Intervju med Jensen Huang

Att lyssna på Acquired-värdarna Ben Gilbert och David Rosenthal berätta om sina över 500 timmar av Nvidia-forskning, för att sedan sitta ner med VD Jensen Huang och upptäcka en helt ny dimension av förståelse, är ett bevis på mannens storhet. I ett samtal som var lika delar en mästarklass i företagsbyggande och en djupdykning i datorteknikens framtid, skalade Huang av lagren av Nvidias resa och avslöjade en filosofi präglad av djärva satsningar, obeveklig framsynthet och en organisatorisk arkitektur lika innovativ som deras chips.

Perfektionens djärvhet: Att satsa företaget på ett "perfekt chip"

Nvidias resa, liksom många titaners, började med en nära-döden-upplevelse. Föreställ dig en startup 1997, med bara sex månaders kassa kvar, och 30 konkurrenter att tampas med. Deras tidigare arkitektoniska satsningar hade visat sig felaktiga, och Microsofts DirectX var fundamentalt inkompatibelt med deras befintliga design. Detta var det avgörande ögonblicket för Reva 128, ett chip designat för att vara världens första fullt 3D-accelererade grafikpipeline. Ställd inför en existentiell kris fattade Jensen Huang ett otänkbart beslut: att avstå från fysisk prototyputveckling och istället beställa hela produktionsserien baserat enbart på simulering.

Teamet prototyputvecklade chipet virtuellt och körde varje programvara och spel på en emulator som tog en timme att rendera en enda bildruta. Denna mödosamma process ledde till en nästan irrationell övertygelse. Som Huang mindes, när han fick frågan hur han visste att chipet skulle vara perfekt, svarade han helt enkelt: "Jag vet att det kommer att vara perfekt för om det inte är det så går vi i konkurs." Detta högrisk-tillvägagångssätt, drivet av en uttömmande simulering av framtida risker, gjorde att de kunde tape out chipet och omedelbart inleda en marknads- och produktionsblitz. Spellet gick hem, inte på grund av tur, utan för att framtiden noggrant simulerats i förväg.

Viktiga insikter:

• Simulera framtiden: Identifiera och lös proaktivt alla potentiella framtida risker och okända faktorer innan du förbinder dig.
• En chans, gör det perfekt: När insatserna är som högst minskar noggrann förberedelse för ett "perfekt resultat" den faktiska risken med satsningen.
• Entusiastmarknader: Identifiera segment där tekniken "aldrig är tillräckligt bra" för att säkerställa en hållbar möjlighet till kontinuerlig innovation.

Förutse framtiden: Från grafik till en universell funktionsapproximator

Spola framåt till början av 2010-talet, och Nvidia, en ledare inom konsumentgrafik, befann sig vid ett nytt avgörande ögonblick med framväxten av deep learning. Medan många i den vanliga teknikvärlden såg genombrott som AlexNet som "vetenskapliga projekt", såg Jensen Huang ett seismiskt skifte. Nvidia hade redan investerat tungt i CUDA, en plattform som demokratiserade superdatorer för forskare inom olika vetenskapliga områden. Denna befintliga relation med den akademiska världen blev en avgörande återkopplingsslinga.

Huang och hans team hade framsyntheten att fråga: "Vad är det med det här som gjorde det så framgångsrikt?" och "är det skalbart?" Deras resonemang ledde till en djup insikt: deep learning hade snubblat över en "universell funktionsapproximator". Detta innebar att många verkliga problem, från att förutsäga konsumentpreferenser till vädermönster, inte krävde förståelse för kausalitet, bara förutsägbarhet. Om ett system kunde lära sig av exempel och göra förutsägelser, var tillämpningarna "ganska enorma". Denna övertygelse, född ur djupt engagemang med forskare som Ilya Sutskever och Andrew Ng, drev en orubblig investering i AI, år innan dess mainstream-explosion.

Viktiga förändringar:

• Paradigmskifte från kausalitet till förutsägbarhet: Att inse att många problem drar nytta av mönsterigenkänning framför förståelse av underliggande orsaker.
• Demokratisering av superdatorer: Att bygga CUDA-plattformen främjade en gemenskap som naturligt drogs till nya beräkningsparadigm som deep learning.
• Engagera tidiga användare: Att arbeta hand i hand med banbrytande forskare gav avgörande insikter och validering för långsiktiga investeringar.

Den osynliga infrastrukturen: Att bygga morgondagens datahall

Nvidias resa för att driva dagens AI-explosion var inget direkt hopp från gaming-GPU:er till massiva datahallar. Det var en strategisk, decennielång omorientering som började för nästan 17 år sedan med en enkel fråga: Vad begränsar vår möjlighet? Svaret: den fysiska kopplingen av GPU:er till en stationär dator. Jensen föreställde sig en framtid där databehandling var separerad från visningsenheten. Detta ledde till deras första molnprodukt, GeForce Now (GFN), och sedan företagsinriktad fjärrgrafik.

"Du vill bana väg för framtida möjligheter; du kan inte vänta tills möjligheten sitter framför dig för att du ska sträcka dig efter den." Denna princip kulminerade i det djärva förvärvet av Mellanox, ett företag inom högpresterande nätverksteknik, vilket var en "överraskning för alla" då. Huang insåg att datahallar för AI var fundamentalt annorlunda än hyperscale cloud, och krävde "inversen av hyperscale"-nätverk för att sharda modeller över miljontals processorer. Mellanox tillhandahöll den avgörande InfiniBand-tekniken, vilket gjorde förvärvet till "ett av de bästa strategiska besluten jag någonsin fattat."

Viktiga strategier:

• Förutse långsiktiga begränsningar: Identifiera och systematiskt eliminera flaskhalsar som kan begränsa framtida tillväxt och marknadsmöjligheter.
• Strategisk förpositionering: Investera i grundläggande teknologier och förmågor som "positionerar företaget nära möjligheter" även om deras exakta form är oklar.
• Inverst tänkande: Inse när en ny marknad (som AI-datahallar) kräver en helt annan arkitektonisk strategi än befintliga modeller (som hyperscale cloud).

Arkitektur som strategi: Organisationen där "uppdraget är chefen"

Jensen Huangs unika ledarstil sträcker sig till Nvidias organisationsstruktur. Han arbetar med över 40 direkta rapporterande, och avstår från traditionella hierarkiska modeller som liknar "en militär". Istället ser han Nvidia som "en databehandlingsstack" där individer hanterar olika "moduler" eller funktioner. Titel är sekundärt till expertis, och den person som är "bäst på att driva den modulen" är "befälhavaren".

Denna plattare, mer distribuerade informationsarkitektur, där "uppdraget är chefen", innebär att kritisk information sprids "ganska snabbt till många olika människor", ofta på teamnivå, även till nya universitetsutexaminerade. Detta säkerställer att alla lär sig samtidigt, vilket stärker individer baserat på deras förmåga att resonera och bidra, snarare än privilegierad informationstillgång. Detta organiska, neuralnätverksliknande tillvägagångssätt, där team kopplar samman baserat på uppdraget, möjliggör extrem smidighet och snabb exekvering, som att leverera två stora produktcykler på ett år – en bedrift nästan otänkbar för andra stora teknikföretag.

Viktiga insikter:

• Företag som en databehandlingsstack: Designa organisationens arkitektur för att spegla produkten som byggs, inte en generisk hierarkisk modell.
• Uppdraget som vägledande princip: Ge tvärfunktionella team befogenhet att koppla samman kring specifika uppdrag, vilket främjar samarbete utanför strikta avdelningssilos.
• Demokratiserad information: Sprid kritisk information brett och snabbt för att minska maktobalanser och möjliggöra snabbare, kollektiva beslutsfattande.

"Du vill positionera dig nära möjligheter, du behöver inte vara så perfekt, du vet att du vill positionera dig nära trädet och även om du inte fångar äpplet innan det faller till marken, så länge du är den första att plocka upp det, vill du positionera dig nära möjligheterna nu." - Jensen Huang