Jensen Huang 63 phút thảo luận sâu về thập kỷ tiếp theo của NVIDIA: từ CUDA đến AI vật lý và robot

Sắp xếp & Biên dịch：Thần Triều TechFlow

Đọc hướng dẫn Thần Triều：Trong cuộc phỏng vấn sâu kéo dài 63 phút này, nhà sáng tạo công nghệ nổi tiếng Cleo Abram đã tránh xa những con số báo cáo tài chính thông thường và sự thao túng giá cổ phiếu, mà thay vào đó đã có một cuộc đối thoại sâu sắc về sự tiến hóa của nền tảng tính toán và tương lai công nghệ của nhân loại với Jensen Huang, người đồng sáng lập và CEO của NVIDIA. Từ 30 năm trước với sự đột phá từ card đồ họa game, đến việc kiên trì xây dựng CUDA bất chấp sự hoài nghi của Phố Wall trong hơn một thập kỷ, và đến việc nhạy bén nắm bắt AlexNet để kích hoạt cuộc cách mạng học sâu vào năm 2012, Jensen Huang đã phân tích sâu sắc cách mà NVIDIA từng bước tái cấu trúc công nghệ tính toán hiện đại kéo dài 65 năm.

Đối mặt với ngã rẽ chất lượng từ AI sinh ra đến AI vật lý, Jensen Huang đã giải thích chi tiết về nền tảng công nghệ "mô hình thế giới + mô phỏng vật lý" được xây dựng bởi Cosmos và Omniverse, vẽ nên tầm nhìn mười năm về "mọi thứ đều có hình dạng robot" và mỗi người sẽ sở hữu một robot R2-D2 đồng hành suốt đời. Đồng thời, ông đã kiên quyết đáp lại những khác biệt triết lý về việc chuyên dụng hóa và tổng quát hóa kiến trúc chip, phân tích các cược tiên tiến như sinh học số và dự đoán khí hậu, và đưa ra lời khuyên cốt lõi cho thế hệ trẻ về việc ôm lấy nghệ thuật đặt câu hỏi. Khi được hỏi về cách ông muốn được nhớ đến trong tương lai, ông đã đưa ra câu trả lời đơn giản nhưng vĩ đại: "Rất đơn giản: Họ đã tạo ra ảnh hưởng phi thường."

Khách mời: Jensen Huang (người đồng sáng lập và CEO của NVIDIA)

Người dẫn chương trình: Cleo Abram (nhà sáng tạo video công nghệ nổi tiếng, người điều hành kênh Huge If True)

Nguồn podcast: Huge If True (https://www.youtube.com/watch?v=7ARBJQn6QkM)

Tiêu đề gốc: Tầm nhìn của CEO NVIDIA Jensen Huang về tương lai

Ngày phát sóng: 27 tháng 1 năm 2025

Tóm tắt điểm chính

· Máy tính hoàn hảo phải cân bằng giữa tính toán tuần tự và song song: Trong hầu hết các chương trình phức tạp, khoảng 10% mã nguồn cốt lõi chiếm 99% tải tính toán, phần này rất phù hợp để được tăng tốc song song quy mô lớn bởi GPU; trong khi 90% còn lại của logic điều khiển sẽ được CPU xử lý hiệu quả theo cách tuần tự. Sứ mệnh ban đầu của NVIDIA là giải quyết vấn đề tải cực cao mà máy tính truyền thống không thể vượt qua.

· Ngành công nghiệp game là động cơ tài chính tốt nhất cho nghiên cứu cơ sở: Việc kết xuất thời gian thực trong thế giới 3D ảo tự nhiên cần tính toán song song, và quan trọng hơn, trò chơi điện tử có quy mô thị trường tiêu dùng cực kỳ lớn, có khả năng tự cung cấp hàng tỷ đô la cho nghiên cứu phần mềm và phần cứng cơ sở mà không cần dựa vào tài trợ của chính phủ hay hỗ trợ nghiên cứu.

· Bản chất của CUDA là làm cho tính toán song song trở nên phổ biến: Các nhà nghiên cứu thời kỳ đầu phải ngụy trang các vấn đề vật lý hoặc toán học thành chương trình tô màu đồ họa để gọi GPU. NVIDIA đã tạo ra CUDA, cho phép các nhà phát triển trực tiếp sử dụng ngôn ngữ C phổ thông để huy động sức mạnh GPU. Mặc dù cược này đã bị Phố Wall lạnh nhạt và nghi ngờ trong hơn một thập kỷ do chi phí nghiên cứu cao, nhưng cuối cùng đã mở đường cho sự bùng nổ học sâu sau này.

· AlexNet đã thúc đẩy NVIDIA tái cấu trúc hoàn toàn ngăn xếp tính toán cơ sở: AlexNet, được tạo ra vào năm 2012 bởi Ilya Sutskever, Alex Krizhevsky và Geoffrey Hinton, chỉ sử dụng hai card đồ họa GeForce GTX 580 đã nghiền nát các thuật toán phân loại hình ảnh truyền thống. Jensen Huang đã nhạy bén nhận ra rằng phần mềm đang chuyển từ "viết quy tắc bằng tay" sang "học tự động từ dữ liệu", ngay lập tức dẫn dắt NVIDIA đặt cược toàn bộ vào AI, tái cấu trúc toàn diện chip, kết nối, thư viện thuật toán và kiến trúc hệ thống.

· Trọng tâm của AI sinh ra là trở thành bộ dịch tổng quát đa mô thức: Làn sóng AI này chưa từng có vì các kiến trúc như Transformer có thể hiểu và dịch bất kỳ loại dữ liệu nào (văn bản, hình ảnh, giọng nói, không gian 3D, quỹ đạo cánh tay robot), từ đó phá vỡ rào cản giữa kiến thức của con người và thế giới số.

· AI vật lý phải được điều khiển bởi "mô hình thế giới + mô phỏng vật lý": Các mô hình ngôn ngữ lớn sẽ tạo ra ảo giác, cần dựa vào tìm kiếm và ngữ cảnh để xác định câu trả lời thực; trong khi trong thế giới vật lý, robot phải có kiến thức vật lý như trọng lực, quán tính, lực ma sát và tính ổn định không gian. NVIDIA đã giới thiệu Cosmos như một mô hình cơ sở cho thế giới vật lý, và nhờ vào động cơ mô phỏng Omniverse tuân theo các định luật vật lý Newton để tạo ra dữ liệu tổng hợp chân thực, cho phép robot hoàn thành hàng triệu lần thực hành trong điều kiện cực hạn trước khi bước vào thế giới vật lý.

· Trong mười năm tới, mọi thứ sẽ có hình dạng robot: Dù là xe tự lái, tòa nhà thông minh, máy cắt cỏ không người lái hay robot hình người, tất cả các vật thể di động trong tương lai sẽ có khả năng robot. Mỗi người sẽ có một người bạn số riêng (R2-D2), sẽ tiếp tục tiến hóa cùng với sự trưởng thành của người dùng, hình thức sẽ xuyên suốt từ kính, điện thoại, máy tính, xe hơi đến các thực thể gia đình.

· Từ chối bẫy ASIC chuyên dụng, kiên định giữ vững tính linh hoạt trong tính toán đổi mới: Đối với quan điểm biến Transformer thành chip chuyên dụng (ASIC), Jensen Huang cho rằng đổi mới sẽ không dừng lại ở một kiến trúc thuật toán cụ thể nào. Nếu bạn cố định máy tính cho một mục đích duy nhất, thì giống như biến máy tính thành lò vi sóng. NVIDIA luôn kiên định xây dựng kiến trúc tăng tốc linh hoạt có thể lập trình, hỗ trợ giới học thuật tiếp tục khám phá các cơ chế chú ý mới hiệu quả hơn như FlashAttention và chú ý phân tầng.

· Từ công ty lớn lên bằng việc chơi game đến trung tâm bão của khoa học tiên tiến của nhân loại: Trong dòng RTX 50, trong 8 triệu pixel của hình ảnh 4K, chỉ có 500.000 pixel được tính toán bằng ray tracing theo đường ống truyền thống, 7,5 triệu pixel còn lại hoàn toàn được AI dự đoán chính xác và bổ sung. Mô hình này cho phép các nhà khoa học và kỹ sư tập trung năng lượng quý giá vào các điểm quan trọng cốt lõi, trong khi AI khuếch đại thành năng suất siêu nhân. Từ sinh học số, phân tích ngôn ngữ protein, dự đoán khí hậu vi mô đến robot trong tương lai, tầm nhìn lịch sử cuối cùng của NVIDIA là "tạo ra ảnh hưởng phi thường".

Quan điểm thú vị

· Về niềm tin công nghệ và chiến lược tiên phong: "Vào một thời điểm nào đó, bạn phải chọn tin vào một điều gì đó. Nếu bạn xây dựng nó, mọi người có thể sẽ không đến; nhưng nếu bạn không xây dựng nó, mọi người sẽ không bao giờ có cơ hội đến. Chiến lược của chúng tôi được xây dựng trên hy vọng, nhưng đó là hy vọng hợp lý đã được suy nghĩ kỹ."

· Về sự phân công giữa tính toán tuần tự và song song: "Có thể chỉ có 10% mã trong chương trình chiếm 99% xử lý tính toán, và 99% nhiệm vụ này có thể được thực hiện song song; nhưng 90% mã còn lại vẫn phải được thực hiện tuần tự theo thứ tự. Máy tính hoàn hảo thực sự không phải là một trong hai, mà là đồng thời có khả năng xử lý tuần tự và song song xuất sắc."

· Về động lực ra đời của CUDA: "Nhiều đổi mới vĩ đại thường ra đời từ cùng một loại hỗn hợp phức tạp: một phần đến từ tham vọng và cảm hứng lớn lao, phần còn lại hoàn toàn đến từ sự cứu rỗi cấp bách. Một mặt, chúng tôi thấy các nhà nghiên cứu tại Bệnh viện Đa khoa Massachusetts ở Boston sử dụng card đồ họa game để tái tạo hình ảnh CT, mặt khác, chúng tôi cảm thấy rất khó khăn khi kết xuất dòng nước, vụ nổ và va chạm hạt trong game, những yếu tố bên trong và bên ngoài này đã đan xen thúc đẩy sự ra đời của CUDA."

· Về cuộc tranh luận chuyên dụng hóa kiến trúc tính toán: "Liệu Transformer có phải là kiến trúc thuật toán AI cuối cùng mà các nhà nghiên cứu nhân loại phát hiện không? Chắc chắn là không. Nhìn lại lịch sử khoa học máy tính, chưa từng có thuật toán nào có thể thống trị mọi thứ mãi mãi. Nếu bạn đã cố định thuật toán vào phần cứng chip cách đây mười năm, thì máy tính đã trở thành lò vi sóng, và mọi đổi mới sau đó sẽ không còn cơ hội."

· Về mối quan hệ bản chất giữa AI và công việc của con người: "Trong khoảng 8 triệu pixel của màn hình 4K, chúng tôi thực sự chỉ tính toán ray tracing cho 500.000 pixel, 7,5 triệu pixel còn lại hoàn toàn dựa vào AI để dự đoán và hoàn thiện. Đây là phép ẩn dụ sống động cho việc AI sẽ khiến con người trở nên siêu nhân: con người có thể tập trung năng lượng và sự chú ý quý giá vào những phần cốt lõi quan trọng nhất, trong khi các quy trình nặng nề và dài dòng còn lại được giao cho AI, từ đó đạt được sự gia tăng năng suất gấp trăm lần."

· Về hướng dẫn sinh tồn cho thế hệ trẻ: "Nếu hôm nay tôi vẫn là một sinh viên, điều đầu tiên tôi sẽ làm là học AI. Học cách tương tác với AI, giống như trở thành một người rất giỏi trong việc đặt câu hỏi. Bạn không thể chỉ đơn giản là hỏi một cách tùy tiện, để AI trở thành trợ lý của bạn cần phải nắm vững nghệ thuật và kỹ năng của việc đặt câu hỏi. Dù bạn học luật, y học, hóa học hay sinh học, bạn phải liên tục tự hỏi: Tôi có thể sử dụng AI để làm công việc của mình tốt hơn như thế nào?"

· Về điểm kết thúc cuộc đời và di sản lịch sử: "Rất đơn giản: Họ đã tạo ra ảnh hưởng phi thường. Tôi hy vọng thế hệ tiếp theo không chỉ biết rằng NVIDIA là công ty đã đồng hành cùng họ trong việc chơi game, mà còn thấy trung tâm bão của toàn bộ cuộc cách mạng sinh học số, khoa học vật liệu, robot và tự lái chính là công ty kiên định với niềm tin cốt lõi này."

Nội dung chính

Sự ra đời của tính toán dị thể: Tại sao 10% mã cần GPU độc lập?

Cleo Abram: Hôm nay trong cuộc trò chuyện, tôi muốn tránh xa những báo cáo tài chính và con số cổ phiếu thường thấy trong tin tức tài chính, mà tập trung vào những vấn đề cốt lõi hơn: Các bạn thực sự đang xây dựng điều gì? Máy tính đã từng bước đi đến ngày hôm nay như thế nào trong vài thập kỷ qua? Và công nghệ tương lai sẽ định hình cuộc sống của từng người bình thường ra sao?

Jensen Huang: Thật tuyệt, tôi rất mong chờ cuộc trao đổi này. Thực tế, vào một thời điểm nào đó, bạn phải chọn tin vào một điều gì đó. Những gì chúng tôi đang làm bây giờ, về bản chất, là tái cấu trúc hoàn toàn kiến trúc tính toán hiện đại đã kéo dài hàng chục năm.

Cleo Abram: Để hiểu thời đại AI đang thu hút sự chú ý của toàn thế giới hiện nay, chúng ta phải quay trở lại những năm 1990. Khi đó, các nhà phát triển game muốn tạo ra hình ảnh 3D chân thực hơn và có tính đắm chìm hơn, nhưng phần cứng truyền thống lúc đó hoàn toàn không thể xử lý tính toán thời gian thực cho hàng triệu pixel. Tại sao máy tính lúc đó không thể xử lý đồ họa? GPU đã ra đời như thế nào?

Jensen Huang: Điều này xuất phát từ một đặc điểm cốt lõi trong chương trình máy tính: Trong một đoạn mã phần mềm, thường chỉ có 10% lệnh quan trọng chiếm 99% khối lượng tính toán. 99% tính toán dày đặc này thường có tính lặp lại rất cao, rất phù hợp để được chia thành hàng ngàn nhiệm vụ nhỏ và thực hiện song song; trong khi 90% mã còn lại chủ yếu là logic điều khiển, nhánh và lập lịch của hệ thống, phải được thực hiện tuần tự theo thứ tự.

Khi đó, máy tính truyền thống hoàn toàn do bộ xử lý trung tâm (CPU) dẫn dắt, CPU được thiết kế để xử lý logic tuần tự với tốc độ cao, nhưng khi đối mặt với nhu cầu song song khổng lồ từ việc kết xuất hàng triệu pixel cùng một lúc thì lại tỏ ra bất lực. Chúng tôi đã nhạy bén nhận thấy rằng: Một máy tính thực sự lý tưởng không thể chỉ có khả năng xử lý tuần tự, cũng không thể chỉ có khả năng xử lý song song, mà phải đồng thời có cả hai.

Vì vậy, chúng tôi đã thành lập NVIDIA, quyết tâm tạo ra các bộ xử lý tăng tốc chuyên dụng có thể giải quyết những vấn đề mà máy tính truyền thống không thể với tới. Đây chính là điểm khởi đầu của bộ xử lý đồ họa (GPU).

Cleo Abram: Điều này khiến tôi nhớ đến một video khoa học rất kinh điển mà NVIDIA đã phát hành cách đây hơn mười năm: nhóm Mythbusters đã chế tạo một con robot, sử dụng một vòi phun đơn để phun ra những viên đạn màu, nhằm minh họa cách CPU xử lý nhiệm vụ; sau đó, họ đã giới thiệu một mảng cơ khí khổng lồ, hàng nghìn vòi phun đồng thời phun ra những viên đạn màu trong một phần nghìn giây, ngay lập tức tạo ra một bức tranh hoàn chỉnh của nàng Mona Lisa, một cách sinh động thể hiện sức mạnh tăng tốc song song của GPU.

Jensen Huang: Buổi trình diễn đó đã thể hiện một cách trực quan sự khác biệt cơ bản giữa hai bên. Trò chơi chính là lĩnh vực đầu tiên có nhu cầu cực kỳ lớn về sức mạnh tính toán song song quy mô lớn như vậy.

Phá vỡ trò chơi: Sử dụng thị trường tiêu dùng đại chúng để hỗ trợ nghiên cứu cơ bản

Cleo Abram: Tại sao NVIDIA lại chọn bước vào lĩnh vực trò chơi điện tử trước, thay vì trực tiếp làm nghiên cứu khoa học?

Jensen Huang: Đầu tiên là vì chúng tôi thực sự yêu thích ứng dụng này. Trò chơi video 3D là sự mô phỏng kỹ thuật số của thế giới thực hoặc thế giới kỳ diệu, thử hỏi ai không muốn bước vào một thế giới ảo sống động và rực rỡ?

Nhưng từ góc độ chiến lược thương mại, có một yếu tố quyết định sâu sắc hơn: chúng tôi dự đoán rằng trò chơi điện tử có khả năng trở thành một trong những thị trường giải trí tiêu dùng lớn nhất của nhân loại. Việc phát triển các chip bán dẫn hàng đầu cần đầu tư một khoản tiền nghiên cứu phát triển khổng lồ, nếu chỉ phục vụ cho các phòng thí nghiệm nghiên cứu khoa học hiệu suất cao nhỏ lẻ, bạn phải phụ thuộc vào các khoản tài trợ nghiên cứu của chính phủ hoặc các hợp đồng tùy chỉnh đắt đỏ, điều này hoàn toàn không thể duy trì sự phát triển công nghệ liên tục.

Trong khi đó, trò chơi điện tử cung cấp một thị trường tiêu dùng vô cùng lớn. Hàng triệu người chơi sẵn sàng chi tiền cho hình ảnh mượt mà và rực rỡ hơn, điều này cho phép chúng tôi trở thành nhà sản xuất bộ xử lý song song lớn nhất thế giới. Quy mô xuất khẩu khổng lồ đã mang lại cho chúng tôi nguồn vốn nghiên cứu phát triển liên tục và tự tái tạo, cho phép chúng tôi tiếp tục đẩy mạnh kiến trúc song song này đến giới hạn vật lý cực đoan trong những thập kỷ tiếp theo.

Đặt cược tất cả để tạo ra CUDA: Từ cảm hứng hình ảnh y tế đến nền tảng tính toán song song chung

Cleo Abram: Đến đầu những năm 2000, một số học giả và nhà phát triển nhạy bén bắt đầu nhận ra rằng GPU không chỉ có thể được sử dụng để kết xuất hình ảnh trò chơi, mà còn có thể chạy mô phỏng va chạm vật lý, thậm chí được các nhà khoa học bên ngoài sử dụng để thực hiện các phép tính khoa học phức tạp. Nhưng theo hiểu biết của tôi, vào thời điểm đó, để làm được điều này là cực kỳ khó khăn, các nhà khoa học phải ngụy trang các phép toán ma trận thành các pixel tam giác hoặc bản đồ kết cấu, đánh lừa card đồ họa để tính toán. Sau đó, các bạn đã đưa ra một quyết định cực kỳ táo bạo: ra mắt nền tảng CUDA. Bạn có thể nói về bối cảnh lúc đó không?

Jensen Huang: Bạn đã làm bài tập về nhà rất tốt, điều này rất chính xác. Nhiều đổi mới vĩ đại thường xuất phát từ cùng một loại hỗn hợp phức tạp: một phần đến từ khát vọng và cảm hứng lớn lao, phần khác hoàn toàn đến từ sự tự cứu cấp bách khi không còn lối thoát.

Một trong những trường hợp đầu tiên bên ngoài sử dụng GPU của chúng tôi để tăng tốc chung đến từ Bệnh viện Tổng hợp Massachusetts (Mass General) ở Boston. Một số nhà nghiên cứu ở đó đã sử dụng card đồ họa trò chơi của chúng tôi để tái tạo hình ảnh CT, điều này đã mang lại cho chúng tôi một nguồn cảm hứng lớn.

Trong khi đó, NVIDIA cũng gặp phải bế tắc: chúng tôi muốn dòng nước trong thế giới trò chơi chảy như nước thật, hàng triệu mảnh vụn do vụ nổ tạo ra phải tuân theo quy luật khí động học, khói phải lan tỏa tự nhiên. Điều này yêu cầu card đồ họa không chỉ xử lý đồ họa mà còn phải đồng thời chạy mô phỏng vật lý hạt và cơ học chất lỏng. Nếu đường ống phần cứng của card đồ họa bị cố định cứng nhắc trong quy trình đồ họa máy tính truyền thống, mọi thứ sẽ không thể thực hiện được.

Vì vậy, chúng tôi đã quyết tâm phải hoàn toàn phá vỡ sự ràng buộc của đường ống đồ họa chuyên dụng, biến nó thành một kiến trúc tính toán song song chung, và tạo ra Kiến trúc Tính toán Thống nhất (CUDA). CUDA cho phép các kỹ sư và nhà khoa học trên toàn thế giới trực tiếp sử dụng ngôn ngữ C mà họ đã quen thuộc để viết mã, tự do điều động hàng nghìn lõi tính toán trong GPU.

Cleo Abram: Nhìn lại từ góc độ ngày nay, việc tạo ra CUDA là một canh bạc đầy tầm nhìn. Khi đó, NVIDIA đã đặt cược toàn bộ tài sản vào CUDA, bắt buộc phải thêm logic tính toán chung vào tất cả các card đồ họa xuất xưởng, dẫn đến diện tích chip tăng mạnh, chi phí cao, biên lợi nhuận bị áp lực, và phải chịu sự chỉ trích và nghi ngờ nghiêm trọng từ Phố Wall trong suốt hơn mười năm.

Jensen Huang: Khi bạn tạo ra một công nghệ đột phá hoàn toàn mới, những người chỉ trích luôn nói: "Nếu bạn xây dựng nó, có thể mọi người sẽ không đến sử dụng." Nhưng từ góc nhìn của những người lạc quan, niềm tin của chúng tôi là: "Nhưng nếu bạn không xây dựng nó, mọi người sẽ không bao giờ có cơ hội đến."

Chúng tôi hiểu rõ tiềm năng vật lý khổng lồ mà công nghệ này chứa đựng, và chúng tôi tin rằng thông qua thị trường khổng lồ của card đồ họa GeForce tiêu dùng, chúng tôi có thể đưa kiến trúc tính toán song song tiên tiến này đến bàn làm việc của mọi geek và nhà nghiên cứu trên toàn cầu. Chính niềm hy vọng vững chắc dựa trên lý trí này đã hỗ trợ chúng tôi vượt qua những năm tháng dài và cô đơn đó.

Khoảnh khắc khai sáng của AlexNet năm 2012: Tái cấu trúc hệ thống tính toán hiện đại kéo dài 65 năm

Cleo Abram: Sau đó, thời gian đã đến năm 2012, đánh dấu một trận chiến mang tính bước ngoặt trong lịch sử công nghệ: Cuộc thi nhận diện hình ảnh ImageNet. Alex Krizhevsky, Ilya Sutskever và người hướng dẫn của họ, Geoffrey Hinton, đã nộp một mô hình mạng nơ-ron sâu mang tên AlexNet, trực tiếp nghiền nát tất cả các thuật toán thị giác máy tính truyền thống, giảm đáng kể tỷ lệ lỗi. Họ chính là những người đã sử dụng hai card đồ họa GeForce GTX 580 tiêu dùng để huấn luyện mô hình mang tính bước ngoặt này. Khi đó, trong nội bộ NVIDIA, phản ứng đầu tiên của bạn khi thấy kết quả này là gì?

Jensen Huang: Đó là một khoảnh khắc hoàn toàn thay đổi quỹ đạo lịch sử thế giới. Khi đó, một nhóm nghiên cứu thị giác máy tính trong nội bộ NVIDIA đang cố gắng giải quyết vấn đề nhận diện hình ảnh bằng cách sử dụng thư viện thuật toán truyền thống, gặp phải rất nhiều trở ngại và thất bại. Khi AlexNet xuất hiện, chúng tôi không chỉ cảm thấy choáng váng mà còn có một sự đồng cảm mạnh mẽ: thuật toán hoàn toàn mới này đã hoàn toàn từ bỏ con đường viết quy tắc thủ công, hoàn toàn dựa vào dữ liệu khổng lồ để tự huấn luyện trọng số, và đạt được một bước nhảy vọt chưa từng có về khả năng.

Chúng tôi ngay lập tức lùi lại một bước và tự hỏi một câu hỏi cơ bản nhất: "Nếu kiến trúc học sâu này có thể thể hiện tiềm năng mở rộng đáng sợ như vậy trong thị giác máy tính, thì giới hạn của nó thực sự ở đâu? Nếu nó có thể được mở rộng vô hạn, điều này có nghĩa gì đối với toàn bộ ngành công nghiệp máy tính và kiến trúc phần mềm và phần cứng cơ bản?"

Chúng tôi đã đưa ra một phán đoán cực kỳ quan trọng: mô hình phát triển phần mềm đang trải qua một sự chuyển đổi về bản chất. Kể từ khi IBM System/360 thiết lập hệ thống tập lệnh của máy tính hiện đại vào năm 1964, trong suốt 65 năm, nhân loại luôn phải viết từng lệnh một cách chính xác để nói cho máy tính biết phải làm gì; trong khi sự trỗi dậy của học sâu đánh dấu sự chuyển đổi của máy tính sang việc tự học quy luật thông qua dữ liệu khổng lồ.

Vì vậy, nếu bản chất của phần mềm đã thay đổi, thì phần cứng cơ bản hỗ trợ phần mềm và toàn bộ ngăn xếp hệ thống phải được xây dựng lại từ đầu. Chúng tôi ngay lập tức đưa ra quyết định toàn diện để đầu tư vào AI, từ kiến trúc chip đơn, bus kết nối, truyền thông mạng, thư viện thuật toán đến hệ thống phân tán, thiết kế lại toàn bộ ngăn xếp tính toán. Hệ thống siêu máy tính DGX sau này chính là nguồn gốc của sự khai sáng này.

Tại sao là bây giờ: Bộ dịch chung vượt qua tất cả các chế độ dữ liệu

Cleo Abram: Tại sao cho đến những năm gần đây, công chúng mới đột nhiên cảm nhận được sự bùng nổ của AI? Bước nhảy vọt công nghệ cốt lõi đứng sau điều này là gì?

Jensen Huang: Bởi vì trong suốt thập kỷ qua, những thách thức cốt lõi trong lĩnh vực khoa học máy tính đã được giải quyết từng cái một. Ban đầu, thị giác máy tính đã được giải quyết hoàn toàn, sau đó là nhận diện giọng nói đạt đến mức độ siêu nhân, và tiếp theo là hiểu ngôn ngữ tự nhiên đạt được những bước đột phá chất lượng.

Nhưng cú đẩy cuối cùng dẫn đến sự thay đổi toàn diện thực sự là sự trưởng thành của kiến trúc Transformer và AI sinh. Các mô hình AI trước đây chủ yếu là các bộ phân loại nhiệm vụ đơn lẻ, chẳng hạn như xác định xem một bức tranh có phải là mèo hay không; trong khi AI sinh hiện nay là một "hệ thống dịch chéo chế độ chung".

Nó có thể hiểu văn bản và dịch văn bản thành một loại văn bản khác, chẳng hạn như tóm tắt đoạn văn hoặc dịch giữa các ngôn ngữ khác nhau; nó cũng có thể dịch văn bản thành hình ảnh, dịch hình ảnh thành tài sản 3D, dịch dữ liệu cảm biến thành góc quay của cánh tay robot. Nó có thể tự do di chuyển giữa các hình thức biểu diễn khác nhau trong thế giới số và thế giới vật lý, đó là lý do tại sao AI ngày nay khiến người ta cảm thấy như thể nó có thể làm mọi thứ.

AI vật lý và mô hình thế giới: Cosmos cung cấp tri thức chung, Omniverse định hình quy luật vật lý

Cleo Abram: Tiếp theo, tôi muốn đi sâu vào một sự chuyển đổi quan trọng đang diễn ra: từ chữ viết và hình ảnh trong thế giới số, tiến tới trí thông minh thể chất và robot trong thế giới vật lý. Trước đây, khi chúng tôi huấn luyện robot, chúng tôi phải đặt máy vào xưởng thực tế và cho nó đi từng bước một, hoặc để con người mặc trang phục thu thập chuyển động để thu thập dữ liệu cực kỳ hạn chế, máy rất dễ bị mài mòn hoặc hỏng hóc, việc thu thập dữ liệu rất tốn kém và chậm chạp. Bây giờ chúng tôi bắt đầu huấn luyện robot trong thế giới ảo. NVIDIA đã ra mắt Cosmos và Omniverse, các bạn đã giải quyết vấn đề học tập của robot trong thế giới ảo như thế nào?

Jensen Huang: Cách tốt nhất để hiểu AI vật lý chính là con đường phát triển của các mô hình ngôn ngữ như ChatGPT.

Khi ChatGPT mới xuất hiện, mặc dù nó thể hiện rất ấn tượng, nhưng nó có một điểm yếu chết người: ảo tưởng. Nếu nó tiếp tục nói dài dòng, hoặc nói về những điểm mù chưa được huấn luyện, nó sẽ nói những điều vô lý một cách nghiêm túc, vì đầu ra của nó không được neo vào sự thật (Ground Truth). Sau đó, ngành công nghiệp đã đưa vào phương pháp tăng cường tìm kiếm ngữ cảnh (RAG), khi bạn cung cấp cho mô hình một PDF có thẩm quyền hoặc tìm kiếm trực tuyến theo thời gian thực, PDF và kết quả tìm kiếm này trở thành sự thật chuẩn mực của mô hình, giúp suy luận của mô hình có điểm tựa đáng tin cậy.

Bây giờ chúng tôi áp dụng cùng một logic vào thế giới vật lý. Để robot có thể hành động tự do trong thế giới thực, trước tiên cần một mô hình cơ bản có tri thức vật lý. Tri thức vật lý là gì? Nó phải hiểu rằng trái đất có trọng lực, vật thể có quán tính và lực ma sát; phải có khả năng cảm nhận hình học và không gian; phải hiểu tính ổn định của vật thể, tức là khi tôi quay đầu lại và quay trở lại, cốc trên bàn vẫn ở đó; phải hiểu logic nguyên nhân, tức là nếu tôi đẩy cốc, nước sẽ đổ ra.

Để cung cấp cho AI tri thức này, chúng tôi đã xây dựng Cosmos, một mô hình ngôn ngữ cơ bản cho thế giới vật lý, chuyên mã hóa các quy luật chung của thế giới vật lý.

Nhưng chỉ có Cosmos là không đủ, chúng tôi phải cung cấp cho nó "cơ sở vật lý tuyệt đối", giống như việc cung cấp cho ChatGPT một PDF có thẩm quyền. Cơ sở này chính là Omniverse. Omniverse không phải là một công cụ game thông thường, mà là một hệ thống mô phỏng vật lý tuân theo các nguyên lý cơ bản, với các mô hình toán học cơ bản nghiêm ngặt từ cơ học Newton, cơ học chất lỏng và giải quyết điện từ.

Bằng cách kết hợp mô hình thế giới Cosmos với động cơ mô phỏng vật lý Omniverse, chúng tôi có thể tạo ra trong không gian số cho robot những môi trường ảo vô tận và hoàn toàn tuân theo các quy luật vật lý: sự thay đổi ánh sáng đột ngột, mặt đường trơn trượt, vật cản che khuất, sự cố cơ khí bất ngờ. Robot có thể hoàn thành những bài huấn luyện cực đoan mà thế giới thực phải mất hàng chục năm mới có thể trải qua chỉ trong vài giờ, sau đó triển khai mô hình của nó vào robot thực tế.

Tầm nhìn cho mười năm tới: Mọi thứ đều có hình dạng robot, mỗi người sẽ sở hữu một R2-D2 riêng

Cleo Abram: Theo logic này, thế giới vật lý sẽ trở thành như thế nào sau mười năm? Người bình thường sẽ tương tác với những AI vật lý này như thế nào?

Jensen Huang: Tất cả các vật thể di động trong tương lai sẽ có khả năng robot, và ngày đó sẽ đến nhanh hơn hầu hết mọi người tưởng tượng.

Trong tương lai, mọi người vẫn sẽ phải tự mình đẩy máy cắt cỏ dưới ánh nắng chói chang trong sân, điều này ngày nay có vẻ đã hơi vô lý. Mỗi chiếc ô tô trong tương lai sẽ là một robot hoàn toàn tự chủ; những robot hình người cũng sẽ bước vào nhà máy và hàng triệu hộ gia đình. Tất cả những robot này sẽ hoàn thành việc học của mình trong thế giới sinh đôi kỹ thuật số được xây dựng bởi Omniverse và Cosmos, sau đó bước vào thực tế vật lý.

Điều khiến tôi phấn khích hơn là mỗi người sẽ sở hữu một người bạn số suốt đời, giống như R2-D2 trong Star Wars. Nó không nhất thiết phải là một cái thùng kim loại tròn trịa, mà có thể tồn tại trong kính thông minh của bạn, trong điện thoại thông minh của bạn, trong máy tính văn phòng của bạn, hoặc ngồi trong ô tô của bạn, cho đến khi bạn trở về nhà, nó sẽ chào đón bạn dưới hình dạng một robot nào đó.

R2-D2 riêng của bạn sẽ đồng hành cùng bạn suốt đời, phát triển cùng với những trải nghiệm của bạn, hiểu sâu sắc những cảm xúc, thói quen sống và cách làm việc của bạn, trở thành sự mở rộng mạnh mẽ nhất trong việc cảm nhận và biến đổi thế giới.

Cuộc tranh luận về triết lý kiến trúc: Tại sao không thể cố định Transformer trực tiếp vào chip?

Cleo Abram: Khi chuẩn bị cho cuộc phỏng vấn này, tôi đã thảo luận sâu sắc với nhiều kỹ sư bạn bè, họ yêu cầu tôi nhất định phải hỏi bạn câu hỏi này: Khi kiến trúc Transformer trở thành nền tảng của hầu hết các mô hình lớn hiện nay, nhiều công ty chip bắt đầu thử nghiệm sản xuất chip chuyên dụng hoàn toàn cho Transformer (ASIC). Sự chuyên biệt chắc chắn có thể mang lại hiệu suất cực cao trong các nhiệm vụ cụ thể, nhưng sẽ mất đi tính linh hoạt chung. NVIDIA làm thế nào để cân bằng giữa tối ưu hóa chuyên dụng và kiến trúc chung? Bạn đã thực hiện cược công nghệ lớn liên quan đến hàng tỷ đô la này như thế nào?

Jensen Huang: Điều này chính xác chạm vào niềm tin cốt lõi của chúng tôi: Bạn có tin rằng Transformer là kiến trúc thuật toán AI cuối cùng mà các nhà nghiên cứu con người có thể phát hiện ra không?

Nếu câu trả lời của bạn là có, thì bạn chắc chắn có thể hàn chết tất cả các phép toán toán học của Transformer trực tiếp vào chip silicon; nhưng niềm tin cốt lõi của chúng tôi là: Transformer không phải là điểm dừng, nó chỉ là một viên đá bước trên cầu thang tiến hóa AI cao cấp hơn. Kiến trúc tiên tiến thế hệ tiếp theo trong vài năm tới rất có thể sẽ không còn dấu vết của Transformer.

Nhìn lại lịch sử thuật toán máy tính và đổi mới của con người, có ý tưởng tuyệt vời nào có thể thống trị mãi mãi không? Câu trả lời là không bao giờ. Sức hấp dẫn cốt lõi của máy tính nằm ở chỗ nó có thể chạy những chương trình kỳ diệu mà mười năm trước bất kỳ ai cũng không thể tưởng tượng nổi. Nếu bạn cố định chip thời đó thành phần cứng chức năng đơn lẻ, máy tính sẽ trở thành lò vi sóng, và sự thịnh vượng của toàn bộ hệ sinh thái ứng dụng sẽ dừng lại ngay lập tức.

Lấy cơ chế chú ý cốt lõi của Transformer (Attention Mechanism) làm ví dụ, mục đích ban đầu của nó là tính toán mức độ liên quan giữa mỗi từ với tất cả các từ khác trong ngữ cảnh. Khi văn bản chỉ có 10 từ, việc tính toán không gặp áp lực; nhưng khi cửa sổ ngữ cảnh mở rộng đến hàng chục ngàn từ, hàng triệu Token, chi phí tính toán toàn bộ sẽ tăng theo cấp số nhân, không thể thực hiện trên phần cứng vật lý. Để giải quyết vấn đề này, trong vài năm qua đã xuất hiện nhiều thuật toán toán học mới như FlashAttention, chú ý phân cấp (Hierarchical Attention), chú ý sóng (Waveform Attention).

Khoa học máy tính không có điểm dừng, các nhà nghiên cứu AI không từ bỏ việc khám phá, và NVIDIA cũng sẽ không từ bỏ. Sứ mệnh quan trọng nhất của chúng tôi là luôn xây dựng một hệ thống tính toán tăng tốc có tính linh hoạt lập trình cao, cho phép các nhà khoa học thuật toán thông minh nhất trên thế giới có thể tự do khám phá trong đại dương sức mạnh tính toán này, khám phá những thuật toán vĩ đại chưa biết của nhân loại thế hệ tiếp theo.

Giới hạn sản xuất chip và thách thức vật lý: Từ đóng gói wafer đến hiệu suất năng lượng cực cao

Cleo Abram: Các chip hàng đầu hiện nay đang tiến gần đến giới hạn vật lý cơ bản. Các bạn thiết kế chip, TSMC và các đối tác khác chịu trách nhiệm sản xuất chúng ở quy mô vật lý vài nanomet. Khi đối mặt với sự chậm lại của định luật Moore và ngưỡng tiêu thụ năng lượng, NVIDIA đã suy nghĩ về thiết kế như thế nào?

Jensen Huang: Định luật Moore truyền thống và định luật thu nhỏ Dennard (Dennard Scaling) về cơ bản đã đi đến hồi kết về mặt vật lý. Thời kỳ chỉ dựa vào việc thu nhỏ kích thước transistor để có được sức mạnh tính toán gấp đôi và giảm tiêu thụ năng lượng đã qua đi.

Đó cũng là lý do tại sao chúng tôi phải chuyển từ "tư duy chip" sang "tư duy trung tâm dữ liệu". Kích thước giới hạn quang học của một wafer (Reticle Limit) là cố định, để vượt qua giới hạn vật lý của một chip đơn, chúng tôi đã áp dụng đóng gói tích hợp wafer đôi (CoWoS), liên kết chip băng thông cực cao (NVLink) và bộ nhớ băng thông cao trên chip (HBM) với mật độ cực cao.

Quan trọng hơn, tính toán tăng tốc song song tuân theo các định luật vật lý hoàn toàn khác. Giao một nhiệm vụ phức tạp cho hàng ngàn nhân lõi hiệu quả xử lý song song, so với việc để vài nhân CPU chung tần số cao chống lại, hiệu suất sử dụng năng lượng có thể tăng gấp hàng chục đến hàng trăm lần. Thông qua tối ưu hóa hợp tác ở cấp độ thuật toán, chip, mạng và hệ thống, chúng tôi đã mở ra con đường mới để thúc đẩy sự tăng trưởng sức mạnh tính toán theo cấp số nhân trong kỷ nguyên hậu Moore.

Cược lớn tiếp theo: AI vật lý, sinh học số và mô phỏng khí hậu vi mô

Cleo Abram: Nhìn lại quá khứ, NVIDIA đã chứng minh rằng mỗi cược lớn vào GPU, CUDA, học sâu, và lái xe tự động đều đúng theo thời gian. Ngoài những robot đã đề cập trước đó, những cược lớn tiếp theo của các bạn là gì?

Jensen Huang: Ngoài AI vật lý và chuỗi công cụ phần mềm và phần cứng cho robot hình người, một lĩnh vực mà tôi cực kỳ phấn khích là sinh học số (Digital Biology).

Máy tính trong quá khứ hiểu mã nhân tạo được tạo thành từ 0 và 1, trong khi AI hiện tại hiểu ngôn ngữ tự nhiên của con người; và bản chất của sinh học là ngôn ngữ tương tác phức tạp giữa các phân tử, axit amin, protein và tế bào sống. Giống như chúng ta sử dụng mô hình vật lý để hiểu thế giới thực, nếu chúng ta có thể sử dụng AI để phân tích sâu và dự đoán ngôn ngữ tương tác giữa các phân tử sinh học lớn, chúng ta có thể xây dựng một bản sao số của cơ thể con người. Điều này có nghĩa là việc phát hiện thuốc mới, liệu pháp gen và nghiên cứu cơ chế bệnh sẽ chuyển từ phương pháp thử nghiệm ướt trước đây sang khoa học chính xác có thể mô phỏng và lặp lại nhanh chóng trên máy tính.

Một điều khác khiến tôi tự hào là khoa học khí hậu. Nhờ công nghệ sinh đôi số, chúng tôi đang xây dựng hệ thống dự đoán khí hậu khu vực và thời tiết cực đoan với độ phân giải siêu cao, có khả năng mô phỏng chính xác sự biến đổi khí tượng vi mô trong phạm vi một km trên đầu bạn.

Công cụ khoa học về bản chất chính là "cỗ máy thời gian" do con người phát minh. Các nhà khoa học nỗ lực hết mình để dự đoán tương lai nhằm có thể nhìn thấy trước được quỹ đạo biến đổi của tương lai, từ đó đưa ra thiết kế và can thiệp tối ưu nhất trong hiện tại, tạo ra phiên bản tương lai tốt đẹp nhất.

Kết xuất thần kinh và siêu máy tính cá nhân: Bước nhảy vọt về năng suất từ RTX 50 và DGX

Cleo Abram: Tại triển lãm điện tử tiêu dùng vừa qua, các bạn đã trình diễn dòng card đồ họa GeForce RTX 50 mới nhất, cùng với hệ thống DGX thế hệ mới trên bàn. Đối với những người sáng tạo và nhà phát triển bình thường, những phần cứng mới này có ý nghĩa gì?

Jensen Huang: Điều này ẩn chứa một vòng lặp công nghệ cực kỳ hấp dẫn: ban đầu, card đồ họa GeForce đã nuôi dưỡng AI hiện đại, giúp Alex Krizhevsky và Geoffrey Hinton huấn luyện AlexNet; và hôm nay, AI mạnh mẽ và trưởng thành lại phản hồi trở lại card đồ họa GeForce, hoàn toàn lật ngược logic cơ bản của việc kết xuất đồ họa.

Trong hình ảnh độ phân giải 4K mà dòng card RTX 50 mới nhất trình bày (tổng cộng khoảng 8 triệu pixel), đường ống theo dõi ánh sáng vật lý của chúng tôi thực tế chỉ tính toán dày đặc 500.000 pixel trong số đó, 7,5 triệu pixel còn lại hoàn toàn được mạng nơ-ron sâu dựa trên 500.000 tiêu chuẩn chất lượng cao này suy đoán và hoàn thiện một cách hoàn hảo.

Đây là phép ẩn dụ tối thượng về việc AI trao quyền cho năng suất của con người: Năng lượng, sự tập trung và thể lực của con người là vô cùng quý giá và hạn chế. Nếu chúng ta phải chống lại từng chi tiết một cách cứng nhắc, sản lượng chắc chắn sẽ bị hạn chế rất nhiều; nhưng nếu nhờ vào khả năng tổng quát và suy luận của AI, con người chỉ cần dồn hết năng lượng vào "500.000 pixel" cốt lõi và có giá trị nhất, AI sẽ giúp chúng ta hoàn thiện mọi thứ còn lại, từ đó khiến con người bùng nổ sức sáng tạo như siêu nhân.

Đồng thời, vào năm 2016, chúng tôi đã giao cho OpenAI siêu máy tính DGX đầu tiên trên thế giới, và Elon Musk đã trực tiếp nhận nó. Khi đó, siêu máy tính có kích thước khổng lồ và giá lên tới 250.000 đô la, chỉ có một số phòng thí nghiệm hàng đầu mới có thể sở hữu; còn bây giờ, chúng tôi đã thu nhỏ nó xuống còn khoảng 3.000 đô la cho một trạm làm việc AI cá nhân, có thể đặt ngay bên bàn học của sinh viên hoặc kỹ sư. Điều này có nghĩa là mỗi sinh viên bình thường, nhà phát triển độc lập đều có trung tâm siêu máy tính riêng của mình, có thể huấn luyện mô hình AI và robot R2-D2 của riêng mình trong ký túc xá.

Lời khuyên cho giới trẻ và di sản cuộc sống: Nghệ thuật Prompting và ảnh hưởng phi thường của thời đại

Cleo Abram: Đối với sinh viên, thế hệ trẻ và tất cả những ai muốn tạo ra điều gì đó trong thời đại này đang theo dõi cuộc phỏng vấn này, có những lời khuyên nào bạn cho là rất quan trọng nhưng tôi chưa hỏi đến?

Jensen Huang: Tôi nghĩ một trong những lời khuyên quan trọng nhất là: Nếu tôi bây giờ là một sinh viên, điều đầu tiên tôi sẽ làm là học AI một cách toàn lực.

Làm thế nào để học cách tương tác với ChatGPT? Làm thế nào để học cách tương tác với Gemini Pro? Và làm thế nào để học cách tương tác với Grok? Học cách tương tác với AI, về bản chất, chính là trở thành một người cực kỳ giỏi trong việc đặt câu hỏi. Ví dụ, bạn rất giỏi trong việc đặt câu hỏi, và việc viết lời nhắc cho AI (Prompting) rất giống với điều này. Bạn không thể tùy tiện đặt câu hỏi, để AI trở thành trợ lý đắc lực của bạn, cần phải nắm vững kỹ năng và nghệ thuật của việc đặt lời nhắc.

Vì vậy, nếu hôm nay tôi là một sinh viên, bất kể học toán, khoa học, hóa học hay sinh học, bất kể tôi sẽ vào lĩnh vực khoa học nào trong tương lai và làm nghề gì, tôi sẽ tự hỏi mình: Tôi nên làm thế nào để sử dụng AI để làm công việc tốt hơn?

Nếu tôi muốn trở thành một luật sư, làm thế nào để sử dụng AI để trở thành một luật sư xuất sắc hơn? Nếu tôi muốn trở thành một bác sĩ, làm thế nào để sử dụng AI để trở thành một bác sĩ xuất sắc hơn? Nếu tôi muốn trở thành một nhà hóa học, làm thế nào để sử dụng AI để trở thành một nhà hóa học xuất sắc hơn? Nếu tôi muốn trở thành một nhà sinh học, làm thế nào để sử dụng AI để trở thành một nhà sinh học xuất sắc hơn? Câu hỏi này nên được đặt ra trong suy nghĩ của mỗi người.

Giống như thời đại tôi lớn lên, chúng tôi là thế hệ đầu tiên phải đối mặt với câu hỏi này: làm thế nào để sử dụng máy tính để làm việc tốt hơn. Thế hệ trước chúng tôi hoàn toàn không có máy tính; hãy nhớ rằng, khi tôi bắt đầu vào nghề, thậm chí còn trước cả Windows 95, đó là năm 1984, trong văn phòng không có một chiếc máy tính nào. Không lâu sau, máy tính trở nên phổ biến, vì vậy chúng tôi phải tự hỏi làm thế nào để sử dụng máy tính một cách hiệu quả. Thế hệ tiếp theo không cần phải đặt ra câu hỏi này nữa, nhưng rõ ràng họ phải đối mặt với một vấn đề khác: tôi nên làm thế nào để sử dụng AI để làm việc tốt hơn? Đây chính là điểm khởi đầu và kết thúc của mọi thứ.

AI đã giảm thiểu hoàn toàn rào cản về hiểu biết, rào cản về kiến thức và rào cản để có được trí tuệ. Trước đây, khi đặt một chiếc máy tính trước mặt một người chưa bao giờ sử dụng, họ chắc chắn không thể học cách sử dụng trong một ngày, cần có người hướng dẫn tận tình; nhưng khi đối diện với ChatGPT, nếu bạn không biết cách sử dụng, bạn chỉ cần nhập: "Tôi không biết cách sử dụng ChatGPT, hãy dạy tôi", nó sẽ ngay lập tức trả lời bạn và đưa ra ví dụ. Điều tuyệt vời nhất của trí tuệ là nó sẽ đồng hành cùng bạn, giúp bạn trở nên mạnh mẽ hơn trong quá trình đó.

Cleo Abram: Được rồi, nếu bạn còn thời gian, tôi có một câu hỏi cuối cùng. Đây không phải là câu hỏi tôi dự định hỏi, nhưng trên đường đến đây, tôi thực sự có chút sợ bay, điều này thật không hợp lý. Trong chuyến bay, máy bay hơi bị rung lắc, rất rung lắc. Tôi ngồi trong khoang máy bay rung lắc mạnh, trong lòng không khỏi nghĩ về những gì mọi người sẽ nói trong lễ tang của tôi.

Jensen Huang: "Cô ấy luôn biết đặt ra những câu hỏi hay!" Chắc chắn bia mộ của bạn sẽ viết như vậy.

Cleo Abram: Mong là vậy! Đúng vậy. Ngoài "yêu thương chồng, bạn bè và gia đình", tôi hy vọng mọi người sẽ nói về "sự lạc quan" của tôi, tôi hy vọng mọi người sẽ hiểu những mục tiêu mà tôi đã nỗ lực theo đuổi. Tôi rất tò mò về bạn, bạn đã làm việc trong ngành này nhiều năm như vậy, vẽ ra một tầm nhìn lớn lao phía trước. Bạn muốn mọi người đánh giá sự nghiệp mà bạn đã nỗ lực đạt được bằng một chủ đề như thế nào?

Jensen Huang: Rất đơn giản: "Họ đã tạo ra một ảnh hưởng phi thường (They made an extraordinary impact)."

Tôi nghĩ chúng tôi rất may mắn, vì chúng tôi đã thiết lập một số niềm tin cốt lõi từ rất lâu trước đây và luôn kiên định với những niềm tin này, xây dựng trên nền tảng đó, khiến chúng tôi ngày nay trở thành một trong những công ty công nghệ quan trọng và có ảnh hưởng nhất thế giới, thậm chí có thể là trong lịch sử.

Vì vậy, chúng tôi rất nghiêm túc với trách nhiệm này. Chúng tôi nỗ lực đảm bảo rằng khả năng mà chúng tôi tạo ra không chỉ phục vụ cho các doanh nghiệp lớn mà cũng mở cửa cho các nhà nghiên cứu và phát triển độc lập trong mọi lĩnh vực khoa học, bất kể có lợi nhuận hay không, bất kể quy mô lớn hay nhỏ, bất kể có nổi tiếng hay không. Chính vì hiểu sâu sắc ý nghĩa to lớn của công việc mà chúng tôi đang làm, cũng như tác động sâu rộng mà nó có thể tạo ra cho vô số người, chúng tôi hy vọng sẽ phổ biến khả năng này đến mọi ngóc ngách có thể.

Tôi tin chắc rằng, khi chúng tôi nhìn lại sau vài năm, tôi rất hy vọng thế hệ tiếp theo sẽ thấy: trước hết, họ sẽ nhận ra chúng tôi qua công nghệ trò chơi mà chúng tôi đã xây dựng; nhưng tôi tin rằng khi nhìn lại, lĩnh vực sinh học số và khoa học sự sống đã được tái định hình hoàn toàn, nhận thức của chúng tôi về khoa học vật liệu đã bị lật đổ hoàn toàn, robot đang hỗ trợ con người hoàn thành những nhiệm vụ nguy hiểm và phức tạp trong nhiều lĩnh vực. Khi muốn lái xe, chúng tôi có thể tự lái, không muốn lái thì có thể nghỉ ngơi một chút, hoặc biến ô tô thành rạp chiếu phim gia đình, đọc sách trong lúc đi làm. Đến lúc đó, bạn thậm chí sẽ muốn sống xa hơn một chút, để có thể tận hưởng thêm thời gian trong xe.

Khi bạn nhìn lại và nhận ra có một công ty gần như ở trung tâm của tất cả những biến đổi này, và đó chính là công ty đã đồng hành cùng bạn trong suốt thời gian chơi game. Tôi hy vọng đó chính là điều mà thế hệ tiếp theo sẽ nhận thức về NVIDIA.

Cleo Abram: Cảm ơn bạn rất nhiều vì thời gian quý báu của bạn, đây là một cuộc trò chuyện rất thú vị.

Jensen Huang: Cảm ơn bạn, tôi cũng rất vui.