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。
Talking Points:
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,经整理编辑:
谈合作:把最好的计算引擎,带给最有价值的数据
Frank:
NIVIDA 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。
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。
「核弹」虽贵,直接用模型相当于「打 1 折」
黄仁勋:
我们在 NIVIDA 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。
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,你的计算吞吐量将不会增加。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)。图灵奖获得者谈到了加速,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的改变。我们有一个叫 NIVIDA AI Enterprise 的层,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,整个背后的计算引擎都被加速了。我们将赋能 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,如果你把一个工作负载放在上面,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。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,和少数几个 Python 命令连接起来,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:
原来我们都觉得更快的总是更贵的。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,有时人们想减少供应,以为这样更便宜,结果却更贵。
另一个与之前矛盾的是,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孤岛。而如果你想拥有一个 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。
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索方式,因为这是最容易增加的功能。
现在,甚至一个文盲都能从数据中获取有价值的信息,这真非常不可思议,这是终极的交互民主化。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。这是挂在低处的果实,最容易的,我们认为这是阶段一。
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 企业面临的流失率问题,供应链管理方面的问题。当供应链特别复杂的时候,如果有一个事件发生了,我们如何重新调整一个供应链,使其运转?我现在该怎么做?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,它几乎是一个电子邮件,电子表格形成的体系,除了一些小的例外。因此,这是极其令人兴奋的。
或者我们可以重新计算大型的呼叫中心的投资,优化零售的定价,像我说的,这是一个大企业的 CEO 们一直期待的重新定义商业模式,是真正的潜力。
主持人:对企业的建议:
黄仁勋:
我会问自己,第一,什么是我唯一最有价值的数据库?第二件事,我会问自己,如果我有一个超级、超级、超级聪明的人,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 NIVIDA 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,为我们进行大量的迭代和探索。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。我们的错误数据库就是一个完美的应用场景。如果你看一下 NIVIDA AI 的代码量,我们有几百个软件包,结合在一起,支持一个应用程序能够跑起来。
我们现在正在努力的一些事情,就是如何使用 AI 去弄清楚如何给它打安全补丁,如何最好地维护它,这样我们就可以不必干扰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,或者向我们揭示一些问题,然后工程师就可以再将其修好。
或者 AI 可以推荐一个修复方法,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,其实蕴含着多少智能、洞见和影响力没有被发掘。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,你储存在数据仓库的数据,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涌出,甚至在你睡觉时也在源源不断地产出。这是有史以来最好的事情。
![黄仁勋:NVIDIA的AI产品 已经给客户打1折了](/img/20230628/s_308c6b960f524b9ab7bf3716b6fe4e76.jpg)
|