На лекции в Стэнфордском университете в рамках курса CS153 основатель и генеральный директор NVIDIA Дженсен Хуанг (Jensen Huang) представил масштабное видение того, как искусственный интеллект (ИИ) фундаментально меняет архитектуру компьютеров и саму структуру современной экономики. Обсуждение охватило путь от создания первого миллионакратного ускорения вычислений до будущего, в котором «агенты» ИИ станут основной рабочей силой, а энергия превратится в самый дефицитный и ценный ресурс.
💻 Конец эпохи IBM System 360: Переход к генеративным вычислениям 1:03
Дженсен Хуанг утверждает, что современная компьютерная наука переживает самое радикальное переосмысление за последние 60 лет . Архитектурная модель, заложенная ещё в 1964 году с выходом IBM System 360, оставалась практически неизменной на протяжении десятилетий, охватывая эпохи ПК, интернета, мобильных устройств и облачных вычислений .
Ключевые изменения в модели вычислений:
- От записи к генерации: Традиционные компьютеры работали с «записанным» контентом (видео, изображения, софт). Современные системы переходят к генерации контента в реальном времени, что позволяет учитывать контекст и намерения пользователя .
- Смена программной парадигмы: Вместо выполнения скомпилированных бинарных файлов компьютер будущего исполняет нейронные сети .
- Агентизация: Вычисления перестают быть «по запросу» (on-demand). В мире агентских систем компьютеры работают непрерывно и автономно .
По словам Хуанга, осознание того, что «мышление» — это просто процесс генерации токенов, которые система потребляет внутренне, пришло к нему сразу после выхода GPT . Это позволило предсказать текущий переход к агентским системам, способным рассуждать шаг за шагом .
⚙️ Секрет миллионакратного ускорения: Философия Co-design 8:20
Одним из центральных понятий стратегии NVIDIA является «совместное проектирование» (co-design) — подход, при котором алгоритмы, софт, процессоры и сетевая инфраструктура разрабатываются как единое целое .
Дженсен Хуанг привел в пример работу Джона Хеннесси над архитектурой RISC: упрощение набора инструкций позволило компиляторам работать эффективнее, что дало лучший результат, чем оптимизация компонентов по отдельности . NVIDIA применила этот принцип в экстремальном масштабе.
Сравнение темпов прогресса за 10 лет:
- Закон Мура (традиционный подход): При сохранении старой программной модели и опоре только на рост полупроводников, ускорение составило бы примерно 100x (в идеальных условиях) или около 10x (с учётом замедления масштабирования Деннарда) .
- Подход NVIDIA (Co-design): За последние 10 лет компании удалось добиться ускорения вычислений в 1 000 000 раз .
Такое «бесконечное изобилие» вычислительных мощностей позволило исследователям перестать заботиться о кураторстве данных и просто «скормить» компьютеру весь интернет . Хуанг сравнивает это с возможностью перемещаться со скоростью света: если вы можете пересечь континент за 10 минут, сама структура общества и место вашего проживания теряют прежний смысл .
🗺️ Дорожная карта чипов: От Hopper до Feynman 32:00
Дженсен Хуанг подробно описал эволюцию архитектур NVIDIA, каждая из которых создавалась под специфическую задачу:
- Hopper: Спроектирован специально для этапа предварительного обучения (pre-training) гигантских моделей. В то время как самый дорогой суперкомпьютер в мире стоил $350 млн, NVIDIA решила строить системы стоимостью в миллиарды долларов, не имея на тот момент ни одного гарантированного покупателя .
- Blackwell (архитектура GB200): Ориентирована на инференс (вывод) и генерацию токенов. Для этого была создана система NVLink 72, объединяющая 72 чипа в единый «раск-масштабируемый» компьютер. Это дало 50-кратное ускорение по сравнению с предыдущим поколением .
- Vera Rubin: Разработана для ИИ-агентов. Особенность — прямая связь хранилища данных с процессором через фабрику, что критично для работы с «долговременной памятью» агентов . Включает в себя сверхпроизводительный CPU для однопоточных задач .
- Feynman: Будущая архитектура, предназначенная для управления роями (swarms) агентов и суб-агентов .
🔌 Энергетический кризис и «рыночное спасение» сетки 38:24
Хуанг признает, что потребность в энергии для вычислений может вырасти в 1000 раз по сравнению с текущим уровнем . Однако он видит в этом не катастрофу, а мощнейший рыночный стимул.
По мнению спикера, раньше для строительства солнечных или атомных станций требовались государственные субсидии, но теперь рынок готов платить за это напрямую . «Это лучшее время в истории человечества для инвестиций в устойчивую энергетику, потому что рыночные силы стали невероятно мощными» . Ключевой задачей для NVIDIA остается повышение энергоэффективности (tokens per watt), которая в поколении Blackwell выросла в 50 раз .
🧪 Почему NVIDIA поддерживает Open Source (но не во всём) 17:08
Дженсен Хуанг разъяснил парадоксальную позицию NVIDIA: компания активно использует проприетарные модели (OpenAI, Anthropic), но вкладывает огромные ресурсы в открытые модели (семейство Nemotron) .
Причины поддержки открытых моделей:
- Специфические домены: Учёным в биологии (BioNeMo), физике или климатологии нужны базовые модели, которые они могут дообучать под свои задачи .
- Безопасность: Невозможно защититься от «черного ящика» или встроить его в критическую инфраструктуру без полной прозрачности .
- Кибербезопасность: Для защиты от супер-агентов будущего Хуанг предлагает использовать «рои» дешевых и быстрых открытых моделей (например, Nemotron Nano), которые будут системно окружать угрозу «гигантским куполом» .
🎓 Образование и «вина» Стэнфорда за дефицит вычислений 53:00
На вопрос студента о том, почему независимые университеты не могут получить доступ к вычислительным мощностям, Хуанг ответил жестко: «Это вина Стэнфорда» .
Аргументы Хуанга:
- Университеты тратят бюджеты разрозненно на уровне кафедр и грантов, что не позволяет собрать средства на миллиардную инфраструктуру .
- Стэнфорду нужно объединить ресурсы и построить централизованный кампусный суперкомпьютер, подобно тому, как строились линейные ускорители частиц .
- При наличии эндаумента в $40 млрд университет мог бы выделить $1 млрд на облачные вычислительные сервисы для всех студентов и исследователей прямо сейчас .
🧠 О пользе страданий и стратегических ошибках 42:05
Хуанг поделился личной философией лидерства, отметив, что 90% его работы как генерального директора — это не «страсть», а тяжелый труд и страдания .
- О страданиях: «Я советую вам искать не только радость, но и боль, потому что она учит устойчивости (resilience). Без этих мышц вы не сможете выстоять, когда компания или семья будут в вас нуждаться» .
- О главной ошибке: Выход на рынок мобильных устройств. NVIDIA создала бизнес на миллиард долларов, но была вытеснена Qualcomm во время перехода с 3G на 4G . Ошибка заключалась в том, что NVIDIA не могла принести в смартфоны уникальную ценность.
- О спасении: Технологии сверхнизкого энергопотребления, наработанные для телефонов, позже стали основой для чипа Thor и направления робототехники .
🛡️ Геополитика и сравнение GPU с атомными бомбами 47:30
Дженсен Хуанг категорически отверг аналогию между графическими процессорами и оружием массового поражения. «Аналогия с атомными бомбами — глупая. Я советую GPU своим детям и людям, которых люблю, но я никому не посоветую атомную бомбу» .
Он предупредил, что попытки ограничить экспорт «общецелевых вычислений» могут разрушить американскую технологическую индустрию . Хуанг привел в пример отрасль телекоммуникаций, которая была «выдавлена» из США политическими решениями, в результате чего страна потеряла лидерство в этой сфере . Спикер призвал к оптимистичному взгляду на технологию, утверждая, что ИИ не станет «мгновенно бесконечно мощным» в одночасье — это мифы из научной фантастики, которые вредят развитию отрасли .
