ying)用」。

「目(mu)前的重大變(bian)革(ge)来自数据+AI 算法(fa)+計(ji)算引(yin)擎(qing)。通(tong)过我(wo)們(men)的合作，我们的能(neng)夠(gou)將(jiang)这三(san)點(dian)带到(dao)一起(qi)。」黄仁勋講(jiang)道。

Talking Points：

大语言(yan)模型+企业專(zhuan)屬(shu)数据庫(ku)=针对特(te)定(ding)問(wen)題(ti)的 AI 应用； 以前是 Data going to Work，现在是 Work going to Data，讓(rang)计算去(qu)到数据所(suo)在之(zhi)地，避(bi)免(mian)数据孤(gu)島(dao)； 英伟达提供的预训练模型，已经是花(hua)費(fei)数千(qian)萬(wan)美元(yuan)、在英伟达 AI 工(gong)廠(chang)中(zhong)训练出来的，所以在 Snowflake 上調(tiao)用计算引擎已经「打了 0.5 折」； 軟(ruan)件(jian) 3.0 时代(dai)，基(ji)于模型、数据库，企业能够在几天內(nei)搭(da)建(jian)自己的专属应用； 未(wei)来企业能够生產(chan)許(xu)多(duo)智(zhi)能代理，並(bing)運(yun)行它(ta)们； 对于企业来说，真(zhen)正(zheng)的難(nan)题是混(hun)合結(jie)构的、非(fei)结构化(hua)的数据，如何被(bei)调動(dong)。这或(huo)许能够带来商(shang)业模式的更新(xin)。

以下为双方对話(hua)主要内容(rong)，经極(ji)客公園(yuan)整(zheng)理编辑：

01 談(tan)合作：把最好(hao)的计算引擎，带给最有(you)價(jia)值(zhi)的数据

Frank：

NVIDIA 目前在歷(li)史(shi)上发揮(hui)著(zhe)重要的作用。对于我们来说，能够带来数据和大型企业的關(guan)系(xi)。我们需(xu)要啟(qi)用这項(xiang)技(ji)術(shu)，以及(ji)让整个服(fu)務(wu)堆(dui)棧(zhan)来有效(xiao)地使(shi)用它。我不想(xiang)使用「天作之合」来形(xing)容，但(dan)是对于一个門(men)外(wai)漢(han)，是一个很(hen)好的机会，进入(ru)到这扇(shan)机会的大门裏(li)。

黄仁勋：

我们是 lovers，而不是对手(shou)。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(hui)想过去，我已经工作了很長(chang)时间，但是還(hai)沒(mei)有那(na)麽(me)老。Frank，妳(ni)更老一些(xie)（笑）。

最近(jin)，由于眾(zhong)所周(zhou)知的原(yuan)因(yin)，数据是巨(ju)大的，数据是寶(bao)貴(gui)的。它必(bi)須(xu)是安(an)全(quan)的。移(yi)动数据很困(kun)难，数据的引力真實(shi)存(cun)在。因此(ci)，对我们来说，把我们的计算引擎带到 Snowflake 上要容易(yi)得(de)多。我们的夥(huo)伴(ban)关系是加(jia)速(su) Snowflake，但它也(ye)是关于将人工智能带到 Snowflake。

最核(he)心(xin)的是，数据+人工智能算法+计算引擎的組(zu)合，我们的伙伴关系将所有这三件事(shi)结合在一起。令(ling)人难以置(zhi)信(xin)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(zuo)的事情(qing)，是幫(bang)助(zhu)客户使用他(ta)们的专有数据，并用它来编寫(xie) AI 应用程(cheng)序(xu)。你知道，这里的重大突(tu)破(po)是，你第一次(ci)可以开发一个大型语言模型。你把它放在你的数据前面(mian)，然(ran)後(hou)你与你的数据交(jiao)谈，就像(xiang)你与一个人交谈一樣(yang)，而这些数据将被增(zeng)強(qiang)到一个大型语言模型中。

大型语言模型加知識(shi)库的组合等(deng)于一个人工智能应用。这一点很簡(jian)單(dan)，一个大型的语言模型将任(ren)何数据知识库变成一个应用程序。

想想人们所写的一切(qie)惊人的应用程序。它的核心始終(zhong)是一些有价值的数据。现在你有一个查(zha)詢(xun)引擎通用查询引擎在前面，它超(chao)級(ji)智能，你可以让它回应你，但你也可以把它連(lian)接到一个代理，这是 Langchain 和向(xiang)量(liang)数据库带来的突破。将数据和大语言模型疊(die)加的突破性(xing)的东西(xi)正在到處(chu)发生，每(mei)个人都(dou)想做。而 Frank 和我将帮助大家(jia)做到这一点。

02 软件 3.0：建立(li) AI 应用，解(jie)決(jue)一个特定问题

主持人：

作为投资者来看(kan)这種(zhong)变化，软件 1.0 是非常(chang)確(que)定的代碼(ma)，由工程師(shi)按(an)照(zhao)功(gong)能写出来；软件 2.0 是用仔(zai)細(xi)收(shou)集(ji)的標(biao)記(ji)的训练数据優(you)化一个神(shen)经网絡(luo)。

你们在帮助人们撬(qiao)动软件 3.0，这套(tao)基礎(chu)模型本(ben)身有令人难以置信的能力，但它们仍(reng)然需要与企业数据和自定義(yi)数据集合作。只(zhi)是针对它们去开发那些应用程序要便(bian)宜(yi)得多。

对于那些深(shen)入关註(zhu)这个領(ling)域(yu)的人来说有一个问题，基础模型是非常泛(fan)化，它可以做所有事情嗎(ma)？为什(shen)么我们需要自定义模型和企业数据呢(ne)？

Frank：

所以我们有非常泛化的模型，可以做詩(shi)，处理《了不起的蓋(gai)茨(ci)比(bi)》的做摘(zhai)要，做数學(xue)问题。

但是在商业中，我们不需要这些，我们需要的是一个 Copilot，在一个非常狹(xia)窄(zhai)，但是非常復(fu)雜(za)的数据集上獲(huo)得非凡(fan)的洞(dong)見(jian)。

我们需要了解商业模式和商业动態(tai)。这样的计算上不需要那么昂(ang)贵，因为一个模型并不需要在一百(bai)万件事情上接受(shou)训练，只需要知道非常少(shao)的、但很深入的主题。

舉(ju)个例(li)子(zi)。我是 Instacart 的董(dong)事会成員(yuan)，我们一个大客户，像 DoorDash 和所有其(qi)他企业常面臨(lin)的问题是，他们不斷(duan)增加營(ying)銷(xiao)费用，来了一个客户，客户下了一个訂(ding)单，客户要么不回来，要么 90 天后回来，这非常不穩(wen)定。他们把这称为流(liu)失(shi)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(zhao)到这些问题的答(da)案(an)，它在数据中，不在一般(ban)的互(hu)聯(lian)网中，而且(qie)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：

这些模型应該(gai)如何与企业数据互动？

黄仁勋：

我们的战略(lve)和产品(pin)是各(ge)种尺(chi)寸(cun)、最先(xian)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(xiao)的模型。

而较小的模型几乎(hu)可以在任何設(she)備(bei)运行，也许延(yan)遲(chi)非常低(di)。然而它的泛化能力并不高(gao)，zero shot（零(ling)样本学習(xi)）能力可能更有限(xian)。

因此，你可能有几种不同類(lei)型不同大小的模型，但在每一种情況(kuang)下，你必须做監(jian)督(du)的微(wei)调，你必须做 RLHF（人类反(fan)饋(kui)的强化学习），以便它与你的目标和原则保(bao)持一致(zhi)，你需要用矢(shi)量数据库之类的东西来增强它，所以所有这些都匯(hui)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(si)考(kao)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。

你还是要引導(dao)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，尋(xun)找相关情况，并提前向你汇報(bao)。所以我们的工作就是帮助客户建立这些人工智能的应用，这些应用是有安全護(hu)欄(lan)的、具(ju)體(ti)的、定制(zhi)的。

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

你可以規(gui)模化地操(cao)作这些 AI，并不断地完(wan)善(shan)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(shi)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 将是你的数据存儲(chu)库和銀(yin)行。

有了自己的数据金(jin)礦(kuang)，所有人都将在 Snowflake 上运行 AI 工厂。这是目标。

03「核彈(dan)」雖(sui)贵，直接用模型相当于「打 1 折」

黄仁勋：

我们在 NVIDIA 建立了有五(wu)个 AI 工厂，其中四(si)个是世界前 500 名的超级计算机，另(ling)一个正在上線(xian)。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(yan)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圍(wei)繞(rao)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適(shi)应于你的功能，适应于你的护栏，优化你希(xi)望(wang)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(yi)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(kuai)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(liao)天，比如 ChatPDF。

主持人：

是的，在软件 3.0 时代，95% 的培(pei)训费用已经由別(bie)人承(cheng)擔(dan)了。

黄仁勋：

（笑）是的，95％ 的折扣(kou)，我无法想象(xiang)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(lv)等领域的非常年(nian)輕(qing)的公司，他们的应用已经在六(liu)个月或更短(duan)的时间内实现了真正的商业价值。其中一部分原因是他们從(cong)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(shen)至(zhi) 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：

我一直从大企业參(can)与者聽(ting)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？应该如何考慮(lv)与我们现有的数据堆栈相连？

Frank：

我認(ren)为它在不断发展。模型们正逐(zhu)漸(jian)变得更简潔(jie)、安全、更好地被管(guan)理。所以，我们没有一个真正明(ming)确的觀(guan)点，这就是每个人都会使用的参考架(jia)构？有些人将有一些中央(yang)服务的设置。微软有 Azure 中的人工智能版(ban)本，它们的很多客户正在与 Azure 进行互动。

但我们不清(qing)楚(chu)什么模型将主导，我们认为市(shi)場(chang)将在使用难易、成本这些事上进行自我排(pai)序。现在仅仅是开始，不是最终的狀(zhuang)态。

安全部门也会参与进来，关于版權(quan)的问题会被革新。现在我们对技术很着迷(mi)，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(gen)本性的计算平台变革。如果(guo)你剛(gang)刚讀(du)了 IBM System 360 的新聞(wen)稿(gao)，你会听到关于中央处理单元、IO 子系統(tong)、DMA 控(kong)制器(qi)、虛(xu)擬(ni)内存、多任务、可擴(kuo)展计算向前和向后端(duan)兼(jian)容，而这些概(gai)念(nian)，实際(ji)都是 1964 年的东西，而这些概念帮助我们在过去六十(shi)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(zou)到了盡(jin)头。现在大家都明白(bai)，我们无法再(zai)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(gai)变了。我们看到兩(liang)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劇(ju)烈(lie)震(zhen)蕩(dang)。

一方面，你不能再不断地購(gou)買(mai) CPU。如果你明年再买一大堆 CPU，你的计算吞(tun)吐(tu)量将不会增加。因为 CPU 扩展的终点已经到来了。你会多花一大堆錢(qian)，你不会得到更多的吞吐量。因此，答案是你必须去加速（英伟达加速计算平台）。图靈(ling)獎(jiang)获得者谈到了加速，英伟达开创了加速，加速计算现在已经到来。

另一方面是，计算机的整个操作系统发生了深刻(ke)的改变。我们有一个叫(jiao) NVIDIA AI Enterprise 的層(ceng)，而其中的数据处理、训练、推理部署，整个现在已经整合到或正在整合到 Snowflake 中，因此，从开始数据处理，一直到最后的大模型部署，整个背(bei)后的计算引擎都被加速了。我们将賦(fu)能 Snowflake，在这里你将能够做得更多，而且你将能够用更少的资源做到更多。

如果你去任何一个云，你会看到 NVIDIA GPU 是其中最昂贵的计算实体。但是，如果你把一个工作負(fu)載(zai)放在上面，你会发现我们做得非常快。就好像你得到了一个 95% 的折扣。我们是最昂贵的计算实体，但我们是最具成本效益的 TCO。

所以，如果你的工作是运行工作负载，可能是训练大型语言模型，可能是微调大型语言模型，如果你想这样做，一定要进行加速。

加速每一个工作负载，这就是整个栈的重塑(su)。处理器因此发生变化，操作系统因此不同，大的语言模型是不同的，你写 AI 应用程序的方式是不同的。

未来，我们都要写应用。我们都要把我们的 prompt 和我们的上下文(wen)，和少数几个 Python 命(ming)令连接起来，连接到大语言模型和自己的数据库或者公司的数据库中，开发自己的应用程序。每个人都将成为一个应用程序的开发者。

主持人：

但不变的是，它仍然是你的数据。你仍然需要对它进行微调。

Frank：

原来我们都覺(jiao)得更快的總(zong)是更贵的。实际上突然之间，更快的是更便宜的，这是一种反直觉的东西。因此，有时人们想減(jian)少供应，以为这样更便宜，结果卻(que)更贵。

另一个与之前矛(mao)盾(dun)的是，原来都是数据去找业务（data going to work)，而现在，业务去找数据 (work going to data)。过去的六十年，或者更多年，我们一直在让数据去找业务，这导致了大规模的信息(xi)孤岛。而如果你想擁(yong)有一个 AI 工厂，用之前的做法将是非常困难的。我们必须把计算带到数据所在的地方。我认为我们现在正在做的就是正确的方式。

05 企业如何获得最快和最大的价值

Frank：

最快和获得最大价值其实是两个很不一样的问题。

最快的话，你很快能够看到，数据库各处都上线了人工智能增强的搜(sou)索(suo)方式，因为这是最容易增加的功能。现在，甚至一个文盲(mang)都能从数据中获取(qu)有价值的信息，这真非常不可思議(yi)，这是终极的交互民(min)主化。搜索功能极大增强，你就向主界面提一个问题，它们可以把这些问题带到数据自己进行查询。这是掛(gua)在低处的果实，最容易的，我们认为这是階(jie)段(duan)一。

接下来，我们就开始真正关注真正的难题，就是专有的企业数据，混合结构化的、非结构化的，所有这些，我们如何调动这些数据？

我前面已经提到了 to C 企业面临的流失率(lv)问题，供应鏈(lian)管理方面的问题。当供应链特别复杂的时候(hou)，如果有一个事件发生了，我们如何重新调整一个供应链，使其运轉(zhuan)？我现在该怎(zen)么做？供应链是由很多不同的实体组成的，不是单一的企业。历史上，这是一个从未被计算解决过的问题。供应链管理从来没有形成过一个平台，它几乎是一个電(dian)子郵(you)件，电子表(biao)格(ge)形成的体系，除(chu)了一些小的例外。因此，这是极其令人興(xing)奮(fen)的。

或者我们可以重新计算大型的呼(hu)叫中心的投资，优化零售的定价，像我说的，这是一个大企业的 CEO 们一直期(qi)待(dai)的重新定义商业模式，是真正的潛(qian)力。

06 对企业的建议：

黄仁勋：

我会问自己，第一，什么是我唯(wei)一最有价值的数据库？第二(er)件事，我会问自己，如果我有一个超级、超级、超级聰(cong)明的人，而企业的一切数据都经过那个超级智能，我会问那个人什么？

根据每个人的公司，这是不同的。Frank 的公司客户数据库非常重要，因为他有很多客户。而我自己的公司，没有那么多客户，但对我的公司而言，我的供应链超级复杂，而且我的设计数据库也超级复杂。

对 NVIDIA 来说，没有人工智能我们已经无法建造出GPU。因为我们的工程师都不可能像AI那样，为我们进行大量的叠(die)代和探索。因此，当我们提出人工智能的时候，第一个应用在我们自己的公司。而且，所以 Hopper（英伟达超算产品）不可能没有人工智能的设计。

我们也会将我们自己的 AI 应用于我们自己的数据中。我们的錯(cuo)誤(wu)数据库就是一个完美的应用场景。如果你看一下 NVIDIA AI 的代码量，我们有几百个软件包(bao)，结合在一起，支(zhi)持一个应用程序能够跑(pao)起来。我们现在正在努(nu)力的一些事情，就是如何使用 AI 去弄(nong)清楚如何给它打安全補(bu)丁(ding)，如何最好地維(wei)护它，这样我们就可以不必幹(gan)擾(rao)整个上层应用层的同时，能够向后端兼容。

这都是 AI 能够为你提供答案的。我们可以用一个大语言模型去回答这些问题，为我们找到答案，或者向我们揭(jie)示(shi)一些问题，然后工程师就可以再将其修(xiu)好。或者 AI 可以推薦(jian)一个修复方法，人类工程师再去确认这是不是一个好的修复方法。

我觉得不是所有人都认识到了他们每天都在处理的数据里面，其实蘊(yun)含(han)着多少智能、洞见和影(ying)響(xiang)力没有被发掘(jue)。这就是为什么我们所有人都要参与进来，帮助带来这样的未来。

现在，你储存在数据倉(cang)库的数据，第一次可以被连接进人工智能工厂。你将能够生产信息情报，这是世界上最有价值的商品。你坐(zuo)在一个自然资源的金矿上——你公司的专有数据，而我们现在把它连接到一个人工智能引擎上，另一端每天直接产生信息情报，以难以置信的情报量从另一端湧(yong)出，甚至在你睡(shui)觉时也在源源不断地产出。这是有史以来最好的事情。返(fan)回搜狐(hu)，查看更多

責(ze)任编辑：