第一次出现需要重写的事情，昨天上午写完后一发布居然就全部丢失了，完全不知道为什么。但或许也是好事，可能是某种声音暗示我这本书的重要性超越了其他，也确实非常重要。这是前天飞卡萨布兰卡的飞机上读完的，当时的第一感受是后悔没早点读，否则能更好理解当下的AI了；第二感受是英伟达这样的投资机会，真是什么时间投资都不晚，在上一波AI浪潮中就应该关注，特别是对与计算范式的改变，真不应该无动于衷。当然现在晚了吗？也是个新问题。照例做些摘要，这次还专门简单归类下，打破原来的顺序。
1. 品格
黄仁勋表示，自己有过很多挫折与痛苦的机会；直到今天，他仍经常在英伟达内部使用痛苦和磨难这两个字，但是是以“欢乐的方式”。黄仁勋认为，性格不是靠聪明绝顶的人塑造出来的，而必须是经过磨难的人。我希望各位有机会经历大量的痛苦和磨难。我最大的优点之一就是我的期望很低。对自己期望非常高的人，往往韧性也低，不幸的是，韧性对带来成功至关重要。所以如果我可以给你建议的话，我希望各位有机会经历大量的痛苦和磨难。如果你追求的是伟大，你就要完善、培养公司的企业性格。
痛苦+磨难使人成长，降低期望，拥有最高的韧性，不断迭代、成长。
可为什么这个人不仅创立了这家了不起的公司，还在身边建立起了一个愿意为他赴汤蹈火的人际网络？”霍斯特曼觉得，黄仁勋一直在不断地改变自我。他回忆起在LSI时的黄仁勋，总是能把模拟软件用到极致。霍斯特曼说：“现在，他依然在这样做，只不过他正在‘工程化’的是自己。他并非生来就是一位伟大的CEO，也并非注定会成为这样的人。他通过不断的抽象思考，通过解决一个好CEO应该具备的输入和输出问题，把自己变成了这样一个人。”但说到底，还是张忠谋的看法最具分量。他并不认为黄仁勋之所以能成功，是因为他的工作伦理——在台积电，这只能算是略高于平均水平，他也没发现黄仁勋有什么特别的适应能力。在他看来，一切的成功都并非难以捉摸，而是有迹可循的：“他们的智慧确实超乎常人。
工程化行为的机制，思维容易，实践难。加上智慧超人的神来之笔，就好比智慧是慢思考部分的顶级逻辑推理，而工程化就是快思维部分的长期迭代，最好的组合，两个最好模型的持续提升。
黄仁勋之所以能在并行计算、人工智能、Omniverse等他人失败的领域取得成功，源于他不容忍对未来进行毫无根据的臆测。他总能冷静地从第一性原理出发去审视技术，既不受乐观情绪影响，也不被恐惧所左右，仅凭一种冷静且耐心的商业逻辑，将企业远见推至极限。对除此之外的一切，他既不看也不去想象。人类灭绝的可能性并不属于企业战略层面的问题，对他来说，这纯属无稽之谈。
持续第一性原理的使用，既不乐观也不恐惧，才能持续专注和提升。
2. 创业、管理和战略
他深知创业之艰难，硬件类初创公司更甚，而面向消费者的硬件初创公司则是难上加难。多数公司连原型阶段都达不到，更别说其他了。对黄仁勋而言，做出决策需要冷静分析，容不得憧憬等无用的情感因素的干扰。对他而言，商业不过是另一个工程问题。工程师们试图将复杂问题简化为基本原则，进而利用这些原则产生强大的效果。若要创办初创公司，黄仁勋的首要任务是掌握这些原则。他需要深入研究市场、供应链、竞争态势、技术及产品匹配度。此外，他不得不与客户、游戏开发商及计算机图形专家进行探讨性的电话沟通，研读枯燥的行业报告，翻阅柱状图、销售数据及客户调查，以探寻行业上升趋势。简而言之，他必须做好周全的准备工作，而这些准备工作只能在一个地方完成。
黄老板创业的第一天居然就如此严谨，天生的成大事体质了。商业是个工程问题，方向对了的话确实如此。
黄仁勋设定了一个关键数字：5 000万美元。他认为，自己的初创公司年收入至少要达到这个数，所有的努力才值得。他在笔记本电脑上做了一个电子表格，预测未来几年的收入。每当调整表格中的某个变量时，预测的收入就会在5 000万美元上下浮动。
5000万就是黄老板工程化的第一个参数和里程碑了。这样的目标设定认真、很有意义。
然而，那些将PC端游戏市场拱手让给英伟达的工作站公司，却犯下了一个致命的错误，这与几十年前通用汽车忽视本田的失误如出一辙。英伟达向本田学习，向青少年消费者销售低利润产品——如果这一类比成立，未来英伟达有可能会超越太阳微系统公司和硅图公司的商业工作站。有时，黄仁勋甚至会在他召集的高管团队会议上，谈论颠覆英特尔的可能性，要知道，当时的英特尔可是全球最具价值的公司之一。与此同时，英伟达在英特尔的势力范围内，通过持续的策略性撤退以求生存。“直到今天，我们都不与英特尔正面竞争，”黄仁勋在2023年描述双方这种猫捉老鼠的关系时说道，“每当他们逼近我们时，我就会迅速撤退。”克里斯坦森的建议为英伟达指明了方向，那就是销售英特尔想不到要去生产的小众产品，给英特尔永远不愿服务的客户。“黄仁勋很早就跟我们说过，英伟达有朝一日会超越英特尔。
创业者窘境的另一个经典案例了。从小众市场跑出第二曲线，然后成长为新的巨头，淘汰掉过去的一切，改朝换代。
在激励舒奎斯特的过程中，黄仁勋采用了一种名为“光速”的调度策略。他满怀热情地将这一管理理念灌输给每一位员工。在英伟达，几乎每位与我交谈过的人都至少提及过一次“光速”。“光速”这个词，并不像大家普遍认为的那样，只是单纯指速度快。黄仁勋所倡导的“光速”，是希望经理们能够设想到，在没有任何限制、一切条件都最理想的情况下，某项任务能够完成的最快速度。比如说，如果我们要以“光速”从纽约飞到伦敦，那就意味着天气状况绝佳、没有交通拥堵，而且乘坐的是超音速飞机。有了这个理想化的速度作为参照，经理们就可以根据实际情况，制定出一个既切实可行又能让人眼前一亮的交付时间表。舒奎斯特跟我说：“这个方法听起来好像很难，但实际上，它真的能帮你减轻不少压力。
光速其实是基于第一性原理的极限推理。知道极限，才能更好规划当下。
3. 第一性原理
起初，黄仁勋对此表示怀疑。这种被称为“并行计算”的方法，之前已有超级计算机供应商尝试过。“硅谷遍布并行计算平台公司失败的例子，”他说，“除了我们，没有别家并行计算公司被创立过——没有，一家也没有。”（他有时说话会稍显夸张。）但之后，黄仁勋开始从第一性原理进行推理。他猜测卡马克不会满足于仅有两个独立的像素管线。随着射击游戏日益复杂，他总会想要更多。想象一下，一个场景中有很多光源：灯光璀璨的竞技场、多把枪支同时开火、远处一艘宇宙飞船坠毁，还有一个双太阳照耀的世界。如果3dfx为每个光源都专门设计一块芯片，最终电路板上将满满当当。满足卡马克未来需求的唯一方法，就是在单块硅芯片上增加管线。”“不过，在做出决定之前，黄仁勋必须做好万全的准备。他得了解，这种方法过去为何屡试屡败。
在CPU的串行方式走到摩尔定律极限的时候，并行计算带来了新的范式革命：GPU+CPU，提供了更好的解决方案，这就是今天的NV 72系统。有一个，还会想要更多，体验更好，就是这个第一性的基础。
尼科尔斯察觉到业内对此问题持否认态度，尤其是英特尔公司，他们自信地预测，缩小晶体管的尺寸就能实现性能的线性提升，直到其元件缩小到仅一个原子宽。尼科尔斯却认为这不可能实现，于是在2003年初，他主动给黄仁勋写了一封信，阐述了他的观点。在信中，尼科尔斯对现在的局面没有感到惊慌失措，也没有夸大其词。相反，他凭借精确而适度的紧迫感，运用电学原理，解释了为何英特尔在半导体行业的长期霸主地位即将终结。黄仁勋表示：“我们之前已经预见到了这种趋势，但正是尼科尔斯让我确信摩尔定律真的已经走到尽头。他为公司今天的辉煌成就做出了巨大贡献。
尼科尔斯20年前就看到了摩尔定律的终结，之后进入英伟达，英伟达的创新不是摩尔定律的延续，而是超越，所以带来真正革命性的不是晶体管数量，而是并行计算+CUDA。这也是去理解去竞争力的核心。
cuDNN是一个专为加速CUDA平台神经网络开发而设计的软件库。卡坦扎罗决定越过层级，直接向黄仁勋陈述自己的观点。“出乎卡坦扎罗意料的是，黄仁勋对他的理念产生了浓厚的兴趣。在二人的首次会面之后，黄仁勋甚至推掉了所有安排，整整一个周末都埋头钻研人工智能这一他之前几乎未曾涉猎的领域。而在随后的会面中，卡坦扎罗惊讶地发现，他的上司对神经网络的理解已然与他旗鼓相当，甚至可能更为深入。黄仁勋的CUDA决策如同一场豪赌，使公司踏入了深邃莫测的未知领域。10年来，他始终站在船头，远望彼岸。如今，仿佛他已寻得传说中的亚特兰蒂斯。他全心投入研究与电话会议中，每多了解一分，他的兴奋便增添一分。至2013年中，已经按捺不住内心强烈的共鸣。他将卡坦扎罗召至自己用来办公的会议室，告知他，自己视cuDNN为公司20年历程中最为重要的项目。
黄仁勋告诉我，他只是基于第一性原则进行推导。“既然它们能解决完全无结构的计算机视觉问题，那就引出了一个问题：‘还有什么可以教给它们？’”黄仁勋说道。答案似乎就是：所有事物。黄仁勋断定，神经网络将彻底变革社会，而他可以通过CUDA占据必要的硬件市场。他宣告，自己将举公司之力投入这个项目的发展。“他在周五晚间发了封电子邮件，说我们将全面转向深度学习，不再只是一家图形芯片公司，”英伟达副总裁格雷格·埃斯特斯（Greg Estes）讲述道，“到了周一早上，我们已经转型为一家AI芯片公司。真的，转变就这么快。”“就在几个月前，黄仁勋刚满50岁。“2014年初，cuDNN即将面世。在2014年的GTC大会上，黄仁勋登台推介此项成果，这是英伟达21年历程中首次公开与AI的联合。
从视觉推向万物，就是神经网络从图片，走向语言，走向AGI的关键推理。NV也发现了真正的大机会。
在OpenAI组建团队之际，黄仁勋开始为他们量身打造一台计算机，DGX-1。研发过程是从最基础的原子层面开始的。台积电当时提供了一种名为鳍式场效应晶体管（FinFET）的制造技术，其中的晶体管就像鲨鱼鳍一样从硅基底上凸起。如果你能缩小到站在硅的光滑表面上，那些鳍状的晶体管会看起来像板式公寓楼一样，在每个方向上高耸200个原子。这些晶体结构与其说是“印刷”出来的，不如说是用紫外线光以极高的精度雕刻而成，这种精度足以让文艺复兴时期的大师们叹为观止。工程师们形容这一制造过程，就好比从月球表面发射激光，要精确击中阿肯色州人行道上的一枚硬币一样。英伟达的首款FinFET芯片架构被命名为帕斯卡，以致敬17世纪的哲学家兼数学家布莱兹·帕斯卡，他发明了首台机械计算器，这是他众多成就之一。这一命名蕴含着对计算领域主要瓶颈的隐喻，长久以来，计算速度都是难以突破的桎梏。从帕斯卡的齿轮驱动加法机，到ENIAC的真空管，再到英特尔和IBM的微型芯片，计算机在执行算术运算时始终未能达到理想速度。然而，英伟达于2016年4月发布的P100，其计算速度竟超越了数据向机器的传输速度。凭借这些芯片，计算速度不再是核心难题。“计算机”已超越了单纯的“计算”行为。
DGX-1的成功也有相当的偶然性和巧合，如果不是恰巧碰上TSM升级FinFET，可能也没有今天的NVDA了。P100还因此能加载更高的电压，带来更快的速度，以及及早发现传输InfiniBand的重要性。
机械进化会……会毁掉工作机会吗？”黄仁勋越来越气愤，声音也不由自主地提高。“难道计算器的出现就毁灭了数学吗？这种问题真是老掉牙了，我听得耳朵都生茧了，”他抱怨道，“我不想再谈这个话题了！同样的问题，反复讨论，没完没了。想想看，我们发明了农业，让生产食物的边际成本几乎归零，这对社会难道不是好事吗？我们大规模生产电力，使砍伐树木、生火、携带火把的成本几乎为零，然后我们就可以腾出手去做更多其他的事情了。紧接着，我们会去降低计算的边际成本——长除法！我们将其降至零！”他的嗓门开始提高：“我们一直在努力将各种事物的边际成本降为零，一代一代又一代，而这样的争论每次都会上演！
虽然是愤怒的回答，但依然能直指问题的核心：算力的边际成本为零后的未来，一定是更广泛的使用，带来更大的革命性变化，并因此创造一个更好的未来。
4. AI与洞见
邱教授选择使用游戏显卡来组建自己的计算机，这恰恰代表了英伟达的典型客户。通过发布支持CUDA的零售显卡，英伟达正将产品推向那些即便是最不起眼的科学家——他们通常怀揣热情，却由于研究领域的冷门而负担不起昂贵的工作站。在这一方面，黄仁勋再次践行了克里斯坦森的理念。克里斯坦森观察到，颠覆性技术往往源自业余爱好者的社群。这些技术利用“盗版资源”得以开发，其中“现成组件”被重新赋予新的用途。起初它们可能表现不稳定，但在那些被主流玩家所忽视的性能方面，能迅速取得进展。
爱好者标签带来的颠覆性，难得是黄老板能够如此敏锐的关注到，还清楚意识到其重要性。
当辛顿的同事研发出一种能够超越最先进的行人识别软件的神经网络时，他甚至连让论文被会议接纳的机会都没有。“人们的反应是，这不算数，因为它没有解释计算是如何完成的——它根本没有给我们带来任何新的洞见。”辛顿说道。辛顿曾反驳说，没有人能够理解如何用数学语言来描述生物大脑处理语言的方式，但这个论点并未能为他赢得更多的支持。当时的人工智能界并不满足于仅仅模仿智能——他们渴望的是破解它。辛顿认为，试图去破解大脑的功能显得有些荒谬，就好比试图去解析肾脏的功能，然而，这样的观点并未能为他争取到更多认同。为了掩盖他的工作内容以便更顺利地获取资金支持，他与其他神经网络研究者共同选择将他们的研究描述为“机器学习”，有时也称作“深度学习”，却唯独避免提及“人工智能”一词。
像大脑一样搞不懂，但能输出好结果，可能就重要了。基本原理搞清楚至少不是工程学问题。
茨克弗难掩兴奋之情：GPU的速度简直前所未有，比他以往所见的任何技术都要快上数百倍。从苏茨克弗首次接触神经网络起，他就深信其具有巨大潜力。在他看来，用神经网络进行计算机智能运作似乎是理所当然的方式。“倘若你愿意相信人工神经元与生物神经元有些许相似之处，那么它们理应能够完成我们所能做的一切，”苏茨克弗对我说道，“如果你愿意相信它们可以更进一步，那么你实际上就是在训练一个大脑。”过去，这种方法总是受到硬件的限制，然而如今，GPU在半分钟内就能完成英特尔机器需要1个小时才能完成的任务，而同样的任务，生物学上则需要耗费10万年的时间。
颠覆性的时刻，半分钟 vs 1小时，已经是2个数量级的提升了。
云服务提供商以“每小时每个GPU几美元”的价格进行报价，而新款英伟达芯片组的费用接近3美元。（相比之下，访问类似的英特尔CPU仅需几美分。）以这样的速度，训练类似AlexNet的昆虫大脑大约需要500美元，但研究人员正在开发更为雄心勃勃的模型，这些模型拥有数十亿个参数，训练成本高达数百万美元。尽管训练成本高昂，但如果操作得当，它可以实现自我回报，正如谷歌努力展示的那样：通过利用神经网络优化其服务器网络的能耗，谷歌每年在电费上节省了数亿美元，几乎立即收回了其在AI上的投资成本。谷歌还为其照片应用推出了图像识别工具，为用户图片创建自动标签，并利用AI提高了搜索结果的质量。
最初的AI芯片投资，收回投资很快。这个领域也是黄仁勋多次提到的现有数据中心升级为AI数据中心的改造机会，会有很好的回报率，而不是亏钱。
黄仁勋敏锐地发现，租赁虚拟计算设备比销售实体硬件更具盈利潜力。于是，在2017年，他推出了两个租赁平台。首先是GeForce Now，这个平台提供虚拟显卡的租赁服务，让那些使用性能不足设备如笔记本电脑和廉价个人电脑的用户也能畅玩高端游戏。借助GeForce Now，黄仁勋已为未来某一天可能终结其长达25年的核心业务做好了准备，因为他深知，如果自己不主动变革，就会有别人来取代他。在黄仁勋眼中，这样的做法对切博塔尔的时间利用并不高效。他认为，曲棍球的物理参数完全可以在计算机上进行模拟。事实上，“模拟”这一理念在黄仁勋的职业生涯中一直占据重要地位。凡是能模拟的事物，他都会尝试去模拟，而这通常也为他带来了丰厚的利润和创新的产品。现在他明白了，仅仅模拟一件事是远远不够的；他得模拟所有事物。“我们得构建一个替代宇宙。”黄仁勋表示。
云GPU服务就是AI 工厂的雏形，模拟就是今天Ominiverse的原型，一切都开始快十年了，不是新鲜事。
乌斯科雷特期望能构建一个神经网络，其智能程度能随阅读量的增长而提升。在2014年的某个时刻，他脑海中闪现出一个创新理念：倘若更多的数据能带来更出色的成果，那么处理这些信息的底层架构理应尽可能简洁。他的这一灵感源自生物学——医学扫描显示，在人类大脑中约1 000亿个神经元里，仅有不到1%的神经元负责语言处理。“语言或许正是为了充分利用我们的认知能力，才以这样的方式进化而来。”他在2023年的一次访谈中如此表述。项目尾声，团队进行了“消融”实验，故意关闭部分Transformer代码以探究其作用。但出人意料的是，消融实验竟让核心Transformer功能表现更佳。沙泽尔大刀阔斧地剔除冗余代码，最终所剩无几。最原始形态的Transformer简洁至极，几乎不超过20行代码。
语言的重要性正是因为其1%的神经元占用，却驱动了100%的大脑。这个关键之处也带给我对现在ChatGPT的重新思考，如果不理解这个2个数量级之间的关系和语言的特别之处，就很难理解一个聊天窗口如何能在未来带给我们AGI了。
GPT-1于2018年6月问世。它通过学习BookCorpus来掌握阅读技能。BookCorpus是一个包含了约7 000本免费出版物电子书的开源文本语料库。GPT-2能够在没有明确训练的情况下回答新问题，这就是AI中“涌现”特性的一个例子。这些意想不到的技能和行为随着模型规模的扩大而涌现，甚至令研究人员感到惊讶。一旦模型跨过涌现的门槛，任何人，甚至连它的设计者，都无法说出它完全能够做些什么。GPT-1拥有约1亿个参数，相当于昆虫级别的大脑。GPT-2拥有15亿个参数，这规模好比一只小蜥蜴。而苏茨克弗的下一个模型目标，是达到1 000亿个参数——一只啮齿动物的级别。人类大脑可能拥有200万亿个突触；无论是否实现AGI，OpenAI都渴望超越这一数字。英伟达正在组建苏茨克弗所需的计算堆栈，这是一个集成的、仓库规模的解决方案。黄仁勋不再将其称为超级计算机或数据中心，而是称之为“AI工厂”。
200T模型才是下一步，才和人接近。千亿模型还是老鼠阶段。
AMD与英特尔均推出了CUDA的开源替代品，旨在帮助客户摆脱对英伟达硬件的层层依赖，从而有望节省数十亿美元的成本。然而，这些AMD或英特尔的产品却鲜有AI研究人员问津。这究竟是何缘故？英伟达之所以成功，并非因为它的电路更出众，而是因为它的软件更优秀。现如今，性能的提升中仅有一小部分来源于经典策略——在芯片中塞入更多的晶体管，毕竟摩尔定律已不再适用。而其余的性能提升，则归功于比尔·戴利、伊恩·巴克以及其他英伟达的科学家们，他们通过精妙的数值计算加速了矩阵乘法。2012—2022年，英伟达在单芯片AI推理性能上实现了惊人的千倍加速，这一成就远超摩尔定律以往的任何突破。其中，仅有2.5倍的加速来源于晶体管的增加，而高达400倍的加速则归功于英伟达的数学工具集。
英伟达的真正伟大之处在于CUDA。
2020年，OpenAI发布了GPT-3模型。直到2022年末，苏茨克弗及其团队发布了与最新OpenAI模型互动的聊天机器人ChatGPT，这些模型才开始受到世人的关注。这些模型的内部工作机制是保密的。此时，微软已向OpenAI的有限利润子公司投资了至少100亿美元，并不愿向竞争对手透露任何专有数据。据悉，ChatGPT为适应人类对话进行了微调，不仅利用了互联网文本，还融入了YouTube视频的转录和来自授权第三方来源的数据——保守估计，该模型至少包含1万亿个参数，与猫大脑中的突触数量相当。
猫！但不是一般的猫，而是会说话的猫，掌握语言技能的猫，强大的猫、带来革命性改变的猫！甚至，就连猫这个词似乎都和上个互联网时代的modem猫有异曲同工之妙了，难以言表。
5. 股价与投资
2001年夏季至2002年秋季，英伟达的股价暴跌超过90%，黄仁勋的财富也随之大跌。问题的源头可以追溯到2002年1月，当时美国证券交易委员会对英伟达的财务操作展开了调查。此类调查曾揭露出世通公司（Worldcom）和安然公司通过虚报利润进行的欺诈行为，引发了人们对企业欺诈的广泛怀疑。
互联网泡沫的时刻，NV其实是盈利企业，不是纸面富贵玩眼球经济、入不敷出的那种，但居然也能够暴跌如此之多。真是倾巢之下，安有完卵？
而CUDA带来的最大的隐性成本，可能是它分散了黄仁勋对核心客户服务的关注。早在2006年底，就有传闻称英伟达的产品存在问题，游戏玩家抱怨笔记本电脑中的GPU在使用数周后会停止工作。当问题被确认时，游戏论坛上已充斥着各种阴谋论，发帖者指责英伟达错误地将芯片连接到了电路板下的焊接“凸点”上。“凸点门”事件爆发，游戏玩家开始转向竞争对手，英伟达股价再次暴跌，6年内第二次损失了近90%的市值。董事会成员查看股票图表时，甚至将其比作心脏病发作时的心电图。
一次产品事故，就又能带来一次90%的暴跌。这次是业绩亏损了。
2016年，英伟达的股价飙升了224%，这让黄仁勋重获荣光，再度跻身亿万富翁行列。不过，在当年的标准普尔500指数中，表现最抢眼的股票并非英伟达，而是其长期竞争对手AMD，其股价涨幅高达309%。
这个点入场依然不晚，但如果进入到AMD，就成了一场灾难。这样的时刻如果选作投资的话，AMD一定是最稳定的，不够冒险，却是最差的结果。还是要All IN真正想去投资的，而不是在该冒险时选择保守。
2017年1月，英伟达宣布首次实现年利润10亿美元。2017年底，英伟达的利润已增长至年初的3倍，高达30亿美元，其各条产品线的增长均呈现迅猛态势。这家曾被人忽视的显卡公司，如今已成为华尔街的重要角色，市值更是达到了惊人的1 000亿美元。
这个时刻去投资，依然有50x的回报了。所以投资时刻永远不晚。唯一的问题是今天，今年NVDA的净利润过1000亿美元了，还能继续参与吗？天花板已经是要触碰全球GDP了。
6. 趣事
不过，他已经得到了LSI创始人科里根的支持。次日，黄仁勋与普里姆便前往红杉资本办公室，向以直言不讳著称的创始人唐·瓦伦丁（Don Valentine）进行推介。瓦伦丁常向初创公司提出的问题是：“谁在乎呢？”推介会的进展并不顺利，黄仁勋在演示中磕磕绊绊，而普里姆则时不时插入一些与主题不相关的技术细节。在这次令人失望的表现之后，瓦伦丁把黄仁勋拉到一旁。“嗯，表现得不太理想，”他说道，“但科里根和我说必须资助你们，所以你们可以开始干活了。
论贵人的重要性。决定性的结论早在见面之前就做出了。
英伟达以其芯片架构命名来致敬过去的杰出科学家：居里、特斯拉、费米、开普勒、麦克斯韦、帕斯卡、图灵、伏打、安培、洛夫莱斯、霍普以及布莱克威尔。随后的芯片组中包含了专为AI设计的电路，确保了数据中心托盘的持续升级需求。这种每6个月一次的升级周期引发了供应商们的抢购热潮，为机器学习领域的先锋们带来了巨大的利润。
下一代已经是Vera Rubin了，这样的命名方式真好。忘记历史就意味着背叛，将历史嵌套进产品，相信能更好的面对未来。