黄仁勋 · AI 算力与规模化
黄仁勋认为，深度学习的重大突破在于利用大量数据与计算能力，让计算机从例子中自行提取重要特征；他把这种变化概括为软件能够编写软件。
嘉宾观点 · 忠实转述
他以椅子和酒杯的大量示例为例，说明计算机能自行找出使对象成为椅子或酒杯的重要特征。
延伸分析 由 AI 生成
如果通过数据学习特征能够持续扩大适用任务，训练所需的数据处理和计算能力可能获得更多需求；本场材料没有给出需求增速。
相关领域：AI 计算平台
后续观察
- 可自动学习的任务范围
- 训练计算需求
相关问题
同题历史与不同人物的表达
从示例中自动提取特征，如何改变计算机感知视觉和音频信息的方法？ →
围绕本场对深度学习的解释，研究大量数据与计算能力如何支持从示例中提取显著特征，以及这种方法在视觉、音频和时间序列感知中的适用边界。将“软件能够编写软件”保留为黄仁勋对这一变化的概括，不由此推出人工编程已经被全面替代，也不扩展为未在这些观点中讨论的通用智能能力。
当前观点关系：补充背景
黄仁勋
2012 年 AlexNet 用两块英伟达 GTX 580 GPU 训练成功，是'现代 AI 的大爆炸'；英伟达据此判断深度学习是'通用函数逼近器'，只要有输入输出就能解决几乎任何问题，于是全力投入并创造了 AI 市场，用的正是当年创造 3D 游戏市场同样的蓝图。
查看这条观点 →埃隆·马斯克
马斯克表示，Tesla端到端驾驶模型能仅从视频自行学会识别道路对象，甚至学会读路牌，而团队没有显式教这些概念。
查看这条观点 →黄仁勋
黄仁勋认为，深度学习的重大突破在于利用大量数据与计算能力，让计算机从例子中自行提取重要特征；他把这种变化概括为软件能够编写软件。
查看这条观点 →黄仁勋
黄仁勋认为，深度学习为处理视觉、音频和几乎各种时间序列信息提供了感知方法，使计算机能从嘈杂信息中提取显著特征。
查看这条观点 →
讨论
还没有公开评论。
Web 当前为匿名只读，可在受邀小程序中参与讨论。