Panayam kay Jensen Huang

Ang pakikinig kina Ben Gilbert at David Rosenthal, mga host ng Acquired, habang isinasalaysay nila ang kanilang mahigit 500 oras na pananaliksik sa Nvidia, at pagkatapos ay makipag-usap kay CEO Jensen Huang para tuklasin ang isang buong bagong dimensyon ng pag-unawa, ay patunay ng galing ng mismong tao. Sa isang pag-uusap na parehong masterclass sa pagbuo ng kumpanya at malalim na pagbusisi sa kinabukasan ng computing, ibinunyag ni Huang ang mga yugto ng paglalakbay ng Nvidia, inilalabas ang isang pilosopiya ng matatapang na desisyon, walang humpay na pagtanaw sa hinaharap, at isang organizational architecture na kasing-innovative ng kanilang mga chips.

Ang Tapang ng Pagiging Perpekto: Pusta ang Kumpanya sa isang "Perfect Chip"

Ang paglalakbay ng Nvidia, tulad ng maraming higante sa industriya, ay nagsimula sa isang malapit-nang-mamatay na karanasan. Isipin ang isang startup noong 1997, na may anim na buwan na lang na pera, at humaharap sa 30 kakumpitensya. Ang kanilang mga naunang diskarte sa architecture ay napatunayang mali, at ang DirectX ng Microsoft ay ganap na hindi tugma sa kanilang kasalukuyang disenyo. Ito ang kritikal na sandali para sa Reva 128, isang chip na idinisenyo upang maging kauna-unahang fully 3D-accelerated graphics pipeline sa mundo. Nahaharap sa isang krisis sa pag-iral, gumawa si Jensen Huang ng isang desisyong hindi maiisip: isantabi ang physical prototyping at ipagawa ang buong production run batay lamang sa simulation.

Virtual na pinrototype ng team ang chip, pinatakbo ang bawat software at laro sa isang emulator na tumatagal ng isang oras para i-render ang isang frame. Ang masusing prosesong ito ay humantong sa isang halos irasyonal na paniniwala. Ayon kay Huang, nang tanungin kung paano niya nalaman na magiging perpekto ang chip, simple lang ang kanyang tugon, "Alam kong magiging perpekto ito dahil kung hindi, mawawalan kami ng negosyo." Ang diskarte na ito na may mataas na pusta, na itinulak ng masusing simulation ng mga panganib sa hinaharap, ay nagpahintulot sa kanila na i-tape out ang chip at kaagad na simulan ang isang marketing at production blitz. Nagbunga ang pagsusugal, hindi dahil sa swerte, kundi dahil masusing sinuri ang hinaharap sa pamamagitan ng simulasyon.

Key Learnings:

• I-simulate ang Kinabukasan: Proaktibong tukuyin at lutasin ang lahat ng posibleng panganib at hindi alam sa hinaharap bago gumawa ng desisyon.
• Isang Pagkakataon, Perpektuhin: Kapag mataas ang pusta, ang masusing paghahanda para sa isang "perpektong resulta" ay nakakabawas sa aktuwal na panganib ng pagsusugal.
• Mga Enthusiast Market: Tukuyin ang mga segment kung saan ang teknolohiya ay "never good enough" upang matiyak ang isang napapanatiling pagkakataon para sa patuloy na inobasyon.

Pag-asam sa Kinabukasan: Mula sa Graphics Tungo sa isang Universal Function Approximator

Bumalik tayo sa unang bahagi ng 2010s, at ang Nvidia, isang nangunguna sa consumer graphics, ay natagpuan ang sarili sa isa pang kritikal na sandali sa paglitaw ng deep learning. Habang maraming tao sa mainstream tech world ang tumitingin sa mga tagumpay tulad ng AlexNet bilang "science projects," nakita ni Jensen Huang ang isang malaking pagbabago. Malaki na ang pamumuhunan ng Nvidia sa CUDA, isang platform na nagpapadali sa supercomputing para sa mga mananaliksik sa iba't ibang larangan ng agham. Ang umiiral na ugnayan na ito sa komunidad ng akademya ay naging isang mahalagang feedback loop.

Nagkaroon ng pananaw si Huang at ang kanyang team na magtanong: "Ano ang tungkol dito na nagpatumpay rito?" at "scalable ba ito?" Ang kanilang pangangatuwiran ay humantong sa isang malalim na pagkaunawa: ang deep learning ay natuklasan ang isang "universal function approximator." Ibig sabihin nito, maraming problema sa totoong mundo, mula sa paghula ng kagustuhan ng mga consumer hanggang sa weather patterns, ay hindi nangangailangan ng pag-unawa sa causality, kundi predictability lamang. Kung ang isang sistema ay kayang matuto mula sa mga halimbawa at gumawa ng mga hula, ang mga aplikasyon ay "lubhang napakalaki." Ang paniniwalang ito, na nagmula sa malalim na pakikipag-ugnayan sa mga mananaliksik tulad nina Ilya Sutskever at Andrew Ng, ang nagtulak sa walang-alinlangang pamumuhunan sa AI, ilang taon bago pa man ito sumabog sa mainstream.

Key Changes:

• Pagbabago ng Paradigma mula sa Causality tungo sa Predictability: Kinikilala na maraming problema ang nakikinabang sa pattern recognition higit sa pag-unawa sa mga pinagbabatayang sanhi.
• Pagpapadali ng Supercomputing: Ang pagbuo ng platform ng CUDA ay nagpalakas sa isang komunidad na natural na nahilig sa mga bagong computational paradigm tulad ng deep learning.
• Pakikipag-ugnayan sa Early Adopters: Ang pakikipagtulungan nang husto sa mga pioneering researchers ay nagbigay ng kritikal na kaalaman at pagpapatunay para sa pangmatagalang pamumuhunan.

Ang Invisible Infrastructure: Pagbuo ng Data Center ng Kinabukasan

Ang paglalakbay ng Nvidia sa pagpapagana ng AI explosion ngayon ay hindi isang direktang pagtalon mula sa gaming GPUs patungo sa malalaking data centers. Ito ay isang estratehiko, multi-dekadang pagbabago na nagsimula halos 17 taon na ang nakalipas sa isang simpleng tanong: Ano ang pumipigil sa ating oportunidad? Ang sagot: ang pisikal na koneksyon ng mga GPU sa isang desktop PC. Nakita ni Jensen ang isang hinaharap kung saan ang computing ay hiwalay sa viewing device. Dahil dito, nabuo ang kanilang unang cloud product, ang GeForce Now (GFN), at pagkatapos ay ang enterprise remote graphics.

Ang unti-unting, sadyang pagpapalawak na ito sa mga data center, pag-aaral ng mga detalye ng distributed computing at paglampas sa mga hamon sa latency, ang naglatag ng pundasyon para sa AI. "Gusto mong maglatag ng daan para sa mga oportunidad sa hinaharap; hindi ka pwedeng maghintay hanggang sa nakaupo na ang oportunidad sa harap mo para abutin mo ito." Ang prinsipyong ito ay nagtapos sa matapang na pagkuha ng Mellanox, isang high-performance networking company, na naging "sorpresa sa lahat" noong panahong iyon. Kinilala ni Huang na ang mga data center para sa AI ay malaki ang pagkakaiba sa hyperscale cloud, nangangailangan ng "inverse of hyperscale" networking upang hatiin ang mga modelo sa milyun-milyong processors. Ang Mellanox ang nagbigay ng mahalagang teknolohiya ng InfiniBand, na nagpagawa sa acquisition na "isa sa mga pinakamahusay na estratehikong desisyon na nagawa ko kailanman."

Key Practices:

• Asamin ang Pangmatagalang Limitasyon: Tukuyin at sistematikong alisin ang mga balakid na maaaring maglimita sa paglago sa hinaharap at oportunidad sa merkado.
• Estratehikong Pre-positioning: Mamuhunan sa mga pundamental na teknolohiya at kakayahan na "naglalagay sa kumpanya malapit sa mga oportunidad" kahit na hindi pa malinaw ang eksaktong porma nito.
• Inverse Thinking: Kilalanin kung kailan ang isang bagong merkado (tulad ng AI data centers) ay nangangailangan ng ganap na kakaibang architectural approach kaysa sa mga umiiral na modelo (tulad ng hyperscale cloud).

Architecture bilang Estratehiya: Ang Organisasyong "Mission is the Boss"

Ang natatanging estilo ng pamumuno ni Jensen Huang ay umaabot sa organizational structure ng Nvidia. Siya ay nagtatrabaho na may mahigit 40 direct reports, iniiwasan ang tradisyonal na hierarchical models na kahawig ng "isang militar." Sa halip, tinitingnan niya ang Nvidia bilang "isang Computing stack" kung saan ang mga indibidwal ay namamahala ng iba't ibang "modules" o function. Ang titulo ay pangalawa lamang sa kaalaman, at ang taong "pinakamahusay sa pagpapatakbo ng module na iyon" ang "pilot in command."

Ang mas flat, mas distributed na information architecture na ito, kung saan "mission is the boss," ay nangangahulugan na ang kritikal na impormasyon ay ipinapakalat "nang mabilis sa maraming iba't ibang tao," madalas sa antas ng team, kahit na sa mga bagong graduate sa kolehiyo. Tinitiyak nito na lahat ay natututo nang sabay-sabay, binibigyang kapangyarihan ang mga indibidwal batay sa kanilang kakayahang mangatuwiran at mag-ambag, sa halip na may pribilehiyong pag-access sa impormasyon. Ang organikong, parang neural network na diskarte na ito, kung saan ang mga team ay nagkakaugnay batay sa misyon, ay nagpapahintulot sa matinding pagiging agile at mabilis na pagpapatupad, tulad ng pagpapadala ng dalawang pangunahing product cycles sa isang taon – isang gawaing halos hindi maiisip para sa iba pang malalaking kumpanya ng tech.

Key Insights:

• Kumpanya bilang isang Computing Stack: Idinisenyo ang architecture ng organisasyon upang sumalamin sa produktong ginagawa, hindi isang generic na hierarchical model.
• Misyon bilang Gabay na Prinsipyo: Bigyang kapangyarihan ang mga cross-functional team na magkaisa sa paligid ng mga tiyak na misyon, na nagpapatibay ng pakikipagtulungan sa labas ng mahigpit na departmental silos.
• Demokratisadong Impormasyon: Ipakalat ang kritikal na impormasyon nang malawak at mabilis upang mabawasan ang mga pagkakaiba sa kapangyarihan at mapabilis ang kolektibong paggawa ng desisyon.

"Gusto mong ilagay ang iyong sarili malapit sa mga oportunidad, hindi mo kailangang maging ganun ka-perpekto, alam mo, gusto mong ipuwesto ang iyong sarili malapit sa puno at kahit na hindi mo mahuli ang mansanas bago ito bumagsak sa lupa basta ikaw ang unang makapulot nito, gusto mong ilagay ang iyong sarili malapit sa mga oportunidad ngayon." - Jensen Huang