加速计算带来的结果确实非凡，但其实现过程并不容易。为什么它能节省这么多钱，但人们却没有更早地采用这种技术呢？原因就在于它的实施难度太大。

没有现成的软件可以简单地通过加速编译器运行，然后应用程序就能瞬间提速100倍。这既不符合逻辑也不现实。如果这么容易，那么CPU厂商早就这样做了。

事实上，要实现加速，软件必须进行全面重写。这是整个过程中最具挑战性的部分。软件需要被重新设计、重新编码，以便将原本在CPU上运行的算法转化为可以在加速器上并行运行的格式。

这项计算机科学研究虽然困难，但我们在过去的20年里已经取得了显著的进展。例如，我们推出了广受欢迎的cuDNN深度学习库，它专门处理神经网络加速。我们还为人工智能物理模拟提供了一个库，适用于流体动力学等需要遵守物理定律的应用。另外，我们还有一个名为Aerial的新库，它利用CUDA加速5G无线电技术，使我们能够像软件定义互联网网络一样，用软件定义和加速电信网络。

这些加速能力不仅提升了性能，还帮助我们将整个电信行业转化为一种与云计算类似的计算平台。此外，Coolitho计算光刻平台也是一个很好的例子，它极大地提升了芯片制造过程中计算最密集的部分——掩模制作的效率。台积电等公司已经开始使用Coolitho进行生产，不仅显著节省了能源，而且大幅降低了成本。他们的目标是通过加速技术栈，为算法的更进一步发展和制造更深更窄的晶体管所需的庞大计算能力做好准备。

Pair of Bricks是我们引以为傲的基因测序库，它拥有世界领先的基因测序吞吐量。而Co OPT则是一个令人瞩目的组合优化库，能够解决路线规划、优化行程、旅行社问题等复杂难题。人们普遍认为，这些问题需要量子计算机才能解决，但我们却通过加速计算技术，创造了一个运行极快的算法，成功打破了23项世界纪录，至今我们仍保持着每一个主要的世界纪录。

Coup Quantum是我们开发的量子计算机仿真系统。对于想要设计量子计算机或量子算法的研究人员来说，一个可靠的模拟器是必不可少的。在没有实际量子计算机的情况下，英伟达CUDA——我们称之为世界上最快的计算机——成为了他们的首选工具。我们提供了一个模拟器，能够模拟量子计算机的运行，帮助研究人员在量子计算领域取得突破。这个模拟器已经被全球数十万研究人员广泛使用，并被集成到所有领先的量子计算框架中，为世界各地的科学超级计算机中心提供了强大的支持。

此外，我们还推出了数据处理库Kudieff，专门用于加速数据处理过程。数据处理占据了当今云支出的绝大部分，因此加速数据处理对于节省成本至关重要。QDF是我们开发的加速工具，能够显著提升世界上主要数据处理库的性能，如Spark、Pandas、Polar以及NetworkX等图处理数据库。

这些库是生态系统中的关键组成部分，它们使得加速计算得以广泛应用。如果没有我们精心打造的如cuDNN这样的特定领域库，仅凭CUDA，全球深度学习科学家可能无法充分利用其潜力，因为CUDA与TensorFlow、PyTorch等深度学习框架中使用的算法之间存在显著差异。这就像在没有OpenGL的情况下进行计算机图形学设计，或是在没有SQL的情况下进行数据处理一样不切实际。

这些特定领域的库是我们公司的宝藏，我们目前拥有超过350个这样的库。正是这些库让我们在市场中保持开放和领先。今天，我将向你们展示更多令人振奋的例子。

就在上周，谷歌宣布他们已经在云端部署了QDF，并成功加速了Pandas。Pandas是世界上最受欢迎的数据科学库，被全球1000万数据科学家所使用，每月下载量高达1.7亿次。它就像是数据科学家的Excel，是他们处理数据的得力助手。

现在，只需在谷歌的云端数据中心平台Colab上点击一下，你就可以体验到由QDF加速的Pandas带来的强大性能。这种加速效果确实令人惊叹，就像你们刚刚看到的演示一样，它几乎瞬间就完成了数据处理任务。

CUDA实现良性循环

CUDA已经达到了一个人们所称的临界点，但现实情况比这要好。CUDA已经实现一个良性的发展循环。回顾历史和各种计算架构、平台的发展，我们可以发现这样的循环并不常见。以微处理器CPU为例，它已经存在了60年，但其加速计算的方式在这漫长的岁月里并未发生根本性改变。

要创建一个新的计算平台往往面临着“先有鸡还是先有蛋”的困境。没有开发者的支持，平台很难吸引用户；而没有用户的广泛采用，又难以形成庞大的安装基础来吸引开发者。这个困境在过去20年中一直困扰着多个计算平台的发展。

然而，通过持续不断地推出特定领域的库和加速库，我们成功打破了这一困境。如今，我们已在全球拥有500万开发者，他们利用CUDA技术服务于从医疗保健、金融服务到计算机行业、汽车行业等几乎每一个主要行业和科学领域。

随着客户群的不断扩大，OEM和云服务提供商也开始对我们的系统产生兴趣，这进一步推动了更多系统进入市场。这种良性循环为我们创造了巨大的机遇，使我们能够扩大规模，增加研发投入，从而推动更多应用的加速发展。

每一次应用的加速都意味着计算成本的显著降低。正如我之前展示的，100倍的加速可以带来高达97.96%，即接近98%的成本节省。随着我们将计算加速从100倍提升至200倍，再飞跃至1000倍，计算的边际成本持续下降，展现出了令人瞩目的经济效益。

当然，我们相信，通过显著降低计算成本，市场、开发者、科学家和发明家将不断发掘出消耗更多计算资源的新算法。直至某个时刻，一种深刻的变革将悄然发生。当计算的边际成本变得如此低廉时，全新的计算机使用方式将应运而生。

事实上，这种变革正在我们眼前上演。过去十年间，我们利用特定算法将计算的边际成本降低了惊人的100万倍。如今，利用互联网上的所有数据来训练大语言模型已成为一种合乎逻辑且理所当然的选择，不再受到任何质疑。

这个想法——打造一台能够处理海量数据以自我编程的计算机——正是人工智能崛起的基石。人工智能的崛起之所以成为可能，完全是因为我们坚信，如果我们让计算变得越来越便宜，总会有人找到巨大的用途。如今，CUDA的成功已经证明了这一良性循环的可行性。

随着安装基础的持续扩大和计算成本的持续降低，越来越多的开发者得以发挥他们的创新潜能，提出更多的想法和解决方案。这种创新力推动了市场需求的激增。现在我们正站在一个重大转折点上。然而，在我进一步展示之前，我想强调的是，如果不是CUDA和现代人工智能技术——尤其是生成式人工智能的突破，以下我所要展示的内容将无法实现。

这就是“地球2号”项目——一个雄心勃勃的设想，旨在创建地球的数字孪生体。我们将模拟整个地球的运行，以预测其未来变化。通过这样的模拟，我们可以更好地预防灾难，更深入地理解气候变化的影响，从而让我们能够更好地适应这些变化，甚至现在就开始改变我们的行为和习惯。

“地球2号”项目可能是世界上最具挑战性、最雄心勃勃的项目之一。我们每年都在这个领域取得显著的进步，而今年的成果尤为突出。现在，请允许我为大家展示这些令人振奋的进展。

在不远的将来，我们将拥有持续的天气预报能力，覆盖地球上的每一平方公里。你将始终了解气候将如何变化，这种预测将不断运行，因为我们训练了人工智能，而人工智能所需的能量又极为有限。这将是一个令人难以置信的成就。我希望你们会喜欢它，而更加重要的是，这一预测实际上是由Jensen AI做出的，而非我本人。我设计了它，但最终的预测由Jensen AI来呈现。

由于我们致力于不断提高性能并降低成本，研究人员在2012年发现了CUDA，那是英伟达与人工智能的首次接触。那一天对我们而言至关重要，因为我们做出了明智的选择，与科学家们紧密合作，使深度学习成为可能。AlexNet的出现实现了计算机视觉的巨大突破。

AI超算的崛起，起初并不被认同