À un moment donné, il faut croire en quelque chose.

Nous avons réinventé l'informatique telle que nous la connaissons.

Quelle est la vision de ce que vous voyez venir ensuite ?

Nous nous sommes demandé : s'il peut faire ça, jusqu'où peut-il aller ?

Comment passer des robots que nous avons aujourd'hui au monde futur que vous voyez ?

Clairement, tout ce qui bouge sera robotisé un jour. Et ce sera bientôt.

Nous avons investi des dizaines de milliards de dollars avant que cela ne se produise réellement.

Non, c'est très bien. Vous avez fait des recherches.

Mais la grande percée, c'est quand nous...

C'est Jensen Huang.

Et que vous le sachiez ou non, ses décisions façonnent votre avenir.

C'est le PDG de Nvidia, l'entreprise qui a connu une ascension fulgurante ces dernières années pour devenir l'une des entreprises les plus valorisées au monde.

Parce qu'ils ont mené un changement fondamental dans le fonctionnement des ordinateurs, déclenchant l'explosion actuelle de ce qui est possible avec la technologie.

Nvidia l'a encore fait.

Nous nous sommes retrouvés à être l'une des entreprises technologiques les plus importantes au monde, et potentiellement de l'histoire.

Une énorme quantité de technologies les plus futuristes dont vous entendez parler dans l'IA, la robotique, le jeu, les voitures autonomes et la recherche médicale de pointe repose sur de nouvelles puces et de nouveaux logiciels conçus par lui et son entreprise.

Lors des dizaines d'entretiens de fond que j'ai réalisés pour préparer cela, ce qui m'a le plus frappée, c'est à quel point Jensen Huang a déjà influencé toutes nos vies au cours des 30 dernières années et combien de personnes ont dit que ce n'était que le début de quelque chose d'encore plus grand.

Nous devons tous savoir ce qu'il construit et pourquoi. Et surtout, ce qu'il essaie de construire ensuite.

Bienvenue dans Huge Conversations.

Merci beaucoup de faire cela.

Je suis très heureux de le faire.

Avant de plonger, je voulais vous dire en quoi cet entretien va être un peu différent des autres entretiens que je vous ai vu accorder récemment.

D'accord.

Je ne vais pas vous poser de questions sur les finances de l'entreprise.

Vous pouvez me demander tout ce que vous voulez.

Merci. Je ne vais pas vous poser de questions sur votre style de gestion ou sur la raison pour laquelle vous n'aimez pas les entretiens individuels. Je ne vais pas vous interroger sur les réglementations ou la politique. Je pense que toutes ces choses sont importantes, mais je pense que notre public peut trouver ces sujets bien traités ailleurs.

D'accord.

Ce que nous faisons sur Huge If True, c'est que nous réalisons des vidéos explicatives optimistes. Et nous avons traité...

Mon Dieu, je suis la pire personne pour une vidéo explicative.

Je pense que vous pourriez être le meilleur. C'est ce que j'espère vraiment que nous pourrons faire ensemble : réaliser une vidéo explicative conjointe sur la manière dont nous pouvons réellement utiliser la technologie pour améliorer l'avenir. Et we le faisons parce que nous pensons que lorsque les gens voient ces futurs meilleurs, ils aident à les construire.

Ainsi, les personnes à qui vous allez parler sont géniales. Ce sont des optimistes qui veulent construire ces futurs meilleurs. Mais parce que nous couvrons tant de sujets différents, des avions supersoniques aux ordinateurs quantiques en passant par les collisionneurs de particules, cela signifie que des millions de personnes regardent chaque épisode sans aucune connaissance préalable.

Vous pourriez parler à un expert dans son domaine qui ne connaît pas la différence entre un CPU et un GPU.

Gros problème.

Ou à un enfant de 12 ans qui pourrait grandir un jour pour devenir vous, mais qui commence tout juste à apprendre. Pour ma part, je prépare cet entretien depuis plusieurs mois, y compris des conversations de fond avec de nombreux membres de votre équipe, mais je ne suis pas ingénieure. Mon objectif est donc d'aider ce public à voir l'avenir que vous voyez.

Je vais donc poser des questions sur trois domaines. Le premier est : comment en sommes-nous arrivés là ? Quelles ont été les idées clés qui ont mené à ce grand changement fondamental dans l'informatique que nous vivons actuellement ? Le deuxième est : que se passe-t-il réellement en ce moment ? Comment ces idées ont-elles mené au monde dans lequel nous vivons aujourd'hui, où il semble se passer tant de choses à la fois ? Et le troisième est : quelle est la vision de ce que vous voyez venir ensuite ?

Pour parler de ce grand moment que nous vivons avec l'IA, je pense que nous devons revenir aux jeux vidéo des années 90.

À l'époque, je sais que les développeurs de jeux voulaient créer des graphismes plus réalistes, mais le matériel ne pouvait pas suivre tous ces calculs mathématiques nécessaires.

Pas assez de maths.

Nvidia a trouvé une solution qui allait changer non seulement les jeux, mais l'informatique elle-même. Pourriez-vous nous ramener là-bas et expliquer ce qui se passait et quelles ont été les idées qui vous ont amené, vous et l'équipe de Nvidia, à créer le premier GPU moderne ?

Au début des années 90, quand nous avons lancé l'entreprise, nous avons observé que dans un programme logiciel, il n'y a que quelques lignes de code, peut-être 10 %, qui effectuent 99 % du traitement. Et ces 99 % du traitement pourraient être effectués en parallèle.

Cependant, les autres 90 % du code doivent être exécutés de manière séquentielle. Il s'avère que l'ordinateur approprié, l'ordinateur parfait, est celui qui peut effectuer un traitement séquentiel et un traitement parallèle, et pas seulement l'un ou l'autre. C'était l'observation majeure. Et nous avons entrepris de bâtir une entreprise pour résoudre les problèmes informatiques que les ordinateurs normaux ne peuvent pas résoudre. Et c'est vraiment le début de Nvidia.

Mon visuel préféré pour expliquer pourquoi la différence entre un CPU et un GPU est si importante est une vidéo de 15 ans sur la chaîne YouTube de Nvidia où les Mythbusters utilisent un petit robot tirant des billes de peinture une par une pour montrer la résolution de problèmes un par un, ou le traitement séquentiel sur un CPU.

Mais ensuite, ils sortent ce robot énorme qui tire toutes les billes de peinture en même temps, résolvant de petits problèmes tous en même temps, ou le traitement parallèle sur un GPU.

Nvidia libère donc toute cette nouvelle puissance pour les jeux vidéo. Pourquoi les jeux en premier ?

Les jeux vidéo nécessitent un traitement parallèle pour les graphismes 3D. Et nous avons choisi les jeux vidéo parce que nous aimions cette application. C'est une simulation de mondes virtuels, et qui ne veut pas aller dans des mondes virtuels ? Et nous avions fait l'observation judicieuse que les jeux vidéo avaient le potentiel de devenir le plus grand marché du divertissement de l'histoire. Et cela s'est avéré vrai.

Et le fait qu'il s'agisse d'un grand marché est important car la technologie est complexe. Et si nous avions un grand marché, notre budget de R&D pourrait être important, nous pourrions créer de nouvelles technologies. Et cet effet d'entraînement entre la technologie et le marché était vraiment le moteur qui a permis à Nvidia de devenir l'une des entreprises technologiques les plus importantes au monde, et tout cela grâce aux jeux vidéo.

Je vous ai entendu dire que les GPU étaient une machine à remonter le temps.

Oui.

Pourriez-vous m'en dire plus sur ce que vous vouliez dire par là ?

Un GPU est comme une machine à remonter le temps car il permet de voir l'avenir plus tôt. L'une des choses les plus incroyables que quelqu'un m'ait jamais dites vient d'un chercheur en chimie quantique. Il m'a dit : « Jensen, grâce au travail de Nvidia, je peux accomplir le travail de ma vie au cours de ma vie. » C'est un voyage dans le temps. Il a pu réaliser quelque chose qui dépassait la durée d'une vie au cours de la sienne. Et c'est parce que nous rendons les applications tellement plus rapides. Et ainsi, vous arrivez à voir l'avenir.

Ainsi, lorsque vous faites des prévisions météorologiques, par exemple, vous voyez l'avenir. Lorsque vous simulez une ville virtuelle avec un trafic virtuel et que nous simulons notre voiture autonome dans cette ville virtuelle, nous voyageons dans le temps.

Le traitement parallèle décolle donc dans les jeux. Et cela nous permet de créer des mondes dans les ordinateurs comme jamais auparavant, et le jeu est en quelque sorte ce premier cas incroyable où le traitement parallèle libère beaucoup plus de puissance. Et puis, comme vous l'avez dit, les gens commencent à utiliser cette puissance dans de nombreuses industries différentes. C'est le cas du chercheur en chimie quantique.

Mhm.

Quand je vous ai entendu raconter cette histoire, vous disiez qu'il exécutait des simulations moléculaires de manière à ce qu'elles tournent beaucoup plus vite en parallèle sur les GPU Nvidia, déjà à l'époque, que sur le superordinateur avec le CPU qu'il utilisait auparavant.

Oui, c'est vrai.

Cela révolutionne donc également toutes ces autres industries. Cela commence à changer notre vision de ce qui est possible avec les ordinateurs. Et d'après ce que je comprends, au début des années 2000, vous voyez cela et vous réalisez que c'est un peu difficile parce que ce que ce chercheur a dû faire, c'est tromper les GPU en leur faisant croire que son problème était un problème de graphisme.

C'est exactement ça. Non, c'est très bien. Vous avez fait des recherches.

Vous créez donc un moyen de rendre cela beaucoup plus facile.

C'est exact.

Plus précisément, c'est une plateforme appelée CUDA, qui permet aux programmeurs de dire au GPU quoi faire en utilisant des langages de programmation qu'ils connaissent déjà, comme le C. Et c'est une avancée majeure car cela donne à beaucoup plus de personnes un accès plus facile à toute cette puissance de calcul. Pourriez-vous expliquer quelle était la vision qui vous a conduit à créer CUDA ?

C'était en partie dû aux chercheurs qui le découvraient, en partie à une inspiration interne, et en partie à la résolution d'un problème. Beaucoup d'idées intéressantes sortent de ce mélange. Une partie relève de l'aspiration et de l'inspiration, une autre simplement du besoin. Et dans le cas de CUDA, c'était tout à fait la même chose.

Probablement que les premières idées externes sur l'utilisation de nos GPU pour le traitement parallèle ont émergé de travaux intéressants en imagerie médicale. Quelques chercheurs du Mass General les utilisaient pour faire de la reconstruction scanner. Ils utilisaient nos processeurs graphiques pour cette raison et cela nous a inspirés.

Pendant ce temps, le problème que nous essayions de résoudre au sein de notre entreprise concernait le fait que lorsque vous essayez de créer ces mondes virtuels pour les jeux vidéo, vous aimeriez qu'ils soient beaux, mais aussi dynamiques. L'eau doit couler comme de l'eau et les explosions doivent ressembler à des explosions. Il y a donc de la physique des particules et de la dynamique des fluides que vous voulez réaliser, et c'est beaucoup plus difficile à faire si votre architecture n'est capable de faire que du graphisme informatique.

Nous avions donc une raison naturelle de vouloir le faire pour le marché que nous servions. Des chercheurs s'amusaient aussi à utiliser nos GPU pour de l'accélération généraliste et il y avait donc de multiples facteurs qui convergeaient dans ce mélange. Quand le moment est venu, nous avons décidé de faire quelque chose de propre et de créer CUDA en conséquence.

Fondamentalement, la raison pour laquelle j'étais certain que CUDA allait réussir et pour laquelle nous y avons consacré toute l'entreprise était que, fondamentalement, notre GPU allait être le processeur parallèle le plus produit au monde parce que le marché des jeux vidéo était immense. Et donc, cette architecture avait de bonnes chances d'atteindre beaucoup de gens.

Il m'a semblé que la création de CUDA était un acte incroyablement optimiste, où vous disiez : « si nous créons un moyen pour que beaucoup plus de gens utilisent beaucoup plus de puissance de calcul, ils pourraient créer des choses incroyables ». Et puis, bien sûr, c'est devenu réalité. Ils l'ont fait.

En 2012, un groupe de trois chercheurs soumet une proposition à un célèbre concours dont l'objectif est de créer des systèmes informatiques capables de reconnaître des images et de les classer par catégories. Et leur proposition écrase tout simplement la concurrence. Elle fait beaucoup moins d'erreurs. C'était incroyable. Cela a époustouflé tout le monde. Cela s'appelle AlexNet et c'est un type d'IA appelé réseau de neurones.

D'après ce que je comprends, l'une des raisons pour lesquelles c'était si bon est qu'ils ont utilisé une quantité énorme de données pour entraîner ce système. Et ils l'ont fait sur des GPU Nvidia. Tout d'un coup, les GPU n'étaient plus seulement un moyen de rendre les ordinateurs plus rapides et plus efficaces, ils devenaient les moteurs d'une toute nouvelle façon d'informer.

Nous passons d'une informatique basée sur des instructions étape par étape à un apprentissage par l'exemple en montrant aux ordinateurs un nombre immense d'exemples. Ce moment en 2012 a vraiment lancé ce changement sismique que nous voyons tous avec l'IA en ce moment. Pourriez-vous décrire ce qu'était ce moment de votre point de vue et ce que vous pensiez que cela signifierait pour notre avenir à tous ?

Quand on crée quelque chose de nouveau comme CUDA, si on le construit, il se peut que personne ne vienne. C'est toujours le point de vue du cynique. Cependant, l'optimiste dirait : « mais si vous ne le construisez pas, ils ne peuvent pas venir ». Et c'est généralement ainsi que nous voyons le monde. Nous devons raisonner intuitivement sur la raison pour laquelle cela serait très utile.

Et en fait, en 2012, Ilya Sutskever, Alex Krizhevsky et Jeff Hinton, de l'Université de Toronto, dans le laboratoire où ils se trouvaient, ont utilisé une GeForce GTX 580 parce qu'ils avaient entendu parler de CUDA et du fait que CUDA pourrait être utilisé comme processeur parallèle pour entraîner AlexNet.

Ainsi, notre intuition selon laquelle GeForce pourrait être le véhicule pour diffuser cette architecture parallèle dans le monde et que des chercheurs finiraient par la trouver un jour était une bonne stratégie. C'était une stratégie basée sur l'espoir, mais un espoir raisonné.

Ce qui a vraiment attiré notre attention, c'est que, simultanément, nous essayions de résoudre le problème de la vision par ordinateur au sein de l'entreprise et nous essayions de faire de CUDA un bon processeur de vision par ordinateur. Et nous étions frustrés par toute une série de premiers développements internes concernant nos efforts en vision par ordinateur et notre capacité à utiliser CUDA pour cela.

Et soudain, nous avons vu AlexNet, ce nouvel algorithme complètement différent des algorithmes de vision par ordinateur précédents, faire un bond géant en termes de capacités. Quand nous avons vu cela, c'était en partie par intérêt, mais aussi parce que nous étions nous-mêmes confrontés à une difficulté. Nous étions donc très désireux de le voir fonctionner.

Ainsi, quand nous avons regardé AlexNet, nous en avons été inspirés. Mais la grande percée, je dirais, c'est quand nous avons vu AlexNet et que nous nous sommes demandé : jusqu'où AlexNet peut-il aller ? S'il peut faire cela avec la vision par ordinateur, jusqu'où peut-il aller ? Et s'il pouvait aller jusqu'aux limites de ce que nous pensons, quel type de problèmes pourrait-il résoudre, qu'est-ce que cela signifierait pour l'industrie informatique et l'architecture des ordinateurs ?

Et nous avons raisonné à juste titre que si l'apprentissage automatique, si l'architecture d'apprentissage profond pouvait monter en échelle, la vaste majorité des problèmes d'apprentissage automatique pourraient être représentés avec des réseaux de neurones profonds. Et le type de problèmes que nous pourrions résoudre avec l'apprentissage automatique est si vaste qu'il a le potentiel de remodeler l'industrie informatique tout entière.

Ce qui a nous incités à repenser toute la pile informatique, d'où vient le DGX et ce petit bébé DGX assis ici ; tout cela vient de cette observation selon laquelle nous devions réinventer toute la pile informatique couche par couche.

Après 65 ans depuis l'introduction de l'informatique polyvalente moderne par l'IBM System 360, nous avons réinventé l'informatique telle que nous la connaissons.

Pensez donc à cela comme à une histoire complète. Le traitement parallèle réinvente le jeu moderne et révolutionne une industrie entière. Ensuite, cette façon de calculer, le traitement parallèle, commence à être utilisée dans différentes industries. Vous investissez là-dedans en construisant CUDA. Puis CUDA et l'utilisation des GPU permettent une étape décisive dans les réseaux de neurones et l'apprentissage automatique, et amorcent une révolution dont nous voyons l'importance croître encore aujourd'hui.

Soudain, la vision par ordinateur est résolue, la reconnaissance vocale est résolue, la compréhension du langage naturel est résolue. Ces problèmes incroyables liés à l'intelligence, un par un, pour lesquels nous n'avions aucune solution par le passé malgré un désir désespéré d'en trouver, sont soudainement résolus les uns après les autres tous les deux ou trois ans. C'est incroyable.

Oui, vous voyez cela en 2012, vous regardez vers l'avant et vous croyez que c'est le futur dans lequel vous allez vivre maintenant. Et vous faites des paris qui vous y mènent, des paris vraiment énormes avec des enjeux très élevés. Et ma perception en tant que profane est qu'il faut un temps assez long pour y arriver. Vous faites ces paris...

Huit ans, dix ans.

Ma question est donc : si AlexNet a eu lieu en 2012 et que ce public voit et entend probablement beaucoup plus parler d'IA et de Nvidia spécifiquement 10 ans plus tard, pourquoi a-t-il fallu une décennie ? Et aussi, parce que vous aviez fait ces paris, qu'avez-vous ressenti au milieu de cette décennie ?

Eh bien, c'est une bonne question. On se sentait probablement comme aujourd'hui. Pour moi, il y a toujours un problème, puis une raison d'être impatient, il y a toujours une raison d'être heureux de là où on en est et il y a toujours de nombreuses raisons de continuer. Je pense qu'en réfléchissant il y a une seconde, cela ressemble à ce matin. Je dirais que dans tout ce que nous entreprenons, il faut d'abord avoir des convictions fondamentales.

Vous devez raisonner à partir de vos meilleurs principes. Idéalement, vous raisonnez à partir de principes de physique, d'une compréhension profonde de l'industrie, de la science ou de n'importe quel domaine. Vous raisonnez à partir de principes fondamentaux et, à un moment donné, vous devez croire en quelque chose. Et si ces principes ne changent pas et que les hypothèses ne changent pas, alors il n'y a aucune raison de changer vos convictions profondes.

Et puis, chemin faisant, il y a toujours des preuves de succès indiquant que vous allez dans la bonne direction. Parfois, vous passez beaucoup de temps sans preuve de succès et vous devez corriger un peu le tir, mais les preuves finissent par arriver et si vous sentez que vous allez dans la bonne direction, nous continuons simplement.

Quant à savoir pourquoi nous sommes restés si engagés pendant si longtemps, la réponse est en fait le contraire : il n'y avait aucune raison de ne pas l'être parce que nous y croyions. Je crois en Nvidia depuis plus de 30 ans et je suis toujours là à travailler chaque jour, et il n'y a aucune raison fondamentale pour que je change mon système de croyances. Je crois fondamentalement que le travail que nous faisons pour révolutionner l'informatique est aussi vrai aujourd'hui, voire plus, qu'avant, donc nous persévérerons jusqu'à preuve du contraire.

Il y a bien sûr des moments très difficiles en cours de route quand vous investissez dans quelque chose en quoi personne d'autre ne croit et qui coûte très cher, et que les investisseurs ou d'autres préféreraient peut-être que vous gardiez les bénéfices, ou que vous amélioriez le cours de l'action ou quoi que ce soit d'autre. Mais vous devez croire en votre avenir, vous devez investir en vous-même. Et nous y croyions si profondément que nous avons investi des dizaines de milliards de dollars avant que cela ne se produise réellement. Et oui, ce furent 10 longues années, mais c'était amusant en chemin.

Comment résumeriez-vous ces convictions fondamentales ? En quoi croyez-vous concernant la façon dont les ordinateurs devraient fonctionner et ce qu'ils peuvent faire pour nous qui vous permet non seulement de traverser cette décennie, mais aussi de faire ce que vous faites maintenant, en faisant des paris que vous faites sûrement pour les prochaines décennies ?

La première conviction fondamentale concernait notre première discussion sur l'informatique accélérée. Le calcul parallèle par rapport au calcul polyvalent ; nous additionnions deux de ces processeurs et nous faisions de l'informatique accélérée. Et je continue d'y croire aujourd'hui.

La deuxième était la reconnaissance du fait que ces réseaux d'apprentissage profond, ces DNN qui sont apparus au public en 2012, ont la capacité d'apprendre des modèles et des relations à partir d'un tas de types de données différents et qu'ils pourraient apprendre des caractéristiques de plus en plus nuancées s'ils pouvaient être de plus en plus grands, et il est plus facile de les agrandir en les rendant plus profonds ou plus larges.

Ainsi, l'extensibilité de l'architecture est empiriquement vraie. Le fait que plus la taille du modèle et des données est grande, plus on peut acquérir de connaissances est également vrai, empiriquement vrai. Et si c'est le cas, quelles sont les limites ? Il n'y en a pas, à moins d'une limite physique, architecturale ou mathématique, et on n'en a jamais trouvé. Nous avons donc cru que l'on pouvait monter en échelle.

Ensuite, la seule autre question est : que peut-on apprendre des données ? Que peut-on apprendre de l'expérience ? Les données sont essentiellement des versions numériques de l'expérience humaine. Que peut-on apprendre ? On peut évidemment apprendre la reconnaissance d'objets à partir d'images, on peut apprendre la parole simplement en écoutant du son, on peut même apprendre des langues, du vocabulaire, de la syntaxe et de la grammaire simplement en étudiant un tas de lettres et de mots.

Nous avons donc maintenant démontré que l'IA ou l'apprentissage profond a la capacité d'apprendre presque n'importe quelle modalité de données et qu'elle peut traduire vers n'importe quelle modalité de données. Qu'est-ce que cela signifie ? On peut passer du texte au texte pour résumer un paragraphe. On peut passer du texte au texte pour traduire d'une langue à une autre. On peut passer du texte aux images, c'est la génération d'images. On peut passer des images au texte, c'est le légendage. On peut même passer des séquences d'acides aminés aux structures de protéines.

À l'avenir, vous passerez de la protéine aux mots. Que fait cette protéine ? Ou donnez-moi un exemple de protéine ayant ces propriétés. Identifier une cible thérapeutique. On peut voir que tous ces problèmes sont sur le point d'être résolus. On peut passer des mots à la vidéo. Pourquoi ne pourrait-on pas passer des mots à des jetons d'action pour un robot ?

Du point de vue de l'ordinateur, en quoi est-ce différent ? Cela a donc ouvert cet univers d'opportunités et de problèmes que nous pouvons aller résoudre. Et cela nous enthousiasme beaucoup.

On a l'impression que nous sommes à l'aube d'un changement véritablement énorme. Quand je pense aux 10 prochaines années, contrairement aux 10 dernières, je sais que nous avons déjà traversé beaucoup de changements, mais je ne pense pas pouvoir prédire comment j'utiliserai la technologie qui est actuellement en cours de développement.

C'est exactement ça. Je pense que la raison pour laquelle vous ressentez cela est que les 10 dernières années étaient consacrées à la science de l'IA. Les 10 prochaines années, nous aurons encore beaucoup de science de l'IA, mais ce sera la science des applications de l'IA. La science fondamentale par rapport à la science appliquée. La recherche appliquée et le côté applicatif de l'IA consistent désormais à se demander : comment puis-je appliquer l'IA à la biologie numérique ? Comment puis-je appliquer l'IA à la technologie climatique ? Comment puis-je appliquer l'IA à l'agriculture, à la pêche, à la robotique, au transport, à l'optimisation de la logistique, comment l'appliquer à l'enseignement ou au podcasting ?

J'aimerais en choisir quelques-uns pour aider les gens à voir comment ce changement fondamental dans l'informatique dont nous avons parlé va réellement changer leur expérience de vie, comment ils vont réellement utiliser la technologie basée sur tout ce dont nous venons de parler. L'une des choses dont je vous ai beaucoup entendu parler et pour laquelle j'ai un intérêt particulier est l'IA physique. Autrement dit, les robots.

Mes amis.

C'est-à-dire des robots humanoïdes, mais aussi des robots comme des voitures autonomes, des bâtiments intelligents, des entrepôts autonomes, des tondeuses à gazon autonomes et bien plus encore. D'après ce que je comprends, nous pourrions être sur le point de voir un bond géant dans les capacités de tous ces robots parce que nous changeons la manière dont nous les entraînons.

Jusqu'à récemment, vous deviez soit entraîner votre robot dans le monde réel où il pourrait être endommagé ou s'user, soit obtenir des données de sources assez limitées comme des humains dans des combinaisons de capture de mouvement. Mais cela signifie que les robots ne reçoivent pas autant d'exemples qu'ils le devraient pour apprendre plus vite.

Mais maintenant, nous commençons à entraîner les robots dans des mondes numériques, ce qui signifie beaucoup plus de répétitions par jour, beaucoup plus de conditions, et un apprentissage beaucoup plus rapide. Nous pourrions donc être dans un moment charnière pour les robots en ce moment. Et Nvidia construit des outils pour que cela se produise.

Vous avez Omniverse, et d'après ce que je comprends, ce sont des mondes 3D qui aident à entraîner les systèmes robotiques pour qu'ils n'aient pas besoin de s'entraîner dans le monde physique.

C'est exactement ça.

Vous venez d'annoncer Cosmos, qui permet de rendre cet univers 3D beaucoup plus réaliste afin d'obtenir toutes sortes de situations différentes ; si nous entraînons quelque chose sur cette table, on peut simuler de nombreux types d'éclairage différents, différents moments de la journée, de nombreuses expériences différentes pour le robot afin qu'il puisse tirer encore plus profit d'Omniverse.

En tant qu'enfant qui a grandi en aimant Data dans Star Trek, les livres d'Isaac Asimov et en rêvant d'un futur avec des robots, comment passer des robots que nous avons aujourd'hui au futur monde de la robotique que vous entrevoyez ?

Oui. Laissez-moi utiliser les modèles de langage, comme ChatGPT, comme référence pour comprendre Omniverse et Cosmos. D'abord, quand ChatGPT est sorti, c'était extraordinaire. Il a la capacité de générer du texte à partir de votre requête.

Cependant, aussi incroyable soit-il, il a tendance à halluciner s'il s'étend trop longtemps ou s'il disserte sur un sujet sur lequel il n'est pas informé ; il fera toujours un bon travail pour générer des réponses plausibles, mais il n'était simplement pas ancré dans la vérité.

Les gens appellent cela de l'hallucination. Peu de temps après, la génération suivante a eu la capacité d'être conditionnée par le contexte. On peut télécharger un PDF et maintenant il est ancré par ce PDF. Le PDF devient la vérité de terrain. Il pourrait aussi faire des recherches et ces recherches deviennent sa vérité de terrain. Grâce à cela, il peut raisonner sur la manière de produire la réponse que vous demandez.

La première partie est une IA générative. La deuxième partie est la vérité de terrain. Revenons maintenant au monde physique, le modèle du monde. Nous avons besoin d'un modèle de fondation, tout comme ChatGPT avait un modèle de fondation central. C'était la percée.

Pour que la robotique soit intelligente vis-à-vis du monde physique, elle doit comprendre des choses comme la gravité, la friction, l'inertie, la conscience géométrique et spatiale ; elle doit comprendre qu'un objet est là même quand je regarde ailleurs, que quand je reviens il est toujours là : la permanence de l'objet. Elle doit comprendre la cause et l'effet : si je le pousse, il va tomber.

Ce genre de bon sens physique doit donc être capturé ou encodé dans un modèle de fondation mondial afin que l'IA ait un bon sens commun du monde. Quelqu'un doit aller créer cela et c'est ce que nous avons fait avec Cosmos. Nous avons créé un modèle de langage mondial. Tout comme ChatGPT était un modèle de langage, ceci est un modèle du monde.

La deuxième chose que nous devons faire est la même chose que ce que nous avons fait avec les PDF et le contexte pour l'ancrer dans la vérité de terrain. La manière dont nous augmentons Cosmos avec la vérité de terrain, c'est par des simulations physiques. Parce qu'Omniverse utilise une simulation physique basée sur des solveurs de principes. La mathématique est la physique Newtonienne. C'est la bonne mathématique, celle que nous connaissons. Toutes les lois fondamentales de la physique que nous comprenons depuis très longtemps sont encodées dans Omniverse. C'est pourquoi Omniverse est un simulateur.

En utilisant le simulateur pour ancrer ou conditionner Cosmos, nous pouvons désormais générer un nombre infini d'histoires du futur et elles sont ancrées dans la vérité physique. Tout comme entre un PDF ou une recherche plus ChatGPT nous pouvons générer une quantité infinie de choses intéressantes et répondre à un tas de questions, la combinaison d'Omniverse plus Cosmos permet de faire cela pour le monde physique.

Pour illustrer cela pour le public, si vous aviez un robot dans une usine et que vous vouliez lui faire apprendre chaque itinéraire qu'il pourrait emprunter, au lieu de parcourir manuellement tous ces itinéraires, ce qui pourrait prendre des jours et causer beaucoup d'usure au robot, nous sommes désormais capables de tous les simuler numériquement en une fraction du temps et dans de nombreuses situations différentes que le robot pourrait rencontrer. Il fait noir, c'est bloqué, etc. Le robot apprend donc beaucoup, beaucoup plus vite. Il me semble que l'avenir pourrait être très différent d'aujourd'hui.

Si l'on se projette dans 10 ans, comment voyez-vous les gens interagir réellement avec cette technologie dans un avenir proche ?

Clairement, tout ce qui bouge sera robotisé un jour. Et ce sera bientôt. L'idée que nous poussions encore une tondeuse à gazon est déjà un peu ridicule. Peut-être que les gens le font parce que c'est amusant, mais il n'y a pas de nécessité. Et chaque voiture sera robotisée. Les robots humanoïdes, la technologie nécessaire pour les rendre possibles est juste au coin de la rue.

Tout ce qui bouge sera robotique. Et ils apprendront à être des robots dans Omniverse Cosmos et nous générerons tous ces futurs physiquement plausibles et les robots apprendront d'eux puis viendront dans le monde physique et ce sera exactement pareil. Un futur où vous serez entouré de robots est une certitude. Et je suis juste impatient d'avoir mon propre R2-D2.

Et bien sûr, R2-D2 ne serait pas tout à fait la boîte de conserve qu'il est, roulant partout. Il aura une forme physique différente, mais ce sera toujours R2. Mon R2 m'accompagnera partout, parfois dans mes lunettes intelligentes, parfois dans mon téléphone, parfois dans mon PC ou ma voiture. R2 sera avec moi tout le temps, y compris quand je rentrerai à la maison où j'ai laissé une version physique de R2 et, quelle que soit cette version, nous interagirons avec R2.

Je pense donc que l'idée que nous aurons notre propre R2-D2 toute notre vie et qu'il grandira avec nous est désormais une certitude.

Je pense que beaucoup de médias, lorsqu'ils parlent de futurs comme celui-ci, se concentrent sur ce qui pourrait mal tourner. Et c'est logique. Beaucoup de choses pourraient mal tourner.

Nous devrions parler de ce qui pourrait mal tourner afin d'empêcher que cela n'arrive.

C'est l'approche que nous aimons adopter dans cette émission : quels sont les grands défis afin que nous puissions les surmonter ? Quelles catégories de problèmes envisagez-vous quand vous vous inquiétez pour cet avenir ?

Eh bien, il y a tout un tas de choses dont tout le monde parle. Les biais, la toxicité ou simplement l'hallucination. Parler avec une grande assurance de quelque chose dont on ne sait rien et, par conséquent, se fier à cette information. C'est une version de la génération de fausses informations, de fausses nouvelles ou de fausses images. Bien sûr, l'usurpation d'identité. L'IA fait un si bon travail en prétendant être humaine qu'elle pourrait faire un travail incroyablement efficace en prétendant être un humain spécifique.

L'éventail des domaines dont nous devons nous préoccuper est donc assez clair. Et beaucoup de gens y travaillent. Certains aspects liés à la sécurité de l'IA nécessitent une recherche et une ingénierie approfondies. C'est simplement qu'elle veut bien faire, mais qu'elle ne l'a pas fait correctement et qu'en conséquence elle a blessé quelqu'un.

Par exemple, une voiture autonome qui veut conduire prudemment et correctement, mais dont le capteur est tombé en panne, ou qui n'a pas détecté quelque chose ou a pris un virage trop agressif. Elle a mal agi. C'est donc toute une ingénierie qui doit être faite pour s'assurer que la sécurité de l'IA est maintenue en veillant à ce que le produit fonctionne correctement.

Ce n'est pas différent d'un ordinateur de vol dans un avion qui en possède trois versions. Il y a une triple redondance à l'intérieur du système des autopilotes, puis vous avez deux pilotes, puis le contrôle aérien, puis d'autres pilotes qui surveillent ces pilotes.

Ainsi, les systèmes de sécurité de l'IA doivent être architecturés comme une communauté de sorte que ces IA fonctionnent correctement ; et quand elles ne fonctionnent pas correctement, elles ne mettent pas les gens en danger et il y a suffisamment de systèmes de sûreté et de sécurité tout autour pour garantir que nous gardons l'IA sûre. Cet éventail de conversations est gigantesque et nous devons en séparer les parties et les construire en tant qu'ingénieurs.

L'une des choses incroyables à propos de ce moment que nous vivons est que nous n'avons plus beaucoup des limites technologiques que nous avions dans un monde de CPU et de traitement séquentiel, et nous avons débloqué non seulement une nouvelle façon de calculer mais aussi un moyen de continuer à nous améliorer. Le traitement parallèle a une physique différente des améliorations que nous pouvions apporter aux CPU. Je suis curieuse, quelles sont les limitations scientifiques ou technologiques auxquelles nous sommes confrontés aujourd'hui dans le monde actuel et auxquelles vous réfléchissez beaucoup ?

Eh bien, en fin de compte, tout dépend de la quantité de travail que vous pouvez accomplir dans les limites de l'énergie dont vous disposez. C'est une limite physique. Et les lois de la physique sur le transport de l'information et des bits, l'inversion des bits et le transport des bits ; au bout du compte, l'énergie qu'il faut pour faire cela limite ce que nous pouvons accomplir. Et la quantité d'énergie dont nous disposons limite ce que nous pouvons faire.

Nous sommes loin d'avoir des limites fondamentales qui nous empêchent de progresser. En attendant, nous cherchons à construire des ordinateurs meilleurs et plus économes en énergie. Ce petit ordinateur, la version agrandie coûtait 250 000 $.

Puis-je le prendre ?

Oui. C'est le petit bébé DGX. C'est un superordinateur d'IA. La version que j'ai livrée, ceci n'est qu'un prototype, une maquette. La toute première version était le DGX-1, je l'ai livrée à OpenAI en 2016 et elle coûtait 250 000 $, soit 10 000 fois plus de puissance et d'énergie nécessaire que cette version. Et cette version a six fois plus de performances.

Je sais, c'est incroyable.

Nous sommes dans un tout nouveau monde.

C'est le cas, et ce n'est que depuis 2016. Huit ans plus tard, nous avons multiplié l'efficacité énergétique de l'informatique par 10 000. Imaginez si nous devenions 10 000 fois plus efficaces énergétiquement, ou si une voiture ou une ampoule électrique l'était. Notre ampoule actuelle, au lieu de 100 watts, consommerait 10 000 fois moins pour le même éclairage.

L'efficacité énergétique pour accomplir le travail est donc notre priorité numéro un.

En préparant cet entretien, j'ai parlé à beaucoup de mes amis ingénieurs. Et c'est une question qu'ils voulaient vraiment que je pose. Vous vous adressez vraiment à vos pairs ici.

Mhm.

Vous avez montré l'importance d'accroître l'accessibilité et l'abstraction avec CUDA et de permettre à plus de gens d'utiliser plus de puissance de calcul de toutes sortes d'autres manières. À mesure que les applications technologiques deviennent plus spécifiques, je pense aux transformateurs en IA, par exemple.

Pour le public, un transformateur est une structure d'IA très populaire et plus récente qui est désormais utilisée dans un grand nombre d'outils que vous avez vus. S'ils sont populaires, c'est parce que les transformateurs sont structurés d'une manière qui les aide à prêter attention aux éléments clés d'information et à donner de bien meilleurs résultats.

On pourrait construire des puces parfaitement adaptées à un seul type de modèle d'IA. Mais si on fait cela, on les rend moins capables de faire d'autres choses. Alors que ces structures ou architectures spécifiques d'IA deviennent plus populaires, je crois qu'il y a un débat sur la question de savoir s'il faut miser sur leur intégration figée dans la puce ou concevoir du matériel très spécifique à une certaine tâche plutôt que de rester plus polyvalent.

Ma question est donc : comment faites-vous ces paris ? Comment déterminez-vous si la solution est une voiture qui peut aller n'importe où ou s'il s'agit d'optimiser un train pour aller de A à B ? Vous faites des paris avec des enjeux énormes et je suis curieuse de savoir comment vous y réfléchissez.

Et cela nous ramène exactement à votre question : quelles sont vos convictions fondamentales ?

Et la question, la conviction profonde est l'une ou l'autre : soit que le transformateur est le dernier algorithme d'IA, la dernière architecture qu'un chercheur découvrira jamais, soit que les transformateurs sont un tremplin vers des évolutions de transformateurs qui seront à peine reconnaissables comme tels dans quelques années.

Et nous croyons à la seconde option. La raison en est qu'il suffit de regarder l'histoire et de se demander, dans le monde des algorithmes informatiques, du logiciel, de l'ingénierie et de l'innovation, si une seule idée est restée figée aussi longtemps ? La réponse est non.

C'est en fait la beauté essentielle d'un ordinateur : qu'il soit capable de faire aujourd'hui quelque chose que personne n'aurait imaginé possible il y a 10 ans.

Et si vous aviez transformé cet ordinateur il y a 10 ans en un micro-ondes, pourquoi les applications continueraient-elles d'arriver ?

Nous croyons donc en la richesse de l'innovation et de l'invention, et nous voulons créer une architecture qui permette aux inventeurs, aux innovateurs, aux programmeurs et aux chercheurs en IA de naviguer dans ce bouillon de culture et de proposer des idées incroyables.

Regardez les transformateurs. La caractéristique fondamentale d'un transformateur est cette idée appelée mécanisme d'attention.

Cela dit essentiellement que le transformateur va comprendre la signification et la pertinence de chaque mot par rapport à tous les autres.

Si vous avez 10 mots, il doit comprendre la relation entre les 10. Mais si vous avez 100 000 mots, ou si votre contexte est maintenant aussi large que la lecture d'un tas de PDF et que la fenêtre de contexte est d'un million de jetons, tout traiter par rapport à tout devient impossible.

Le moyen de résoudre ce problème passe par toutes sortes de nouvelles idées, comme l'attention flash, l'attention hiérarchique ou l'attention 'wave' dont j'ai entendu parler l'autre jour.

Le nombre de types différents de mécanismes d'attention inventés depuis le transformateur est tout à fait extraordinaire.

Je pense donc que cela va continuer et que l'informatique n'est pas arrivée à son terme, pas plus que la recherche en IA n'a dit son dernier mot.

Nous n'avons pas abandonné en tout cas, et posséder un ordinateur qui permet la flexibilité de la recherche, de l'innovation et de nouvelles idées est fondamentalement la chose la plus importante.

L'une des choses qui me rend très curieuse : vous concevez les puces. Il y a des entreprises qui assemblent les puces. Il y a des entreprises qui conçoivent du matériel pour permettre de travailler à l'échelle nanométrique.

Lorsque vous concevez des outils comme ceux-ci, comment réfléchissez-vous au design dans le contexte de ce qu'il est physiquement possible de fabriquer actuellement ? Quelles sont vos réflexions pour repousser cette limite aujourd'hui ?

La façon dont nous procédons, c'est que même si nous faisons fabriquer des choses, par exemple nos puces sont fabriquées par TSMC, nous partons du principe que nous devons posséder l'expertise approfondie qu'a TSMC.

Nous avons donc des gens dans notre entreprise qui sont incroyablement doués en physique des semi-conducteurs. Pour que nous ayons une intuition des limites de ce que la physique des semi-conducteurs d'aujourd'hui peut faire.

Ensuite, nous travaillons en étroite collaboration avec eux pour découvrir les limites parce que nous essayons de les repousser, et nous les découvrons donc ensemble.

Nous faisons la même chose en ingénierie système et en systèmes de refroidissement. Il se trouve que la plomberie est très importante pour nous à cause du refroidissement liquide, et peut-être que les ventilateurs le sont aussi pour le refroidissement par air.

Et nous essayons de concevoir ces ventilateurs de manière presque aérodynamique afin de faire passer le plus grand volume d'air possible en faisant le moins de bruit possible.

Nous avons donc des ingénieurs en aérodynamique dans notre entreprise et même si nous ne les fabriquons pas, nous les concevons et nous avons l'expertise profonde pour savoir comment les faire fabriquer et, à partir de là, nous essayons de repousser les limites.

L'un des thèmes de cette conversation est que vous êtes une personne qui fait de gros paris sur l'avenir. Et à maintes reprises, vous avez eu raison.

Nous avons parlé des GPU, de CUDA, des paris que vous avez faits sur l'IA, les voitures autonomes et nous allons avoir raison sur la robotique ; c'est ma question. Quels sont les paris que vous faites maintenant ?

Oui, nous allons avoir raison pour Omniverse. Le dernier pari que nous venons de décrire au CES, et dont je suis très fier et très enthousiaste, est la fusion d'Omniverse et de Cosmos pour avoir ce nouveau type de système de génération de monde génératif, ce système de génération de multivers.

Je pense que cela sera d'une importance profonde pour l'avenir de la robotique et des systèmes physiques.

Bien sûr, le travail que nous faisons avec les robots humanoïdes, en développant les systèmes d'outillage, les systèmes d'entraînement, les systèmes de démonstration humaine et tout ce que vous avez déjà mentionné.

Nous n'en sommes qu'aux débuts de ce travail et je pense que les cinq prochaines années seront très intéressantes dans le monde de la robotique humanoïde.

Bien sûr, le travail que nous faisons en biologie numérique pour comprendre le langage des molécules et des cellules et, tout comme nous comprenons le langage de la physique et du monde physique, nous aimerions comprendre le langage du corps humain et de la biologie.

Si nous pouvons apprendre cela et le prédire, alors soudainement notre capacité à avoir un jumeau numérique de l'humain devient plausible. Je suis donc très enthousiaste par ce travail.

J'adore le travail que nous faisons en science du climat, capable à partir des prévisions météo de comprendre et de prédire les climats régionaux à haute résolution.

Les modèles météorologiques à un kilomètre au-dessus de votre tête, que nous puissions prédire cela avec une grande précision. Les implications sont vraiment profondes.

Le nombre de choses sur lesquelles nous travaillons est vraiment cool. Nous avons la chance d'avoir créé cet instrument qui est une machine à remonter le temps.

Et nous avons besoin de machines à remonter le temps dans tous ces domaines dont nous venons de parler afin de voir l'avenir ; et si nous pouvons voir et prédire l'avenir, alors nous avons de meilleures chances de faire de cet avenir la meilleure version possible.

C'est la raison pour laquelle les scientifiques veulent prédire l'avenir. C'est la raison pour laquelle nous essayons de prédire l'avenir dans tout ce que nous concevons afin de l'optimiser pour la meilleure version.

Si quelqu'un regarde ceci, en sachant peut-être que NVIDIA est une entreprise incroyablement importante mais sans comprendre pleinement pourquoi ou comment elle pourrait affecter sa vie.

Et qu'ils comprennent maintenant mieux, je l'espère, le grand changement que nous avons traversé ces dernières décennies en informatique, ce moment très excitant et étrange où nous sommes à l'aube de tant de choses.

S'ils voulaient pouvoir regarder un peu vers l'avenir, comment leur conseilleriez-vous de se préparer ou de réfléchir à ce moment qu'ils vivent personnellement par rapport à la façon dont ces outils vont réellement les affecter ?

Eh bien, il y a plusieurs façons de raisonner sur le futur que nous créons. Une façon d'y réfléchir est de supposer que le travail que vous faites continue d'être important mais que l'effort par lequel vous le faites passe d'une semaine à presque l'instantané.

Que l'effort des tâches ingrates tombe pratiquement à zéro. Quelle est l'implication de cela ?

C'est très similaire à ce qui changerait si, tout d'un coup, nous avions des autoroutes dans ce pays. C'est un peu ce qui s'est passé lors de la dernière révolution industrielle, tout d'un coup nous avons eu des autoroutes inter-États.

Et quand on a des autoroutes inter-États, que se passe-t-il ? Eh bien, des banlieues commencent à se créer, la distribution des biens d'est en ouest n'est plus un souci, des stations-service commencent à pousser et des restaurants de restauration rapide et des motels apparaissent parce que les gens qui voyagent à travers le pays veulent simplement se loger quelques heures ou pour la nuit.

Et tout d'un coup, de nouvelles économies et de nouvelles capacités apparaissent. Que se passerait-il si la visioconférence permettait de se voir sans avoir à voyager ?

Soudain, il devient tout à fait acceptable de travailler plus loin de chez soi et de vivre plus loin. On se pose donc ces questions.

Que se passerait-il si j'avais un programmeur informatique avec moi en permanence et que, quoi que j'imagine, il puisse l'écrire pour moi ? Qu'est-ce que cela ferait ?

Que se passerait-il si j'avais juste le germe d'une idée, que je l'ébauchais et que soudainement un prototype de production m'était présenté ? Comment cela changerait-il ma vie et mes opportunités, et que cela me libérerait-il de pouvoir faire, et ainsi de suite.

Je pense donc qu'au cours de la prochaine décennie, l'intelligence deviendra fondamentalement surhumaine, pas pour tout, mais pour certaines choses.

Et je suis entouré de gens surhumains, de super-intelligences de mon point de vue, parce qu'ils sont les meilleurs au monde dans ce qu'ils font et ils le font bien mieux que moi.

Et je suis entouré de milliers d'entre eux. Et pourtant, cela ne m'a jamais fait penser un seul jour que je n'étais plus nécessaire ; au contraire, cela me donne du pouvoir et la confiance nécessaire pour m'attaquer à des choses de plus en plus ambitieuses.

Alors supposons maintenant que tout le monde soit entouré de ces super IA qui sont très bonnes dans des domaines spécifiques ou pour certaines tâches, que ressentiriez-vous ? Eh bien, cela va vous donner du pouvoir, cela va vous donner confiance.

Et je suis presque sûre que vous utilisez probablement ChatGPT et l'IA, et je me feel plus puissante aujourd'hui, plus confiante pour apprendre quelque chose aujourd'hui.

Les barrières à la compréhension de presque tous les domaines ont été réduites. J'ai un tuteur personnel avec moi en permanence.

Je pense donc que ce sentiment devrait être universel et s'il y a une chose que j'encouragerais tout le monde à faire, c'est de se trouver un tuteur IA immédiatement.

Ce tuteur IA pourrait bien sûr simplement vous apprendre des choses, tout ce que vous voulez, vous aider à programmer, à écrire, à analyser, à réfléchir, à raisonner ; tout cela va vraiment vous donner un sentiment de puissance.

Et je pense que ce sera notre avenir : nous allons devenir surhumains. Pas parce que nous avons des super-pouvoirs, mais parce que nous avons des super IA.

Pourriez-vous nous parler un peu de chacun de ces objets ?

C'est une nouvelle carte graphique GeForce. Et c'est la série RTX 50. C'est essentiellement un superordinateur que vous mettez dans votre PC.

Et nous l'utilisons pour le jeu ; bien sûr, les gens aujourd'hui l'utilisent pour le design et les arts créatifs, et elle fait une IA incroyable.

La véritable percée ici, et c'est une chose vraiment incroyable, c'est que GeForce a permis l'IA et a permis à Jeff Hinton, Ilya Sutskever et Alex Krizhevsky d'entraîner AlexNet.

Nous avons découvert l'IA et nous avons fait progresser l'IA. Puis l'IA est revenue à GeForce pour aider les graphismes informatiques.

Et voici ce qui est incroyable. Sur environ 8 millions de pixels dans un écran 4K, nous n'en calculons, nous n'en traitons que 500 000. Pour le reste, nous utilisons l'IA pour les prédire.

L'IA les devine et pourtant l'image est parfaite. Nous l'informons par les 500 000 pixels que nous avons calculés par lancer de rayons et c'est magnifique, parfait.

Puis nous disons à l'IA : si voici les 500 000 pixels parfaits de cet écran, quels sont les 8 millions restants ? Elle remplit le reste de l'écran et c'est parfait.

Et si vous n'avez que moins de pixels à traiter, pouvez-vous investir davantage dans cette tâche parce que vous en avez moins à faire, rendant ainsi la qualité meilleure pour que l'extrapolation de l'IA soit plus efficace ?

Exactement, car peu importe l'attention ou les ressources dont vous disposez, vous pouvez les placer dans ces 500 000 pixels.

C'est un exemple parfait de la raison pour laquelle l'IA va tous nous rendre surhumains. Parce que toutes les autres choses qu'elle peut faire, elle les fera pour nous, nous permettant de prendre notre temps et notre énergie pour nous concentrer sur les choses vraiment précieuses que nous faisons.

Nous prendrons donc notre propre ressource, qui est gourmande en énergie et en attention, et nous la dédierons à ces quelques centaines de milliers de pixels et utiliserons l'IA pour augmenter la résolution de tout le reste.

Ainsi, cette carte graphique est désormais principalement alimentée par l'IA et la technologie graphique à l'intérieur est également incroyable.

Ensuite, pour la suivante, comme je l'ai mentionné plus tôt, en 2016 j'ai construit la première pour les chercheurs en IA et nous l'avons livrée à OpenAI ; Elon était là pour la recevoir.

Et cette version, j'en ai fait une version mini parce que l'IA est passée des chercheurs à chaque ingénieur, chaque étudiant, chaque scientifique de l'IA.

L'IA sera partout. Donc, au lieu de ces versions à 250 000 $, nous allons fabriquer ces versions à 3 000 $ que les écoles et les étudiants pourront avoir ; vous la posez simplement à côté de votre PC ou de votre Mac et soudain vous avez votre propre superordinateur d'IA.

Et vous pourriez développer et construire des IA, construire votre propre IA, construire votre propre R2-D2.

Qu'est-ce qui vous semble important que ce public sache et que je n'ai pas demandé ?

L'une des choses les plus importantes que je conseillerais, par exemple, si j'étais étudiant aujourd'hui, la première chose que je ferais serait d'apprendre l'IA.

Comment apprendre à interagir avec ChatGPT ? Comment apprendre à interagir avec Gemini Pro ou Grok ; apprendre à interagir avec l'IA n'est pas différent d'être quelqu'un de très doué pour poser des questions.

Vous êtes incroyablement douée pour poser des questions, et formuler des requêtes pour une IA est très similaire. Vous ne pouvez pas poser une série de questions au hasard.

Demander à une IA d'être votre assistante requiert donc une certaine expertise et un certain art dans la façon de la solliciter.

Ainsi, si j'étais étudiant aujourd'hui, peu importe que ce soit en maths, en sciences, en chimie ou en biologie, peu importe le domaine scientifique ou la profession, je me demanderais comment utiliser l'IA pour mieux faire mon travail.

Si je veux être avocat, comment utiliser l'IA pour être un meilleur avocat ? Si je veux être un meilleur médecin, comment utiliser l'IA pour être un meilleur médecin ? Si je veux être chimiste ou biologiste, comment utiliser l'IA pour être meilleur ?

Cette question devrait être persistante chez tout le monde. Tout comme ma génération a été la première à devoir se demander : comment pouvons-nous utiliser les ordinateurs pour mieux faire notre travail ?

La génération avant nous n'avait pas d'ordinateurs. Ma génération était la première à devoir se poser la question.

Rappelez-vous, je suis arrivé dans l'industrie avant Windows 95. En 1984, il n'y avait pas d'ordinateurs dans les bureaux. Peu après, ils ont commencé à apparaître.

Nous avons donc dû nous demander comment utiliser les ordinateurs pour mieux travailler. La génération suivante n'a pas à se poser cette question, mais elle doit se poser la suivante : comment puis-je utiliser l'IA pour mieux faire mon travail ?

C'est le début et la fin pour tout le monde.

C'est une question vraiment excitante et effrayante, et donc valable, je pense, pour tout le monde.

Je pense que ce sera incroyablement amusant. L'IA est évidemment un mot que les gens apprennent à peine maintenant, mais elle a rendu votre ordinateur tellement plus accessible.

Il est plus facile d'interroger ChatGPT pour lui demander n'importe quoi que de faire les recherches soi-même. Nous avons donc abaissé la barrière de la compréhension, de la connaissance et de l'intelligence.

Et tout le monde devrait vraiment essayer. Ce qui est fou, c'est que si je mets un ordinateur devant quelqu'un qui n'en a jamais utilisé, il n'y a aucune chance qu'il apprenne à s'en servir en un jour.

Aucune chance. Quelqu'un doit vraiment lui montrer. Et pourtant avec ChatGPT, si vous ne savez pas vous en servir, il suffit de taper : « Je ne sais pas comment utiliser ChatGPT, explique-moi ».

Et il vous répondra en vous donnant des exemples. C'est cela qui est incroyable. La chose incroyable avec l'intelligence, c'est qu'elle vous aidera en chemin et vous rendra surhumain.

Très bien, j'ai encore une question si vous avez une seconde. Ce n'est pas quelque chose que j'avais prévu de vous demander, mais en venant ici, j'avais un peu peur en avion, ce qui n'est pas mon trait le plus rationnel.

Et le vol pour venir ici a été un peu agité. Très agité. Et j'étais assise là et je pensais à ce qu'ils diraient à mes funérailles.

« Elle posait de bonnes questions ». C'est ce que dira la pierre tombale.

Je l'espère. Et après avoir aimé mon mari, mes amis et ma famille, la chose dont j'espère qu'ils parleront, c'est l'optimisme. J'espère qu'ils reconnaîtront ce que j'essaie de faire ici.

Et je suis très curieuse pour vous. Vous faites cela depuis longtemps, il semble y avoir tant de choses que vous avez décrites dans cette vision à venir. Quel serait le thème que vous aimeriez que les gens retiennent de ce que vous essayez de faire ?

Très simplement, qu'ils ont eu un impact extraordinaire. Je pense que nous avons de la chance car, grâce à certaines convictions fondamentales il y a longtemps et en nous y tenant, nous avons construit sur elles.

Nous nous trouvons aujourd'hui être l'une des entreprises technologiques les plus importantes et les plus marquantes au monde, et potentiellement de l'histoire.

Nous prenons donc cette responsabilité très au sérieux. Nous travaillons dur pour que les capacités que nous avons créées soient disponibles pour les grandes entreprises ainsi que pour les chercheurs et développeurs individuels.

Dans tous les domaines de la science, qu'ils soient rentables ou non, grands ou petits, célèbres ou non. Et c'est grâce à cette compréhension de l'importance du travail que nous accomplissons et de l'impact potentiel qu'il a sur tant de personnes.

C'est pourquoi nous voulons rendre cette capacité aussi omniprésente que possible. Je pense qu'en regardant en arrière dans quelques années, j'espère que ce que la prochaine génération réalisera, c'est d'abord qu'ils nous connaîtront grâce à toute la technologie de jeu que nous créons.

Je pense que nous regarderons en arrière et verrons que tout le domaine de la biologie numérique et des sciences de la vie a été transformé. Toute notre compréhension des sciences des matériaux a été complètement révolutionnée.

Que des robots nous aident à faire des choses dangereuses et banales partout. Que si nous voulons conduire, nous le pouvons, mais sinon, faire une sieste ou profiter de sa voiture comme d'un home cinéma.

Lire sur le trajet du travail et, à ce moment-là, espérer vivre loin pour pouvoir rester plus longtemps dans la voiture. Et vous regardez en arrière et réalisez qu'il y a cette entreprise presque à l'épicentre de tout cela.

Et il se trouve que c'est l'entreprise avec laquelle vous avez grandi en jouant à des jeux. C'est ce que j'espère que la prochaine génération retiendra.

Merci beaucoup pour votre temps.

J'ai apprécié. Merci.

J'en suis ravie.