สัมภาษณ์กับ Jensen Huang

การได้ฟัง Ben Gilbert และ David Rosenthal พิธีกรรายการ Acquired เล่าถึงการค้นคว้าวิจัยเกี่ยวกับ Nvidia กว่า 500 ชั่วโมง และเมื่อได้มานั่งคุยกับ Jensen Huang ซีอีโอด้วยตัวเอง ก็ได้ค้นพบความเข้าใจในมิติใหม่ที่ลึกซึ้งยิ่งขึ้น ซึ่งเป็นเครื่องพิสูจน์ถึงความสามารถอันน่าทึ่งของชายผู้นี้ ในบทสนทนาที่เปรียบเสมือนบทเรียนชั้นยอดด้านการสร้างบริษัทและการเจาะลึกอนาคตของการประมวลผลไปพร้อมกัน คุณ Huang ได้เผยเบื้องลึกเบื้องหลังการเดินทางของ Nvidia แสดงให้เห็นถึงปรัชญาของการเดิมพันที่กล้าหาญ การมองการณ์ไกลอย่างไม่หยุดยั้ง และโครงสร้างองค์กรที่ล้ำสมัยไม่แพ้ชิปของพวกเขาเลยทีเดียว

ความกล้าหาญแห่งความสมบูรณ์แบบ: การเดิมพันทั้งบริษัทกับ "ชิปที่สมบูรณ์แบบ"

เส้นทางของ Nvidia ก็เหมือนยักษ์ใหญ่หลายราย ที่เริ่มต้นจากการเฉียดตาย ลองจินตนาการถึงสตาร์ทอัพในปี 1997 ที่เหลือเงินสดแค่หกเดือน และต้องเผชิญหน้ากับคู่แข่งถึง 30 ราย การเดิมพันทางสถาปัตยกรรมก่อนหน้านี้ของพวกเขาผิดพลาด และ DirectX ของ Microsoft ก็เข้ากันไม่ได้โดยพื้นฐานกับการออกแบบที่มีอยู่เดิม นี่คือช่วงเวลาสำคัญสำหรับ Reva 128 ชิปที่ออกแบบมาเพื่อเป็นกราฟิกไปป์ไลน์แบบเร่งความเร็ว 3D เต็มรูปแบบตัวแรกของโลก เมื่อเผชิญกับวิกฤตการณ์ครั้งใหญ่ Jensen Huang ได้ตัดสินใจในสิ่งที่ไม่มีใครคาดคิด: คือการละทิ้งการสร้างต้นแบบทางกายภาพ และสั่งผลิตทั้งหมดโดยอาศัยเพียงการจำลองเท่านั้น

ทีมได้สร้างต้นแบบชิปเสมือนจริง โดยรันซอฟต์แวร์และเกมทุกชิ้นบนอีมูเลเตอร์ที่ใช้เวลา หนึ่งชั่วโมง ในการเรนเดอร์เฟรมเดียว กระบวนการที่พิถีพิถันนี้ นำไปสู่ความเชื่อมั่นที่เกือบจะดูไร้เหตุผล คุณ Huang เล่าว่า เมื่อถูกถามว่าเขารู้ได้อย่างไรว่าชิปจะสมบูรณ์แบบ เขาก็ตอบง่ายๆ ว่า "ผมรู้ว่ามันจะสมบูรณ์แบบ เพราะถ้าไม่ เราก็จะเจ๊งกันหมด" แนวทางที่มีความเสี่ยงสูงนี้ ซึ่งขับเคลื่อนด้วยการจำลองความเสี่ยงในอนาคตอย่างละเอียดถี่ถ้วน ทำให้พวกเขาสามารถออกแบบชิปและเริ่มแคมเปญการตลาดและการผลิตได้อย่างรวดเร็ว การเดิมพันครั้งนี้ประสบความสำเร็จ ไม่ใช่เพราะโชค แต่เป็นเพราะอนาคตได้รับการจำลองล่วงหน้าอย่างเข้มงวด

Key Learnings:

• จำลองอนาคต: ระบุและแก้ไขความเสี่ยงและความไม่แน่นอนในอนาคตที่อาจเกิดขึ้นทั้งหมด ก่อน ตัดสินใจดำเนินการ
• โอกาสเดียว ต้องทำให้สมบูรณ์แบบ: เมื่อเดิมพันสูงสุด การเตรียมการอย่างพิถีพิถันเพื่อ "ผลลัพธ์ที่สมบูรณ์แบบ" จะช่วยลดความเสี่ยงที่แท้จริงของการเดิมพันนั้น
• ตลาดเฉพาะกลุ่มผู้ที่ชื่นชอบ: ระบุกลุ่มตลาดที่เทคโนโลยี "ไม่เคยดีพอ" เพื่อให้แน่ใจว่ามีโอกาสที่ยั่งยืนสำหรับการสร้างสรรค์นวัตกรรมอย่างต่อเนื่อง

คาดการณ์อนาคต: จากกราฟิกสู่ Universal Function Approximator

ข้ามมาถึงต้นทศวรรษ 2010s Nvidia ซึ่งเป็นผู้นำด้านกราฟิกสำหรับผู้บริโภค ก็พบว่าตัวเองมาถึงจุดเปลี่ยนสำคัญอีกครั้งกับการถือกำเนิดของ Deep Learning ขณะที่คนส่วนใหญ่ในแวดวงเทคกระแสหลักมองว่าความก้าวหน้าอย่าง AlexNet เป็นเพียง "โครงงานวิทยาศาสตร์" Jensen Huang กลับมองเห็นการเปลี่ยนแปลงครั้งใหญ่ Nvidia ได้ลงทุนอย่างมหาศาลไปแล้วใน CUDA ซึ่งเป็นแพลตฟอร์มที่ทำให้การประมวลผลขั้นสูง (supercomputing) เข้าถึงได้ง่ายขึ้นสำหรับนักวิจัยในหลากหลายสาขาวิทยาศาสตร์ ความสัมพันธ์ที่มีอยู่เดิมกับชุมชนวิชาการนี้ กลายเป็นวงจรป้อนกลับที่สำคัญยิ่ง

คุณ Huang และทีมงานมีวิสัยทัศน์ที่จะถามว่า: "อะไรคือสิ่งที่ทำให้สิ่งนี้ประสบความสำเร็จอย่างมาก?" และ "มันสามารถขยายขนาดได้หรือไม่?" การให้เหตุผลของพวกเขานำไปสู่ความตระหนักรู้อย่างลึกซึ้ง: Deep Learning ได้ค้นพบ "universal function approximator" ซึ่งหมายความว่าปัญหาในโลกแห่งความเป็นจริงหลายอย่าง ตั้งแต่การคาดการณ์ความชอบของผู้บริโภคไปจนถึงรูปแบบสภาพอากาศ ไม่จำเป็นต้องเข้าใจสาเหตุ แต่ต้องการเพียงความสามารถในการคาดการณ์ หากระบบสามารถเรียนรู้จากตัวอย่างและทำการคาดการณ์ได้ การประยุกต์ใช้งานก็จะ "มหาศาลทีเดียว" ความเชื่อมั่นนี้ ซึ่งเกิดจากการทำงานร่วมกับนักวิจัยอย่าง Ilya Sutskever และ Andrew Ng อย่างใกล้ชิด ได้กระตุ้นให้เกิดการลงทุนใน AI อย่างไม่หยุดยั้ง หลายปีก่อนที่ AI จะเป็นที่นิยมในวงกว้าง

Key Changes:

• การเปลี่ยนกระบวนทัศน์จากสาเหตุสู่การคาดการณ์: การตระหนักว่าปัญหาหลายอย่างได้ประโยชน์จากการจดจำรูปแบบมากกว่าการทำความเข้าใจสาเหตุเบื้องหลัง
• ทำให้ Supercomputing เป็นประชาธิปไตย: การสร้างแพลตฟอร์ม CUDA ได้บ่มเพาะชุมชนที่มุ่งสู่กระบวนทัศน์การประมวลผลแบบใหม่ เช่น Deep Learning โดยธรรมชาติ
• การดึงดูดผู้ใช้งานกลุ่มแรก: การทำงานร่วมกับนักวิจัยผู้บุกเบิกอย่างใกล้ชิด ให้ข้อมูลเชิงลึกและการตรวจสอบที่สำคัญสำหรับการลงทุนระยะยาว

โครงสร้างพื้นฐานที่มองไม่เห็น: การสร้าง Data Center แห่งอนาคต

เส้นทางของ Nvidia สู่การขับเคลื่อนการเติบโตของ AI ในปัจจุบัน ไม่ได้เป็นการก้าวกระโดดโดยตรงจาก Gaming GPU ไปยัง Data Center ขนาดใหญ่ หากแต่เป็นการปรับเปลี่ยนเชิงกลยุทธ์ตลอดหลายทศวรรษ ซึ่งเริ่มต้นเมื่อเกือบ 17 ปีที่แล้วด้วยคำถามง่ายๆ ว่า: อะไรคือสิ่งที่จำกัดโอกาสของเรา? คำตอบคือ: ข้อจำกัดทางกายภาพที่ผูก GPU ไว้กับคอมพิวเตอร์เดสก์ท็อป Jensen มองเห็นอนาคตที่การประมวลผลถูกแยกออกจากอุปกรณ์แสดงผล สิ่งนี้นำไปสู่ผลิตภัณฑ์คลาวด์ตัวแรกของพวกเขาคือ GeForce Now (GFN) และต่อมาคือ Enterprise Remote Graphics

การขยายตัวอย่างค่อยเป็นค่อยไปและตั้งใจเข้าสู่ Data Center การเรียนรู้ความแตกต่างของการประมวลผลแบบกระจาย และการเอาชนะความท้าทายด้าน Latency ได้วางรากฐานสำหรับ AI "คุณต้องปูทางไปสู่โอกาสในอนาคต คุณจะรอไม่ได้จนกว่าโอกาสจะมาอยู่ตรงหน้าแล้วค่อยเอื้อมคว้ามัน" หลักการนี้ได้นำไปสู่การเข้าซื้อกิจการ Mellanox ซึ่งเป็นบริษัทเครือข่ายประสิทธิภาพสูง อย่างกล้าหาญ ซึ่งเป็น "เรื่องที่น่าประหลาดใจสำหรับทุกคน" ในขณะนั้น คุณ Huang ตระหนักว่า Data Center สำหรับ AI นั้นแตกต่างโดยพื้นฐานจาก Hyperscale Cloud โดยต้องการเครือข่ายแบบ "Inverse of Hyperscale" เพื่อแบ่งโมเดลออกเป็นล้านๆ โปรเซสเซอร์ Mellanox ได้มอบเทคโนโลยี InfiniBand ที่สำคัญ ทำให้การเข้าซื้อกิจการนี้เป็น "หนึ่งในการตัดสินใจเชิงกลยุทธ์ที่ดีที่สุดเท่าที่ผมเคยทำมา"

Key Practices:

• คาดการณ์ข้อจำกัดระยะยาว: ระบุและขจัดอุปสรรคที่อาจจำกัดการเติบโตและโอกาสทางการตลาดในอนาคตอย่างเป็นระบบ
• การวางตำแหน่งเชิงกลยุทธ์ล่วงหน้า: ลงทุนในเทคโนโลยีพื้นฐานและความสามารถที่ "วางตำแหน่งบริษัทให้อยู่ใกล้โอกาส" แม้ว่ารูปแบบที่แท้จริงของโอกาสนั้นจะยังไม่ชัดเจน
• การคิดแบบสวนทาง: ตระหนักว่าตลาดใหม่ (เช่น Data Center สำหรับ AI) ต้องการแนวทางสถาปัตยกรรมที่แตกต่างไปจากโมเดลที่มีอยู่เดิมอย่างสิ้นเชิง (เช่น Hyperscale Cloud)

สถาปัตยกรรมคือกยุทธ์: องค์กรแบบ "ภารกิจคือหัวหน้า"

สไตล์ความเป็นผู้นำที่ไม่เหมือนใครของ Jensen Huang ยังรวมไปถึงโครงสร้างองค์กรของ Nvidia ด้วย เขามีผู้ใต้บังคับบัญชาโดยตรงกว่า 40 คน หลีกเลี่ยงโมเดลลำดับชั้นแบบดั้งเดิมที่คล้าย "กองทัพ" แต่เขามอง Nvidia เป็น "Computing Stack" ที่แต่ละบุคคลจัดการ "โมดูล" หรือฟังก์ชันต่างๆ ตำแหน่งเป็นรองความเชี่ยวชาญ และคนที่ "เก่งที่สุดในการบริหารโมดูลนั้น" คือ "ผู้บังคับบัญชา"

สถาปัตยกรรมข้อมูลที่แบนราบและกระจายตัวมากขึ้นนี้ ซึ่ง "ภารกิจคือหัวหน้า" หมายความว่าข้อมูลสำคัญจะถูกเผยแพร่ "อย่างรวดเร็วไปยังผู้คนจำนวนมาก" บ่อยครั้งในระดับทีม แม้กระทั่งนักศึกษาจบใหม่ สิ่งนี้ทำให้ทุกคนเรียนรู้พร้อมกัน เสริมสร้างศักยภาพของแต่ละบุคคลตามความสามารถในการให้เหตุผลและมีส่วนร่วม มากกว่าการเข้าถึงข้อมูลพิเศษ แนวทางแบบออร์แกนิกที่คล้ายโครงข่ายประสาท ที่ทีมงานจะเชื่อมโยงกันตามภารกิจนี้ ช่วยให้เกิดความคล่องตัวและดำเนินการได้อย่างรวดเร็ว เช่น การจัดส่งผลิตภัณฑ์สำคัญสองรอบในหนึ่งปี ซึ่งเป็นสิ่งที่แทบจะจินตนาการไม่ถึงสำหรับบริษัทเทคโนโลยีขนาดใหญ่อื่นๆ

Key Insights:

• บริษัทในฐานะ Computing Stack: ออกแบบสถาปัตยกรรมองค์กรให้สะท้อนผลิตภัณฑ์ที่กำลังสร้าง ไม่ใช่โมเดลลำดับชั้นทั่วไป
• ภารกิจในฐานะหลักการนำทาง: เสริมสร้างศักยภาพทีมข้ามสายงานให้ทำงานร่วมกันตามภารกิจเฉพาะ ส่งเสริมการทำงานร่วมกันนอกกรอบของแผนกที่ตายตัว
• ข้อมูลที่เป็นประชาธิปไตย: เผยแพร่ข้อมูลสำคัญในวงกว้างและรวดเร็ว เพื่อลดความเหลื่อมล้ำทางอำนาจและช่วยให้การตัดสินใจร่วมกันเร็วขึ้น

"คุณอยากจะวางตำแหน่งตัวเองให้อยู่ใกล้โอกาส คุณไม่จำเป็นต้องสมบูรณ์แบบขนาดนั้น คุณรู้ไหมว่าคุณต้องการวางตำแหน่งตัวเองไว้ใกล้ต้นไม้ และแม้ว่าคุณจะจับแอปเปิลไม่ทันก่อนที่มันจะตกถึงพื้น ตราบใดที่คุณเป็นคนแรกที่หยิบมันขึ้นมาได้ คุณก็ต้องวางตำแหน่งตัวเองให้อยู่ใกล้โอกาสตั้งแต่ตอนนี้" - Jensen Huang