Agentic AI 101 | NVIDIA GTC

Вау, спасибо, что пришли сегодня утром. Это была потрясающая GTC. Надеюсь, вам нравится приятная комната с кондиционером, удобные сиденья. Это отличное место. Я хочу начать, знаете, мы здесь говорим об ИИ-агентах и этих удивительных помощниках, которые помогут нам быть более продуктивными и быстрее выполнять нашу работу, чтобы мы могли делать еще больше. Но, знаете, я хотел начать с простого человеческого прикосновения. Для тех из вас, кто не был в магазине сувениров в конференц-центре, одна из вещей, которые они продают, это эти потрясающие футболки. Каждую GTC мы делаем футболку, которая как бы схематично изображает конференцию и место, где мы находимся, и Лиза Бернс разработала эту рубашку. Это сделано настоящим художником, и они великолепны. Лиза подписывала их в магазине сувениров, и я подумал, что это очень круто. Моя дочь много со мной разговаривает. Она художница и говорит: "Папа, ИИ вытеснит всех художников?" Я говорю: "Нет, ИИ даст художникам потрясающие инструменты, но я знаю, ей понравится, что это было на 100% человеческое". Прежде чем мы начнем, я хотел спросить всех вас, я знаю, что это сессия "Agentic AI 101". Сколько из вас регулярно используют какой-либо ИИ-помощник, ИИ-инструмент, например, ежедневно? Это нормально? Большинство рук поднялось. Это круто. Да, вы на GTC, так что я думаю, это справедливо. Но я хотел упомянуть, что даже здесь, в США, только около 16% взрослого населения регулярно используют какой-либо ИИ-инструмент. Так что, знаете, когда вы общаетесь со своими коллегами, особенно на работе, эти инструменты — потрясающие помощники для всех нас. Некоторые боятся использовать некоторые из этих инструментов, но вы знаете, лучший способ начать — это буквально прыгнуть с головой. И то, как вы взаимодействуете с большинством этих инструментов, — это чисто человеческое. Вы просто разговариваете с ним, как с другом, коллегой или членом семьи. Так что, знаете, когда вы уходите с GTC и возвращаетесь в реальный мир, мотивируйте окружающих вас людей попробовать и испытать это. Итак, знаете, одна вещь, которую я сделал, просто в качестве примера использования ИИ-помощников, одна вещь, которую я сделал, это загрузил свою презентацию в своего личного помощника, которого я построил для себя, и спросил его: "Хорошо, так в этой презентации, примерно в какое время аудитория заскучает и уснет?" И он сказал, примерно на 26-м слайде. Так что я сократил ее до 15 слайдов. Посмотрим, как пойдет. Так что, знаете, ИИ стремительно, стремительно развивается. Всего несколько лет назад произошел большой взрыв современного ИИ, и у всех нас был доступ к ChatGPT, где мы не только могли задавать вопросы, и он давал нам быстрый ответ, но мы могли задавать уточняющие вопросы и вести беседу, как мы ведем ее с нашими сверстниками и друзьями. И мы уже некоторое время используем эти инструменты. Всего год назад произошло еще одно удивительное событие. На самом деле, это было, когда OpenAI выпустила модель o1, и ИИ смог начать рассуждать, где ИИ мог взять проблему или запрос, разбить его, подумать над ним, создать план, как он будет решать эту задачу, работать над ней, работать над ней, работать над ней, оценить свой ответ и дать вам ответ. Это заняло бы немного больше времени. Он сгенерировал бы гораздо больше токенов, но дал бы вам ответ, который был бы гораздо более полезным или гораздо более ценным. Это было всего год назад. А затем DeepSeek взял рассуждение и поместил его в свою большую языковую модель и открыл ее для всего мира. И это действительно изменило все. И многое из того, что мы видим сейчас в Agentic AI, основано на способности этих ИИ-моделей рассуждать. А затем, кажется, всего месяц назад, когда вещи снова меняются, когда был анонсирован проект OpenClaw и сделан доступным для всех, и теперь мы ощущаем, что ИИ не просто помогает нам и дает нам ответы и информацию, но фактически выполняет работу для нас, эти более автономные, долгосрочные, саморазвивающиеся агенты. Так что мы пройдемся по всему этому в сегодняшнем докладе. Итак, я говорил об OpenClaw, и, чтобы дать вам перспективу, Дженсен снял видео. Сколько из вас смотрели ключевую речь или были на ключевой речи? Отлично. Ключевая речь всегда очень веселая. Не только очень весело, но и многому учишься. Одна из вещей, которую Дженсен показал в своей ключевой речи, это очень веселое видео о влиянии того, что мы видим сегодня с Agentic AI, и фактически создал видео этой диаграммы, и вы смотрите на влияние таких проектов, как Linux, например — я имею в виду, Linux фактически стал основой цифровой экономики — а затем у вас есть проекты, такие как React. Я имею в виду, мобильный веб или мобильный интернет изменили не только то, как мы работаем, но и то, как мы взаимодействуем с остальным обществом, и вы видите, как росли эти проекты, и посмотрите, как проект OpenClaw вырос до сих пор только среди сообщества разработчиков. Некоторые думают, что это как ошибка, но это не так. Это фактически прямая вертикальная линия, и будет удивительно видеть, куда она приведет. Она позволит не только разработчикам создавать новые потрясающие приложения и инструменты и вещи, которые помогут нам, но и позволит нам еще больше вовлекаться в эту ИИ-технологию и создавать персональных помощников и вещи, которые помогут нам как личностям. Но, знаете, многие люди думают, что, поскольку ИИ развивается очень быстро, мы просто, знаете, все меняется, и мы не можем угнаться за этим, и "О боже, мне нужно изучить что-то новое". Но реальность такова, что эти различные типы ИИ останутся. У нас не будет только одного типа ИИ, который поможет нам быть более эффективными, поможет нам делать больше работы. Иногда вам просто нужен чат-бот, которому вы можете задать простой вопрос, и очень быстро, почти мгновенно, он даст вам нужный ответ, и нам все еще нужны такие. Вы не хотите задавать ему супер простой вопрос, вроде: "Эй, какая сегодня погода?" а потом через 10 минут он вернется к вам с очень длинным, сумасшедшим ответом. Нет, вы просто хотели, чтобы он сказал вам, какая сегодня погода. Но иногда вы хотите, чтобы эти чат-боты могли, как мы говорили о том, что DeepSeek способен делать с рассуждением, разбивать проблему и думать немного глубже. Иногда вы хотите, чтобы эти ИИ-агенты помогали вам делать действительно сложные вещи, как помощники. Мир программного обеспечения полностью изменился с появлением ИИ-агентов, которые могут кодировать, которые могут писать код, которые могут проверять код. Это изменило индустрию разработки программного обеспечения. То же самое касается исследований. Я имею в виду, исследования, я уверен, что все мы это делали. Иногда у нас была тема, которую мы хотели изучить, будь то для личного образования или нам нужно было исследовать тему для нашей работы, и мы уходили и тратили дни или недели на исследование темы. Теперь, когда у ИИ есть доступ ко всей информации, по сути, в общественной сфере, а также к большому количеству информации, которую вы ему предоставили в вашей частной среде, он может выполнять потрясающие глубокие исследовательские проекты для вас и за считанные минуты предоставить вам отчет, на который могли уйти недели. Агенты теперь начнут развиваться сами по себе. Мы начинаем видеть это, особенно с примерами OpenClaw, где агенты не только используют инструменты и навыки, к которым они изначально имеют доступ, но если они не могут решить проблему, они напишут новый навык для выполнения чего-либо и попытаются решить ее самостоятельно. И тогда, знаете, наконец, мы видим, как агенты работают с агентами. Так что многоагентная система решает проблемы, так же как мы работаем с нашими товарищами по команде и коллегами, чтобы решать сложные проблемы. Агенты начнут работать с другими агентами. Так вот, как работает агент? Я знаю, что многие из вас, особенно если вы не углублялись в то, как работают агенты, думают, что, о, хорошо, агент — это потрясающая ИИ-модель, такая как GPT или Claude, и вокруг нее обернут пользовательский интерфейс. То есть, у нее есть человекоподобный интерфейс, и вы задаете модели вопрос, модель отвечает. Но реальность такова, что ИИ-агент гораздо сложнее. И ИИ-агент работает примерно так же, как работает компьютер. Итак, ИИ-агент принимает запрос, и теперь он не просто задает вопрос. Вы можете предоставить ему все типы информации. Вы можете предоставить ему текст, изображения, видео, научные модели, всевозможные вещи, и он может работать с этой информацией. ИИ-агенты теперь имеют память. Мы видим это, когда работаем с ChatGPT, Claude и Perplexity и другими инструментами, где иногда мы возвращаемся и задаем вопрос, который как-то связан с тем, что мы, возможно, спрашивали две недели назад, и он помнит это. Это потому, что у этих агентов теперь есть долговременная память. У агентов некоторое время была кратковременная память. Теперь у них еще более долговременная память. Так что это требует много инфраструктуры на бэкенде, чтобы иметь возможность сохранять и понимать контекст взаимодействия с вами и персонализацию. Агенты также являются системой моделей. Это не просто одна большая языковая модель, сидящая внутри этого агента. Этот агент имеет модели, которые, возможно, понимают ваш голосовой ввод. У него есть модели, которые понимают ваше намерение. Он может правильно маршрутизировать информацию. Очевидно, у него есть большие языковые модели. У него есть модели, которые понимают изображения и диаграммы. Используется множество различных моделей, систем моделей для работы этих агентов. Таким образом, он может не только дать вам очень полезный и ценный ответ, но и сделать это довольно быстро. И когда люди сейчас создают агентов, они узнают, что, создавая агентов со смесью различных типов моделей, они добиваются более высокого уровня успеха. Они могут использовать потрясающую передовую облачную модель, такую как GPT 5.2, но затем они могут взять модель с открытым исходным кодом, которая намного меньше, не обладает таким большим общим интеллектом, но они могут настроить ее и специализировать для конкретной задачи. Так что, когда эту конкретную задачу нужно выполнить, информация может быть маршрутизирована к этой модели. Эта модель может очень быстро дать ответ. Общий агент становится более точным, лучше справляется со своей работой и быстрее, поэтому время отклика для пользователя лучше. Так что мы думаем: "Эй, это намного лучше, а также снижает затраты за счет запуска этой модели, скажем, локально или просто генерации меньшего количества токенов для получения ответа". Так что это система моделей. Мы говорили об агентах, общающихся с агентами. У агентов часто бывают субагенты, так что у него будет специализированный агент, друг, который очень, очень хорош в этой одной задаче. Он может маршрутизировать запросы, по сути, этому агенту, получить эту информацию обратно, сохранить ее и, по сути, синтезировать ее с другими ответами, которые он получает от других агентов. Агенты могут иметь навыки, а у нас есть навыки и инструменты. Инструменты — это как если бы мы занимались столярным делом, будучи очень хорошим плотником, это навык. Наличие молотка и пилы — это инструменты, которые этот плотник может использовать. Так что агенты могут быть очень, очень хороши в таких вещах, как очень хорошее обобщение, очень хорошее создание определенных типов контента, очень хорошее понимание конкретной области, навыки, которыми обладает этот агент. Агенты также будут иметь доступ к использованию компьютера, что довольно круто, так же как мы используем компьютер, буквально заходя в пользовательский интерфейс, щелкая мышью и перемещаясь для получения информации. Часто многие агенты будут использовать такие инструменты, как интерфейсы командной строки и API для доступа к информации, но иногда полезно просто иметь возможность перемещаться по пользовательскому интерфейсу, так же как мы перемещаемся по пользовательскому интерфейсу. И затем доступ к данным, иметь доступ к структурированным данным, таким как базы данных, иметь возможность выполнять SQL-запросы к данным, так же как мы, а также доступ к неструктурированным данным, таким как файлы, документы, PDF-файлы, видео и тому подобное. Таким образом, он обладает знаниями о той области, в которой он находится — вашей организации, вашей компании, чем бы это ни было — так что у него есть эти внутренние знания. Мы поговорим немного позже об открытии данных. Так что это просто в целом, как работает агент. Итак, кто-нибудь уже был на выставочной площадке? Хорошо. Многие не были. Я настоятельно рекомендую сегодня посетить выставочную площадку. Я собираюсь показать одно видео-демо, которое просто показывает, насколько легко теперь создать агента, который может делать удивительные вещи. Есть небольшой фоновый шум, но это реально. Это прямо с выставочной площадки. Хорошо, мы собираемся создать LangChain Deep Agent с физическими деревянными блоками. Итак, сначала выберем мозг для нашего агента. Это L, а затем опустим его. И мы должны увидеть его через мгновение. Хорошо, круто. Итак, это мозг для нашего агента. Если мы довольны мозгом, нажмите кнопку. Хорошо, следующее для нашего агента — мы дадим ему некоторые инструменты. Это все MCP-серверы, так что в них есть несколько инструментов. Итак, выберите некоторые инструменты, которые вы хотите. Давайте возьмем Telegram прямо здесь. Да. Поставьте его сюда. Хорошо. Я люблю вики. Википедия. И тогда давайте, мы любим погоду. Итак, у нас есть Википедия и погода. Если вы довольны этим, нажмите кнопку. Итак, у нас есть наш мозг и наши инструменты в виде MCP-серверов. И особенность Deep Agents в том, что он также предоставляет такие вещи, как управление окном контекста. Он предоставляет такие вещи, как планирование списка дел. И это помогает нашему агенту. Итак, теперь мы можем спросить его. У нас есть эти инструменты. Так что мы могли бы сказать, например, узнать погоду в Санта-Кларе и отправить ее в мою групповую беседу. У меня есть групповая беседа в Telegram. Так что вы должны увидеть это вчера. Погода. И мы получили некоторые обновления в нашей рабочей группе. И мы только что отправили нам сообщение прямо здесь, в Telegram. Приятно. Так это были Хейден и Ноэль. Они делают потрясающую работу на выставочной площадке. Я настоятельно рекомендую пойти и испытать это демо. Что произошло, по сути, это простейшая форма программирования и создания агента. Ноэль сказала: "Хорошо, я хочу, чтобы моим мозгом был Claude. У меня должны быть некоторые инструменты". Она использовала Telegram и погоду и задала простой вопрос, сказала: "Эй, просто напиши мне это". Так что агент не только отвечал на вопрос (который, очевидно, мы могли бы просто задать ChatGPT), но и не только это, он отправил ей погоду. И тогда вы можете просто автоматизировать это, сказав: "Эй, передавай мне эту информацию, знаете, каждое утро в, знаете, 6 утра, когда я просыпаюсь". И просто простейшая форма создания агента. Что действительно круто в этом демо, так это то, что у агента, которого Ноэль там построила, Хейден дал бы ей блок с маленьким QR-кодом. Этот QR-код фактически ведет вас в репозиторий GitHub с кодом для этого агента. Так что Ноэль может уехать с GTC и продолжать развивать своего агента. Так что это действительно просто. Я настоятельно рекомендую, когда вы хотите начать, просто прыгните с головой. Вы многому научитесь. Это не значит, что вы сделаете это правильно с первого раза, но вы научитесь, а затем сможете разобрать и продолжать перестраивать, и удивительно, как далеко вы продвинетесь за короткий промежуток времени. Одна вещь, которую мы делаем в NVIDIA, это то, что мы создаем шаблоны и примеры для наших разработчиков, чтобы они могли быстро начать работу. И некоторые из них более сложные, как пример, который вы видели с Хейденом и Ноэль. Этот пример — очень простой пример. Пример на экране немного сложнее. Это создание агента для глубоких исследований. Так что это агент, который может отвечать на ваши вопросы на основе ваших данных, на основе информации из Интернета. И он также может проводить глубокие исследования, что означает, что он может работать, чтобы предоставить вам информацию в течение более длительного периода времени, предоставить вам гораздо более длинный, более сложный исследовательский отчет. И как вы видите здесь быстро, что происходит здесь, это то, что пользователь задает вопрос. Иногда вопрос простой, и он может дать вам быстрый ответ. Он проходит через маршрутизатор намерений и либо направляет вас, по сути, в агент глубоких исследований, либо направляет вас в поверхностные исследования. Поверхностные исследования, он просто быстро даст вам ответ. Но если он переходит в агент глубоких исследований, он затем переходит к оркестратору. Это пример агентов, работающих с агентами. Оркестратор определит, что хочет пользователь. Он может использовать гораздо более крупную модель с интеллектом фронтирного уровня. В данном случае это GPT 5.2. И он определит, что ему нужно, а затем отправит информацию ряду работников, чтобы помочь. И эти работники имеют разные специализации. Знаете, некоторые будут хороши в поиске в Интернете, другие — в извлечении информации локально из репозитория данных, например. Некоторые будут лучше обрабатывать изображения. И он запустит всех этих субагентов, а затем эта информация будет возвращаться в оркестратор, и оркестратор организует эту информацию. Если ему нужно больше, он отправит дополнительные запросы, и это будет продолжаться, и эти агенты будут использовать все доступные им инструменты, чтобы получить отличный ответ. Так что это просто пример довольно сложного агента. И то, чего могут достичь такие агенты, как этот, как мы говорили, это использование различных типов моделей для различных случаев использования, настройка моделей, взятие модели, взятие некоторых данных, курирование этих данных, которые могут быть специфичны для области или специфичны для навыка, внедрение этого — по сути, обучение этой модели, как делать это очень хорошо с этими данными, делая ее еще более точной, делая ее еще более эффективной, помогает общему приложению. Так что мы публикуем эти шаблоны на нашем сайте build.nvidia.com. Вы можете использовать их целиком. Вы можете использовать их для обучения. Вы можете взять части из них, когда создаете свое собственное приложение. Но, по сути, мы создаем эти приложения для себя, а затем открываем их и отдаем всему сообществу. Так что, по мере того, как мы учимся в NVIDIA и учимся с нашими партнерами, мы открываем это, чтобы помочь всей экосистеме разработчиков прогрессировать. Мы все в этом вместе. Мы все учимся вместе. Что действительно круто в этом, так это то, что наша команда — и это одни из лучших разработчиков, лучшие специалисты по данным в мире — взяла этот шаблон, создала глубокого исследователя, участвовала в нескольких соревнованиях, которые отслеживаются на нескольких разных досках лидеров, и вы можете видеть, что создание глубокого исследовательского агента с этим открытым шаблоном привело их на вершину доски лидеров, что очень волнительно. Мы очень гордимся командой, но все это доступно вам. Так что вы можете использовать существующие сервисы. Вы также можете создавать свой собственный ИИ, когда вам нужно что-то более индивидуальное. И я сейчас покажу вам один пример от наших замечательных друзей из ServiceNow, которые создали многоагентную систему для автоматического закрытия и обработки заявок на обслуживание клиентов, потому что мы все знаем, что иногда, когда нам приходится звонить в службу поддержки клиентов, и нам приходится общаться с агентом или подавать заявку, иногда мы не всегда получаем быстрый ответ, который мы хотели бы. Но ServiceNow добивается потрясающего прогресса в этом. [музыка] Пришла новая волна ИИ. ИИ может выходить за рамки ответов на "что" и "как" и помогать делать. Когда в корпоративных операциях обслуживания наблюдается всплеск объемов заявок, накапливаются отставания, время отклика увеличивается, фактическая работа должна быть ускорена. В ServiceNow ИИ-агенты берут на себя конкретные роли для обработки заявок на обслуживание от начала до конца. Давайте посмотрим. Во-первых, специализированные агенты, каждый с уникальным навыком, настраиваются и запускаются в работу. [музыка] Когда поступают заявки, агенты по случаям проверяют детали и скриншоты, а затем передают контекст ИИ-агентам глубоких исследований NVIDIA. [музыка] Агенты по триажу просматривают прошлые исправления, аналогичные случаи, журналы и руководства, определяя проблему и находя лучший способ ее устранения. Агенты по разрешению подтверждают первопричину, применяют исправление и обновляют запись случая. Когда требуется эскалация, инженеры получают полностью подготовленный случай, включая аналитические журналы и рекомендуемые действия. Агенты ServiceNow построены на системе моделей, включая облачные фронтирные модели, Apri's ServiceNow и NVIDIA Neotron, используя шаблон NVIDIA AI-Q. Данные ясны. 90% заявок разрешаются автономными агентами, освобождая инженеров для решения самых сложных проблем. [музыка] Разве это не круто? Итак, это ServiceNow. Команда ServiceNow, они потрясающие. Они очень продвинуты. Они не только создают ИИ-системы, но и ИИ-модели, проводят исследования, значительные исследования, вносят свой вклад в сообщество и помогают всем развивать ИИ. И это просто показывает, что возможно. Также, особенно в бизнес-среде, когда мы создаем некоторые из этих новых продвинутых саморазвивающихся агентов в прототипе или для личного использования, мы можем двигаться очень быстро, но когда дело доходит до развертывания агента корпоративного класса, он должен соответствовать всем политикам организации, и все, что нужно клиенту, должно быть супербезопасным, и есть много всего, что нужно для развертывания этих приложений. Но работа, которую они делают, и остальное сообщество — это вдохновение для всех нас. Хорошо, я хочу перейти к разговору о персональных помощниках. Итак, когда мы говорим об OpenClaw и той удивительной энергии, которую этот проект принес всему сообществу разработчиков — даже личному сообществу, вам не обязательно быть разработчиком, чтобы использовать OpenClaw — удивительно, насколько это просто. Это создает так много энергии. Мы создали в парке — кто-нибудь был в парке? Отлично, многие люди были в парке. Так что в дальней части парка слева есть палатка, и мы установили палатку Build-a-Claw. Это похоже на Build-A-Bear, только для вашего собственного персонального ИИ-помощника, и это было очень весело всю неделю. Она открыта до конца дня, думаю, до 17:00. Я настоятельно рекомендую пойти и посмотреть. Вы можете пойти туда сами. Вы можете взять с собой свое устройство, если хотите создать своего персонального помощника, создать Claw на этом устройстве, и вы можете увидеть некоторые вещи, которые там происходят. Одна вещь, которую я хочу отметить, эта картинка в центре сверху. Парень, который учит всех, это Питер Штайнбергер, создатель OpenClaw. Он очень рад, что это здесь, и что вокруг этого проекта, который он создал, столько энергии, и теперь не только все его используют, но и вносят свой вклад. Знаете, Тони Дженсен создает свой собственный Claw. Внизу слева — это мой персональный помощник. Это мой DGX Spark, который стоит у меня на столе и работает для меня. Вам не нужно много. Он работает без дисплея. Он, по сути, подключен к розетке, у него есть Ethernet-разъем. У него также есть встроенный Wi-Fi, если вы хотите его использовать. И он работает на Neotron 3 Super, который является одной из наших последних моделей с открытым исходным кодом, которую мы выпустили, и которая обеспечивает потрясающий уровень интеллекта. Это большая модель, 120 миллиардов параметров, но активны только 12 миллиардов. Отлично работает на DGX Spark, предоставляя мне всю необходимую помощь. Даже внизу слева — это поддон DGX Spark, который они привезли на это мероприятие, потому что все очень взволнованы и хотят купить Spark и начать работу. Так что я настоятельно рекомендую проверить Build-a-Claw. И, знаете, люди спрашивают меня, ну, что вы с этим делаете? Потому что вы хотите, чтобы он работал для вас. Теперь моя рекомендация: я делаю первые шаги, потому что эти агенты хотят использовать все доступные им ресурсы, чтобы помочь вам выполнить определенную работу. Так что иногда они могут зайти немного дальше, чем вы хотите, если вы читали некоторые посты в X или некоторые истории, которые там есть. Но лучший способ учиться — это просто начать. Так что я лично делаю первые шаги. Я дал своему Claw имя. Его зовут Magic. Мэджик Джонсон был моим кумиром детства в спорте, так что я подумал, что это подходящее имя, потому что то, как эти вещи работают, иногда кажется магией. Он подключен к моему — у Magic есть свой собственный адрес электронной почты. Так что я не дал ему доступ к своей учетной записи электронной почты. У него есть своя учетная запись электронной почты. И поэтому я хочу, чтобы он понимал некоторые вещи, которые происходят в моей жизни. Я просто пересылаю ему электронные письма, и он просто читает эти письма, усваивает эту информацию и теперь является экспертом во всем, что я ему отправляю. Доступ только для чтения к моим файлам, не для чтения и записи. Так что у него есть контекст некоторых моих файлов, у меня есть 20 лет файлов, и поэтому он знает обо мне вещи, которые, возможно, я сам не знаю. Имеет доступ к моей системе домашней автоматизации. Он делает такие вещи, как управление освещением в моем доме и системой полива. Имеет доступ к моей системе домашней безопасности. Так что я начал медленно и дал ему доступ к нескольким инструментам, нескольким системам, и тогда, знаете, он может начать делать вещи для меня. Я использовал его в основном для исследований, но также и для таких вещей, как оповещение меня, когда что-то произошло, например: "Ты снова оставил гаражную дверь открытой". Некоторые из этих вещей могут быть похожи на "если-то", например: "Хорошо, если наступит 9 вечера, дай мне знать, если я оставил гаражную дверь открытой". Но иногда такие сценарии не всегда работают, потому что мои личные шаблоны меняются. Но когда ваш личный помощник начинает изучать ваши личные шаблоны, вам не нужно иметь такие "если это произойдет, то сделай это". Он будет думать и рассуждать и действительно поможет вам сделать что-то гораздо более интеллектуальное. Итак, что мы делаем в NVIDIA по этому поводу? Итак, на этой неделе мы анонсировали проект под названием NeMoClaw, который очень волнующий, и он предназначен для того, чтобы помочь разработчикам держать эти новые типы агентов, эти более персональные помощники, как бы под контролем. Это как если бы с левой стороны были эти Claw, которые как бы немного вышли из-под контроля. Они очень веселятся. Они учатся новому. Вы говорите: "Эй, что ты делаешь?" Для тех из вас — у меня есть младшие дети. Для тех из вас, у кого есть младшие дети, вы полностью понимаете. И NeMoClaw поможет Claw, персональному помощнику, оставаться в песочнице. Песочница присуща OpenClaw, но, знаете, они умные маленькие ребята, и они хотят вырваться из всего, что они могут, чтобы сделать как можно больше. И поэтому он помогает им оставаться в этой приятной безопасной песочнице. Итак, немного больше деталей о NeMoClaw. NeMoClaw, по сути, имеет один компонент, который мы выпускаем как проект с открытым исходным кодом под названием OpenShell. Он помогает не только создавать эти песочницы, но и гарантирует, что они остаются в рамках определенных вами политик. Есть движок политик. Он даже идет на сетевой уровень, чтобы гарантировать, что эти агенты остаются в своей песочнице и не выходят за ее пределы. Также есть маршрутизатор конфиденциальности. Некоторые вещи, которые вы хотите, чтобы этот агент делал, вы хотите, чтобы эта информация оставалась локально. Вы хотите, чтобы она выполнялась локально. И поэтому есть встроенный маршрутизатор конфиденциальности, где, когда ему нужно использовать локальные ресурсы, использовать локальные ИИ-модели, он останется локально. Но на основе политики, если ему нужно выйти, чтобы получить некоторую информацию, например, поиск в Интернете — как мой агент использует Perplexity API для поиска в Интернете — я дал ему это разрешение. Так что, если он чувствует: "У меня нет информации локально", он выйдет и использует Perplexity API, чтобы получить больше информации. Так что маршрутизатор конфиденциальности может делать это и в более крупном масштабе предприятия. И это очень захватывающий проект. Мы вносим всю эту работу в OpenClaw, и поэтому мы очень рады работать с этой командой. Так что все это теперь доступно онлайн. Команда работала очень усердно и быстро, и теперь это доступно всем. Так что это проект, за которым стоит следить. Еще одна вещь, которую я упомянул, которую я лично использую, это Neotron 3 Super. Это модель, которой мы очень гордимся. Наша цель с Neotron, а также с нашими другими моделями с открытым исходным кодом, такими как Cosmos для понимания физического мира, AlphaOmega для помощи с автономными транспортными средствами и самостоятельным вождением — у нас есть модели, модели Clara для здравоохранения и так далее, модели BioNeMo — с Neotron, а также с этими другими семействами моделей, наша цель — не просто создавать действительно хорошие модели, открывать их полностью для сообщества. Так что веса модели открыты. Мы стараемся открыть как можно больше данных. Это позволяет сообществу брать эти модели и дальше работать над ними и делать эти модели отличными для них. Так что они не только высокоточны, и мы стараемся сделать наши модели максимально эффективными, чтобы они использовали базовую инфраструктуру так хорошо, как только могут, но мы стараемся открыть как можно больше. И здесь на этой диаграмме есть новый бенчмарк под названием PinchBench, который справедливо назван, и вы можете видеть модели прямо над ним — все они являются большими проприетарными облачными фронтирными моделями, ведущими моделями, которые мы все знаем — Claude и GPT — а Neotron 3 Super находится прямо под ним. Так что мы чрезвычайно гордимся, и мы так гордимся, вы видите, как многие из нас носят этих маленьких парней по выставке. Так что мы все очень веселимся с OpenClaw. И тогда, ну, где вы все это запускаете? Ну, вы можете запускать эти новые типы агентов везде. Но одна вещь, которая является своего рода феноменом, это то, что мы в основном все делаем в облаке или в большом центре обработки данных. И, знаете, персональные устройства как бы немного отошли на второй план. Я чувствовал, что 10 лет назад у всех нас была какая-то NAS-коробка на нашем столе, и она делала для нас вещи. Теперь все становится облачным сервисом. Ну, персональные помощники снова начинают возвращаться на стол. Как я показал вам, мой DGX Spark, который запускает моего персонального помощника. Иметь его локально, во-первых, делает его более доступным. Вы покупаете устройство, и оно использует все ресурсы этого устройства, и не приводит к большим счетам, что приятно и помогает. Также, он стоит прямо там. Если он ведет себя неправильно, я могу немного его побить — я могу отключить его — и это на самом деле приятно. И поэтому DGX Spark был очень интересным устройством, которое мы начали поставлять в прошлом году. У нас есть новый тип устройства, DGX Station. Думайте о DGX Spark как о том, что вы видели. Это маленькое устройство. Оно размером с Mac mini, стоит на вашем столе. DGX Station размером с игровой компьютер, верно? Это рабочая станция. Она обладает удивительной мощностью. Она дороже, но может запускать фронтирные модели с триллионом параметров. Вы можете использовать ее как рабочую станцию для команды или группы. И я думаю, что некоторый образ мышления может быть таким: "Эй, если я собираюсь добавить кого-то в эту команду, возможно, я сделаю эту инвестицию. Я получу такое устройство". Это как нанять еще одного сотрудника, и это сделает всю команду все более и более эффективной. Так что есть целый новый класс устройств, о которых стоит узнать и понять, как они работают, потому что они могут хорошо вписаться в ваш мир, в вашу систему. Итак, я закончу тем, с чего начать. Итак, почему я задал вопрос в начале, сколько из вас используют этих помощников на регулярной основе, потому что действительно лучшее место для начала — это просто начать. Многие из нас используют ChatGPT или Perplexity. Многие из нас, вы лично подписываетесь на эти сервисы по сравнению с использованием бесплатного уровня? Да, около половины из вас. Знаете, 20 долларов в месяц — это как отказаться от трех напитков в Starbucks в месяц, и у вас может быть свой продвинутый ИИ-помощник. Это не так уж плохо. Просто используйте инструменты. Некоторые из них, которые я здесь перечислил, — это некоторые из более продвинутых инструментов, такие как Perplexity Computer, который просто потрясающий. Он сейчас развертывается для более продвинутых подписчиков Perplexity, но, похоже, скоро появится у всех подписчиков Perplexity, где есть компонент, установленный на вашем рабочем столе. Так что у него есть доступ к некоторым вашим локальным ресурсам. Так что он может делать вещи для вас, используя ваши инструменты на вашем компьютере. Очень волнительно. То же самое с Claude Code и Claude Co-Worker, который был создан на основе Claude Code. Это просто потрясающие инструменты. Я настоятельно рекомендую их использовать. Если это на работе, и ваши ИТ-специалисты говорят: "Нет, нет, вы не можете использовать их в нашей среде", продолжайте настаивать. Они должны сказать "да". Мы все хотим использовать эти инструменты. Мы хотим, чтобы они помогали нам лучше выполнять нашу работу, быть более эффективными в том, что мы делаем. Знаете, настаивайте на использовании этих инструментов, потому что они чрезвычайно эффективны. Во-вторых, откройте свои данные. Я знаю, что это звучит немного страшно, но если вы думаете о том, находится ли это в вашей рабочей среде или дома, если у вашего ИИ нет доступа к вашим данным, ну, как он может действительно помочь вам в том, что вы пытаетесь сделать? Так что одним из первых шагов для начала является просто обеспечение доступности ваших данных для ИИ. Да, вы хотите, чтобы он соблюдал надлежащие политики безопасности и средства контроля доступа и тому подобное, но стоит обработать данные и сделать их доступными для ИИ, будь то структурированные данные, такие как база данных, или неструктурированные данные, такие как файлы. Неструктурированные данные, вы можете поместить их в конвейер генерации с дополненным поиском. Я указываю на build.nvidia.com, потому что, как и с шаблоном AI-Q для создания ИИ-агента, у нас есть шаблон, который также помогает вам создать конвейер генерации с дополненным поиском, или RAG. Для этого есть шаблон. Так что все начинается с открытия ваших данных, потому что теперь у ИИ есть доступ к знаниям вашей организации, вашего бизнеса, или, в случае с Claw, в нашей личной жизни. Так что многое начинается отсюда. И другое — это создание вашего персонального помощника. Знаете, попробуйте создать свой собственный Claw. Это очень весело. Я настоятельно рекомендую не торопиться. Когда вы впервые устанавливаете OpenClaw, он запускает вас в ассистенте, где вы можете ответить на ряд вопросов, да или нет. Можно ответить "нет" на многие из них. Вы можете начать медленно, а затем постепенно учиться и позволять им делать все больше и больше вещей, и вы обнаружите, что у вас будет чрезвычайно полезный друг рядом с вами 24/7. Так что, когда вы спите, или проводите время с друзьями, или играете с детьми, ваш персональный помощник может делать то, что вы хотите, чтобы он делал. Так что, действительно. Хорошо. Итак, я закончу еще одним видео от наших друзей из Edison Scientific, нового стартапа из исследовательской лаборатории, который делает потрясающие вещи в области науки, создавая ИИ-ученых, чтобы сжать шесть месяцев работы в однодневные усилия. И это поможет, такие вещи, как это, помогут нам решить некоторые из самых больших проблем, с которыми мы сталкиваемся как человечество. Так что посмотрите это от Edison Scientific. Пришла новая волна ИИ. ИИ может выходить за рамки ответов на "что" и "как" и помогать делать. Научные исследования дороги и трудоемки. Чтение статей, проведение анализов, тестирование гипотез. Edison Scientific создает Cosmos, ИИ-ученого, который может сжать шестимесячный исследовательский цикл в один день. Cosmos — это не одна модель. Это скоординированная система агентов, работающих на моделях NVIDIA AI, вычислительных ресурсах и библиотеках CUDA. Настроенные модели Neotron с открытым исходным кодом выполняют специализированные задачи, в то время как облачные модели обеспечивают общий интеллект. Все начинается с запроса, чтобы увидеть, как небольшие генетические изменения в мозге могут привести к болезни Альцгеймера. Агент Edison по литературе использует Neotron Parse для сканирования миллионов рецензируемых статей, патентов и записей клинических испытаний, разделяя текст, рисунки и формулы. Оттуда фронтирные модели могут извлекать идеи из десятилетий исследований болезни Альцгеймера. Агент Edison по анализу обрабатывает крупномасштабные биологические данные, ускоренные библиотеками CUDA cuML и cuDF, и интерпретированные Neotron для выявления статистически значимых генетических закономерностей, связанных с потерей клеток. И, наконец, агент Edison по молекулам использует модель, обученную с помощью NVIDIA NeMo RL, для рассуждения о химических структурах и предложения молекул, которые помогают предотвратить потерю клеток. Edison продвигает поиск лекарств от таких болезней, как Альцгеймер, и ускоряет темпы открытий во всех областях науки. Итак, спасибо всем, что пришли. Наслаждайтесь остатком дня, последний день на GTC.