黄仁勋万字答问实录：AI下一个浪潮是什么？深度学习架构新变革解析
如果你最近刷科技圈，肯定逃不开黄仁勋这次的万字答问。作为把AI带火到现在的关键人物，他聊的AI下一个浪潮和深度学习架构变革，几乎是给整个行业指了下一个十年的方向。
很多人其实都好奇，现在生成式AI已经火成这样了，不就是把大模型越做越大吗？还能有什么新变化？黄仁勋这次的回答，直接打破了大家对AI下一步的固有想象。他说现在我们走的这条路，把参数堆到万亿甚至十万亿，不是不能继续，但成本和效率会越来越离谱，普通公司根本玩不起。下一个真正能让AI走进千家万户的浪潮，其实是AI+物理模拟，是AI和机器人、工业制造这些真实世界场景的深度结合。
这话不是随口说的。你想啊，现在的大模型，大多是在互联网文字、图片这些现成数据里练出来的，它懂的是人类的语言逻辑，却不懂真实世界的物理规则。让它写个文案画个图没问题，要让它指挥机器人给汽车拧个螺丝，或者模拟新药在人体内的反应，那现在的模型就抓瞎了。
黄仁勋举了个例子，现在做药物研发，一个新分子合成出来做试验，成本动辄百万千万，周期要好几年。如果AI能精准模拟分子和人体的相互作用，就能提前筛掉大部分没用的候选，直接省掉大把时间和钱。还有现在的新能源车企，做一次风洞试验就要几百万，要是AI能把风阻的模拟精度做到和实体试验差不多，研发成本直接能砍掉一大半。
这些场景之前不是没人做，但为什么现在才能成为浪潮？核心还是深度学习架构变了。原来的深度学习，不管是CNN还是Transformer，都是处理静态数据的好手，要处理连续变化、有物理规则约束的动态过程，效率和精度都跟不上。
新的架构方向，其实就是把数据驱动的深度学习，和传统的物理规则结合起来了。你可以这么理解，原来的AI就是个死记硬背的学生，所有知识都是靠背例题背出来的，遇到没见过的题型就不会做。现在新架构，是让AI先学基础物理公式这个“定理”，再用数据去练怎么用定理解题，哪怕遇到没见过的新问题，也能顺着规则推出来，准确率高不说，还不用喂那么多训练数据。
黄仁勋还提到一个很关键的变化，就是现在很多大模型都往“通用”的方向走，恨不得一个模型搞定所有事。但未来下一个阶段，会有越来越多的“领域专用”架构出来。不是说通用大模型不好，而是很多垂直场景根本不需要这么大的通用能力，专用架构跑特定任务，速度能快几十倍，成本能降几十倍，对产业来说反而更实用。
这里面还有个很有意思的点，很多人觉得现在芯片性能涨得慢，会不会限制AI发展？黄仁勋不这么看。他说架构的变革，反而会让新的芯片有用武之地。原来我们为了堆参数拼显存拼算力，现在新架构更看重的是并行处理能力和实时计算速度，刚好现在新一代GPU和AI芯片的设计方向，就对着这个需求来的，相当于架构和硬件刚好凑上了。
说到这里可能有人会问，这场变革对普通人来说意味着什么？是不是又跟我们没关系，就是科技公司自己玩？其实完全不是。
你想想，现在AI作画AI写文案，已经把很多内容创作的门槛拉低了。等这场新变革落地，很多工业、科研领域的门槛也会被拉低。小公司也能用上低成本的AI做研发，不用再花大价钱买昂贵的试验设备，也不用养一个超大的研发团队。十年前你想做个互联网产品，几千块买个云服务器就能起步，未来想做个新消费品或者新药，说不定几十万用AI就能完成前期研发，这会给整个社会放出多少新机会？
再说机器人，现在工业机器人已经普及很久，但它们大多只能做固定的重复动作，换个产品就要重新调试，根本没法适应灵活的小批量生产。等AI能精准理解真实世界的物理规则，机器人就能自己调整动作，看到不一样的工件也能正常加工，那工厂的生产模式都会变。以后哪怕你只定制一个零件，工厂也能低成本给你做出来，个性化制造就真的不是口号了。
当然，变革不是说马上就能落地。黄仁勋也提到，现在还有很多问题没解决，比如怎么把物理规则高效融入深度学习，怎么降低新架构的开发门槛，这些都还要好几年的时间打磨。但浪潮的趋势已经出来了，从互联网的虚拟数据，走到真实世界的物理交互，这是所有人都看得见的方向。
回头看这几年AI的发展，从AlphaGo下棋，到ChatGPT带火生成式AI，其实每一次大浪潮，都是从“玩”慢慢走到“用”的。生成式AI改变了我们做内容的方式，下一次AI浪潮，就要改变我们做实物、做科研、做制造的方式，整个实体经济都会被AI改造一遍。
很多人现在担心AI发展太快，会不会出问题，但其实对大部分人来说，AI能帮我们多快好省地造出更好的东西，能让更多小团队有机会做大创新，就是件实实在在的好事。黄仁勋这次说的这些，不是什么遥不可及的概念，是再过五到十年就能走进工厂、走进实验室的真实变化，我们其实已经站在这个新变革的门口了。
黄仁勋,AI下一个浪潮,深度学习架构,AI变革,黄仁勋答问,生成式AI,AI+物理模拟,深度学习变革,AI产业应用,AI架构新变革
[Q]：黄仁勋认为AI的下一个浪潮是什么？
[A]：黄仁勋认为AI的下一个浪潮不是单纯做大模型参数，而是AI与物理模拟结合，深入机器人、工业制造、科研研发等真实世界场景，改造实体经济。
[Q]：为什么原来的深度学习架构不适应新的AI需求？
[A]：原来的深度学习架构擅长处理静态数据，主要依赖互联网训练数据，不懂真实世界物理规则，处理动态变化、有物理约束的真实场景时，效率和精度都跟不上。
[Q]：新深度学习架构的核心变化是什么？
[A]：新架构将数据驱动的深度学习和传统物理规则结合，让AI先掌握基础物理规则，再结合数据训练解决问题，准确率更高，也不需要大量训练数据，同时也会出现更多适配垂直场景的领域专用架构。
[Q]：AI+物理模拟能给产业研发带来什么改变？
[A]：AI+物理模拟可以提前在虚拟环境完成试验模拟，比如药物研发筛分子、汽车研发做风洞试验，能大幅缩短研发周期，降低研发成本，减少实体试验的投入。
[Q]：新的深度学习变革对小公司是好事吗？
[A]：是的，新架构落地后，垂直领域的AI研发成本会大幅降低，小公司也能用上低成本AI做研发，不需要投入巨额资金购买设备和养大规模研发团队，降低了创新门槛。
[Q]：新AI浪潮会给制造业带来什么变化？
[A]：新AI能让机器人适应灵活多变的生产任务，不需要换产品就重新调试，让个性化小批量生产也能保持低成本，真正实现个性化制造普及。
[Q]：这场深度学习架构变革马上就能落地吗？
[A]：目前变革的趋势已经明确，但还有不少问题需要解决，比如物理规则如何高效融入深度学习、降低新架构开发门槛等，大概还需要五到十年的时间打磨才能落地普及。
[Q]：生成式AI之后的AI变革，和普通人有关系吗？
[A]：有关系，这场变革会改造实体经济，最终会让更多个性化的低成本产品出现，也会放出更多创新机会，普通人都能享受到AI变革带来的产业升级红利。
很多人其实都好奇，现在生成式AI已经火成这样了，不就是把大模型越做越大吗？还能有什么新变化？黄仁勋这次的回答，直接打破了大家对AI下一步的固有想象。他说现在我们走的这条路，把参数堆到万亿甚至十万亿，不是不能继续，但成本和效率会越来越离谱，普通公司根本玩不起。下一个真正能让AI走进千家万户的浪潮，其实是AI+物理模拟，是AI和机器人、工业制造这些真实世界场景的深度结合。
这话不是随口说的。你想啊，现在的大模型，大多是在互联网文字、图片这些现成数据里练出来的，它懂的是人类的语言逻辑，却不懂真实世界的物理规则。让它写个文案画个图没问题，要让它指挥机器人给汽车拧个螺丝，或者模拟新药在人体内的反应，那现在的模型就抓瞎了。
黄仁勋举了个例子，现在做药物研发，一个新分子合成出来做试验，成本动辄百万千万，周期要好几年。如果AI能精准模拟分子和人体的相互作用，就能提前筛掉大部分没用的候选，直接省掉大把时间和钱。还有现在的新能源车企，做一次风洞试验就要几百万，要是AI能把风阻的模拟精度做到和实体试验差不多，研发成本直接能砍掉一大半。
这些场景之前不是没人做，但为什么现在才能成为浪潮？核心还是深度学习架构变了。原来的深度学习，不管是CNN还是Transformer，都是处理静态数据的好手，要处理连续变化、有物理规则约束的动态过程，效率和精度都跟不上。
新的架构方向，其实就是把数据驱动的深度学习，和传统的物理规则结合起来了。你可以这么理解，原来的AI就是个死记硬背的学生，所有知识都是靠背例题背出来的，遇到没见过的题型就不会做。现在新架构，是让AI先学基础物理公式这个“定理”，再用数据去练怎么用定理解题，哪怕遇到没见过的新问题，也能顺着规则推出来，准确率高不说，还不用喂那么多训练数据。
黄仁勋还提到一个很关键的变化，就是现在很多大模型都往“通用”的方向走，恨不得一个模型搞定所有事。但未来下一个阶段，会有越来越多的“领域专用”架构出来。不是说通用大模型不好，而是很多垂直场景根本不需要这么大的通用能力，专用架构跑特定任务，速度能快几十倍，成本能降几十倍，对产业来说反而更实用。
这里面还有个很有意思的点，很多人觉得现在芯片性能涨得慢，会不会限制AI发展？黄仁勋不这么看。他说架构的变革，反而会让新的芯片有用武之地。原来我们为了堆参数拼显存拼算力，现在新架构更看重的是并行处理能力和实时计算速度，刚好现在新一代GPU和AI芯片的设计方向，就对着这个需求来的，相当于架构和硬件刚好凑上了。
说到这里可能有人会问，这场变革对普通人来说意味着什么？是不是又跟我们没关系，就是科技公司自己玩？其实完全不是。
你想想，现在AI作画AI写文案，已经把很多内容创作的门槛拉低了。等这场新变革落地，很多工业、科研领域的门槛也会被拉低。小公司也能用上低成本的AI做研发，不用再花大价钱买昂贵的试验设备，也不用养一个超大的研发团队。十年前你想做个互联网产品，几千块买个云服务器就能起步，未来想做个新消费品或者新药，说不定几十万用AI就能完成前期研发，这会给整个社会放出多少新机会？
再说机器人，现在工业机器人已经普及很久，但它们大多只能做固定的重复动作，换个产品就要重新调试，根本没法适应灵活的小批量生产。等AI能精准理解真实世界的物理规则，机器人就能自己调整动作，看到不一样的工件也能正常加工，那工厂的生产模式都会变。以后哪怕你只定制一个零件，工厂也能低成本给你做出来，个性化制造就真的不是口号了。
当然，变革不是说马上就能落地。黄仁勋也提到，现在还有很多问题没解决，比如怎么把物理规则高效融入深度学习，怎么降低新架构的开发门槛，这些都还要好几年的时间打磨。但浪潮的趋势已经出来了，从互联网的虚拟数据，走到真实世界的物理交互，这是所有人都看得见的方向。
回头看这几年AI的发展，从AlphaGo下棋，到ChatGPT带火生成式AI，其实每一次大浪潮，都是从“玩”慢慢走到“用”的。生成式AI改变了我们做内容的方式，下一次AI浪潮，就要改变我们做实物、做科研、做制造的方式，整个实体经济都会被AI改造一遍。
很多人现在担心AI发展太快，会不会出问题，但其实对大部分人来说，AI能帮我们多快好省地造出更好的东西，能让更多小团队有机会做大创新，就是件实实在在的好事。黄仁勋这次说的这些，不是什么遥不可及的概念，是再过五到十年就能走进工厂、走进实验室的真实变化，我们其实已经站在这个新变革的门口了。
黄仁勋,AI下一个浪潮,深度学习架构,AI变革,黄仁勋答问,生成式AI,AI+物理模拟,深度学习变革,AI产业应用,AI架构新变革
[Q]：黄仁勋认为AI的下一个浪潮是什么？
[A]：黄仁勋认为AI的下一个浪潮不是单纯做大模型参数，而是AI与物理模拟结合，深入机器人、工业制造、科研研发等真实世界场景，改造实体经济。
[Q]：为什么原来的深度学习架构不适应新的AI需求？
[A]：原来的深度学习架构擅长处理静态数据，主要依赖互联网训练数据，不懂真实世界物理规则，处理动态变化、有物理约束的真实场景时，效率和精度都跟不上。
[Q]：新深度学习架构的核心变化是什么？
[A]：新架构将数据驱动的深度学习和传统物理规则结合，让AI先掌握基础物理规则，再结合数据训练解决问题，准确率更高，也不需要大量训练数据，同时也会出现更多适配垂直场景的领域专用架构。
[Q]：AI+物理模拟能给产业研发带来什么改变？
[A]：AI+物理模拟可以提前在虚拟环境完成试验模拟，比如药物研发筛分子、汽车研发做风洞试验，能大幅缩短研发周期，降低研发成本，减少实体试验的投入。
[Q]：新的深度学习变革对小公司是好事吗？
[A]：是的，新架构落地后，垂直领域的AI研发成本会大幅降低，小公司也能用上低成本AI做研发，不需要投入巨额资金购买设备和养大规模研发团队，降低了创新门槛。
[Q]：新AI浪潮会给制造业带来什么变化？
[A]：新AI能让机器人适应灵活多变的生产任务，不需要换产品就重新调试，让个性化小批量生产也能保持低成本，真正实现个性化制造普及。
[Q]：这场深度学习架构变革马上就能落地吗？
[A]：目前变革的趋势已经明确，但还有不少问题需要解决，比如物理规则如何高效融入深度学习、降低新架构开发门槛等，大概还需要五到十年的时间打磨才能落地普及。
[Q]：生成式AI之后的AI变革，和普通人有关系吗？
[A]：有关系，这场变革会改造实体经济，最终会让更多个性化的低成本产品出现，也会放出更多创新机会，普通人都能享受到AI变革带来的产业升级红利。
更多黄仁勋万字答问实录：AI下一个浪潮是什么？深度学习架构新变革解析相关问题
问题：刺客信条起源游戏过程中不断闪退，大家遇到这种情况了吗？
回答：讲实话，就算炸档也能通过邪道回到几天前，硬核的主要目的是让你接受一些以前不能接受的损失，不因为死了一两个人就回档，这样才有这游戏的戏剧性 详情 >
问题：《古剑奇谭》[音乐]古剑的音乐到底要什么乐器才能搞定=_=
回答：万民堂专属技能 详情 >
问题：《古剑奇谭》周志华的西瓜书机器学习怎么样？
回答：出生关拉扯打，回城把回复魔法堆到0.5，自己去试试就知道能不能玩了 详情 >
问题：《战舰世界》如何评价克莱贝尔用3.8km的手枪防空打下了72架中途岛的飞机
回答：一二三四二二三四转个圆圈再来一次 详情 >
问题：对于『人造人』的思考，《辐射4》低于异形系列么？抛开游戏性和
回答：现在这价格推荐新秀…… 详情 >
评论 (0)