Phỏng vấn với Jensen Huang

Việc được lắng nghe Ben Gilbert và David Rosenthal, những người dẫn chương trình của Acquired, kể lại hơn 500 giờ nghiên cứu về Nvidia của họ, rồi sau đó lại được ngồi cùng CEO Jensen Huang và khám phá một tầm hiểu biết hoàn toàn mới, thực sự là minh chứng cho tài năng của chính con người ông. Trong một cuộc trò chuyện vừa là buổi "masterclass" về xây dựng công ty, vừa là một cái nhìn sâu sắc về tương lai của điện toán, Huang đã lột tả từng lớp trên hành trình của Nvidia, hé lộ triết lý của những ván cược táo bạo, tầm nhìn xa trông rộng không ngừng nghỉ, và một kiến trúc tổ chức sáng tạo không kém gì những con chip của họ.

Sự Táo Bạo Của Sự Hoàn Hảo: Đặt Cược Cả Công Ty Vào Một "Con Chip Hoàn Hảo"

Hành trình của Nvidia, giống như nhiều gã khổng lồ khác, cũng bắt đầu từ một trải nghiệm cận kề cái chết. Hãy hình dung một startup vào năm 1997, chỉ còn đủ tiền mặt cho sáu tháng hoạt động, đối mặt với 30 đối thủ cạnh tranh. Những lần đặt cược kiến trúc trước đó của họ đã sai lầm, và DirectX của Microsoft thì về cơ bản không tương thích với thiết kế hiện có của họ. Đây là khoảnh khắc quyết định cho Reva 128, một con chip được thiết kế để trở thành đường ống đồ họa tăng tốc 3D hoàn chỉnh đầu tiên trên thế giới. Đối mặt với cuộc khủng hoảng sinh tồn, Jensen Huang đã đưa ra một quyết định không tưởng: bỏ qua việc tạo mẫu vật lý và chỉ đạo sản xuất toàn bộ dựa hoàn toàn vào mô phỏng.

Đội ngũ đã tạo mẫu con chip ảo, chạy mọi phần mềm và trò chơi trên một trình giả lập mất một giờ để hiển thị một khung hình duy nhất. Quá trình tỉ mỉ này đã dẫn đến một niềm tin gần như phi lý. Như Huang nhớ lại, khi được hỏi làm thế nào ông biết con chip sẽ hoàn hảo, ông chỉ đơn giản trả lời: "Tôi biết nó sẽ hoàn hảo vì nếu không, chúng tôi sẽ phá sản." Cách tiếp cận đầy rủi ro này, được thúc đẩy bởi việc mô phỏng cạn kiệt mọi rủi ro trong tương lai, đã cho phép họ hoàn thiện thiết kế chip và ngay lập tức khởi động một chiến dịch tiếp thị và sản xuất rầm rộ. Ván cược đã thành công, không phải vì may mắn, mà vì tương lai đã được mô phỏng kỹ lưỡng từ trước.

Bài Học Chính:

• Mô Phỏng Tương lai: Chủ động xác định và giải quyết tất cả các rủi ro tiềm ẩn và điều chưa biết trong tương lai trước khi cam kết.
• Một Cơ Hội Duy Nhất, Phải Hoàn Hảo: Khi rủi ro ở mức cao nhất, việc chuẩn bị tỉ mỉ cho một "kết quả hoàn hảo" sẽ giảm thiểu rủi ro thực tế của ván cược.
• Thị Trường Của Những Người Đam Mê: Xác định các phân khúc mà công nghệ "không bao giờ là đủ tốt" để đảm bảo cơ hội bền vững cho sự đổi mới liên tục.

Dự Đoán Tương Lai: Từ Đồ Họa Đến Bộ Xấp Xỉ Hàm Phổ Quát

Chuyển nhanh đến đầu những năm 2010, Nvidia, một công ty dẫn đầu về đồ họa tiêu dùng, lại đứng trước một thời khắc then chốt khác với sự trỗi dậy của deep learning. Trong khi nhiều người trong giới công nghệ chính thống coi những đột phá như AlexNet là "dự án khoa học", Jensen Huang đã nhìn thấy một sự thay đổi lớn. Nvidia đã đầu tư mạnh vào CUDA, một nền tảng dân chủ hóa siêu máy tính cho các nhà nghiên cứu trong nhiều lĩnh vực khoa học khác nhau. Mối quan hệ sẵn có này với cộng đồng học thuật đã trở thành một vòng lặp phản hồi quan trọng.

Huang và đội ngũ của ông đã có tầm nhìn xa để đặt câu hỏi: "Điều gì đã làm cho thứ này thành công đến vậy?" và "Liệu nó có thể mở rộng được không?" Lập luận của họ đã dẫn đến một nhận thức sâu sắc: deep learning đã tình cờ tìm thấy một "bộ xấp xỉ hàm phổ quát". Điều này có nghĩa là nhiều vấn đề trong thế giới thực, từ dự đoán sở thích của người tiêu dùng đến các kiểu thời tiết, không đòi hỏi phải hiểu nguyên nhân, mà chỉ cần khả năng dự đoán. Nếu một hệ thống có thể học từ các ví dụ và đưa ra dự đoán, các ứng dụng của nó sẽ "vô cùng lớn". Niềm tin này, nảy sinh từ sự gắn kết sâu sắc với các nhà nghiên cứu như Ilya Sutskever và Andrew Ng, đã thúc đẩy một khoản đầu tư kiên định vào AI, nhiều năm trước khi nó bùng nổ mạnh mẽ.

Thay Đổi Chính:

• Thay Đổi Mô Thức Từ Nguyên Nhân Sang Khả Năng Dự Đoán: Nhận ra rằng nhiều vấn đề được hưởng lợi từ việc nhận diện mẫu hơn là hiểu rõ nguyên nhân cơ bản.
• Dân Chủ Hóa Siêu Máy Tính: Xây dựng nền tảng CUDA đã nuôi dưỡng một cộng đồng tự nhiên hướng tới các mô hình tính toán mới như deep learning.
• Thu Hút Những Người Dùng Tiên Phong: Làm việc song hành với các nhà nghiên cứu tiên phong đã cung cấp những hiểu biết và xác nhận quan trọng cho các khoản đầu tư dài hạn.

Cơ Sở Hạ Tầng Vô Hình: Xây Dựng Trung Tâm Dữ Liệu Của Tương Lai

Hành trình của Nvidia để cung cấp sức mạnh cho sự bùng nổ AI ngày nay không phải là một bước nhảy vọt trực tiếp từ GPU chơi game sang các trung tâm dữ liệu khổng lồ. Đó là một sự chuyển đổi chiến lược, kéo dài hàng thập kỷ, bắt đầu gần 17 năm trước với một câu hỏi đơn giản: Điều gì giới hạn cơ hội của chúng ta? Câu trả lời: sự ràng buộc vật lý của GPU với một máy tính để bàn. Jensen đã hình dung một tương lai nơi điện toán được tách rời khỏi thiết bị hiển thị. Điều này đã dẫn đến sản phẩm đám mây đầu tiên của họ, GeForce Now (GFN), và sau đó là đồ họa từ xa cho doanh nghiệp.

Việc mở rộng dần dần, có chủ đích này vào các trung tâm dữ liệu, học hỏi những sắc thái của điện toán phân tán và vượt qua các thách thức về độ trễ, đã đặt nền móng cho AI. "'Bạn muốn mở đường cho những cơ hội trong tương lai; bạn không thể chờ đợi cho đến khi cơ hội nằm ngay trước mặt bạn rồi mới vươn tới.'" Nguyên tắc này đã lên đến đỉnh điểm với thương vụ thâu tóm Mellanox đầy táo bạo, một công ty mạng hiệu suất cao, điều mà vào thời điểm đó là "một bất ngờ đối với tất cả mọi người". Huang nhận ra rằng các trung tâm dữ liệu dành cho AI về cơ bản khác với điện toán đám mây quy mô siêu lớn (hyperscale cloud), đòi hỏi mạng lưới "ngược lại của hyperscale" để phân chia các mô hình trên hàng triệu bộ xử lý. Mellanox đã cung cấp công nghệ InfiniBand quan trọng, biến thương vụ thâu tóm này thành "một trong những quyết định chiến lược tốt nhất mà tôi từng đưa ra."

Thực Tiễn Chính:

• Dự Đoán Các Ràng Buộc Dài Hạn: Xác định và loại bỏ một cách có hệ thống các nút thắt có thể hạn chế tăng trưởng và cơ hội thị trường trong tương lai.
• Định Vị Chiến Lược Từ Trước: Đầu tư vào các công nghệ và năng lực nền tảng giúp "định vị công ty gần các cơ hội" ngay cả khi hình dạng chính xác của chúng chưa rõ ràng.
• Tư Duy Ngược: Nhận ra khi nào một thị trường mới (như trung tâm dữ liệu AI) đòi hỏi một cách tiếp cận kiến trúc hoàn toàn khác so với các mô hình hiện có (như điện toán đám mây quy mô siêu lớn).

Kiến Trúc Là Chiến Lược: Tổ Chức Với Triết Lý "Nhiệm Vụ Là Sếp"

Phong cách lãnh đạo độc đáo của Jensen Huang mở rộng sang cả cơ cấu tổ chức của Nvidia. Ông làm việc với hơn 40 quản lý trực tiếp, tránh xa các mô hình phân cấp truyền thống giống như "một quân đội". Thay vào đó, ông xem Nvidia như "một chồng điện toán" (Computing stack) nơi các cá nhân quản lý các "module" hoặc chức năng khác nhau. Chức danh chỉ là thứ yếu so với chuyên môn, và người "giỏi nhất trong việc vận hành module đó" là "phi công chỉ huy".

Kiến trúc thông tin phẳng hơn, phân tán hơn này, nơi "nhiệm vụ là sếp", có nghĩa là thông tin quan trọng được truyền tải "khá nhanh chóng đến nhiều người khác nhau", thường ở cấp độ nhóm, ngay cả với sinh viên mới ra trường. Điều này đảm bảo mọi người học hỏi cùng lúc, trao quyền cho các cá nhân dựa trên khả năng suy luận và đóng góp của họ, thay vì dựa vào quyền truy cập thông tin đặc quyền. Cách tiếp cận hữu cơ, giống như mạng lưới thần kinh này, nơi các nhóm được kết nối dựa trên nhiệm vụ, cho phép sự linh hoạt cực độ và thực hiện nhanh chóng, như việc ra mắt hai chu kỳ sản phẩm lớn trong một năm – một kỳ tích gần như không thể tưởng tượng được đối với các công ty công nghệ lớn khác.

Những Hiểu Biết Quan Trọng:

• Công Ty Như Một Chồng Điện Toán: Thiết kế kiến trúc tổ chức để phản ánh sản phẩm đang được xây dựng, chứ không phải một mô hình phân cấp chung chung.
• Nhiệm Vụ Là Nguyên Tắc Dẫn Đường: Trao quyền cho các nhóm đa chức năng để kết nối xung quanh các nhiệm vụ cụ thể, thúc đẩy hợp tác ngoài các silo phòng ban cứng nhắc.
• Thông Tin Dân Chủ Hóa: Phổ biến thông tin quan trọng một cách rộng rãi và nhanh chóng để giảm sự mất cân bằng quyền lực và cho phép ra quyết định tập thể nhanh hơn.

"Bạn muốn định vị bản thân gần các cơ hội, bạn không cần phải quá hoàn hảo đâu, bạn biết đấy, bạn muốn định vị bản thân gần cái cây và ngay cả khi bạn không bắt được quả táo trước khi nó chạm đất, miễn là bạn là người đầu tiên nhặt nó lên, bạn muốn định vị bản thân thật gần các cơ hội ngay bây giờ." - Jensen Huang