身穿皮夾克的黃仁勳，站在藍色衝浪板上，擺了幾個衝浪的姿勢。 這是美國知名資料平臺 Snowflake 的開發者大會上的一幕。
當地時間 6 月 26 日，Nvidia創始人黃仁勳和 Snowflake 公司 CEO Frank Slootman 就「如何把生成式 AI 帶給企業用戶」展開探討。主持人則是前 Greylock 的 GP，現在是投資機構 Conviction 的創始人。
在會上，相較於「東道主」Frank 職業經理人式的老成持重，「皮衣教父」一如既往地語出驚人，不僅稱雙方的合作是「要相愛，不要相鬥」（We are Lovers，not Fighters），更開玩笑說，為 Snowflake 提供的經過訓練的模型，相當於給客戶「打了 1 折」。
當天，Nvidia與 Snowflake 又共同放出大絕招：世界第一晶片公司與風頭最勁的雲端資料平臺合作，推出共同合作。Snowflake 的使用者可以在資料不離開平臺的前提下，直接利用Nvidia的預訓練 AI 模型，在雲平臺上對自己公司的資料進行分析，開發針對自己資料的「AI 應用」。
「目前的重大變革來自資料+AI 演算法+運算引擎。透過我們的合作，我們的能夠將這三點帶到一起。」黃仁勳講道。
Talking Points：
- 大語言模型+企業專屬資料庫=針對特定問題的 AI 應用；
- 以前是 Data going to Work，現在是 Work going to Data，讓運算去到資料所在之地，避免資料孤島；
- Nvidia提供的預訓練模型，已經是花費數千萬美元、在Nvidia AI 工廠中訓練出來的，所以在 Snowflake 上呼叫運算引擎已經「打了 0.5 折」；
- 軟體 3.0 時代，基於模型、資料庫，企業能夠在幾天內搭建自己的專屬應用；
- 未來企業能夠生產許多智慧代理，並執行它們；
- 對於企業來說，真正的難題是混合結構的、非結構化的資料，如何被調動。這或許能夠帶來商業模式的更新。
以下為雙方對話主要內容，經整理編輯：
談合作：把最好的運算引擎， 帶給最有價值的資料
Frank：
NIVIDA 目前在歷史上發揮著重要的作用。對於我們來說，能夠帶來資料和大型企業的關係。我們需要啟用這項技術，以及讓整個服務堆疊來有效地使用它。我不想使用「天作之合」來形容，但是對於一個門外漢，是一個很好的機會，進入到這扇機會的大門裡。
黃仁勳：
我們是 lovers，而不是對手。我們要把世界上最好的運算引擎帶到世界上最有價值的資料。回想過去，我已經工作了很長時間，但是還沒有那麼老。Frank，你更老一些（笑）。
最近，由於眾所周知的原因，資料是巨大的，資料是寶貴的。它必須是安全的。移動資料很困難，資料的引力真實存在。因此，對我們來說，把我們的運算引擎帶到 Snowflake 上要容易得多。我們的夥伴關係是加速 Snowflake，但它也是關於將人工智慧帶到 Snowflake。
最核心的是，資料+人工智慧演算法+運算引擎的組合，我們的夥伴關係將所有這三件事結合在一起。令人難以置信的有價值的資料，令人難以置信的偉大的人工智慧，令人難以置信的偉大的運算引擎。
我們可以一起做的事情，是説明客戶使用他們的專有資料，並用它來編寫 AI 應用程式。你知道，這裡的重大突破是，你第一次可以開發一個大型語言模型。你把它放在你的資料前面，然後你與你的資料交談，就像你與一個人交談一樣，而這些資料將被增強到一個大型語言模型中。
大型語言模型加知識庫的組合等於一個人工智慧應用。這一點很簡單，一個大型的語言模型將任何資料知識庫變成一個應用程式。
想想人們所寫的一切驚人的應用程式。它的核心始終是一些有價值的資料。現在你有一個查詢引擎通用查詢引擎在前面，它超級智慧，你可以讓它回應你，但你也可以把它連接到一個代理，這是 Langchain 和向量資料庫帶來的突破。將資料和大語言模型疊加的突破性的東西正在到處發生，每個人都想做。而 Frank 和我將幫助大家做到這一點。
軟體 3.0：建立 AI 應用， 解決一個特定問題
主持人：
作為投資者來看這種變化，軟體 1.0 是非常確定的程式碼，由工程師按照功能寫出來；軟體 2.0 是用仔細收集的標記的訓練資料最佳化一個神經網路。
你們在説明人們撬動軟體 3.0，這套基礎模型本身有令人難以置信的能力，但它們仍然需要與企業資料和自訂資料集合作。只是針對它們去開發那些應用程式要便宜得多。
對於那些深入關注這個領域的人來說有一個問題，基礎模型是非常泛化，它可以做所有事情嗎？為什麼我們需要自訂模型和企業資料呢？
Frank：
所以我們有非常泛化的模型，可以做詩，處理《大亨小傳》的做摘要，做數學問題。
但是在商業中，我們不需要這些，我們需要的是一個 Copilot，在一個非常狹窄，但是非常複雜的資料集上獲得非凡的洞見。
我們需要瞭解商業模式和商業動態。這樣的運算上不需要那麼昂貴，因為一個模型並不需要在一百萬件事情上接受訓練，只需要知道非常少的、但很深入的主題。
舉個例子。我是 Instacart 的董事會成員，我們一個大客戶，像 DoorDash 和所有其他企業常面臨的問題是，他們不斷增加行銷費用，來了一個客戶，客戶下了一個訂單，客戶要嘛不回來，要嘛 90 天後回來，這非常不穩定。他們把這稱為流失客戶。
這是複雜問題的分析，因為客戶不回來的原因可能有很多。人們想找到這些問題的答案，它在資料中，不在一般的網際網路中，而且可以透過人工智慧找出來。這就是可能產生巨大價值的例子。
主持人：
這些模型應該如何與企業資料互動？
黃仁勳：
我們的戰略和產品是各種尺寸、最先進的預訓練模型，有時你需要創建一個非常大的預訓練模型，以便它可以產生 prompt，來教更小的模型。
而較小的模型幾乎可以在任何設備運行，也許延遲非常低。然而它的泛化能力並不高，zero shot（零樣本學習）能力可能更有限。
因此，你可能有幾種不同類型不同大小的模型，但在每一種情況下，你必須做監督的微調，你必須做 RLHF（人類回饋的強化學習），以便它與你的目標和原則保持一致，你需要用向量資料庫之類的東西來增強它，所以所有這些都彙集在一個平臺上。我們有技能、知識和基本平臺，幫助他們創建自己的人工智慧，然後將其連接 Snowflake 中的資料。
現在，每個企業客戶的目標不應該是思考我如何建立一個大型的語言模型，他們的目標應該是，我如何建立一個人工智慧應用程式來解決特定的問題？那個應用可能需要 17 個問題來做 prompt，最終得出正確的答案。然後你可能會說，我想寫一個程式，它可能是一個 SQL 程式，可能是一個 Python 程式，這樣我就可以在未來自動做這個。
你還是要引導這個人工智慧，讓他最終能給你正確的答案。但在那之後，你可以創建一個應用程式，可以作為一個代理（Agent）24/7 不間斷地運行，尋找相關情況，並提前向你彙報。所以我們的工作就是説明客戶建立這些人工智慧的應用，這些應用是有安全護欄的、具體的、定制的。
最終，我們在未來都將成為智慧製造商，當然雇用員工，但我們將創建一大堆代理，它們可以用 Lang Chain 類似的東西來創建，連接模型、知識庫、其他 API，在雲中部署，並將其連接到所有的 Snowflake 資料。
你可以規模化地操作這些 AI，並不斷地完善這些 AI。因此，我們每個人都將製造 AI、運行 AI 工廠。我們將把基礎設施放在 Snowflake 的資料庫，客戶可以在那裡使用他們的資料，訓練和開發他們的模型，操作他們的 AI，因此，Snowflake 將是你的資料儲存庫和銀行。
有了自己的資料金礦，所有人都將在 Snowflake 上運行 AI 工廠。這是目標。
「核彈」雖貴，直接用模型相當於「打 1 折」
黃仁勳：
我們在 NIVIDA 建立了有五個 AI 工廠，其中四個是世界前 500 名的超級電腦，另一個正在上線。我們使用這些超級電腦來做預訓練模型。因此，當你在 Snowflake 中使用我們的 Nemo AI 基礎服務時，你將得到一個最先進的預訓練模型，已經有幾千萬美元的費用投入其中，更不用說研發投入了。所以它是預先訓練好的。
然後有一大堆其他的模型圍繞著它，這些模型用於微調、RLHF。所有這些模型的訓練成本都要高得多。
因此，現在你已經將預訓練模型適應於你的功能，適應於你的護欄，最佳化你希望它具有的技能或功能類型，用你的資料增強。因此，這將是一個更具成本效益的方法。
更重要的是，在幾天內，而不是幾個月。你可以在 Snowflake 開發與你的資料連接的人工智慧應用程式。
你應該能夠在未來快速建立人工智慧應用程式。
因為我們現在看到它正在即時發生。已經有一些應用能夠讓你和資料聊天，比如 ChatPDF。
主持人：
是的，在軟體 3.0 時代，95% 的培訓費用已經由別人承擔了。
黃仁勳：
（笑）是的，95％ 的折扣，我無法想像一個更好的交易。
主持人：
這是真正的動力，作為投資人，我看到在分析、自動化、法律等領域的非常年輕的公司，他們的應用已經在六個月或更短的時間內實現了真正的商業價值。其中一部分原因是他們從這些預先訓練好的模型開始，這對企業來說是一個巨大的機會。
黃仁勳：
每家公司都會有數百個，甚至 1000 個人工智慧應用程式，只是與你公司的各種資料相連。所以，我們所有人都必須善於構建這些東西。
原來是資料找業務，現在是業務找資料
主持人：
我一直從大企業參與者聽到的一個問題是，我們必須去投資人工智慧，我們需要一個新的堆疊（Stack）嗎？應該如何考慮與我們現有的資料堆疊相連？
Frank：
我認為它在不斷發展。模型們正逐漸變得更簡潔、安全、更好地被管理。所以，我們沒有一個真正明確的觀點，這就是每個人都會使用的參考架構？有些人將有一些中央服務的設定。微軟有 Azure 中的人工智慧版本，它們的很多客戶正在與 Azure 進行互動。
但我們不清楚什麼模型將主導，我們認為市場將在使用難易、成本這些事上進行自我排序。現在僅僅是開始，不是最終的狀態。
安全部門也會參與進來，關於版權的問題會被革新。現在我們對技術很著迷，現實中的問題也會被同時處理。
黃仁勳：
我們現在正經歷 60 年來第一次根本性的運算平臺變革。如果你剛剛讀了 IBM System 360 的新聞稿，你會聽到關於中央處理單元、IO 子系統、DMA 控制器、虛擬記憶體、多工、可擴充運算向前和向後端相容，而這些概念，實際都是 1964 年的東西，而這些概念幫助我們在過去六十年來，不斷進行 CPU 擴充。
這樣的擴充已經進行了 60 年了，但這已經走到了盡頭。現在大家都明白，我們無法再擴充 CPU 了，突然之間，軟體變化了。軟體的編寫方式，軟體的操作方式，以及軟體能做的事情都與以前有很大的不同。我們稱之前的軟體為軟體 2.0。現在是軟體 3.0。
事實就是，運算已經從根本上改變了。我們看到兩個基本的動力在同時發生，這也是為什麼現在事情正在發生劇烈震盪。
一方面，你不能再不斷地購買 CPU。如果你明年再買一大堆 CPU，你的運算輸送量將不會增加。因為 CPU 擴充的終點已經到來了。你會多花一大堆錢，你不會得到更多的輸送量。因此，答案是你必須去加速（Nvidia加速運算平臺）。圖靈獎獲得者談到了加速，Nvidia開創了加速，加速運算現在已經到來。
另一方面是，電腦的整個作業系統發生了深刻的改變。我們有一個叫 NIVIDA AI Enterprise 的層，而其中的資料處理、訓練、推理部署，整個現在已經整合到或正在整合到 Snowflake 中，因此，從開始資料處理，一直到最後的大模型部署，整個背後的運算引擎都被加速了。我們將賦能 Snowflake，在這裡你將能夠做得更多，而且你將能夠用更少的資源做到更多。
如果你去任何一個雲，你會看到 NVIDIA GPU 是其中最昂貴的運算實體。但是，如果你把一個工作負載放在上面，你會發現我們做得非常快。就好像你得到了一個 95% 的折扣。我們是最昂貴的運算實體，但我們是最具成本效益的 TCO。
所以，如果你的工作是運行工作負載，可能是訓練大型語言模型，可能是微調大型語言模型，如果你想這樣做，一定要進行加速。
加速每一個工作負載，這就是整個棧的重塑。處理器因此發生變化，作業系統因此不同，大的語言模型是不同的，你寫 AI 應用程式的方式是不同的。
未來，我們都要寫應用。我們都要把我們的 prompt 和我們的上下文，和少數幾個 Python 命令連接起來，連接到大語言模型和自己的資料庫或者公司的資料庫中，開發自己的應用程式。每個人都將成為一個應用程式的開發者。
主持人：
但不變的是，它仍然是你的資料。你仍然需要對它進行微調。
Frank：
原來我們都覺得更快的總是更貴的。實際上突然之間，更快的是更便宜的，這是一種反直覺的東西。因此，有時人們想減少供應，以為這樣更便宜，結果卻更貴。
另一個與之前矛盾的是，原來都是資料去找業務（data going to work)，而現在，業務去找資料 (work going to data)。過去的六十年，或者更多年，我們一直在讓資料去找業務，這導致了大規模的資訊孤島。而如果你想擁有一個 AI 工廠，用之前的做法將是非常困難的。我們必須把運算帶到資料所在的地方。我認為我們現在正在做的就是正確的方式。
企業如何獲得最快和最大的價值
Frank：
最快和獲得最大價值其實是兩個很不一樣的問題。
最快的話，你很快能夠看到，資料庫各處都上線了人工智慧增強的搜尋方式，因為這是最容易增加的功能。現在，甚至一個文盲都能從資料中獲取有價值的資訊，這真非常不可思議，這是終極的互動民主化。搜尋功能極大增強，你就向主介面提一個問題，它們可以把這些問題帶到資料自己進行查詢。這是掛在低處的果實，最容易的，我們認為這是階段一。
接下來，我們就開始真正關注真正的難題，就是專有的企業資料，混合結構化的、非結構化的，所有這些，我們如何調動這些資料？
我前面已經提到了 to C 企業面臨的流失率問題，供應鏈管理方面的問題。當供應鏈特別複雜的時候，如果有一個事件發生了，我們如何重新調整一個供應鏈，使其運轉？我現在該怎麼做？供應鏈是由很多不同的實體組成的，不是單一的企業。歷史上，這是一個從未被運算解決過的問題。供應鏈管理從來沒有形成過一個平臺，它幾乎是一個電子郵件，試算表形成的體系，除了一些小的例外。因此，這是極其令人興奮的。
或者我們可以重新運算大型的呼叫中心的投資，最佳化零售的定價，像我說的，這是一個大企業的 CEO 們一直期待的重新定義商業模式，是真正的潛力。
對企業的建議：
黃仁勳：
我會問自己，第一，什麼是我唯一最有價值的資料庫？第二件事，我會問自己，如果我有一個超級、超級、超級聰明的人，而企業的一切資料都經過那個超級智慧，我會問那個人什麼？
根據每個人的公司，這是不同的。Frank 的公司客戶資料庫非常重要，因為他有很多客戶。而我自己的公司，沒有那麼多客戶，但對我的公司而言，我的供應鏈超級複雜，而且我的設計資料庫也超級複雜。
對 NIVIDA 來說，沒有人工智慧我們已經無法建造出GPU。因為我們的工程師都不可能像AI那樣，為我們進行大量的反覆運算和探索。因此，當我們提出人工智慧的時候，第一個應用在我們自己的公司。而且，所以 Hopper（Nvidia超級電腦）不可能沒有人工智慧的設計。
我們也會將我們自己的 AI 應用於我們自己的資料中。我們的錯誤資料庫就是一個完美的應用場景。如果你看一下 NIVIDA AI 的程式碼量，我們有幾百個套裝軟體，結合在一起，支援一個應用程式能夠跑起來。我們現在正在努力的一些事情，就是如何使用 AI 去弄清楚如何為它安裝安全修補程式，如何最好地維護它，這樣我們就可以不必干擾整個上層應用層的同時，能夠向後端相容。
這都是 AI 能夠為你提供答案的。我們可以用一個大語言模型去回答這些問題，為我們找到答案，或者向我們揭示一些問題，然後工程師就可以再將其修好。或者 AI 可以推薦一個修復方法，人類工程師再去確認這是不是一個好的修復方法。
我覺得不是所有人都認識到了他們每天都在處理的資料裡面，其實蘊含著多少智慧、洞見和影響力沒有被發掘。這就是為什麼我們所有人都要參與進來，幫助帶來這樣的未來。
現在，你儲存在資料倉庫的資料，第一次可以被連接進人工智慧工廠。你將能夠生產資訊情報，這是世界上最有價值的商品。你坐在一個自然資源的金礦上——你公司的專有資料，而我們現在把它連接到一個人工智慧引擎上，另一端每天直接產生資訊情報，以難以置信的情報量從另一端湧出，甚至在你睡覺時也在源源不斷地產出。這是有史以來最好的事情。
加入電腦王Facebook粉絲團