NVIDIA：通过极端协同设计，10 年间 AI 性能加速百万倍

记者：过去十年，AI 算力性能提升了数百万倍。有人认为，这主要得益于芯片工艺进步。您如何看待这种变化？

黄仁勋：芯片当然重要，但单纯依靠制程升级，无法解释百万倍的性能跃升。真正的突破来自“极端协同设计”，即让算法、芯片、架构、软件与系统同时演进，并以模型实际需求为终点重新定义整个计算平台。

记者：这听起来不像传统意义上的芯片升级。

黄仁勋：传统做法是先把产品做好，再寻找应用场景。AI 不同。模型会不断提出新的计算需求，例如更高的并行度、更低的通信延迟和更大的显存容量。工程师必须理解模型为什么会失败、哪些运算占据主要成本，然后针对性地修改指令集、内存层级、互连结构和编译器。芯片不是孤立产品，而是完整系统的一部分。

记者：这种模式为什么能在十年间释放如此巨大的性能？

黄仁勋：因为我们避免了局部优化造成的瓶颈。如果计算核心更快，但数据无法及时送达，性能就没有意义；如果模型规模扩大，而内存和互连无法扩展，训练周期也不会明显缩短。我们通过统一设计软件与硬件，让每次升级都能转化为可用的系统性能，而不是停留在基准测试数字上。

记者：CUDA在其中扮演了什么角色？

黄仁勋：CUDA建立了开发者与NVIDIA平台之间的长期协同关系。研究者可以直接调用GPU并行能力，不必等待硬件厂商提供固定功能。软件生态因此能够快速吸收新的算法创新，并把需求反馈给下一代芯片。每一代GPU、互连和系统，都建立在上一代积累之上。

记者：这是否意味着AI性能增长会一直延续？

黄仁勋：不会简单重复过去的路线。随着推理规模扩大，系统需要更高带宽、更低能耗和更灵活的部署方式。未来，CPU、GPU、网络和专用加速器将形成统一的计算基础设施。竞争也将从单颗芯片，转向整个AI工厂的吞吐量、能耗与软件兼容性。

记者：对开发者与企业而言，最重要的启示是什么？

黄仁勋：不要只采购算力，而要重新设计工作流。理解模型、硬件和数据如何共同决定成本，才能真正把性能转化为生产力。AI革命的下一阶段，不只是更大的模型，而是更高效、更普及的智能系统。

#英伟达 #AI算力 #芯片设计 #软硬件协同 #黄仁勋