Re: [請益] GTC大會是利多新聞該下車的訊號?已刪文
對於老黃GTC到底想幹啥 可以參照底下演講 這演講其實點出很多很重要的關鍵概念
尤其是19:15那邊 你可以把語速調回0.75倍變為正常速度
19:15其實那邊就是layout AI Foundry那個pdf RAG延伸版概念 (註1)
https://www.youtube.com/watch?v=ER4xNhSVJ2c
老黃的優點就是他擅長拿別人的好主意整合到自己商業模式 從以前蘇媽HBM到台積代工
甚至turnkey solution 現在則是用張忠謀代工模式+自己生態圈打造AI as a Service
遙想一下以後的未來 你手上有你這個產業才有的數據 你想用AI來幫助你解決一些問題
這時候你可以 1.花一堆錢雇用做AI相關的人 然後幫你處理數據 然後用算力掃描
這些大量數據 接者你昂貴的AI工程師會跟你說 誒誒誒 那個訓練出來結果不太對
learning rate到10e-6時 curve沒辦法再更下去了 performance好像會overfit
我換另外一個2B foundation model試試看 歐歐 等等 我用的GPU好容易gradient
overflow 或者誒誒 這邊有100多種Foundation Model我不確定哪個好 讓我一個個試
又或者那個算力不夠 我得把GPU數量提高到1000但我不是用NVDA的 所以系統給我crash
讓我找GPU廠商去修 又或者好不容易fine-tune完成(客製化模型) 要到deploy時
誒誒誒 那個系統又崩了 因為他無法查詢數量超過一萬個以上藥物
但此時老黃會跟你說 其實你不用自己造輪子 我這邊手上有全世界最好的AI工程師
這邊是我們的包算力方案 我們會協助你用我們AI資料庫裡面Foundation Model
來根據你數據做Fine-tuning你想要針對某組DNA去探討藥物效果 沒問題
fine-tuing訓練過程有任何問題 我們這邊會派駐場AI工程師線上協助你們
什麼算力不夠 好 這邊是我們的H700套餐 歐歐歐 你想在infernece上可以支援上萬組藥物效用查詢
好 這邊是我們AI加速SQL套餐 歐歐歐 什麼 你想一個inference系統能支援各種國家
數萬個科學家和資料庫的搜尋 沒問題 這邊是我們超巨大雲端系統 有最快的連網速度
價位是xxxxxxx
所以AI Foundry最大意義 就是降低這個AI落地門檻 利用自家生態圈
在training/inference搭配雲端整合和自家傑出工程師 幫你代工AI商業模式
就像當年台積電把ic設計 把這門檻降低(以前AMD/Intel都要自己養一個晶圓工廠)
也像是當年聯發科把手機系統廠門檻降低 任何白牌照抄聯發科turnkey solution
而每次底下廠商陪你練功(Fune-tune)久了也知道如何去客製化AI落地產品(Fine-uning)
就像當年聯發科的Turneky solution你要的軟體硬體都會有人幫妳弄了
也像是蘋果和台積駐場工程師一起看設計圖(數據)搭配不同算力(3nm/5nm/7nm)
提出方案 要知道你在美國你還找得到一些不錯AI詠唱師跟你一起搞第一套方案
如果沒有長期玩過AI鍊金術這玩意 你在訓練大模型 很容易會訓練失敗..尤其台灣
到現在都還沒A100..像台灣現在想搞個數位醫生自動看診(我知道華碩和各醫院有在搞)
那個搭建門檻是無敵的高 我之前看到他們開的AI工程師月薪x萬元 ...幫台灣QQ
AI三重點 數據 算力 算法 要知道 數據這玩意是搶不走的 老黃有後面兩個
所以NVDA更不像當年聯電可以抄上游設計廠商架構然後自己去搶市場 當年思科還停留
在賣鏟子 老黃已經進階到賣系統生態圈整個大架構 幫你實現你的AI點子 只要你有數據
所以GTC兩重點 BlackWell和AI Foundry 後者瞄準的是要提供給所有中小企業解鎖門檻
讓全世界中小企業自家數據打造能客製化賺錢產物 更別說上面老黃演講還講了
Conitnuious Training->Inference->Training->Inference這種完全不讓其他廠商搶蛋糕
的系統模式 所以接下來財報觀察重點就是 要觀察AI代工這概念是否能起飛
張忠謀當年花了20多年讓晶圓代工解鎖ic設計門檻 老黃不知道會花多少年來解鎖AI
入門落地門檻 以AI as a Service連到Inference落地化 這個章節是這次GTC主題
全面產業 機器人 金融 法律 醫療 藥物 所有提高生產力工具 只需要有數據
不管是硬體 軟體 訓練 或 推論 又或者客製化AI煉金術的訓練參數 老黃NVDA通通給你!
當年cisco還停留在賣鏟子 下游廠商自己搭建軟體業務 老黃已經走出這個階段
開始販賣軟體硬體整合服務了QQ
--
QQ 等我有錢 我會去老黃那下單 弄個數位版a33 24小時常駐股版 來振奮多軍!!!
--
註1 RTX Chat
https://www.youtube.com/watch?v=Hwn49QenXWg
補一個用multi-modal foundation model在醫療運用案例
https://www.youtube.com/watch?v=N3wJwz97b8A
※ 引述《LDPC (Channel Coding)》之銘言:
: GTC就要開始了 禮拜一早上是最後賭盤下注的時間 忘記哪邊統計過GTC以來
: 只有一次股票沒漲過 平均股價在GTC期間會漲5%
: 如果有興趣一些接下來AI落地走向 可以參考此talk 裡面滿多資訊
: https://www.youtube.com/watch?v=QNn0XJ3Ev7o
: 最主要的takeaway就是老黃已經有商業部門在面向企業部門販賣AI as a Service
: 稱之為AI Foundry (細節參照 https://zhuanlan.zhihu.com/p/670193221 )
: AI三大焦點 資料 算法 算力 接下來所有大部分AI產業都會圍繞資料這塊
: https://www.eetrend.com/content/2023/100576059.html
: AI Foundry大體而言可理解如下
: 企業內部私密資料 透過老黃販賣的Foundation Model
: 能客製化(fine-tune)變成專門服務企業自有AI生產力工具 能封閉私密加速企業生產力
: 像是Nemo可以給HR/Legal/Finance/Accounting部門 以前需要多語專業會計或Legal人員
: 都可以被用AI Foundry模式簡化人力甚至增加工作範圍影響力
: 其他還有針對虛擬空間生產力幫助影音生產業者 而各企業資料(Data)
: 會變成Content Creation的生產工具
: 接下來所有各產業AI落地重點 就是如何提供基礎大模型客製化給顧客企業增加生產力
: 這意味者所有以前Saleforce所要做的雲端生產力工具 會透過AI Foundry面向全世界
: 中小企業 藉由大模型透過各企業自己產業數據特制化 這也意味者老黃有機會綁著自家
: Inference一套設備 透過AI Foundry販賣給企業...醫療 生藥 電影 財經 法務
: 這是個全面性的很有野心的生產力Turn-key solution藍圖
: 但對一般來說小老百姓 這類的AI落地 是我們無法感受到的
: 這也意味AI落地化 個人生產力部分應該會在企業生產力之後
: QQ...簡言之 老黃已經不在只滿足賣鏟子了 他要搶雲端生產力工具了 會搭配軟體端下手
: 禮拜一我應該會做近期最後一次加碼了 如果接下來老黃會在GTC講他要的遠景
: 諸如AI網路基建和軟體應用在企業端的生產力特製化AI服務 那NVDA前景一光明
: 反之 如果不是像網路上這些前期資料 那我們大家公園見!!QQ
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 24.4.211.194 (美國)
※ 文章網址: https://www.ptt.cc/bbs/Stock/M.1711257904.A.580.html
※ 編輯: LDPC (24.4.211.194 美國), 03/24/2024 13:27:39
※ 編輯: LDPC (24.4.211.194 美國), 03/24/2024 13:28:20
→
03/24 13:28,
1月前
, 1F
03/24 13:28, 1F
推
03/24 13:29,
1月前
, 2F
03/24 13:29, 2F
推
03/24 13:29,
1月前
, 3F
03/24 13:29, 3F
推
03/24 13:31,
1月前
, 4F
03/24 13:31, 4F
→
03/24 13:31,
1月前
, 5F
03/24 13:31, 5F
→
03/24 13:31,
1月前
, 6F
03/24 13:31, 6F
→
03/24 13:31,
1月前
, 7F
03/24 13:31, 7F
推
03/24 13:36,
1月前
, 8F
03/24 13:36, 8F
→
03/24 13:36,
1月前
, 9F
03/24 13:36, 9F
推
03/24 13:39,
1月前
, 10F
03/24 13:39, 10F
推
03/24 13:42,
1月前
, 11F
03/24 13:42, 11F
→
03/24 13:43,
1月前
, 12F
03/24 13:43, 12F
→
03/24 13:44,
1月前
, 13F
03/24 13:44, 13F
→
03/24 13:46,
1月前
, 14F
03/24 13:46, 14F
→
03/24 13:46,
1月前
, 15F
03/24 13:46, 15F
→
03/24 13:47,
1月前
, 16F
03/24 13:47, 16F
→
03/24 13:47,
1月前
, 17F
03/24 13:47, 17F
→
03/24 13:48,
1月前
, 18F
03/24 13:48, 18F
→
03/24 13:49,
1月前
, 19F
03/24 13:49, 19F
→
03/24 13:50,
1月前
, 20F
03/24 13:50, 20F
→
03/24 13:51,
1月前
, 21F
03/24 13:51, 21F
→
03/24 13:52,
1月前
, 22F
03/24 13:52, 22F
推
03/24 13:53,
1月前
, 23F
03/24 13:53, 23F
→
03/24 13:54,
1月前
, 24F
03/24 13:54, 24F
推
03/24 13:55,
1月前
, 25F
03/24 13:55, 25F
→
03/24 13:55,
1月前
, 26F
03/24 13:55, 26F
→
03/24 13:55,
1月前
, 27F
03/24 13:55, 27F
→
03/24 13:55,
1月前
, 28F
03/24 13:55, 28F
→
03/24 13:56,
1月前
, 29F
03/24 13:56, 29F
→
03/24 13:56,
1月前
, 30F
03/24 13:56, 30F
→
03/24 13:57,
1月前
, 31F
03/24 13:57, 31F
※ 編輯: LDPC (24.4.211.194 美國), 03/24/2024 13:59:06
推
03/24 13:57,
1月前
, 32F
03/24 13:57, 32F
→
03/24 13:57,
1月前
, 33F
03/24 13:57, 33F
推
03/24 13:58,
1月前
, 34F
03/24 13:58, 34F
→
03/24 13:58,
1月前
, 35F
03/24 13:58, 35F
→
03/24 13:58,
1月前
, 36F
03/24 13:58, 36F
→
03/24 13:59,
1月前
, 37F
03/24 13:59, 37F
→
03/24 14:00,
1月前
, 38F
03/24 14:00, 38F
推
03/24 14:00,
1月前
, 39F
03/24 14:00, 39F
→
03/24 14:01,
1月前
, 40F
03/24 14:01, 40F
→
03/24 14:01,
1月前
, 41F
03/24 14:01, 41F
→
03/24 14:02,
1月前
, 42F
03/24 14:02, 42F
→
03/24 14:03,
1月前
, 43F
03/24 14:03, 43F
→
03/24 14:04,
1月前
, 44F
03/24 14:04, 44F
→
03/24 14:05,
1月前
, 45F
03/24 14:05, 45F
→
03/24 14:06,
1月前
, 46F
03/24 14:06, 46F
→
03/24 14:06,
1月前
, 47F
03/24 14:06, 47F
→
03/24 14:07,
1月前
, 48F
03/24 14:07, 48F
→
03/24 14:07,
1月前
, 49F
03/24 14:07, 49F
→
03/24 14:08,
1月前
, 50F
03/24 14:08, 50F
→
03/24 14:09,
1月前
, 51F
03/24 14:09, 51F
→
03/24 14:09,
1月前
, 52F
03/24 14:09, 52F
→
03/24 14:10,
1月前
, 53F
03/24 14:10, 53F
→
03/24 14:10,
1月前
, 54F
03/24 14:10, 54F
→
03/24 14:11,
1月前
, 55F
03/24 14:11, 55F
→
03/24 14:13,
1月前
, 56F
03/24 14:13, 56F
→
03/24 14:14,
1月前
, 57F
03/24 14:14, 57F
→
03/24 14:16,
1月前
, 58F
03/24 14:16, 58F
推
03/24 14:17,
1月前
, 59F
03/24 14:17, 59F
→
03/24 14:17,
1月前
, 60F
03/24 14:17, 60F
推
03/24 14:18,
1月前
, 61F
03/24 14:18, 61F
推
03/24 14:19,
1月前
, 62F
03/24 14:19, 62F
推
03/24 14:22,
1月前
, 63F
03/24 14:22, 63F
推
03/24 14:23,
1月前
, 64F
03/24 14:23, 64F
→
03/24 14:23,
1月前
, 65F
03/24 14:23, 65F
→
03/24 14:23,
1月前
, 66F
03/24 14:23, 66F
→
03/24 14:23,
1月前
, 67F
03/24 14:23, 67F
推
03/24 14:31,
1月前
, 68F
03/24 14:31, 68F
推
03/24 14:32,
1月前
, 69F
03/24 14:32, 69F
→
03/24 14:32,
1月前
, 70F
03/24 14:32, 70F
→
03/24 14:32,
1月前
, 71F
03/24 14:32, 71F
→
03/24 14:32,
1月前
, 72F
03/24 14:32, 72F
推
03/24 14:34,
1月前
, 73F
03/24 14:34, 73F
推
03/24 14:45,
1月前
, 74F
03/24 14:45, 74F
推
03/24 14:50,
1月前
, 75F
03/24 14:50, 75F
→
03/24 14:51,
1月前
, 76F
03/24 14:51, 76F
→
03/24 14:51,
1月前
, 77F
03/24 14:51, 77F
推
03/24 14:51,
1月前
, 78F
03/24 14:51, 78F
→
03/24 14:52,
1月前
, 79F
03/24 14:52, 79F
→
03/24 14:52,
1月前
, 80F
03/24 14:52, 80F
→
03/24 14:52,
1月前
, 81F
03/24 14:52, 81F
→
03/24 14:54,
1月前
, 82F
03/24 14:54, 82F
推
03/24 14:55,
1月前
, 83F
03/24 14:55, 83F
推
03/24 14:56,
1月前
, 84F
03/24 14:56, 84F
推
03/24 14:58,
1月前
, 85F
03/24 14:58, 85F
討論串 (同標題文章)
完整討論串 (本文為第 3 之 3 篇):