JENSEN HUANG: NVIDIA SE MĚNÍ Z FIRMY NA GPU V TOVÁRNU NA AI, AGENTI PŘEBÍRAJÍ OTĚŽE

Klíčové poznatky z rozhovoru:

• Nvidia se transformuje z „GPU společnosti“ na „společnost AI továren“, integrující různorodé čipy a systémy.
• Koncept „disagregované inference“ a operační systém Dynamo jsou klíčové pro efektivní zpracování složitých AI úloh.
• Vzestup agentní AI, která vykonává „práci“ namísto pouhého poskytování informací, dramaticky zvyšuje poptávku po výpočetním výkonu (10 000x za dva roky).
• Nejdražší AI továrny (např. za 50 miliard dolarů) ve skutečnosti produkují „nejlevnější tokeny“ díky desetinásobně vyšší propustnosti a efektivitě.
• Huangova strategie spočívá ve zaměření na „šíleně těžké“ problémy, které nikdy předtím nebyly vyřešeny a které využívají „speciální superschopnosti“ Nvidie.
• „Fyzická AI“ a „digitální biologie“ představují obrovské, bilionové příležitosti, které jsou na pokraji exploze podobné ChatGPT.
• OpenClaw a „osobní AI počítač“ představují revoluci v lokálním zpracování AI a novou éru decentralizovaných agentních systémů.
• Regulace AI musí být obezřetná, informovaná a nesmí být před technologií, aby nezbrzdila inovace a difúzi AI ve společnosti.

Nvidia jako Továrna na AI: Od GPU k Heterogenním Systémům

Jensen Huang zdůrazňuje, že Nvidia se již dávno posunula za hranice pouhého výrobce grafických procesorů. „Opravdu jsme se vyvinuli z GPU společnosti ve společnost AI továren,“ prohlásil Huang. Tento posun je klíčový pro zvládání obrovských výpočetních nároků moderní umělé inteligence, zejména v oblasti inference.

Základem této transformace je koncept „disagregované inference“, který Huang představil před dvěma a půl lety pod názvem Dynamo – operační systém pro AI továrny nové průmyslové revoluce. Dynamo, inspirované historickým zařízením Siemens pro přeměnu vody na elektřinu, symbolizuje přeměnu dat na inteligenci. „Uvnitř Dynama je základní technologií disagregovaná inference,“ vysvětluje Huang. Jde o rozdělení složitého inferenčního zpracování na menší části, které mohou běžet na různých typech GPU a dalších čipech, včetně CPU, switchů, síťových procesorů a nově i procesorů Groq. Cílem je alokovat „správnou úlohu na správné čipy“, čímž se maximalizuje efektivita a výkon celého systému, jako je například Vera Rubin, navržená pro mimořádně různorodé úlohy agentní AI.

Vzestup Agentní AI a Výpočetní Exploze

Jedním z nejvýznamnějších témat rozhovoru je vzestup agentní AI. Huang vysvětluje, že jsme přešli od zpracování velkých jazykových modelů k „agentnímu zpracování“. Agentní AI systémy nejsou jen o odpovídání na otázky; jsou to autonomní entity, které přistupují k pracovní paměti, dlouhodobé paměti, používají nástroje a spolupracují s jinými agenty. „Když provozujete agenta, přistupujete k pracovní paměti, přistupujete k dlouhodobé paměti. Používáte nástroje. Opravdu hodně zatěžujete úložiště. Máte agenty, kteří pracují s jinými agenty,“ popisuje Huang.

Tato změna vede k masivnímu nárůstu výpočetních požadavků. Huang uvádí ohromující čísla: „Když jsme přešli od generativních modelů k uvažování, potřebný výpočetní výkon vzrostl asi stokrát. Když jsme přešli od uvažování k agentním systémům, výpočetní výkon je pravděpodobně další stokrát. Takže za pouhé dva roky se výpočetní výkon zvýšil o faktor 10 000x.“ Tento exponenciální růst podtrhuje naléhavost vývoje efektivnějších AI továren a heterogenních výpočetních architektur.

Tři Pilíře AI Počítačů: Trénink, Simulace a Okrajová Zařízení

Huang rozděluje AI výpočty do tří hlavních kategorií, které představují tři základní „počítače“ v rámci AI problému. Prvním je počítač pro trénování AI modelů. Druhým je počítač pro vyhodnocování a simulaci, který Nvidia nazývá Omniverse. Ten umožňuje testovat roboty a autonomní systémy ve virtuálním prostředí, které přesně simuluje fyzický svět a dodržuje fyzikální zákony. Třetím pilířem je počítač na okraji sítě (edge computer), který zahrnuje širokou škálu aplikací – od samořídících aut a robotů v továrnách až po chytré plyšové medvídky. Huang zdůrazňuje, že dokonce i telekomunikační základnové stanice, představující průmysl za 2 biliony dolarů, se promění v rozšíření AI infrastruktury, kdy se rádia stanou okrajem AI zařízení.

Ekonomika Inferenčních Továren: Cena tokenů, nikoli továrny

Ve světle rostoucího zájmu o inferenční továrny a jejich masivní náklady (často se hovoří o desítkách miliard dolarů) Huang přináší klíčový insight: „Neměli byste srovnávat cenu továrny a cenu tokenů, náklady na tokeny.“ Argumentuje, že i když továrna Nvidie může stát 50 miliard dolarů, zatímco alternativy (např. custom ASIC) se marketingově prezentují s cenovkou 25–30 miliard, továrna Nvidie bude generovat „nejnižší náklady na tokeny“. Důvodem je desetinásobně vyšší propustnost a efektivita. „Rozdíl mezi 50 miliardami a 40 miliardami není velké procento, když 50miliardové datové centrum má ve skutečnosti desetinásobnou propustnost,“ vysvětluje. Huang dodává, že „i když jsou čipy zdarma, není to dostatečně levné“, pokud nedokážete držet krok s tempem technologického pokroku a efektivitou.

Strategie Nvidie: Zaměření na „Šíleně Těžké“ Problémy

Na otázku, jak Nvidia rozhoduje o tom, kam investovat, Huang odpovídá s jasnou filozofií. „Součástí toho je, zda je to něco šíleně těžké udělat? Pokud to není těžké udělat, měli bychom se od toho držet dál.“ Důvodem je, že snadné úkoly přitahují mnoho konkurentů. Nvidia se zaměřuje na to, co „nikdy předtím nebylo uděláno a je šíleně těžké udělat“, a co zároveň „využívá speciální superschopnosti naší společnosti“. Huang uznává, že takové projekty jsou spojeny s velkým úsilím a „spoustou bolesti a utrpení“, ale právě z nich vzejdou ty největší inovace.

Budoucnost: Fyzická AI a Digitální Biologie

Huang se dotkl i „long-tail“ investic Nvidie. „Fyzická AI“ je podle něj obrovská kategorie, která představuje první příležitost pro technologický průmysl oslovit 50bilionový průmysl, který byl dosud z velké části bez technologie. Nvidia na tom pracuje už 10 let a nyní se to začíná projevovat jako mnohamiliardový byznys s exponenciálním růstem. Další slibnou oblastí je „digitální biologie“. Huang věří, že jsme „doslova blízko momentu ChatGPT digitální biologie“ a že do 2–5 let dojde k zásadnímu průlomu v chápání genů, proteinů a buněk, což revolučně promění zdravotnictví.

Osobní AI Počítač a OpenClaw Revoluce

Jensen Huang se s nadšením vyjádřil k hnutí open-source agentů a „osobnímu AI počítači“. Zatímco ChatGPT zpřístupnil generativní AI široké veřejnosti a následné modely zlepšily uvažování, OpenClaw (Open Claw) přinesl do povědomí veřejnosti, co dokáže AI agent. „Open Claw v podstatě vnesl do populárního povědomí, co dokáže AI agent,“ říká Huang. Zdůrazňuje, že OpenClaw vytváří nový výpočetní model s paměťovým systémem, správou zdrojů, plánováním a sadou aplikací (dovedností). „Tyto čtyři prvky zásadně definují počítač. A proto co máme? Poprvé máme osobní počítač s umělou inteligencí,“ nadšeně prohlásil Huang. Tento systém je open source, běží všude a je „plánem, operačním systémem moderní výpočetní techniky“.

Regulace AI a Krizová Komunikace

Huang se také vyjádřil k horkému tématu regulace AI. Zdůrazňuje potřebu „informovat tvůrce politik o stavu technologie, co to je a co to není. Není to biologická bytost. Není to mimozemšťan. Není to vědomí. Je to počítačový software.“ Varuje před „doomerismem a extremismem“, který by mohl ovlivnit rozhodování politiků, a zdůrazňuje, že „technologie se pohybuje velmi rychle a neměli bychom politiku posouvat před technologii příliš rychle“. Největším rizikem pro národní bezpečnost USA v souvislosti s AI je podle něj to, že jiné země technologii přijmou, zatímco USA zůstanou pozadu kvůli strachu a paranoii. Kritizuje také příliš katastrofické předpovědi o AI, které nemají oporu v důkazech, a vyzývá technologické lídry k větší obezřetnosti, umírněnosti a vyváženosti v komunikaci.

ROI AI: Od Informací k Práci

Ohledně návratnosti investic (ROI) do AI Huang zdůrazňuje klíčový rozdíl: „Lidé většinou platí za práci.“ Zatímco chatbot poskytující odpovědi je skvělý, skutečnou hodnotu přinášejí agentní systémy, které „dělají práci“. Tento posun od „generování informací“ k „vykonávání úkolů“ vede k masivnímu nárůstu spotřeby. Huang dokonce uvádí, že od inženýra s platem 500 000 dolarů ročně by očekával, že spotřebuje tokeny v hodnotě alespoň 250 000 dolarů. „Pokud by ten 500 000 dolarový inženýr nespotřeboval tokeny v hodnotě alespoň 250 000 dolarů, byl bych hluboce znepokojen,“ říká, přirovnávajíc to k tomu, kdyby návrhář čipů odmítl používat CAD nástroje a spoléhal se jen na tužku a papír. To podtrhuje, že AI se stává nezbytným nástrojem pro „nadlidské schopnosti“ špičkových znalostních pracovníků.

Závěr

Jensen Huang představil vizi budoucnosti, kde Nvidia hraje ústřední roli v budování „AI továren“ a kde agentní systémy transformují způsob, jakým pracujeme a interagujeme s technologií. Jeho pohled na ekonomiku AI, strategii inovací a nutnost zodpovědného přístupu k regulaci nabízí cenné vodítko pro porozumění nadcházející éře umělé inteligence. Nvidia se pod jeho vedením nejen přizpůsobuje změnám, ale aktivně je formuje, a to s ambicí přinést AI do každého aspektu našeho života, od datových center až po „osobní AI počítače“ na našich stolech.