2021年，老黄800亿美元收购Arm的计划虽然泡汤了。

但第四季度的收入照样增长了53%，达到76.4亿美元。

最近，借着爆火的GTC大会，venturebeat整理出了一份关于老黄的超长篇专访。

虽然问题详尽，但还是关于雄心勃勃的Omniverse，内容还是太少。

不过，没关系。

在新智元刚刚结束的「元宇宙，新人类」论坛上，英伟达亚太区专业可视化计算总经理沈威就为我们进行了详细地剖析。如果回看视频的话，其中还有一段老黄不为人知的小彩蛋！

此外，这份总结里还有新智元杨静、万向区块链肖风、小冰李笛、浪潮刘军、STEPVR郭成、清华胡翌霖、蓝驰刘勇等大咖的倾情分享。详情可点击：「虚拟老黄」骗过你，但你能摸到夏语冰的手？｜新智元「元宇宙，新人类」论坛万字干货。

下面是老黄专访的部分节选：

随着局势动荡，如何看待对芯片供应和通货膨胀的持续担忧？

你说得对，世界上有很多动荡，的确有很多事情要担心。不过，英伟达在过去几年中的发展速度可能比之前十年的总和还要快。

实际上，当我们允许员工选择最高效的时间表工作、让他们自行优化日程时，公司的业绩甚至还更进了一步。而且，现实的动荡也间接地让我们把更多的精力投入到Omniverse的建设之中。

比如，疫情让很多员工不能进入公司的实验室来研究英伟达的机器人，或者去街上测试英伟达的汽车，于是也促使我们加强了在数字孪生中的测试。

此外，我们还发现在数字孪生中迭代软件的效果更好些。现在，英伟达可以拥有数百万辆数字孪生汽车，而不仅仅是一个100辆的实体车队。

强迫自己比以前更数字化、比以前更虚拟化，这绝对是一件好事。

ARM收购的失败会带来哪些影响？

ARM是独一无二的资产，是一家独一无二的公司，你不会再花30年构建另一个ARM。

英伟达需要它来取得成功吗？不一定。拥有这样的公司会很棒吗？绝对没错。

作为公司所有者，我当然希望拥有大量资产和出色的平台。

当然，我也很失望交易没有被批准。但结果还是好的。

ARM不仅与英伟达建立了良好的关系，并更加了解英伟达对高性能计算未来的愿景。

现在，英伟达将拥有的ARM芯片数量翻了一番。

英伟达也想要构建一个与目前竞品截然不同的CPU，并解决AI世界中已知的新问题。

这就是Grace超级芯片，它不是小芯片的集合，而是超级芯片的集合。

能否建造一个开放的虚拟世界，而不是用于测试机器人的封闭世界？

这很难做到，让我告诉你为什么。

Replicator不是做计算机图形的。Replicator根据不同摄像头的图像信号处理器进行传感器模拟。其中每个镜头都不一样。

再加上激光雷达、超声波、雷达、红外线，所有这些不同类型、模块的传感器，与不同材质环境之间的反应也不同。

有的会完全看不见、有的会反射、有的会折射。Replicator必须能够模拟环境中的材料、构成、动态、条件、反馈。这一切都因传感器的区别而不同。

如果一家相机公司想要模拟他们的传感器感知的世界，他们会将他们的传感器模型、计算模型加载到OmniVerse中。然后重新生成，从基于物理的方法重新模拟环境对该传感器的反馈。

OmniVerse也能让激光雷达或超声波做同样的事情。英伟达正在用5G无线信号做类似的尝试。这真的很难。

无线电波有折射，信号可以绕过角落。激光雷达的信号则不可以。

那么问题来了，你如何创造这样一个完全兼容的开放性世界？这依赖于传感器。蜥蜴、人类、猫头鹰所感知的世界，都是非常不同的。这就是难点所在。

Replicator不是一个试图制作看起来不错的计算机图形的游戏引擎，生成画面的观感并不重要。它需要的是与所模拟的特定传感器感知世界的方式完全相同。

比如，我们生成的图像在光学上都非常棒，但这对超声仪器制造商却毫无帮助，因为这不是超声波传感器感知世界的方式。

英伟达希望使用基于物理的计算方法对所有不同的感官模式进行建模。然后将信号发送到环境中并查看反馈。这将是深度科学性质的成就。

英伟达在自动驾驶汽车领域有何进展？

自动驾驶汽车花费的时间比预期的三年要长，但我对这个项目依然确信不疑。

第一，汽车不再将只是机械设备。它将成为一个可连接、可编程的计算设备。它将是软件定义的。您将像电话或计算机一样对其进行编程。

它将是中心化的。不会由350个嵌入式控制器组成，而是集中在几台性能强劲的计算机上。

这些计算机会是机器人计算机。它必须接受传感器输入并实时处理它们。它必须了解算法的多样性，计算的冗余。它的设计必须考虑到安全性、弹性和可靠性。它必须为这些东西而设计。

我相信的第二件事是汽车将高度自动化、机器人化。如果从长远来看不是最大的，这也将是首要的大规模机器人应用市场。

机器人应用程序将能够感知环境、阐述决策、计划下一步行为。这就是自动驾驶汽车的作用。L2至L5的分级，我认为是次要的，因为它是高度机器人化的。

我相信的第三件事是，开发自动汽车的方式就像机器学习管线一样，将有四个支柱。

第一，必须有一个数据策略来获得基准事实值。它可以是地图、数据标记、计算机视觉训练结果、规划训练结果、车道和标志的识别结果、灯光和规则的判读结果，诸如此类。

第二，必须训练AI模型。

第三，必须有一个数字孪生环境，这样你就可以根据虚拟演示来测试新软件、不必马上把实验车放在真实街道上。

第四，得有一台机器人计算机，这是一个全栈问题。

在财力支出方面，英伟达在自动汽车项目上投入了四组计算机的组合。

有一组用于云端映射和合成数据生成，有一组用于训练数据，有一组用于模拟数据，有一组被称为OVX Omniverse的用于进行数字孪生。然后用于车载的也有专门的计算机组合，里面搭载一堆软件和Orin处理器。

英伟达在自动汽车项目上有回本渠道。最重要的是汽车中的芯片、让汽车更自动的车内组件，还有广域网。

英伟达将在未来六年内增加广域网投资，要将广域网业务扩至80亿-110亿美元。为了在未来六年内从现在的水平达到110亿美元，英伟达会尽快突破10亿美元规模关口。

这就是我很确定为什么汽车将成为英伟达下一个价值数10亿美元的业务。

眼下，我曾相信的三件事——软件定义的汽车、自动驾驶汽车以及汽车制造方式的根本变化，都已经成为现实。

如果愿意的话，年轻的初创公司也能做到这一点。他们的包袱更少。他们可以从第一天开始就以这种方式设计他们的汽车。

用于预测地球气候的Earth-2进展如何？

在过去的10年里，英伟达在计算速度方面的提升，不是10年100倍的摩尔定律，而是100万倍。

其一就是加速计算的并行化。这也就意味着，可以将计算从单个GPU扩展到多个GPU和多个节点，进而扩展到整个数据中心。

此外，英伟达不仅在芯片级并行化了软件，还在节点级和数据中心级并行化。这种横向扩展和纵向扩展带来了20倍再乘以100倍、甚至1000倍的计算速度增长。

其二是算力的增加带来人工智能的发明和普及。Physics ML就是这种基于物理规则的神经网络。

英伟达其中一个重要研究方向就是是开发傅立叶神经算子。概括而言，它就是一个偏微分方程学习器、一个通用函数逼近器、一个可以学习物理然后回来预测物理的人工智能。

刚刚发布的FourCastNet就基于傅立叶神经算子。通过在一个包含大约10年数据的数值模拟模型中学习之后，FourCastNet能够以比之前快5个数量级的速度和更高的精度来预测气候。

让我解释一下为什么这很重要。

对于区域气候变化，需要进行模拟的不是当下气象界基础单位为10公里的分辨率，而是高达1米的分辨率，二者间的计算量差距大约是10亿倍。这意味着传统的方法，将永远不会取得成果。

英伟达迎接这一挑战，并通过三种方式解决它。

首先是在物理学的机器学习方面取得进展，创造可以学习和预测物理现象的AI。它不懂物理学，因为它不是基于第一性原理的，但它可以预测物理现象。它能够以比现有技术快5个数量级甚至更快的速度做到这一点

并且英伟达创建了一台专为此人工智能设计的超级计算机，部分基于GTC上公布的Hopper，部分基于其未来版本。

拥有了这些软硬件，英伟达就能创造可以预测气候的数字孪生地球。尽管创造此项目的AI并不在第一性原理上理解气候、仍然需要科学家来做到这一点。但它有能力在非常大的范围内进行预测气候。

这就是作为第三件事的Earth-2的意义所在。

基于数以百万计、而不只数百数千的集成，英伟达能更好地预测地球的一小部分，在10、30、50甚至100年后会发生什么。

有趣的是，在其中一个问题中，老黄还透露。

多年来，英特尔与AMD多年来一直知道我们的秘密。早在我们与公众分享路线图之前就与他们分享了我们的路线图。

当然，这是在保密的情况下发生的。我们有选择性的沟通渠道。但业界的泰山北斗们早已经学会了如何以这种方式工作。

另一方面，我们与许多公司竞争的同时，也与他们深入合作并依赖他们。

正如我所提到的，如果没有AMD的CPU，英伟达将无法发布DGX。如果没有英特尔的CPU、所有连接到我们HGX的英特尔超大规模处理器，英伟达将无法发布HGX。如果不是英伟达即将推出的OmniVerse计算机中的英特尔CPU，我们将无法做出如此依赖单线程性能的数字孪生模拟。类似例子不胜枚举。

我们对自己所做的事情充满信心。英伟达很乐意与包括英特尔和其他公司在内的合作者合作。

事实证明，多疑无用，没有什么好猜忌的。同行的确想赢，但不见得所有人都要搞你。

参考资料：

https://venturebeat.com/2022/04/02/jensen-huang-press-qa-nvidias-plans-for-the-Omniverse-earth-2-and-cpus/