加速計算帶來的結(jié)果確實非凡,，但其實現(xiàn)過程并不容易。為什么它能節(jié)省這么多錢,，但人們卻沒有更早地采用這種技術(shù)呢,？原因就在于它的實施難度太大。

沒有現(xiàn)成的軟件可以簡單地通過加速編譯器運行,，然后應(yīng)用程序就能瞬間提速100倍,。這既不符合邏輯也不現(xiàn)實。如果這么容易,，那么CPU廠商早就這樣做了。

事實上,，要實現(xiàn)加速,，軟件必須進行全面重寫。這是整個過程中最具挑戰(zhàn)性的部分。軟件需要被重新設(shè)計,、重新編碼,，以便將原本在CPU上運行的算法轉(zhuǎn)化為可以在加速器上并行運行的格式。

這項計算機科學研究雖然困難,，但我們在過去的20年里已經(jīng)取得了顯著的進展,。例如，我們推出了廣受歡迎的cuDNN深度學習庫,，它專門處理神經(jīng)網(wǎng)絡(luò)加速,。我們還為人工智能物理模擬提供了一個庫，適用于流體動力學等需要遵守物理定律的應(yīng)用,。另外,，我們還有一個名為Aerial的新庫，它利用CUDA加速5G無線電技術(shù),，使我們能夠像軟件定義互聯(lián)網(wǎng)網(wǎng)絡(luò)一樣,，用軟件定義和加速電信網(wǎng)絡(luò)。

這些加速能力不僅提升了性能,，還幫助我們將整個電信行業(yè)轉(zhuǎn)化為一種與云計算類似的計算平臺,。此外，Coolitho計算光刻平臺也是一個很好的例子,，它極大地提升了芯片制造過程中計算最密集的部分——掩模制作的效率,。臺積電等公司已經(jīng)開始使用Coolitho進行生產(chǎn)，不僅顯著節(jié)省了能源,，而且大幅降低了成本,。他們的目標是通過加速技術(shù)棧，為算法的更進一步發(fā)展和制造更深更窄的晶體管所需的龐大計算能力做好準備,。

Pair of Bricks是我們引以為傲的基因測序庫,，它擁有世界領(lǐng)先的基因測序吞吐量。而Co OPT則是一個令人矚目的組合優(yōu)化庫,，能夠解決路線規(guī)劃,、優(yōu)化行程、旅行社問題等復雜難題,。人們普遍認為,，這些問題需要量子計算機才能解決，但我們卻通過加速計算技術(shù),，創(chuàng)造了一個運行極快的算法,，成功打破了23項世界紀錄，至今我們?nèi)员３种恳粋€主要的世界紀錄,。

Coup Quantum是我們開發(fā)的量子計算機仿真系統(tǒng),。對于想要設(shè)計量子計算機或量子算法的研究人員來說,，一個可靠的模擬器是必不可少的。在沒有實際量子計算機的情況下,，英偉達CUDA——我們稱之為世界上最快的計算機——成為了他們的首選工具,。我們提供了一個模擬器，能夠模擬量子計算機的運行,，幫助研究人員在量子計算領(lǐng)域取得突破,。這個模擬器已經(jīng)被全球數(shù)十萬研究人員廣泛使用，并被集成到所有領(lǐng)先的量子計算框架中,，為世界各地的科學超級計算機中心提供了強大的支持,。

此外，我們還推出了數(shù)據(jù)處理庫Kudieff,，專門用于加速數(shù)據(jù)處理過程,。數(shù)據(jù)處理占據(jù)了當今云支出的絕大部分，因此加速數(shù)據(jù)處理對于節(jié)省成本至關(guān)重要,。QDF是我們開發(fā)的加速工具,，能夠顯著提升世界上主要數(shù)據(jù)處理庫的性能，如Spark,、Pandas,、Polar以及NetworkX等圖處理數(shù)據(jù)庫。

這些庫是生態(tài)系統(tǒng)中的關(guān)鍵組成部分,，它們使得加速計算得以廣泛應(yīng)用,。如果沒有我們精心打造的如cuDNN這樣的特定領(lǐng)域庫，僅憑CUDA,，全球深度學習科學家可能無法充分利用其潛力,，因為CUDA與TensorFlow、PyTorch等深度學習框架中使用的算法之間存在顯著差異,。這就像在沒有OpenGL的情況下進行計算機圖形學設(shè)計,，或是在沒有SQL的情況下進行數(shù)據(jù)處理一樣不切實際。

這些特定領(lǐng)域的庫是我們公司的寶藏,，我們目前擁有超過350個這樣的庫,。正是這些庫讓我們在市場中保持開放和領(lǐng)先。今天,，我將向你們展示更多令人振奮的例子,。

就在上周，谷歌宣布他們已經(jīng)在云端部署了QDF,，并成功加速了Pandas,。Pandas是世界上最受歡迎的數(shù)據(jù)科學庫，被全球1000萬數(shù)據(jù)科學家所使用,，每月下載量高達1.7億次,。它就像是數(shù)據(jù)科學家的Excel,，是他們處理數(shù)據(jù)的得力助手。

現(xiàn)在,，只需在谷歌的云端數(shù)據(jù)中心平臺Colab上點擊一下，你就可以體驗到由QDF加速的Pandas帶來的強大性能,。這種加速效果確實令人驚嘆,，就像你們剛剛看到的演示一樣，它幾乎瞬間就完成了數(shù)據(jù)處理任務(wù),。

CUDA實現(xiàn)良性循環(huán)

CUDA已經(jīng)達到了一個人們所稱的臨界點,，但現(xiàn)實情況比這要好。CUDA已經(jīng)實現(xiàn)一個良性的發(fā)展循環(huán),?；仡櫄v史和各種計算架構(gòu)、平臺的發(fā)展,，我們可以發(fā)現(xiàn)這樣的循環(huán)并不常見,。以微處理器CPU為例，它已經(jīng)存在了60年,，但其加速計算的方式在這漫長的歲月里并未發(fā)生根本性改變,。

要創(chuàng)建一個新的計算平臺往往面臨著“先有雞還是先有蛋”的困境。沒有開發(fā)者的支持,，平臺很難吸引用戶,；而沒有用戶的廣泛采用，又難以形成龐大的安裝基礎(chǔ)來吸引開發(fā)者,。這個困境在過去20年中一直困擾著多個計算平臺的發(fā)展,。

然而，通過持續(xù)不斷地推出特定領(lǐng)域的庫和加速庫,，我們成功打破了這一困境,。如今，我們已在全球擁有500萬開發(fā)者,，他們利用CUDA技術(shù)服務(wù)于從醫(yī)療保健,、金融服務(wù)到計算機行業(yè)、汽車行業(yè)等幾乎每一個主要行業(yè)和科學領(lǐng)域,。

隨著客戶群的不斷擴大,，OEM和云服務(wù)提供商也開始對我們的系統(tǒng)產(chǎn)生興趣，這進一步推動了更多系統(tǒng)進入市場,。這種良性循環(huán)為我們創(chuàng)造了巨大的機遇,，使我們能夠擴大規(guī)模，增加研發(fā)投入,，從而推動更多應(yīng)用的加速發(fā)展,。

每一次應(yīng)用的加速都意味著計算成本的顯著降低,。正如我之前展示的，100倍的加速可以帶來高達97.96%,，即接近98%的成本節(jié)省,。隨著我們將計算加速從100倍提升至200倍，再飛躍至1000倍,，計算的邊際成本持續(xù)下降,，展現(xiàn)出了令人矚目的經(jīng)濟效益。

當然,，我們相信,，通過顯著降低計算成本，市場,、開發(fā)者,、科學家和發(fā)明家將不斷發(fā)掘出消耗更多計算資源的新算法。直至某個時刻,，一種深刻的變革將悄然發(fā)生,。當計算的邊際成本變得如此低廉時，全新的計算機使用方式將應(yīng)運而生,。

事實上,，這種變革正在我們眼前上演。過去十年間,，我們利用特定算法將計算的邊際成本降低了驚人的100萬倍,。如今，利用互聯(lián)網(wǎng)上的所有數(shù)據(jù)來訓練大語言模型已成為一種合乎邏輯且理所當然的選擇,，不再受到任何質(zhì)疑,。

這個想法——打造一臺能夠處理海量數(shù)據(jù)以自我編程的計算機——正是人工智能崛起的基石。人工智能的崛起之所以成為可能,，完全是因為我們堅信,，如果我們讓計算變得越來越便宜，總會有人找到巨大的用途,。如今,，CUDA的成功已經(jīng)證明了這一良性循環(huán)的可行性。

隨著安裝基礎(chǔ)的持續(xù)擴大和計算成本的持續(xù)降低,，越來越多的開發(fā)者得以發(fā)揮他們的創(chuàng)新潛能,，提出更多的想法和解決方案。這種創(chuàng)新力推動了市場需求的激增?，F(xiàn)在我們正站在一個重大轉(zhuǎn)折點上,。然而，在我進一步展示之前,，我想強調(diào)的是,，如果不是CUDA和現(xiàn)代人工智能技術(shù)——尤其是生成式人工智能的突破,，以下我所要展示的內(nèi)容將無法實現(xiàn)。

這就是“地球2號”項目——一個雄心勃勃的設(shè)想,，旨在創(chuàng)建地球的數(shù)字孿生體,。我們將模擬整個地球的運行，以預(yù)測其未來變化,。通過這樣的模擬,，我們可以更好地預(yù)防災(zāi)難，更深入地理解氣候變化的影響,，從而讓我們能夠更好地適應(yīng)這些變化，甚至現(xiàn)在就開始改變我們的行為和習慣,。

“地球2號”項目可能是世界上最具挑戰(zhàn)性,、最雄心勃勃的項目之一。我們每年都在這個領(lǐng)域取得顯著的進步,，而今年的成果尤為突出?，F(xiàn)在，請允許我為大家展示這些令人振奮的進展,。

在不遠的將來,，我們將擁有持續(xù)的天氣預(yù)報能力，覆蓋地球上的每一平方公里,。你將始終了解氣候?qū)⑷绾巫兓?，這種預(yù)測將不斷運行，因為我們訓練了人工智能,，而人工智能所需的能量又極為有限,。這將是一個令人難以置信的成就。我希望你們會喜歡它,，而更加重要的是,，這一預(yù)測實際上是由Jensen AI做出的，而非我本人,。我設(shè)計了它,，但最終的預(yù)測由Jensen AI來呈現(xiàn)。

由于我們致力于不斷提高性能并降低成本,，研究人員在2012年發(fā)現(xiàn)了CUDA,，那是英偉達與人工智能的首次接觸。那一天對我們而言至關(guān)重要,，因為我們做出了明智的選擇,，與科學家們緊密合作，使深度學習成為可能,。AlexNet的出現(xiàn)實現(xiàn)了計算機視覺的巨大突破,。

AI超算的崛起,，起初并不被認同