黄仁勋港科大之行全程高能：对话沈向洋，现场发显卡，与梁朝伟共同获得荣誉博士学位

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

英伟达CEO黄仁勋港科大之行，备受关注。

他在现场与沈向洋展开对话，两位院士换上了同款纪念皮衣。台下座无虚席，全程一小时频频爆发掌声和笑声。

临近结束时还抽奖送出10张英伟达RTX 4060ti显卡，狠狠羡慕了。

此外，黄仁勋和梁朝伟一起获得港科大荣誉博士学位。

黄仁勋和沈向洋的对话与以往有所不同，不仅谈论了英伟达和AI行业，还涉及到一些个人八卦，精彩内容包括：

• AI从通用函数近似器变成通用翻译器
• 感知、推理和规划是问题解决的三个基本步骤
• 目前AI不是从第一性原理出发给出答案，只是模拟，但模拟对科学非常重要
• 粤港澳大湾区在机器人方面有非凡的机会
• 英伟达相当于在10年里把算力的价格打到了百万分之一
• 作为CEO可以脆弱，可以寻求帮助，可以不确定，可以犯错，员工看到后也会认为他们可以这样
• 黄仁勋从未写过商业计划书，也不知道如何写商业计划书
• 黄仁勋上学时声称自己要创业，只是追求妻子的手段

对话以英语进行，以下是对话内容的翻译整理。

AI从通用函数近似器变成通用翻译器

沈向洋：我们今天下午的时间不足一小时，我会向你提出一些尖锐的问题。你在科技领域，尤其是人工智能领域引领了很长时间。请谈谈你对人工智能，特别是近期的通用人工智能，给整个社会和产业带来的影响的看法。

黄仁勋： 首先，非常感谢有机会与你们共度时光。Harry（沈向洋）是我们这个时代最具影响力的计算机科学家之一，他一直是我和许多人的心中的英雄，所以很高兴能在这里。

正如你所知，人工智能网络的突破性能力在于，它可以学习理解各种数据，包括语言、图像、蛋白质序列、氨基酸序列和化学序列。

突然之间，我们现在有了能够理解文字含义的计算机。而由于生成式人工智能，我们可以将一种信息形式转换为另一种形式，例如从文本到图像，从文本到文本，从蛋白质到文本，从文本到蛋白质，从文本到化学物质。

这种最初的通用函数近似器演变成了各种信息形式的通用翻译器（universal translator）。

问题是，我们可以用它做什么？你可以看到全球范围内的初创公司，结合了所有这些不同的形式和能力。我认为，真正令人惊叹的突破在于，我们现在能够理解信息的含义，包括极其复杂的信息。

那么这对你意味着什么？如果你是一名数字生物学家，你可以理解你正在观察的数据的含义，以便在大海捞针中找到答案。如果你是英伟达的芯片设计师、系统设计师，或者你在农业科技、气候科学、能源领域，寻找新材料方面工作……

……这就是重大突破，我们现在有了通用翻译器。

AI如何发展到今天这个阶段

沈向洋： 关于人工智能对社会的巨大影响，你的观点让我非常有共鸣，甚至有些震撼。

你在某种程度上带我们回顾了人类整个历史，你提到农业革命，我们制造了更多的食物；然后是工业革命，我们制造了更多的钢铁；然后是信息技术，我们有了更多的信息。现在，在这个智能时代，你们在英伟达所做的，人工智能正在制造智能。你能详细说明一下，为什么这件事如此重要吗？

黄仁勋： 从计算机科学的角度来看，我们重新发明了整个堆栈。

过去我们是手动开发软件，无论是何种算法，我们要用自己的创造力，才能将其输入计算机。我开始时使用Fortran，后来学了Pascal，然后是C和C++。当然，这些语言都让我们能够将思想表达为代码，这些代码在CPU上运行得很好。

突然之间，我们开始观察数据，把观察到的数据交给计算机，然后问它能从中看到什么函数、模式和关系。我们现在不再手动编程，而是使用机器学习，机器不再生成软件，而是生成在GPU上处理的神经网络。

因此，从编程到机器学习，从CPU到GPU。由于GPU的强大，我们现在能够开发的软件类型是非凡的，也就是人工智能的出现。

计算机科学实际上已如我刚才所描述的那样发生了转变 。现在的问题是，我们的行业会发生什么？

当然，我们都在竞相使用机器学习来发现新的人工智能。那么什么是人工智能？也许，人工智能的一个方面是认知的自动化，问题解决的自动化。

问题解决可以归结为三个基本理念：观察和感知环境，理解它，对其进行推理，然后制定与目标相一致的计划。因此，感知、推理和规划是问题解决的三个基本步骤。

感知、推理和规划可进一步细分。

例如，感知汽车周围的环境，推理自身及周围其他车辆的位置，规划驾驶方式。我刚才描述的就是自动驾驶汽车，它的一种表现形式是数字司机。你可以对CT扫描进行同样的操作，观察、理解、推理，得出可能存在异常（如肿瘤）的结论，然后你可能会将其突出显示，向放射科医生描述。此时，你就是数字放射科医生。

我们所做的几乎每一件事，都可以用某种方式表达为人工智能可以执行的特定任务。当我们拥有足够多的数字智能体，这些智能体与计算机交互，生成人工智能。我们所有人对数据中心的总消耗，使得数据中心看起来像是在生产所谓的“token”，或者说数字智能。

现在，让我以不同的方式描述它。300年前，通用电气和西屋公司发明了一种新的仪器，最初是发电机，最终成为交流发电机。他们非常聪明地发明了电力的“消费者”，即电器，包括灯泡、烤面包机等。他们创造了各种电器，消费他们的工厂生产的电力。

看看我们现在在做什么，我们正在创造自动驾驶、ChatGPT等智能所有这些不同的智能，他们基本上等同于灯泡和烤面包机。我们都会使用的这些设备，会将其连接到工厂，以前是交流发电厂，但这个新工厂是数字智能工厂。

从工业的视角来看，实际所发生的情况是，我们当下正在构建一个全新的产业。这个新产业输入能源，输出数字智能，这些数字智能会被应用于各类不同的场景，其消费规模我们觉得会相当庞大。而且这个产业以前从未出现过，就如同当初的交流发电产业不曾存在过一样。

未来十年计算需求的增长

沈向洋： 这真是太神奇了。你描述了一个更光明的未来，当然我们知道，这很大程度上得益于英伟达的努力和贡献，特别是在过去的10到12年间。

有一个数字一直在被提及，人们称之为“Scaling Law”，最近甚至以你的名字命名，称为“黄氏定律”，与摩尔定律相比。摩尔定律基本上意味着每18个月计算能力会增加一倍。过去12年，在你的领导下，不是每年增加一倍，而是更多。如果我们看大型语言模型，在过去12年里，每年增长超过4倍。那么在10年里，这是一个巨大的数字，实际上是百万倍。

我的问题是，你展望未来，用你的水晶球，我们是否会在未来10年看到计算需求再增 加百万倍？

黄仁勋： 摩尔定律依赖于两个概念，一个是VLSI缩放，这是因为Carver Mead和LynnConway的教材，激励了我们这一代人。第二个是Dennard缩放，即晶体管的恒定电流密度缩放加上晶体管的缩小，这使得我们能够大约每两年将半导体的性能翻倍，大约每1.5年就能实现一次提升。因此，每5年性能提升10倍，每10年性能提升100倍。

我们现在经历的是，你的神经网络越大，训练的数据越多，人工智能似乎就越智能。

这是一个经验定律，就像摩尔定律一样，我们称之为Scaling Law，而且这个定律似乎在继续。但我们也知道，智能不仅仅是预训练，仅仅获取世界上的所有数据并自动发现知识是不够的。就像上大学并毕业是一个非常重要的里程碑，但还不够。还有后训练（Post-traning），即深入学习特定技能。后训练需要强化学习、人类反馈强化学习、AI反馈、合成数据生成、多路径学习强化学习，有很多技术。但基本上，现在深入到特定领域，试图深入学习某些东西，这是后训练。

一旦你选择了特定的职业，你将进行大量的再次学习，然后当然还有我们称之为“思考”的东西，我们称之为“测试时间的Scaling”。

有些事情你只是知道答案，有些事情你必须将问题分解为一步一步的基本原理，从第一性原理出发，尝试为每个部分找到解决方案，可能需要你代，可能需要你模拟各种结果，因为答案并非可预测的，等等。思考的时间越长，答案的质量可能就越高。

请注意，人工智能开发现在有三个领域（预训练、后训练、测试时间），为其投入大量的计算将产生更高质量的答案。

今天我们给出的答案是我们目前所能提供的最优解，但我们需要努力达到这样一种程度：让您得到的答案不仅是我们所能给出的最好的，而且您无需再去判断它是否有幻觉、是否有意义。我们要达到对得到的答案基本信任的程度，我觉得我们还需要几年时间才能实现这一目标，同时我们也需要持续增加计算量。

在过去的10年里，性能提高了一百万倍，我们真正做了什么？

英伟达的贡献在于，我们将计算的边际成本降低了一百万倍。想象一下，如果世界上存在某种你所依赖的事物，比如电力、机票，或者任何你所选的东西。当这件事物的成本降低一百万倍时，你的习惯将会发生根本性的转变，所以你它的看法也会发生根本性的改变。

这是英伟达有史以来最大的贡献，我们让使用机器来全面学习大量数据成为研究人员不假思索就会去做的事情，这便是机器学习兴起的原因。

AI对科学的重要性

沈向洋：我完全理解你的观点，不过我们的一些教授可能会略有不同意见，因为他们仍然需要花很多钱来购买你的 GPU。

黄仁勋： 但是，我在过去10年给了你们一百万倍的折扣，现在几乎是免费的。太～便～宜～了！（普通话）。

（观众大笑和鼓掌）

沈向洋： 我思考我们在香港科技大学应该做什么，在人工智能技术、人工智能基础设施、你的GPU和一切，以及你的软件生态系统的帮助下，我们有很多可以选择的事情。其中一个特别令人兴奋的事情是我们称之为“AI for Science”。你一直是这一领域的倡导者。例如，我们在大学里投资了相当多的计算基础设施、GPU，我们特别鼓励我们的教师在物理学和计算机科学、材料科学和计算机科学、生物学和计算机科学之间进行合作。你也一直在谈论生物学的未来。

现在在香港发生的一件非常令人兴奋的事情是，我们已经决定要建立第三所医学院，事实上香港科技大学是第一所提交提案的大学。现在你已经是我们的校友了，你对校长和我以及大学有什么建议，我们应该在哪里投资？

黄仁勋： 首先，我在2018年的全球科学计算大会上引入了人工智能，当时它受到了很大的怀疑。原因在于，人工智能在当时颇有些像黑盒子，而实际上，在今天它已经不那么像黑盒子了。

如今你可以询问 AI：“你能和我一起推理吗？告诉我你为什么建议这样做。一步一步地告诉我你是如何得出这个答案的。”通过这样的探询过程，AI会变得更加透明、更具可解释性，因为你正在通过你的问题对它进行探询。

你的问题集可以如同教授探询学生以理解他们的思维过程那样，不只是关注他们能否给出答案，还要关注他们推理的方式是否合理、是否基于第一性原理。我们在今天能够做到这一点，而在2018年却无法做到，这是第一个原因。

第二，AI目前并不是从第一性原理出发给出答案的，它从观察数据中学习给出答案。因此，它是在模拟智能，模拟物理学。

现在问题是，模拟对科学有价值吗？

我认为，模拟对于科学极具价值。原因在于，我们在众多科学领域理解了第一性原理，理解了薛定谔方程、麦克斯韦方程等许多此类方程，但我们无法模拟并理解大型系统。因此，代替从第一性原理出发进行计算限制、求解那些在计算上不可能完成的任务，我们不妨利用AI，训练理解该物理学的AI，用它来模拟极大规模的系统以便我们能够理解。

那么，这在哪里有用？

首先，人类生物学的尺度始于纳米级，时间尺度则从纳秒延伸至数年。人类生物系统的这种跨尺度特性，仅依赖第一性原理求解是绝无可能实现的。现在问题是，我们能否使用AI来模拟人类生物学，以便我们能够更好地理解这些非常复杂的多尺度系统，从而创建人类生物学的数字孪生。这是我极大的期望，我们当下或许具备了计算机科学技术，让数字生物学家、气候科学家以及处理超大规模复杂问题的科学家，能够切实理解物理系统，这是前所未有的。

这是我的期望，希望你们能在这个交叉点达成目标。谈到你们的医院，香港科技大学拥有一个绝佳的机遇，那就是在此创建一所医院，其最初的专长领域为技术、计算机科学和人工智能。这与世界上几乎所有的医院恰恰相反。它们都是先有医院，而后才试图引入人工智能和技术，这往往会遭遇怀疑和不信任。所以，你们有机会首次从一开始就创建一个拥抱技术的场所，技术能够得以推进，这里的人们正在推进基础技术，你们自身也在这么做。你们深知其局限性，也了解其潜力。我觉得这是一个非凡的契机，期望你们能充分利用好它。

沈向洋： 谢谢你，我们非常喜欢你的建议。大学一直擅长于技术和创新，推动计算机科学、工程、生物学等领域的前沿研究。我们认为，作为香港的第三所医学院，我们可以做一些不同于其他两所优秀学校的事情。我们将传统的医学培训与我们擅长的技术研究结合起来。我相信将来我们会联系你，获得更多的建议。

作为硅谷任职时间最长的CEO

沈向洋： 我想转换一下话题，问你一些关于领导力的问题。你是硅谷任职时间最长的CEO，可能遥遥领先，担任CEO已有31年，快32年了。你不觉得累吗？

黄仁勋： 我超级累。我今天早上刚到这里，我超级累。

沈向洋： 但你还在坚持。我记得你曾经说过，你从未上过商业课程，到现在也没有。

黄仁勋： 是的。

沈向洋： 你还说过，你从未完成过商业计划书。

黄仁勋： 我从未写过商业计划书，我不知道如何写商业计划书。我指望你们（学生们）来帮我写商业计划书。

沈向洋： 我们当然想向你学习，你是如何领导这样一个庞大的组织的，英伟达今天拥有成千上万的员工，令人惊叹的收入，大量的客户和影响力。你是如何做到以如此快的速度领导这样一个大型组织的？

黄仁勋： 首先，我认为你们应该尽可能多地学习。

我一直在学习，学习是我的毕生工作。以毕生工作的方式思考你所做的事情，而不是你的职务，我认为在你的心态上有很大的不同。也许你是木匠，也许你是艺术家，也许你是神经外科医生，你认为这是你的毕生工作，这是你将投入一生去完善的手艺。

英伟达是我的毕生工作，我在这个过程中学到了很多东西。如果你想成为公司的CEO，你有很多东西要学，你必须不断地自我重塑，世界一直在变化，你的公司一直在变化，技术一直在变化，今天你知道的一切，将来都会有用，但还不够，甚至远远不够。因此，我基本上每天都在学习。

当我飞过来时，我在看YouTube，或者我与AI的对话。顺便说一下，去找一个AI作为你的导师。我问了很多问题，它给我答案，我会问：你为什么给我这个答案？一步一步地告诉我答案。用这种方式向我解释，将你的推理应用于其他事物，给我一些类比。学习有很多不同的方式，我反复折磨我的AI，让它来教我。学习有很多种方法，但我的重点是你要不断地学习。

我对担任CEO和领导力的理解是这样的。

首先，你是CEO、是领导者，但你不必知道所有的事情。你必须对你想做的事情充满信心，但你不必确定。自信和确定不是同一个概念。你可以完全自信地追求一个方向，同时允许不确定性的存在，这种不确定性给你继续学习的机会。

第二，我想说的是，领导者当然需要强大，因为很多人依靠你的力量，他们从你的力量中获得力量。然而，强大并不意味着你不能脆弱，如果你需要帮助，就去寻求帮助。因此，我不断地寻求帮助，我不知道我多少次来向你（沈向洋）寻求帮助。因此，脆弱并不是力量的缺失，不确定性也不是自信的缺失。

生活在这样的世界中，你可以既强大又自信，同时又脆弱和不确定。

我还有一个想法是，不要为自己做事，而是为他人做事。领导者在每一个决策中都应该以使命的利益为出发点，以他人的成功为出发点，无论是公司内部的同事、合作伙伴、生态系统，我们都在不断思考他人的成功，不断思考什么对他们最有利。就在昨晚，我飞过来时，有人问我，我们应该在与一个非常重要的合作伙伴的讨论中做什么？我说，我们应该建议什么对他们最有利？从他们的最佳利益出发，我们可以决定该做什么。我认为这些想法可能对你有帮助。

沈向洋： 关于与你人合作的观点，我忍不住要问这个问题，我在五月份在我家问过你。我在某处读到你实际上有55个直接下属，你说，不是50个，实际上是60个。所以你确实有60个直接下属。

黄仁勋：所以员工会议就像现在（指向观众）一样有好几排人。

沈向洋：你是怎么做到这点的，看起来像是一种独特的领导风格。

黄仁勋： 透明度。

我在所有人面前推理，我们需要做什么，我们共同制定公司的战略，无论是什么战略，所有人都同时听到。因为他们都参与了我们的战略制定过程，因此当公司有了方向、战略、决策时，大家都一起推理得出答案。这不是我进入森林，带着答案回来，然后大家等待我告诉他们该做什么。我们一起推理，得出了答案。因此，我唯一需要做的就是确保我们都听到了同样的东西。

我通常是最后一个发言的人，根据我们所做的一切，这是方向，这些是优先事项，以确保没有歧义。我一旦消除了歧义，我们就都达成了一致，我们都理解了战略。我相信每个人都是成年人，如果他们不知道什么，我需要他们表达出来，如果他们需要帮助，我需要他们请求帮助，没有人会孤独地失败。

当他们看到同样的行为，看到我作为CEO可以脆弱，可以寻求帮助，可以不确定，可以犯错，他们也都可以这样做。

创业是黄仁勋追求妻子的手段

沈向洋： 你在非常年轻的时候创立了自己的公司，一直领导公司取得了令人难以置信的成功。你对我们的学生和教师成员有什么建议，关于他们何时以及为什么应该开始自己的事业？除了你向你的妻子承诺30岁之前要创业之外，还有什么建议？

黄仁勋： 那是我的搭讪手段，我并不是认真说这句话的。

（观众大笑）

黄仁勋： 我16岁上大学，17岁认识了我妻子，她19岁。我是班上最小的学生，一共有250名学生，只有三个女生。我是唯一看起来像小孩的学生。

沈向洋： 所以你学会了如何竞争力。

黄仁勋： 不，你必须学会如何有一个好的搭讪台词。我知道我看起来像个小孩，因此我确信她对我的第一印象是我很聪明，一定是这样，否则（不会这么小就上大学）

我走到她面前，我说，你想看看我的作业吗？

（观众大笑和鼓掌）

黄仁勋： 然后我向她做了一个承诺，我说，如果你每个星期天都和我一起做作业，我保证你会得到全A的成绩。之后我每个星期天都有约会，内容是一整天做作业。

然后，为了确保她最终嫁给我，我告诉她我现在只有20岁，但到我30岁时，我将成为CEO。我当时不知道自己在说什么。

（观众大笑和鼓掌）

黄仁勋： 然后我们结婚了。这就是我给所有创业者的全部建议。

沈向洋： 这实际上是我从学生哪里收集的问题之一。一位学生问道，他在学校表现很好，但他需要专注。他读到了你的爱情故事，想问你如果把时间花在约会上，是否会对学习有害？你的答案是绝对不会。

黄仁勋： 绝对不会。当时我想让她知道我很聪明，因此在她来之前我就完成了作业。到她来的时候，我已经知道了所有的答案。她可能一直以为我是个天才。

沈向洋： 你确实是个天才。

大学应该如何应对算力问题

沈向洋： 你给了我们的学生一些好的建议。我需要代表我们的教授问一个问题。我实际上有九页的问题，我很抱歉不能全部问出来。

其中一个问题，作为大学里的助理教授，现在做AI研究需要大量的算力。有趣的是，一位华盛顿大学的教授几年前发推特说，在深度学习革命中明显缺席的是麻省理工学院，但他并不只是指麻省理工学院，实际上是美国的顶尖大学在过去十年中并未贡献太多开创性的论文，而是像你们公司、微软、OpenAI、谷歌DeepMind等顶尖公司做了令人惊叹的工作，部分原因是他们拥有足够的计算能力。

这位教授的问题是，我们应该怎么做？我们应该加入英伟达，这是一个办法，或者我们能否与你们合作？你是我们的新校友，能否请你帮忙？

黄仁勋： 当然可以。

但你问题的核心实际上是大学的一个非常严肃的结构性问题。正如你所知，在未来，没有机器学习就无法以我们谈论的规模推进科学。而机器学习没有机器是无法实现的。这与用射电望远镜研究宇宙、用粒子加速器研究世界的基本构成是一样的。你需要科学的仪器，超级计算机、AI超级计算机是当今的科学仪器。

大学的结构性问题在于，每个研究人员、每个研究者都在自行筹集资金。一旦他们筹集到了资金，他们就不想与其他人分享。

然而，机器学习的工作方式是，你只需要在很短的时间内使用全部的机器。没有人永远需要全部的机器，但他们在短时间内需要非常大的计算能力。因此，事实证明，为了推进大学的研究，必须将大家的资金集中起来，这在像斯坦福或哈佛这样的大学里是非常困难的，那里的计算机科学研究人员可以筹集到大量资金，但气候科学、海洋科学等领域的研究人员则非常困难。

那么怎么办？

我认为大学可以通过为整个学校建立基础设施，但大学存在资金结构的挑战，这也是为什么许多研究人员来我们这样的公司实习，在谷歌和微软实习。

他们在我们的系统上进行研究，然后回到学校一段时间，要求我们在系统上保持他们的研究，以便他们回来时可以继续。许多教授也兼职做研究，同时还在教学。我们有几位这样的教授。因此，有很多方法可以解决这个问题，但最好的方法是大学必须重新思考如何筹集资金。

GPU的能源消耗会过大吗？

沈向洋： 我想问一个挑战性的问题，一方面我们非常高兴计算能力继续大幅提高，价格下降，这更好。但同时，GPU将消耗大量能源。有一些预测称，到2030年，全球能源消耗将增加30%。你是否担心，世界由于GPU会消耗更多的能源？

黄仁勋： 首先我要说的是，如果世界使用更多的能源来为全球的AI工厂供电，我们的世界将会更好，让我为你推理这样几件事。

第一，AI的目标不是训练模型，AI的目标是使用模型。对于许多人来说，他们仅仅为了上学而上学，这没有错，为了学习而学习是高尚的，也是非常明智的。然而，大多数学生来到这里，投入了大量的金钱和时间，你们的目标是将来应用学到的知识取得成功。

因此，AI的目的不是训练，而是推理，推理非常高效，它可以发现储存二氧化碳的新方法，或者可以发现新的风力涡轮机设计，或发现新的储存电力的材料，更有效的太阳能电池板材料，等等。我们的目标最终是创建AI，而不是训练AI。

第二，请记住，AI并不在乎它在哪里学习。我们无需将超级计算机置于校园内，紧邻电网。我们应当开始思考将 AI 超级计算机安放在电网之外，稍偏离电网，使其利用可持续能源，而非在人口密集区域。

我们所有的发电厂都是为家中的电器所建，灯泡在我们家周边，洗碗机在家周边，如今电动车也在家周边。然而超级计算机不必在我们的家附近，它能够在其他地方学习。

最后，我期望AI能够极为高效地发现新的科学，从而避免我们的浪费，比如电的浪费。电网多数时候是过度供应的，仅有一小部分时间供应不足。

我们应当在众多不同的领域运用AI从我们的浪费中节约20%到30%的能源。这是我的希望与梦想，最终我们都会看到，使用能源来获取智能是我们能够想象的能源的最佳用途。

沈向洋： 我当然同意，将能源用于智能是最佳的使用方式。说到智能，我想回到智能的话题。

粤港澳大湾区包括香港、深圳、广东，我们都生活在这个地区。多年来，这里已经成为一个巨大的硬件生态系统。如果你现在要制造任何有趣的设备，如果不在大湾区制造，就会效率较低，因为你无法找到所有的组件。当然，一个很好的例子是大疆，商用无人机公司，他们的技术令人难以置信。

我的问题是，当我们考虑智能时，物理层面将变得越来越重要，机器人技术会越来越多地出现在我们的生活中。当然，一种特殊类型的机器人就是自动驾驶汽车。你对这些物理智能实体在我们的生活和工作中出现的速度有何看法？我们应该如何思考，并利用大湾区的硬件生态系统？

黄仁勋： 这对中国和这个地区来说是一个非凡的机会。大湾区以及整个地方在机电一体化方面已经非常出色，即机械技术和电子技术的交叉点。对于机器人技术来说，缺少的是理解物理世界的人工智能。

ChatGPT或当前的大型语言模型理解认知智能，但它们并不理解物理智能，它们不一定理解当我把杯子放在桌子上时，它不会穿过桌子。因此，我们需要教会AI如何理解物理智能。

让我展示一下我们的进展。你们可能都看过从文本生成视频。我可以生成一段以我自己为开头的视频，你可以提示“Jensen，拿起咖啡杯，喝一口”。如果我可以提示AI去拿起咖啡杯，为什么我不能生成指令，让机械臂去拿起它呢？

因此，从我们现在的生成式AI到通用机器人之间的差距非常小。所以我对这个领域非常兴奋。

有三种类型的机器人可以大规模生产，基本上只有三种：

汽车，因为在过去的150-200年里，我们为汽车创造了这个世界。

其次是无人机，因为天空几乎是无限的。

但产量最高的当然是人形机器人，因为我们为自己创造了这个世界。

其他我们在历史上见过的机器人，已经存在很长时间了，但很难实现大规模生产。实现大规模生产很重要，因为你需要技术飞轮。高产量可以让你产生高研发投入，从而实现伟大的技术突破，制造出更好的产品，进而使产量更高。这个研发飞轮对任何行业都至关重要。

通过这三种机器人，我们基本上可以将机器人技术规模化到极高的产量。这就是像这里这样的制造生态系统的优势之一。

如果你想一想，这个大湾区是世界上唯一同时拥有机电技术和人工智能技术的地区，对吧？其他两个大型机电产业区域，日本和德国，不幸的是，它们在人工智能方面落后很多，需要努力追赶。但这里不是这样，所以这确实是一个独特的机会，我会非常重视它。

完整视频：
https://www.youtube.com/watch?v=NuTZNgrLBJk

参考链接：
https://hkust.edu.hk/news/major-events-campus/hkust-holds-congregation-2024-conferring-honorary-doctoral-degrees-four