身穿皮夹克的黄仁勋，站在蓝色冲浪板上，摆了几个冲浪的姿态。

这不是美国「网红节」VidCon，而是美国闻名数据渠道 Snowflake 的开发者大会上的一景。

当地时刻 6 月 26 日，英伟达创始人黄仁勋和 Snowflake 公司 CEO Frank Slootman 就「怎么把生成式 AI 带给企业用户」打开讨论。主持人则是前 Greylock 的 GP，现在是出资组织 Conviction 的创始人。

在会上，相较于「东道主」Frank 作业经理人式的深思远虑，「皮衣教父」自始自终地语出惊人，不只称两边的协作是「要相爱，不要战役」（We are Lovers，not Fighters），更恶作剧说，为 Snowflake 供给的通过练习的模型，相当于给客户「打了 1 折」。

当天，英伟达与 Snowflake 又一同放出大招：国际*芯片公司与风头最劲的云数据渠道协作，推出一同协作。Snowflake 的用户可以在数据不离开渠道的前提下，直接运用英伟达的预练习 AI 模型，在云渠道上对自己公司的数据进行剖析，开发针对自己数据的「AI 运用」。

「现在的严重改造来自数据 AI 算法 核算引擎。通过咱们的协作，咱们的可以将这三点带到一同。」黄仁勋讲道。

Talking Points：

大言语模型 企业专属数据库=针对特定问题的 AI 运用；

曾经是 Data going to Work，现在是 Work going to Data，让核算去到数据地点之地，防止数据孤岛；

英伟达供给的预练习模型，现已是花费数千万美元、在英伟达 AI 工厂中练习出来的，所以在 Snowflake 上调用核算引擎现已「打了 0.5 折」；

软件 3.0 年代，依据模型、数据库，企业可以在几天内树立自己的专属运用；

未来企业可以出产许多智能署理，并工作它们；

关于企业来说，实在的难题是混合结构的、非结构化的数据，怎么被调集。这或许可以带来商业模式的更新。

以下为两边对话主要内容，经极客公园收拾修改：

01

谈协作：把*的核算引擎，

带给最有价值的数据

Frank：

NIVIDA 现在在历史上发挥着重要的效果。关于咱们来说，可以带来数据和大型企业的联系。咱们需求启用这项技能，以及让整个服务仓库来有效地运用它。我不想运用「天作之合」来描述，可是关于一个外行人，是一个很好的时机，进入到这扇时机的大门里。

黄仁勋：

咱们是 lovers，而不是对手。咱们要把国际上*的核算引擎带到国际上最有价值的数据。回想曩昔，我现已作业了很长时刻，可是还没有那么老。Frank，你更老一些（笑）。

最近，由于众所周知的原因，数据是巨大的，数据是名贵的。它有必要是安全的。移动数据很困难，数据的引力实在存在。因而，对咱们来说，把咱们的核算引擎带到 Snowflake 上要简单得多。咱们的伙伴联系是加快 Snowflake，但它也是关于将人工智能带到 Snowflake。

最中心的是，数据 人工智能算法 核算引擎的组合，咱们的伙伴联系将全部这三件事结合在一同。令人难以置信的有价值的数据，令人难以置信的巨大的人工智能，令人难以置信的巨大的核算引擎。

咱们可以一同做的作业，是协助客户运用他们的专稀有据，并用它来编写 AI 运用程序。你知道，这儿的严重打破是，你*次可以开发一个大型言语模型。你把它放在你的数据前面，然后你与你的数据攀谈，就像你与一个人攀谈相同，而这些数据将被增强到一个大型言语模型中。

大型言语模型加常识库的组合等于一个人工智能运用。这一点很简单，一个大型的言语模型将任何数据常识库变成一个运用程序。

想想人们所写的全部惊人的运用程序。它的中心始终是一些有价值的数据。现在你有一个查询引擎通用查询引擎在前面，它超级智能，你可以让它回应你，但你也可以把它衔接到一个署理，这是 Langchain 和向量数据库带来的打破。将数据和大言语模型叠加的打破性的东西正在处处发生，每个人都想做。而 Frank 和我将协助咱们做到这一点。

02

软件 3.0：树立 AI 运用，

处理一个特定问题

主持人：

作为出资者来看这种改动，软件 1.0 是十分承认的代码，由工程师依照功用写出来；软件 2.0 是用细心搜集的符号的练习数据优化一个神经网络。

你们在协助人们撬动软件 3.0，这套根底模型自身有令人难以置信的才能，但它们依然需求与企业数据和自界说数据集协作。仅仅针对它们去开发那些运用程序要廉价得多。

关于那些深化重视这个范畴的人来说有一个问题，根底模型是十分泛化，它可以做全部作业吗？为什么咱们需求自界说模型和企业数据呢？

Frank：

所以咱们有十分泛化的模型，可以做诗，处理《了不得的盖茨比》的做摘要，做数学问题。

可是在商业中，咱们不需求这些，咱们需求的是一个 Copilot，在一个十分狭隘，可是十分杂乱的数据集上取得特殊的洞见。

咱们需求了解商业模式和商业动态。这样的核算上不需求那么贵重，由于一个模型并不需求在一百万件作业上接受练习，只需求知道十分少的、但很深化的主题。

举个比方。我是 Instacart 的董事会成员，咱们一个大客户，像 DoorDash 和全部其他企业常面对的问题是，他们不断添加营销费用，来了一个客户，客户下了一个订单，客户要么不回来，要么 90 天后回来，这十分不稳定。他们把这称为丢失客户。

这是杂乱问题的剖析，由于客户不回来的原因或许有许多。人们想找到这些问题的答案，它在数据中，不在一般的互联网中，并且可以通过人工智能找出来。这便是或许发生巨大价值的比方。

主持人：

这些模型应该怎么与企业数据互动？

黄仁勋：

咱们的战略和产品是各种尺度、*进的预练习模型，有时你需求创立一个十分大的预练习模型，以便它可以发生 prompt，来教更小的模型。

而较小的模型简直可以在任何设备工作，或许推迟十分低。可是它的泛化才能并不高，zero shot（零样本学习）才能或许更有限。

因而，你或许有几种不同类型不同巨细的模型，但在每一种状况下，你有必要做监督的微调，你有必要做 RLHF（人类反应的强化学习），以便它与你的方针和准则保持一致，你需求用矢量数据库之类的东西来增强它，所以全部这些都聚集在一个渠道上。咱们有技能、常识和根本渠道，协助他们创立自己的人工智能，然后将其与 Snowflake 中的数据衔接起来。

现在，每个企业客户的方针不该该是考虑我怎么树立一个大型的言语模型，他们的方针应该是，我怎么树立一个人工智能运用程序来处理特定的问题？那个运用或许需求 17 个问题来做 prompt，终究得出正确的答案。然后你或许会说，我想写一个程序，它或许是一个 SQL 程序，或许是一个 Python 程序，这样我就可以在未来主动做这个。

你仍是要引导这个人工智能，让他终究能给你正确的答案。但在那之后，你可以创立一个运用程序，可以作为一个署理（Agent）24/7 不间断地工作，寻觅相关状况，并提早向你报告。所以咱们的作业便是协助客户树立这些人工智能的运用，这些运用是有安全护栏的、详细的、定制的。

终究，咱们在未来都将成为智能制作商，当然招聘职工，但咱们将创立一大堆署理，它们可以用 Lang Chain 相似的东西来创立，衔接模型、常识库、其他 API，在云中布置，并将其衔接到全部的 Snowflake 数据。

你可以规模化地操作这些 AI，并不断地完善这些 AI。因而，咱们每个人都将制作 AI、工作 AI 工厂。咱们将把根底设施放在 Snowflake 的数据库，客户可以在那里运用他们的数据，练习和开发他们的模型，操作他们的 AI，因而，Snowflake 将是你的数据存储库和银行。

有了自己的数据金矿，全部人都将在 Snowflake 上工作 AI 工厂。这是方针。

03

「核弹」虽贵，

直接用模型相当于「打 1 折」

黄仁勋：

咱们在 NIVIDA 树立了有五个 AI 工厂，其间四个是国际前 500 名的超级核算机，另一个正在上线。咱们运用这些超级核算机来做预练习模型。因而，当你在 Snowflake 中运用咱们的 Nemo AI 根底服务时，你将得到一个*进的预练习模型，现已有几千万美元的费用投入其间，更不用说研制投入了。所以它是预先练习好的。

然后有一大堆其他的模型围绕着它，这些模型用于微调、RLHF。全部这些模型的练习本钱都要高得多。

因而，现在你现已将预练习模型适应于你的功用，适应于你的护栏，优化你期望它具有的技能或功用类型，用你的数据增强。因而，这将是一个更具本钱效益的办法。

更重要的是，在几天内，而不是几个月。你可以在 Snowflake 开发与你的数据衔接的人工智能运用程序。

你应该可以在未来快速树立人工智能运用程序。

由于咱们现在看到它正在实时发生。现已有一些运用可以让你和数据谈天，比方 ChatPDF。

主持人：

是的，在软件 3.0 年代，95% 的练习费用现已由他人承当了。

黄仁勋：

（笑）是的，95％ 的扣头，我无法幻想一个更好的买卖。

主持人：

这是实在的动力，作为出资人，我看到在剖析、主动化、法令等范畴的十分年青的公司，他们的运用现已在六个月或更短的时刻内完成了实在的商业价值。其间一部分原因是他们从这些预先练习好的模型开端，这对企业来说是一个巨大的时机。

黄仁勋：

每家公司都会稀有百个，乃至 1000 个人工智能运用程序，仅仅与你公司的各种数据相连。所以，咱们全部人都有必要长于构建这些东西。

04

本来是数据找事务，

现在是事务找数据

主持人：

我一向从大企业参加者听到的一个问题是，咱们有必要去出资人工智能，咱们需求一个新的仓库（Stack）吗？应该怎么考虑与咱们现有的数据仓库相连？

Frank：

我以为它在不断发展。模型们正逐渐变得更简练、安全、更好地被办理。所以，咱们没有一个实在清晰的观念，这便是每个人都会运用的参阅架构？有些人将有一些中心服务的设置。微软有 Azure 中的人工智能版别，它们的许多客户正在与 Azure 进行互动。

但咱们不清楚什么模型将主导，咱们以为商场将在运用难易、本钱这些事上进行自我排序。现在仅仅是开端，不是终究的状况。

安全部分也会参加进来，关于版权的问题会被改造。现在咱们对技能很入神，实践中的问题也会被一起处理。

黄仁勋：

咱们现在正阅历 60 年来*次根本性的核算渠道改造。假如你刚刚读了 IBM System 360 的新闻稿，你会听到关于中心处理单元、IO 子系统、DMA 控制器、虚拟内存、多任务、可扩展核算向前和向后端兼容，而这些概念，实践都是 1964 年的东西，而这些概念协助咱们在曩昔六十年来，不断进行 CPU 扩展。

这样的扩展现已进行了 60 年了，但这现已走到了止境。现在咱们都理解，咱们无法再扩展 CPU 了，突然之间，软件改动了。软件的编写办法，软件的操作办法，以及软件能做的作业都与曾经有很大的不同。咱们称之前的软件为软件 2.0。现在是软件 3.0。

现实便是，核算现已从根本上改动了。咱们看到两个根本的动力在一起发生，这也是为什么现在作业正在发生剧烈震动。

一方面，你不能再不断地购买 CPU。假如你下一年再买一大堆 CPU，你的核算吞吐量将不会添加。由于 CPU 扩展的结尾现已到来了。你会多花一大堆钱，你不会得到更多的吞吐量。因而，答案是你有必要去加快（英伟达加快核算渠道）。图灵奖取得者谈到了加快，英伟达创始了加快，加快核算现在现已到来。

另一方面是，核算机的整个操作系统发生了深入的改动。咱们有一个叫 NIVIDA AI Enterprise 的层，而其间的数据处理、练习、推理布置，整个现在现已整合到或正在整合到 Snowflake 中，因而，从开端数据处理，一向到最后的大模型布置，整个背面的核算引擎都被加快了。咱们将赋能 Snowflake，在这儿你将可以做得更多，并且你将可以用更少的资源做到更多。

假如你去任何一个云，你会看到 NVIDIA GPU 是其间最贵重的核算实体。可是，假如你把一个作业负载放在上面，你会发现咱们做得十分快。就好像你得到了一个 95% 的扣头。咱们是最贵重的核算实体，但咱们是*本钱效益的 TCO。

所以，假如你的作业是工作作业负载，或许是练习大型言语模型，或许是微调大型言语模型，假如你想这样做，一定要进行加快。

加快每一个作业负载，这便是整个栈的重塑。处理器因而发生改动，操作系统因而不同，大的言语模型是不同的，你写 AI 运用程序的办法是不同的。

未来，咱们都要写运用。咱们都要把咱们的 prompt 和咱们的上下文，和少量几个 Python 指令衔接起来，衔接到大言语模型和自己的数据库或许公司的数据库中，开发自己的运用程序。每个人都将成为一个运用程序的开发者。

主持人：

但不变的是，它依然是你的数据。你依然需求对它进行微调。

Frank：

本来咱们都觉得更快的总是更贵的。实践上突然之间，更快的是更廉价的，这是一种反直觉的东西。因而，有时人们想削减供给，以为这样更廉价，成果却更贵。

另一个与之前对立的是，本来都是数据去找事务（data  going to work)，而现在，事务去找数据 (work going to data)。曩昔的六十年，或许更多年，咱们一向在让数据去找事务，这导致了大规模的信息孤岛。而假如你想具有一个 AI 工厂，用之前的做法将是十分困难的。咱们有必要把核算带到数据地点的当地。我以为咱们现在正在做的便是正确的办法。

05

企业怎么取得

最快和*的价值

Frank：

最快和取得*价值其实是两个很不相同的问题。

最快的话，你很快可以看到，数据库遍地都上线了人工智能增强的查找办法，由于这是最简单添加的功用。现在，乃至一个文盲都能从数据中获取有价值的信息，这真十分难以想象，这是*的交互民主化。查找功用极大增强，你就向主界面提一个问题，它们可以把这些问题带到数据自己进行查询。这是挂在低处的果实，最简单的，咱们以为这是阶段一。

接下来，咱们就开端实在重视实在的难题，便是专有的企业数据，混合结构化的、非结构化的，全部这些，咱们怎么调集这些数据？

我前面现已提到了 to C 企业面对的丢失率问题，供给链办理方面的问题。当供给链特别杂乱的时分，假如有一个工作发生了，咱们怎么从头调整一个供给链，使其工作？我现在该怎么做？供给链是由许多不同的实体组成的，不是单一的企业。历史上，这是一个从未被核算处理过的问题。供给链办理从来没有构成过一个渠道，它简直是一个电子邮件，电子表格构成的系统，除了一些小的破例。因而，这是极端令人兴奋的。

或许咱们可以从头核算大型的呼叫中心的出资，优化零售的定价，像我说的，这是一个大企业的 CEO 们一向等待的从头界说商业模式，是实在的潜力。

06

对企业的主张：

黄仁勋：

我会问自己，*，什么是我*最有价值的数据库？第二件事，我会问自己，假如我有一个超级、超级、超级聪明的人，而企业的全部数据都通过那个超级智能，我会问那个人什么？

依据每个人的公司，这是不同的。Frank 的公司客户数据库十分重要，由于他有许多客户。而我自己的公司，没有那么多客户，但对我的公司而言，我的供给链超级杂乱，并且我的规划数据库也超级杂乱。

对 NIVIDA 来说，没有人工智能咱们现已无法建造出GPU。由于咱们的工程师都不或许像AI那样，为咱们进行很多的迭代和探究。因而，当咱们提出人工智能的时分，*个运用在咱们自己的公司。并且，所以 Hopper（英伟达超算产品）不或许没有人工智能的规划。

咱们也会将咱们自己的 AI 运用于咱们自己的数据中。咱们的过错数据库便是一个*的运用场景。假如你看一下 NIVIDA AI 的代码量，咱们有几百个软件包，结合在一同，支撑一个运用程序可以跑起来。咱们现在正在尽力的一些作业，便是怎么运用 AI 去弄清楚怎么给它打安全补丁，怎么*地保护它，这样咱们就可以不用搅扰整个上层运用层的一起，可以向后端兼容。

这都是 AI 可以为你供给答案的。咱们可以用一个大言语模型去答复这些问题，为咱们找到答案，或许向咱们提醒一些问题，然后工程师就可以再将其修好。或许 AI 可以引荐一个修正办法，人类工程师再去承认这是不是一个好的修正办法。

我觉得不是全部人都知道到了他们每天都在处理的数据里边，其实蕴含着多少智能、洞见和影响力没有被开掘。这便是为什么咱们全部人都要参加进来，协助带来这样的未来。

现在，你贮存在数据仓库的数据，*次可以被衔接进人工智能工厂。你将可以出产信息情报，这是国际上最有价值的产品。你坐在一个自然资源的金矿上——你公司的专稀有据，而咱们现在把它衔接到一个人工智能引擎上，另一端每天直接发生信息情报，以难以置信的情报量从另一端涌出，乃至在你睡觉时也在源源不断地产出。这是有史以来*的作业。