Transcription
各位听众，大家好，欢迎来到 No Priors。今天我们又一次来到这里，距离我们上次与 Nvidia 的创始人兼首席执行官黄仁勋先生的对话已经过去一年了。如今，英伟达的市值已超过 3 万亿美元，它在人工智能革命中确实是掌握所有关键技术的公司。我们很高兴能在英伟达总部与您畅谈前沿模型、数据中心规模计算以及英伟达在这方面所做的十年期投资。欢迎回来，黄先生。
在英伟达工作了 30 年，并展望未来十年，您认为还有哪些重大的投资机会？这一切是否都将围绕着规模的扩大？我们在榨取现有架构的计算和内存能力方面是否遇到了瓶颈？您关注的重点是什么？
嗯，如果我们回顾一下我们所做的事情，我们从编码转向机器学习，从编写软件工具到创建所有这些运行在为人类编码设计的 CPU 上的东西，到现在运行在为人工智能编码设计的 GPU 上，基本上是机器学习。所以，世界变了，我们计算的方式变了，整个技术栈都变了。因此，我们能够解决的问题的规模也发生了很大变化，因为如果我们能在单个 GPU 上并行化我们的软件，那么我们就为跨整个集群、甚至跨多个集群或多个数据中心并行化奠定了基础。所以我认为我们已经为自己做好了准备，能够以一种前所未有的规模进行计算，并以一种前所未有的水平开发软件。
所以，我们正处于开始阶段。在接下来的十年里，我们的希望是每年都能在规模上，而不是在芯片上，在规模上将性能翻一番或三番。因此，能够因此每年将成本降低两到三倍，将能耗降低两到三倍。当你每年都这样做，每年翻一番或三番，几年之内就会累积起来，所以它会非常非常积极地复利增长。因此，我不会感到惊讶，你知道，人们对摩尔定律的看法，即每几年翻一番，你知道，我们将处于某种超级摩尔定律曲线上。我完全希望我们能继续这样做。
您认为是什么让这一切发生得比摩尔定律更快？因为我知道摩尔定律在某种程度上是自我实现的，对吧？这是他所说的话，然后人们就去实现它。
有两个基本的技术支柱，一个是 Dennard 缩放，另一个是 Caper mees vsi 缩放。这两种技术都是严谨的技术，但这些技术确实已经耗尽了能量。所以现在我们需要一种新的缩放方式。你知道，很明显，新的缩放方式是与代码设计相关的所有东西，除非你能修改或改变算法以反映系统的架构，或者改变系统以反映新软件的架构，并来回进行，除非你能控制这两方面，否则你没有任何希望。但如果你能控制这两方面，你就可以做到从 fp64 到 fp32 到 BF 到 fp8 到 fp4，再到谁知道什么。所以，我认为代码设计是其中非常重要的一部分。
第二部分，我们称之为全栈。第二部分是数据中心规模。你知道，除非你能将网络视为计算的载体，并将大量工作推入网络，将大量工作推入载体，从而你在非常大的规模上进行压缩。这就是我们收购 Mellanox 并开始以如此激进的方式融合 InfiniBand 和 NVLink 的原因。现在看看 NVLink 将走向何方。计算载体将扩展，现在看起来像一个令人难以置信的处理器，称为 GPU。现在我们有数百个 GPU 将协同工作。
我们现在处理的许多计算挑战中，最令人兴奋的挑战之一当然是推理时间的扩展，这与以极低的延迟生成 token 有关，因为正如你刚才提到的，你正在进行自我反思。你将进行树搜索，你将进行思维链，你可能会在脑海中进行一定程度的模拟，你将反思你自己的答案。你将自己提示自己，并悄悄地生成文本给你，仍然希望在一秒钟内做出回应。
做到这一点的方法只有一种，那就是如果你的延迟很低，你的延迟就非常低。与此同时，数据中心仍然是生产高吞吐量 token，因为你知道你仍然想降低成本，你想保持高吞吐量，你想正确地生成回报。所以，关于工厂的这两个基本方面，低延迟和高吞吐量，它们是相互矛盾的。因此，为了创造一个在两者之间都非常出色的东西，我们必须发明一些新的东西。NVLink 确实是我们的方式。
现在你有一个虚拟 GPU，它拥有惊人的浮点运算能力，因为你需要它来处理上下文，你需要大量的内存，工作内存，并且仍然拥有惊人的带宽来进行 token 生成，所有这些都同时进行。
构建模型的那些人是否也在极大地优化东西，比如我团队的 David 在过去 18 个月左右收集的数据，输入到 GPT-4 等效模型中的一百万个 token 的成本基本上下降了 240 倍。所以，在那边也有大量的优化和压缩正在发生，就在我们工作的这一层。
你知道，我们非常关心的一件事当然是我们技术栈的生态系统和我们软件的产品活动。人们会忘记，因为我们有 CUDA 基础，这是一个坚实的基础，它之上的一切都可以改变。如果基础在你脚下变化，就很难在上面建造一座建筑，很难在上面创造出有趣的东西。所以 CUDA 使我们能够如此快速地迭代。
就在去年，我想我们刚刚对 Llama 首次发布时进行了基准测试，在算法或顶层不变的情况下，我们将 Hopper 的性能提高了五倍。一年内提高五倍，这是不可能通过传统的计算方法实现的。但通过加速计算和使用这种代码设计的方式，我们能够发明出各种新东西。
您认为您最大的客户在他们的基础设施在大型训练和推理之间可互换性方面考虑了多少？
嗯，如今基础设施是分散的。Sam 刚告诉我，他最近退役了 Volta。他们有 Pascal，有 Ampere，各种配置的 Black Wall 正在到来。其中一些是为风冷优化的，一些是为液冷优化的。您的服务将不得不利用所有这些。
英伟达的优势当然是，你今天为训练构建的基础设施，明天将对推理来说非常棒。我相信 ChatGPT 的大部分推理都是在最近训练过的相同类型的系统上进行的。所以，如果你能在上面训练，你就能在上面推理。因此，你留下了一条基础设施的轨迹，你知道它在推理方面会非常出色。而且你完全有信心，你可以将你的投资回报投入到新的基础设施中，以实现规模化。你知道你将留下有用的东西，而且你知道英伟达和生态系统的其余部分将致力于改进算法，以便你的其余基础设施在一年内就能提高五倍。所以，这种动态永远不会改变。
所以，人们将如何看待基础设施，即使我今天为训练而构建它，它也必须对训练来说非常棒。我们知道它对推理来说也会非常棒。推理将是多尺度的。我的意思是，首先，为了提炼出更小的模型，拥有一个仍然从中提取的更大的模型会更好。所以，你仍然会创造出这些令人难以置信的前沿模型，它们当然会被用于开创性的工作，你将用它们进行合成数据生成，你将使用大模型来教小模型，并提炼出更小的模型。所以，有很多不同的事情你可以做。但最终，你将拥有从巨大的模型到非常小的模型。这些非常小的模型将非常有效，虽然不像通用性那么强，但非常有效。所以，它们将在一个非常特定的任务上表现得非常好。我们可能会看到一个非常小的模型，也许是一个非常小的语言模型，而不是一个小型语言模型，而是微型语言模型 TLM，或者你知道什么。所以，我认为我们将看到各种各样的尺寸。
我认为，在很多方面，人工智能使我们能够开辟新的途径，使创建新应用程序变得更加容易。但计算的几乎所有方面都基本保持不变。例如，维护软件的成本非常高昂，一旦你构建了它，你就希望它能在尽可能大的安装基础上运行。你不想写两次相同的软件。我的意思是，你知道，很多人仍然有同样的感受，你想让你的工程向前发展。因此，在架构允许你一方面创建今天运行的软件，并且随着新硬件的出现明天运行得更好，或者你明天创建的软件，AI，能在庞大的安装基础上运行，你认为这很棒。这种思考软件的方式不会改变。
英伟达已经进入了更大、更大的客户支持单位，比如说，从单个芯片到服务器，再到机架，NV72。您如何看待这种进展？接下来是什么？英伟达是否应该做整个数据中心？
事实上，我们构建完整的数据中心。我们构建一切的方式，如果你正在开发软件，你需要它完整的表现形式。我们不制作幻灯片然后运送芯片，我们构建整个数据中心。直到我们构建完整个数据中心，你怎么知道软件是否有效？直到我们构建完整个数据中心，你怎么知道你的网络是否有效，以及你期望的所有效率是否有效？你怎么知道它真的能大规模运行？这就是为什么你经常看到实际性能远低于幻灯片上显示的峰值性能的原因。计算已经不再是它曾经的样子了。你知道，我说新的计算单位是数据中心。对我们来说就是这样。这就是你必须提供的。这就是我们现在构建的。我们构建了像这样的整个东西。然后我们为每一个组合，风冷的 x86，液冷的 Grace，以太网，InfiniBand，NVLink，没有 NVLink，你知道我的意思吗？我们构建了每一种配置。我们公司今天有五个超级计算机。明年我们将轻松再建五个。所以，如果你对软件是认真的，就自己构建计算机。如果你对软件是认真的，那么你就要构建你的整个计算机。我们在 Goodale 构建它。
这是真正有趣的部分。我们大规模地构建它，并且我们垂直集成地构建它。我们对其进行全栈优化。然后我们分解所有东西，并以零件的形式出售。这是我们所做的事情中完全令人惊叹的部分。其复杂性简直是疯狂的。原因在于，我们希望能够将我们的基础设施嫁接到 GCP、AWS、Azure、OCI 上。它们的所有控制平面、安全平面都不同，它们对集群大小的看法也不同。但我们使它们能够容纳英伟达架构，以便 CUDA 能够无处不在。这最终是唯一的想法。我们希望有一个计算平台，开发者可以使用，并且在很大程度上是一致的，除了这里 10% 的地方，因为人们的基础设施略有不同，除了这里 10% 的地方。但他们构建的一切都将在任何地方运行。这是软件的一个原则，永远不应该放弃。我们非常珍视它。它使我们的软件工程师能够一次构建，随处运行。这是因为我们认识到软件的投资是最昂贵的投资。
测试很容易。看看整个硬件行业的规模，再看看世界各行各业的规模。这是一个万亿美元的行业，在这个万亿美元的行业之上。这告诉你一些事情。你构建的软件，你必须，你知道，基本上终生维护。我们从未放弃过任何软件。CUDA 被使用的原因是，你知道，我告诉大家，我们将终生维护它。我们是认真的。我前几天刚看到一个评论，英伟达 Shield，我们的 Android TV。它是世界上最好的 Android TV。我们七年前发布的。它仍然是人们喜欢的最好的 Android TV。我们上周刚刚更新了软件，人们又写了一篇关于它的故事。GeForce，我们有 3 亿全球玩家。我们从未抛弃过他们中的任何一个人。所以，我们的架构在所有这些不同领域都兼容，这使得我们能够做到这一点。否则，如果不是因为这种架构兼容性，我们的软件团队的规模将是公司今天的 100 倍，甚至更多。所以我们非常认真对待这一点。它为开发者带来了好处。
最近一个令人印象深刻的例证是，你们在 X.A. 的集群搭建得有多快。如果你想谈谈这一点，因为那在规模和速度上都令人震惊。
嗯，很多功劳要归功于埃隆。我认为，首先是决定做某事，选择地点，带来冷却、电力，然后决定建造这个拥有 10 万个 GPU 的超级集群，这是同类中最大的。然后，从后往前看，我们开始一起规划。他要启动所有东西的日期，以及他要启动所有东西的日期是在几个月前确定的。所以，所有组件、所有 OEM、所有系统、我们与他们的团队进行的所有软件集成、我们模拟的所有网络模拟、我们模拟的所有网络配置，我们预先准备好了一切，就像一个数字孪生。我们预先准备好了他的整个供应链，我们预先准备好了网络布线。我们甚至设置了一个小版本，一个小的版本，一个参考零，系统零，在其他一切到来之前。所以，当一切都到来时，一切都已准备就绪，所有的练习都已完成，所有的模拟都已完成。然后，即使是巨大的集成，也是人类庞大团队的纪念碑，他们互相爬行， 24/7 布线。几周之内，集群就上线了。这确实是对他意志力的证明，以及他如何能够思考机械和电气方面的事情，并克服显然是巨大的障碍。我的意思是，在那里完成的事情是第一次以如此快的速度完成如此大规模的计算机。除非我们的两个团队，从网络团队、计算机团队、软件团队、训练团队、基础设施团队，从电气工程师到软件工程师，所有人都协同工作。这确实是一项了不起的成就。
从工程角度来看，是否有哪个挑战感觉最有可能成为障碍？仅仅是必须整合的大量电子产品？
我的意思是，这可能值得衡量一下。我的意思是，这是大量的设备，这是不正常的。你知道，通常情况下，像这样的超级计算机系统，你通常需要几年时间来规划。从第一批系统交付到你可能提交所有东西进行一些严肃的工作，不要惊讶，可能需要一年。这很常见，这并不奇怪。我们负担不起这样做。所以我们几年前创建了一个倡议，叫做数据中心即产品。我们不将其作为产品出售，但我们必须像对待产品一样对待它。关于它的所有规划，然后启动它，优化它，调整它，保持它的运行。目标是，它应该就像打开你漂亮的新 iPhone，你打开它，一切都正常工作。当然，让它变成这样是技术的奇迹。但我们现在拥有了这样的技能。所以，如果你对数据中心感兴趣，只需要给我一个空间、一些电力、一些冷却。我们会帮助你在 30 天内设置好。这相当惊人。
如果你展望 20 万、50 万、100 万个超级集群，或者你称之为的东西，你认为最大的障碍是什么？资本？能源？供应？
在一个区域，一切。你刚才谈到的规模，没有什么是不正常的。但没有什么是不可能的。没有物理定律的限制。但一切都会很难。当然，这是值得的吗？你无法相信。要得到我们所认识的计算机，它如此容易，并且能够如此轻松地做我们要求它做的事情，拥有某种通用智能。即使我们可以争论它是否真的是通用智能，仅仅是接近它也将是一个奇迹。我们知道这一点。所以，我认为有五六个努力方向。我认为，当然是 OpenAI、Anthropic、X，还有 Google、Meta、Microsoft。你知道，这个前沿，爬上这座山峰的下一个几个台阶至关重要。谁不想成为第一个登上那座山峰的人？我认为，彻底重塑智能的奖赏太重大了，不容尝试。所以，我认为没有物理定律。一切都会很难。
一年前，我们和你交谈时，我们问你最让你兴奋的英伟达将要服务的人工智能应用是什么，你谈到你让那些最极端的客户引领你。你还谈到了一些科学应用。在过去一年里，这似乎变得更加主流了。科学和人工智能的应用仍然是最让你兴奋的吗？
我喜欢我们这里有英伟达的 AI 芯片设计师。我喜欢我们有 AI 软件工程师。今天的 AI 芯片设计师有多有效？超级有效。我们没有他们就无法建造 Hopper。原因在于，他们可以探索比我们更大的空间。而且因为他们有无限的时间，他们在超级计算机上运行。我们使用人类工程师的时间太少了，所以我们探索的空间不如我们应该探索的那么多。我们也无法组合式地探索。我不能在探索我的空间的同时，包括你的探索和他的探索。所以，你知道，我们的芯片非常大，它不是像设计成一个芯片那样，它几乎是设计成一千个芯片。我们必须分别优化它们。你真的想一起优化很多它们。而且，你知道，跨模块的代码设计，并在更大的空间中进行优化。显然，我们将能够找到隐藏在局部最小值后面的局部最大值。所以，我们显然可以找到更好的答案。没有 AI 工程师就做不到。我们根本没有足够的时间。
自我们上次集体交谈以来，还有一件事发生了变化。我查了一下，当时英伟达的市值约为 5000 亿美元，现在已超过 3 万亿美元。在过去 18 个月里，市值增加了 2.5 万亿美元以上，相当于每月增加 10 亿美元以上，或者相当于两个雪花，或者一点点 Stripe，或者你想怎么想，一两个国家。显然，在关注你正在构建的东西等方面，许多事情保持了一致。今天早些时候我在这里走的时候，我感受到了那种嗡嗡声，就像 15 年前我在谷歌时一样，你感受到了公司的能量和兴奋的气氛。在此期间，如果有什么变化，或者有什么不同，无论是英伟达如何运作，或者你如何看待世界，或者你能够承担的赌注的大小？
嗯，我们的公司不能像股价那样快速变化，这一点很清楚。所以，在很多方面，我们没有改变太多。我认为要做的是退一步，问问自己我们在做什么。我认为这是公司和国家真正的大观察、认识和觉醒。我认为我们之前谈到的，从我们行业的角度来看，我们已经重塑了计算。计算已经 60 年没有被重塑了。这是我们多么大的成就。我们在过去 10 年里将计算的边际成本降低了可能一百万倍，以至于我们说，嘿，就让计算机穷尽地编写软件吧。这是巨大的认识。在很多方面，我们也在谈论芯片设计。我们希望计算机能够发现我们自己无法做到的关于我们芯片的事情。探索我们的芯片，并以我们自己无法做到的方式进行优化。就像我们希望数字生物学或任何其他科学领域一样。所以我认为人们开始意识到，我们重塑了计算，但这意味着什么？随着我们突然创造了这个叫做智能的东西，计算发生了什么？我们从数据中心变成了数据中心。数据中心是多租户文件存储。这些新的数据中心不是数据中心。它们不是多租户的。它们通常是单租户的。它们不存储我们的任何文件。它们只是在产生东西。它们产生 token。这些 token 被重组，形成了看起来像智能的东西。不是吗？而且是各种各样的智能。它可以是机器人运动的表达，可以是氨基酸序列，可以是化学链，可以是各种有趣的东西。所以，我们到底在做什么？我们创造了一种新的仪器，一种新的机器，在很多方面，它是“生成式 AI”这个形容词的名词。它不是生成式 AI，它是一个 AI 工厂。它是一个生成 AI 的工厂。而且我们正在以极大的规模这样做。人们开始意识到，也许这是一个新行业。它产生 token，它产生数字，但这些数字以一种非常有价值的方式构成。那么哪个行业会从中受益呢？然后你退一步，再次问自己，英伟达到底在做什么？一方面，我们重塑了我们所知的计算。所以，有万亿美元的基础设施需要现代化。这是其中一个层面。更重要的层面是，我们正在构建的这个仪器不仅仅是为了数据中心，我们正在对其进行现代化改造，但你正在使用它来生产某种新商品。这个新商品行业能有多大？很难说，但可能价值万亿美元。所以，我认为这就是，如果你退一步，我们不再建造计算机了。我们建造工厂。每个国家都需要它。每个公司都需要它。你知道，给我一个公司或行业的例子，他们说，“我们不需要生产智能，我们有足够的了。”所以，这就是这个大想法。我认为，这是一种抽象的工业视角。而且，总有一天，人们会意识到，在很多方面，半导体行业不是关于制造芯片，而是关于为社会构建基础性结构。然后突然，每个人都明白了。这是一个大问题，不仅仅是关于芯片。
你如何看待具身化？
我非常兴奋的一点是，在很多方面，我们已经接近通用人工智能，但我们也接近通用机器人。Token 就是 Token。我的意思是，问题是你是否可以对其进行 token 化？当然，对事物进行 token 化并不像你们知道的那么容易。但如果你能够对事物进行 token 化，将其与大型语言模型和其他模态对齐。如果我能生成一个 Jensen 伸手去拿咖啡杯的视频，为什么我不能提示一个机器人生成拾取它的 token 呢？所以，直观地说，你会认为问题陈述对于计算机来说是相似的。所以我认为我们非常接近了。这令人难以置信地令人兴奋。
现在，这两个棕地机器人系统，棕地意味着你不需要改变环境。是自动驾驶汽车和具身机器人。在汽车和人类机器人之间，我们可以字面意义上地将机器人技术带给世界，而无需改变世界，因为我们为这两件事构建了世界。埃隆专注于这两种形式的机器人技术可能不是巧合，因为它们很可能具有巨大的潜在规模。所以我认为这令人兴奋。但它的数字版本同样令人兴奋。我们正在谈论数字或 AI 员工。毫无疑问，我们将拥有各种各样的 AI 员工。我们的前景将是生物学和人工智能。我们都以同样的方式提示它们。不是吗？大多数时候，我提示我的员工，提供上下文，要求他们执行任务，他们去招募其他团队成员，他们回来，我们来回沟通。这与数字和各种 AI 员工有什么不同？所以，我们将拥有 AI 营销人员、AI 芯片设计师、AI 供应链人员、AI。我希望英伟达有一天在生物学上更大，但从人工智能的角度来看也大得多。这就是我们的未来公司。
如果我们明年再来和你谈话，你认为公司哪个部分将是最具人工智能化的？
我希望是芯片设计。最重要的一部分。这是正确的，因为我应该从最能产生影响的地方开始，也是我们能产生最大影响的地方。这是一个极其困难的问题。我与 Synopsys 的 Cine 和 Cadence 的 Rud 合作。我完全可以想象他们拥有我可租用的 Synopsys 芯片设计师。他们知道某个模块，他们的工具。他们训练了一个 AI，使其在这方面非常出色。我们只需要在需要时雇佣一大批他们。我们正处于芯片设计的这个阶段。我可能会租用一百万名 Synopsys 工程师来帮助我，然后租用一百万名 Cadence 工程师来帮助我。这对他们来说是多么令人兴奋的未来，他们拥有所有这些代理，这些代理位于他们的工具平台之上，使用工具平台，并与其他平台进行协作。克里斯蒂安会在 SAP 做这件事，比尔会在 ServiceNow 做这件事。人们说这些 SaaS 平台将受到颠覆。我实际上认为恰恰相反。它们坐拥金矿。将会有大量专门的代理，专门用于 Salesforce，专门用于，嗯，Salesforce 我认为他们称之为 Lightning，SAP 是 BAP。每个人都有自己的语言，不是吗？我们有 CUDA，我们有 Omniverse 的 OpenUSD。谁将创造一个出色的 OpenUSD AI 代理？我们。因为没有人比我们更关心它们。所以，我认为在很多方面，这些平台将充斥着代理，我们将把它们互相介绍，它们将协作解决问题。
您看到 AI 领域有各种各样的人在工作。您认为有什么是被低估的，或者您希望更多的企业家、工程师或商人能够关注的？
首先，我认为被误解，也许被低估的是，在科学、计算机科学、科学和工程领域，正在受到 AI 和机器学习影响的那些水面下的活动。我认为你无法走进任何一个科学系，任何一个理论数学系，而 AI 和机器学习以及我们今天谈论的工作不会改变明天。如果你把世界上所有的工程师、所有的科学家都算上，并且说他们今天的工作方式是未来的早期迹象，因为显然是这样。那么你将看到一股 AI 的浪潮，一股机器学习的浪潮，在很短的时间内改变我们所做的一切。
现在，请记住，我看到了计算机视觉的早期迹象，以及与 Alex、Ilen 和 Hinton 在多伦多以及 Yan Lan 和 Andrew Ng 在斯坦福的工作。我看到了它的早期迹象。我们很幸运地从观察到的检测猫推断出，它对整个计算机科学和计算产生了深远的影响。这种推断对我们来说是幸运的。现在，当然，我们非常兴奋，受到启发，以至于我们改变了我们所做的一切。但这花了多长时间？从观察那个玩具 AlexNet，我认为以今天的标准来看，它将被视为一个玩具，到物体识别方面具有超人能力，这实际上只用了几年时间。
现在正在发生的是，所有科学领域都在发生一股暗流，没有一个科学领域被落下。我的意思是，非常清楚，从量子计算到量子化学，每一个科学领域都涉及到我们正在谈论的方法。如果我们给自己几年时间，他们已经投入了几年时间。世界将发生变化。不会有一篇论文，不会有科学上的突破，工程上的突破，而生成式 AI 不是其基础。我对此相当确定。
所以，我认为，我听到人们时不时地问，这是否是一种时尚。你只需要回到基本原理，观察实际发生的事情。计算堆栈，我们计算的方式已经改变了。如果你编写软件的方式也改变了，我的意思是，这是非常核心的。软件是人类编码知识的方式。这是我们编码算法的方式。我们现在以一种非常不同的方式进行编码。这将影响一切。其他任何事情都不会再一样了。所以我认为，我认为我在这里是在和信徒说话，我们都看到了同样的事情。所有你们合作的初创公司，我合作的科学家和工程师，什么都不会落下。我的意思是，我们将带着所有人一起前进。
我认为计算机科学领域最令人兴奋的事情之一，以及看待所有其他科学领域，就像我现在可以去参加机器人会议、材料科学会议、生物技术会议，然后我想，“哦，我明白了。”不是在科学的每一个层面，而是在驱动发现方面。所有这些算法都是通用的，而且有一些普遍的、统一的概念。是的，是的。我认为当看到它在每个领域都如此有效时，这是极其令人兴奋的。
绝对是的。我非常兴奋，我每天都在使用它。我不知道你们怎么样，但它现在是我的导师。我的意思是，我不会在不先去 AI 的情况下学习任何东西。为什么走弯路？直接去 AI，直接去 ChatGPT，或者有时我去 Perplexity，取决于我的问题的表述方式。我从那里开始学习，然后如果你愿意，你总可以分叉并深入研究。但天哪，这太不可思议了。而且我几乎知道的一切，我都双重检查。即使我知道它是事实，我认为它是事实的真相，我是专家。我仍然会去 AI 那里检查，进行双重检查。这太棒了。我几乎做的所有事情都涉及到它。
我认为这是一个很好的停止点。非常感谢您今天的时间。我真的很享受。很高兴见到你们。谢谢，黄先生。
在 Twitter 上关注我们 @no prior pod。如果您想看到我们的脸，请订阅我们的 YouTube 频道。每周都会有新剧集，请在 Apple Podcasts、Spotify 或您收听的任何地方关注该节目。这样您就可以每周都收到新剧集。注册电子邮件或在 no-priors.com 上查找每集的文字记录。