Jensen Huang's Latest Podcast: AI is Moving from the "Model Era" to the "System Era"

ชื่อวิดีโอ: Jensen Huang: อนาคตของ Nvidia, AI ทางกายภาพ, การเพิ่มขึ้นของ Agent, การระเบิดของ Inference, วิกฤต PR ของ AI

ผู้สร้างวิดีโอ: All-In Podcast

เรียบเรียง: Peggy, BlockBeats

หมายเหตุบรรณาธิการ: ในขณะที่เรื่องเล่าเกี่ยวกับ AI ยังคงร้อนแรง จุดสนใจของการอภิปรายในตลาดกำลังเปลี่ยนจาก "โมเดลมีความสามารถแค่ไหน" ไปสู่ "ระบบจะนำไปใช้ได้อย่างไร" ในช่วงสองปีที่ผ่านมา อุตสาหกรรมได้ผ่านช่วงเวลาของการก้าวกระโดดของความสามารถโมเดลใหญ่ การแข่งขันด้านพลังการคำนวณสำหรับการฝึก และการขยายตัวของแอปพลิเคชันสร้างสรรค์ แต่เมื่อขั้นตอนเหล่านี้ค่อยๆ กลายเป็นที่ยอมรับ ปัญหาใหม่ก็ปรากฏขึ้น: เมื่อ AI ไม่ได้เป็นเพียงการตอบคำถามอีกต่อไป แต่เริ่มทำงาน ฝังตัวในกระบวนการธุรกิจ และเข้าสู่โลกกายภาพ อะไรคือเงื่อนไขพื้นฐานที่สนับสนุนให้มันก้าวหน้าต่อไป?

บทสนทนานี้คัดลอกมาจากพอดแคสต์เทคโนโลยีชื่อดัง All-In Podcast ในฐานะหนึ่งในพอดแคสต์นักลงทุนที่มีอิทธิพลมากที่สุดในซิลิคอนแวลลีย์ รายการนี้ดำเนินการโดยนักลงทุนสี่คนที่ทำงานในแนวหน้าอย่างต่อเนื่อง มีชื่อเสียงในด้านการอภิปรายเชิงลึกเกี่ยวกับเทคโนโลยี ธุรกิจ และแนวโน้มมหภาค

ผู้ดำเนินรายการทั้งสี่คนได้แก่:

• Jason Calacanis, ผู้ประกอบการอินเทอร์เน็ตรุ่นแรกและนักลงทุนเทวดา มีชื่อเสียงจากการลงทุนในบริษัทอย่าง Uber, Robinhood
• Chamath Palihapitiya, ผู้ก่อตั้ง Social Capital อดีตผู้บริหารระดับสูงของ Facebook เคยลงทุนในบริษัทเทคโนโลยีหลายแห่งเช่น Slack, Box
• David Sacks, หุ้นส่วนของ Craft Ventures สมาชิกกลุ่ม "PayPal Mafia" ก่อตั้ง Yammer และขายให้ Microsoft ในราคาประมาณ 1.2 พันล้านดอลลาร์ และยังเป็นนักลงทุนเริ่มต้นใน Airbnb และ Uber
• David Friedberg, ผู้ก่อตั้ง The Production Board มุ่งเน้นการลงทุนในด้านเกษตรกรรม สภาพอากาศ และวิทยาศาสตร์ชีวิต เคยก่อตั้ง The Climate Corporation (ต่อมาถูก Monsanto ซื้อ)

แขกรับเชิญในครั้งนี้คือ Jensen Huang ผู้ร่วมก่อตั้งและ CEO ของ NVIDIA ถือเป็นหนึ่งในผู้ขับเคลื่อนที่สำคัญที่สุดในคลื่นโครงสร้างพื้นฐาน AI ในปัจจุบัน

จากซ้ายไปขวาคือ David Friedberg, Chamath Palihapitiya, David Sacks, Jensen Huang, Jason Calacanis

การสัมภาษณ์ทั้งหมดสามารถสรุปได้เป็นสามระดับ

ประการแรก คือ โครงสร้างพื้นฐาน AI กำลังเปลี่ยนแปลง ในอดีต ความเข้าใจของตลาดเกี่ยวกับ AI ส่วนใหญ่สร้างขึ้นบนพื้นฐานของ GPU ที่ทรงพลังกว่าและศูนย์ข้อมูลที่มากขึ้น แต่สิ่งที่ Jensen Huang ต้องการเน้นคือ การแข่งขันในอนาคตจะไม่ใช่แค่การแข่งขันของชิปเดี่ยวอีกต่อไป แต่เป็นการแข่งขันของระบบทั้งหมด เมื่อความต้องการการอนุมานเพิ่มขึ้น ประเภทของโมเดลเพิ่มขึ้น และเอเจนต์เริ่มจัดการงานที่ซับซ้อนมากขึ้น การคำนวณ AI กำลังเปลี่ยนจากรูปแบบที่ค่อนข้างเป็นเอกภาพในอดีต ไปสู่การทำงานร่วมกันของระบบที่ซับซ้อนและแบ่งงานกันมากขึ้น ดังนั้น NVIDIA จึงพยายามเปลี่ยนบทบาทของตัวเองจากบริษัทชิป ให้ก้าวไปสู่ผู้สร้าง "โรงงาน AI" มากขึ้น

ประการที่สอง คือ AI กำลังเปลี่ยนจาก "การสร้างเนื้อหา" ไปสู่ "การทำงานให้เสร็จ" นี่คือแนวคิดที่สำคัญที่สุดในการสัมภาษณ์ครั้งนี้ ChatGPT ทำให้สาธารณชนได้สัมผัสความสามารถของ AI เป็นครั้งแรก แต่ในมุมมองของ Jensen Huang การเปลี่ยนแปลงที่ยิ่งใหญ่กว่าจริงๆ คือ AI เริ่มเข้ามาในเวิร์กโฟลว์ในรูปแบบของเอเจนต์: มันไม่เพียงแต่ตอบคำถาม แต่ยังสามารถเรียกใช้เครื่องมือ แยกงาน ประสานงาน และทำงานให้เสร็จในที่สุด ด้วยเหตุนี้ สิ่งที่ผู้ใช้ยินดีจ่ายเงินให้กับ AI จะค่อยๆ เปลี่ยนจาก "การได้รับคำตอบ" ไปสู่ "การได้รับผลลัพธ์" สิ่งนี้หมายถึงความต้องการการอนุมานที่มากขึ้น ความซับซ้อนของระบบที่สูงขึ้น และยังหมายความว่าวิธีการพัฒนซอฟต์แวร์ การจัดการองค์กร และงานความรู้ อาจถูกเขียนใหม่ตามไปด้วย

สุดท้าย คือ AI กำลังขยายจากโลกดิจิทัลไปสู่โลกแห่งความเป็นจริง ในการสัมภาษณ์ ไม่ว่าจะพูดถึงรถยนต์ขับเคลื่อนอัตโนมัติ หุ่นยนต์ การแพทย์ ชีววิทยาดิจิทัล หรือ Physical AI ที่ Jensen Huang พูดถึง ทั้งหมดนี้ชี้ไปที่แนวโน้มเดียวกัน: คุณค่าของ AI ไม่ได้แสดงออกเฉพาะในหน้าจอเท่านั้น แต่จะแสดงออกมากขึ้นในโรงงาน โรงพยาบาล รถยนต์ อุปกรณ์ปลายทาง และชีวิตประจำวัน แต่นี่ก็หมายความว่า สิ่งที่ AI จะต้องเผชิญต่อไปไม่ใช่แค่ความท้าทายทางเทคนิคอีกต่อไป แต่รวมถึงข้อจำกัดในโลกแห่งความเป็นจริงที่ซับซ้อนมากขึ้น เช่น ห่วงโซ่อุปทาน นโยบาย กฎระเบียบ ความสามารถในการผลิต และภูมิรัฐศาสตร์ กล่าวอีกนัยหนึ่ง การขยายตัวรอบต่อไปของ AI จะเป็นกระบวนการทำให้เป็นอุตสาหกรรมอย่างแท้จริง

จากมุมมองนี้ สิ่งที่น่าสนใจที่สุดในการสนทนานี้ไม่ใช่ผลิตภัณฑ์เฉพาะหรือตัวเลขในแง่ดี แต่เป็นการตัดสินที่ Jensen Huang สื่อสารซ้ำๆ: AI กำลังเปลี่ยนจาก "ยุคของโมเดล" ไปสู่ "ยุคของระบบ" การแข่งขันในอนาคตไม่ใช่แค่การเปรียบเทียบว่าโมเดลของใครใหญ่กว่า พลังการคำนวณของใครแรงกว่า แต่เป็นการเปรียบเทียบว่าใครเข้าใจอุตสาหกรรมมากกว่า ใครสามารถฝัง AI เข้าไปในกระบวนการจริงได้ลึกกว่า ใครสามารถจัดระเบียบความสามารถเหล่านี้ให้เป็นระบบที่ทำงานได้และขยายได้

นี่ทำให้วัตถุประสงค์ของการอภิปรายในบทความนี้ ก้าวข้าม NVIDIA เองไป มันพยายามตอบคำถามจริงๆ ว่า: เมื่อ AI ค่อยๆ กลายเป็นโครงสร้างพื้นฐาน การปรับโครงสร้างอุตสาหกรรมรอบหน้าจะดำเนินไปอย่างไร และคุณค่าใหม่จะก่อตัวขึ้นที่ไหน

ต่อไปนี้เป็นเนื้อหาต้นฉบับ (เพื่อความสะดวกในการอ่านและทำความเข้าใจ เนื้อหาดั้งเดิมได้รับการเรียบเรียงบางส่วน):

TL;DR

• โครงสร้างพื้นฐาน AI กำลังเปลี่ยนจาก "GPU เดี่ยว" ไปสู่สถาปัตยกรรมแบบแยกส่วน งานคำนวณที่แตกต่างกันจะดำเนินการโดย GPU, CPU, ชิปเครือข่าย และชิปอนุมานเช่น Groq ร่วมกัน
• NVIDIA กำลังเปลี่ยนจากบริษัท GPU เป็นบริษัท "โรงงาน AI" ที่ให้บริการระบบครบวงจร ขายโครงสร้างพื้นฐานทั้งชุด ไม่ใช่ชิปเดี่ยว
• กุญแจสำคัญในการวัดต้นทุน AI ไม่ใช่ราคาของศูนย์ข้อมูล แต่เป็นต้นทุนต่อ token และประสิทธิภาพการประมวลผล ระบบที่แพงกว่าอาจถูกกว่าในความเป็นจริง
• AI กำลังเปลี่ยนจากโมเดลสร้างสรรค์ไปสู่ยุคของเอเจนต์ ผู้ใช้ยินดีจ่ายเงินเพื่อ "ให้งานเสร็จ" จริงๆ ไม่ใช่แค่เพื่อรับคำตอบ
• ความต้องการการคำนวณกำลังเติบโตแบบระเบิด จากการสร้างสรรค์ ไปสู่การอนุมาน และไปสู่เอเจนต์ อาจเพิ่มขึ้นมากกว่า 10,000 เท่าในเวลาอันสั้น และยังคงเร่งตัวขึ้น
• การพัฒนาซอฟต์แวร์ในอนาคตจะเปลี่ยนแปลง วิศวกรจะไม่เพียงแต่เขียนโค้ดอีกต่อไป แต่จะกำหนดปัญหา ออกแบบสถาปัตยกรรม และทำงานร่วมกับเอเจนต์
• ในระยะยาว โอกาสที่ใหญ่ที่สุดอยู่ที่ความเชี่ยวชาญเฉพาะด้านเชิงลึกในอุตสาหกรรมแนวตั้ง ไม่ใช่ตัวโมเดลทั่วไปเอง ใครเข้าใจอุตสาหกรรมมากกว่า ใครก็มีคูน้ำป้องกันที่แข็งแกร่งกว่า

บทสัมภาษณ์ต้นฉบับ

Jason Calacanis (นักลงทุนเทวดาชื่อดัง | ผู้ดำเนินรายการ All-In Podcast | นักลงทุนเริ่มต้นใน Uber):

สัปดาห์นี้เป็นตอนพิเศษ เรายกให้รายการประจำสัปดาห์ของเรา "หลีกทาง" และการปฏิบัติเช่นนี้ เรามักจะให้กับคนสามประเภทเท่านั้น: ประธานาธิบดีทรัมป์ พระเยซู และ Jensen Huang (ผู้ก่อตั้งและ CEO ของ NVIDIA) ส่วนว่าคนทั้งสามนี้ควรเรียงลำดับอย่างไร พวกคุณตัดสินใจเอง คุณมีโมเมนตัมแรงมากในช่วงนี้ และงาน GTC ครั้งนี้ก็ประสบความสำเร็จอย่างมาก

Jensen Huang (CEO NVIDIA):

ทั้งอุตสาหกรรมมาร่วมงาน บริษัทเทคโนโลยีทั้งหมด บริษัท AI เกือบทุกแห่งมาร่วมงาน

Jason Calacanis:

เหลือเชื่อจริงๆ แตกต่างอย่างแท้จริง หนึ่งในการเปิดตัวที่สำคัญที่สุดในปีที่ผ่านมาคือ Groq ตอนที่คุณเข้าซื้อ Groq คุณรู้หรือไม่ว่ามันจะทำให้ Chamath "น่ารำคาญ" แค่ไหน?

หมายเหตุ: Groq ไม่ใช่ Grok อันแรกคือบริษัทที่ทำชิปอนุมาน AI และคลาวด์อนุมาน ส่วนอันหลังคือแชทบอทของ xAI ในปลายปี 2025 Groq และ NVIDIA ตกลงข้อตกลงอนุญาตเทคโนโลยีอนุมานแบบไม่ผูกขาด ไม่มีการเปิดเผยมูลค่าการทำธุรกรรมอย่างเป็นทางการ แต่เคยมีรายงานและคาดการณ์จากภายนอกประมาณ 170 ถึง 200 พันล้านดอลลาร์ มาถึง GTC 2026 Jensen Huang ก็ได้แสดงระบบอนุมานที่ผสานเทคโนโลยีของ Groq เข้ากับแพลตฟอร์ม NVIDIA เพิ่มเติม

Chamath ที่กล่าวถึงที่นี่ หมายถึง Chamath Palihapitiya (ผู้ก่อตั้ง Social Capital | อดีตผู้บริหารระดับสูงของ Facebook | ผู้ดำเนินรายการ All-In) เขาเป็นทั้งหนึ่งในผู้ดำเนินรายการทั้งสี่ของ All-In และยังเป็นนักลงทุนเริ่มต้นและหนึ่งในคณะกรรมการของ Groq ดังนั้น เมื่อข้อตกลงสำคัญระหว่าง NVIDIA และ Groq ปรากฏขึ้น สิ่งนี้จึงถูกมองว่าเป็นอีกครั้งที่ Chamath ลงเดิมพันถูกในโครงการสำคัญ

Jensen Huang:

ฉันรู้สึกได้ลางๆ

Jason Calacanis:

เราต้องรับมือกับเขาทุกสัปดาห์

Jensen Huang:

ฉันรู้ พวกคุณยังต้องทนกับช่วงเวลาปิดการขายเต็มหกสัปดาห์กับเขาอีก

Jason Calacanis:

ใช่แล้ว

จากบริษัท GPU สู่บริษัท "โรงงาน AI"

Jensen Huang:

ที่จริง หลายกลยุทธ์ของเราจะถูกเปิดเผยล่วงหน้าหลายปีที่งาน GTC เมื่อสองปีครึ่งที่แล้ว ฉันเคยแนะนำระบบปฏิบัติการของโรงงาน AI มันชื่อว่า Dynamo

คุณก็รู้ dynamo เดิมทีเป็นอุปกรณ์ชนิดหนึ่ง คิดค้นโดย Siemens มันสามารถเปลี่ยนพลังงานของน้ำเป็นไฟฟ้า ผลักดันระบบโรงงานในการปฏิวัติอุตสาหกรรมครั้งก่อน ดังนั้นฉันคิดว่าชื่อนี้เหมาะมากสำหรับชื่อ "ระบบปฏิบัติการโรงงาน" ในการปฏิวัติอุตสาหกรรมครั้งต่อไป และภายใน Dynamo หนึ่งในเทคโนโลยีหลักคือการอนุมานแบบแยกส่วน (disaggregated inference)

Jason Calacanis:

Jensen ฉันรู้ว่าคุณเข้าใจเทคโนโลยีเป็นพิเศษ มาสิ คุณเป็นคนกำหนดเอง ฉันไม่อยากแย่งซีนคุณ

Jensen Huang:

ขอบคุณ การอนุมานแบบแยกส่วน หมายความว่า: โฟลว์การประมวลผลทั้งหมดของการอนุมานนั้นซับซ้อนอย่างยิ่ง และอาจเป็นหนึ่งในปัญหาการคำนวณที่ซับซ้อนที่สุดในปัจจุบัน

มันมีขนาดมหาศาล ประกอบด้วยการคำนวณทางคณิตศาสตร์ในรูปแบบและขนาดที่แตกต่างกันมากมาย ความคิดของเราคือการแยกโฟลว์การประมวลผลทั้งหมดออก ให้บางส่วนทำงานบน GPU ประเภทหนึ่ง และอีกส่วนทำงานบน GPU อีกประเภทหนึ่ง ก้าวไปอีกขั้น นี่ทำให้เราตระหนักว่า บางทีการคำนวณแบบแยกส่วนอาจเป็นทิศทางที่สมเหตุสมผล: เราสามารถให้ทรัพยากรการคำนวณที่แตกต่างกันและมีคุณสมบัติต่างกันทำงานร่วมกันได้อย่างสมบูรณ์

แนวคิดเดียวกันนี้ ต่อมาก็นำเราไปสู่ Mellanox ดูสิวันนี้ การคำนวณของ NVIDIA ได้กระจายอยู่บน GPU, CPU, สวิตช์, สวิตช์สเกลอัพแนวตั้ง, สวิตช์สเกลอัพแนวนอน และโปรเซสเซอร์เครือข่ายแล้ว ตอนนี้ เรายังต้องเพิ่ม Groq เข้ามา

เป้าหมายของเราคือการวางเวิร์กโหลดที่เหมาะสมบนชิปที่เหมาะสม กล่าวอีกนัยหนึ่ง เราได้วิวัฒนาการจากบริษัท GPU เป็นบริษัทโรงงาน AI แล้ว

David Sacks (หุ้นส่วน Craft Ventures | อดีต COO ของ PayPal | ผู้ดำเนินรายการ All-In):

สำหรับฉัน นี่น่าจะเป็นข้อคิดที่สำคัญที่สุด สิ่งที่คุณเห็นตอนนี้คือ "การแยกส่วน" ในระดับพื้นฐาน ในอดีตมีเพียง GPU เป็นทางเลือกเดียว แต่ตอนนี้เริ่มมีรูปแบบการคำนวณที่แตกต่างกันมากขึ้นเรื่อยๆ และทางเลือกเหล่านี้จะอยู่ร่วมกันในอนาคต

คุณพูดถึงจุดหนึ่งบนเวทีที่ฉันคิดว่าทุกคนที่ทำการอนุมานมูลค่าสูงควรฟังอย่างตั้งใจ: คุณบอกว่า ประมาณ 25% ของพื้นที่ในศูนย์ข้อมูลควรกำหนดให้กับ LPU ของ Groq

หมายเหตุ: LPU คือตัวย่อของ Language Processing Unit นี่คือหมวดหมู่ชิปที่ Groq เสนอขึ้นมา ตำแหน่งหลักไม่ใช่การฝึก แต่เป็นการอนุมาน

Jensen Huang:

ใช่ ในศูนย์ข้อมูล สามารถให้ Groq มีสัดส่วนประมาณ 25% ของระบบ Vera Rubin

หมายเหตุ: Vera Rubin คือสถาปัตยกรรมแพลตฟอร์ม AI รุ่นต่อไปของ NVIDIA มันไม่ใช่ชิปเดี่ยว แต่เป็นชุดโครงสร้างพื้นฐานระดับระบบสำหรับโรงงาน AI

David Sacks:

แล้วคุณช่วยอธิบายหน่อยได้ไหมว่าอุตสาหกรรมตอนนี้มองทิศทางนี้อย่างไร? โดยพื้นฐานแล้ว คุณกำลังสร้างสถาปัตยกรรมแบบแยกส่วนรุ่นต่อไป: แยก prefill และ decode ออกจากกัน โฟลว์การอนุมานถูกแยกออก คุณคิดว่าทุกคนจะตอบสนองอย่างไร?

Jensen Huang:

ถอยหลังกลับมาดูสักนิด ตอนนั้นเราเพิ่มความสามารถนี้เข้าไปในระบบ เพราะอุตสาหกรรมทั้งหมดได้เปลี่ยนจากการประมวลผลโมเดลภาษาขนาดใหญ่ ไปสู่ Agentic Processing หรือการประมวลผลแบบเอเจนต์

เมื่อคุณรันเอเจนต์ มันจะเข้าถึงความจำการทำงาน ความจำระยะยาว เรียกใช้เครื่องมือ ซึ่งสร้างแรงกดดันต่อพื้นที่เก็บข้อมูลอย่างมาก คุณจะเห็นเอเจนต์ทำงานร่วมกับเอเจนต์อื่น บางเอเจนต์ใช้โมเดลขนาดใหญ่มาก บางเอเจนต์ใช้โมเดลเล็ก บางเอเจนต์เป็นโมเดล diffusion บางเอเจนต์เป็นโมเดล autoregressive กล่าวคือ ภายในศูนย์ข้อมูลนี้ จะมีโมเดลประเภทที่แตกต่างกันอย่างสิ้นเชิงอยู่พร้อมกัน เราสร้าง Vera Rubin ขึ้นมาเพื่อรับมือกับเวิร์กโหลดที่หลากหลายอย่างยิ่งนี้

ดังนั้น ในอดีตเราเป็นบริษัท "ที่มีแร็คเดียว" ตอนนี้เราเพิ่มแร็คอีกสี่ประเภทเข้าไป กล่าวอีกนัยหนึ่ง TAM ของ