Yahoo奇摩新聞 黃仁勳台大演講 談「生成式AI發展影響」口譯精華
輝達（Nvidia）創辦人黃仁勳今（2）日在台灣大學致詞，以下為演講內容：
大家好，今天非常高興能夠回到這裡。首先，我要感謝國立台灣大學，讓我們使用你們的體育館。上一次來這裡時，我獲頒了一個台大的學位，在演講時我說了“Run, don't walk”這樣的金句。所以，今天我們有很多內容要講，我不能用走的，而得用跑的。
台灣是我們非常珍貴的夥伴的集中地，NVIDIA的一切都從這裡開始。我們的夥伴和銷售團隊，從台灣把這一切帶到全世界。台灣與輝達的合作，創造了全世界的AI基礎架構。
今天我想要跟大家談幾件事：首先，生成式AI對於我們的產業以及所有其他產業的影響。我還會談談我們未來的前景及所帶來的機會，以及接下來會有什麼樣的發展。現在是非常令人振奮的時刻，我們要重新啟動我們的電腦產業，這個產業是由大家打造和創造的，現在也要準備好開啟下一個重大的旅程。
在我們開始之前，我想強調輝達NVIDIA在電腦繪圖、模擬及人工智慧方面的重要性。這些技術是我們的靈魂。今天展示的全部都是擬真和模擬，背後都是數學、科學和電腦科學，這些都不是動畫，而是我們自製自產的技術，這是輝達的靈魂。
我們將這些技術放入虛擬世界中，稱之為Omniverse。請看Omniverse的展示，它背後的兩個關鍵技術是加速運算和人工智慧。這些技術在Omniverse裡運行，會重新打造整個電腦產業。
電腦產業已有60年的歷史，從IBM 360的中央處理器開始，至今經歷了數次重大科技轉型。下一個重大改變即將來臨，處理器的效能擴展速度大幅降低，但我們需要處理的資料卻在快速增長，這導致了運算通膨。加速運算成為了必然，我們發明了平行運算架構，結合GPU和CPU，從而大幅提升了運算速度和效能。
過去20年，我們開發了各種函式庫來加速運算，像是CUDNN、Aerial、ParaBricks等，涵蓋了從AI到電信至基因定序等多個領域。我們在全球擁有500萬名開發人員，服務各行各業，從金融到健康護理，從電腦產業到交通運輸。
加速運算帶來的效益顯著，我們在資料中心節省了大量成本和能源，開發了更多應用程式，並降低了運算成本。這種良性循環使得我們能夠開發出更多創新技術，如地球的數位孿生，用以預測和應對氣候變遷和天災。
今天，我們即將見證一個新的電腦時代的開始，生成式AI的發展讓我們能夠實現更多不可能的事情。
在星期六，颱風再次朝北前進，其路線帶來巨大的不確定性，而這不確定性帶來了對台灣不同的影響。但現在，我們能夠想像一個世界，一個能夠預測未來的世界，這就是數位孿生所能實現的。數位孿生是一種虛擬模型，它反映了真實世界的情況，並且能夠從現有的數據中預測未來的影響。NVIDIA EARTH 2就是一個極佳的例子。它利用AI、物理模擬和電腦圖形技術，建立了一個全球氣候的數位孿生模型。
其中一個核心技術是CoreDiff，這是NVIDIA的生成式AI模型，它能夠以高達12倍的解析度生成天氣模式，這將區域天氣預測帶入了一個全新的境界。更驚人的是，它比傳統的物理模擬方法快了1000倍，並且能源效率高達3000倍。
在台灣的中央氣象署，他們使用這些模型來更精確地預測颱風登陸點，這對於減少颱風帶來的災害有著重大的意義。而未來的發展將朝著超本地預測方向發展，這將使預測更加精確，能夠考慮到城市基礎設施的影響。CoreDiff AI還在使用像是PAL生成的高解析度數據進行訓練，這使得模型能夠更準確地模擬大氣和海洋邊界層，預測出像下沖這樣的現象，從而更好地保護城市和居民的安全。
在2012年，一件重要的事件改變了遊戲規則。我們持續改進CUDA，期望提高效能、降低成本。於是，AI研究人員在2012年發現了CUDA的潛力，這是NVIDIA第一次接觸到人工智慧，標誌著重要的一天。我們與科學家合作，研究深度學習系統，使我們的電腦系統取得重大突破。更重要的是，我們必須了解深度學習的基礎，以及它的長遠影響和潛力。
深度學習是幾十年前的演算法，但現在因為資料量和運算能力的增加，使得深度學習從不可能變成可能。而隨著更多資料、更大的網路和更好的運算能力，深度學習的潛力無限。在2012年之後，我們有了Tensor Core和NVLink等技術，整合在我們嶄新的電腦裡面。
2016年，我們將全球第一台超級電腦交給了OpenAI，開啟了DGX超級電腦時代。隨後，我們不斷擴大規模，到2017年推出了Transformer系統，進行大量資料的訓練，並分析長時間的資料，實現自然語言處理等重大突破。
2022年11月，我們用幾千個幾萬個NVIDIA的GPU，做了很多訓練，因此，OpenAI等公司在短短5天內，就有100萬人在使用我們的人工智慧系統，取得了驚人的成績。
這些創新的背後是NVIDIA的不斷努力，我們致力於改進CUDA和其他技術，以提供更好的效能和使用體驗。我們相信，隨著技術的不斷發展，AI將為人們的生活帶來更多便利和可能性。
在應用程式與系統優化方面，易於部署的微服務或NIMS已經變得十分普及。開發者可以將ACE NIMS整合到現有的框架、引擎和數位人體體驗中。Nemotron SLM和LLM NIMS能夠理解我們的意圖並協調其他模型的運作。Riva Speech NIMS用於互動式語音和翻譯，而音訊到面部和手勢NIMS則用於面部和身體動畫。Omniverse RTX與DLSS可進行皮膚和頭髮的神經渲染。ACE NIMS運行於NVIDIA GDN上，這是一個全球性的NVIDIA加速基礎設施網絡，提供低延遲的數位人體處理服務覆蓋100多個地區。
ACE可在雲端上運行，也可以在個人電腦上運行，並且所有RTX GPU都配備Tensor Core Processing。現在，有超過一億台GeForce RTX AI個人電腦，並且推出了200多款新的AI個人電腦。未來，個人電腦將成為一個重要的AI平台，提供各種背景的支援和由AI強化的應用程式。
AI的發展將朝向更加符合物理定律的方向。大多數的AI目前還不太符合物理定律，但未來的AI將基於物理定律，並逐漸理解這些定律。AI將從各種方式中學習，包括觀看影片、模擬和與其他電腦互相學習，這就像AlphaGo與自己對弈一樣。
透過強化學習和合成生成的資料，AI的發展速度將加快，並將更好地適應物理定律。因此，未來的模型將變得越來越強大，需要更大的GPU來支援。
Blackwell就是為了這樣子的一個新的時代而發明的，Blackwell當然其中光是晶片的規模，晶片的大小大家就會發現是一個很大的成就，因為台積電它可以生成的最大晶片，我們把它連接在一起，它每秒是10TB的連結，這個可以說是全世界最先進的Service，把它連接在一起，然後我們把這兩個放在一個電腦的節點上，用Grey CPU把它連接在一起，Grey CPU可以做很多事情，在訓練的這一個情境裡頭，我們可以來做快速的檢查點，然後重新啟動，那麼在推論的情況，它可以用來儲存這個情境的記憶，所以AI它就有記憶了，它了解這個對話的情境，這是我們的第二代的Transformer的引擎，Transformer的引擎讓我們可以去，動態的去適應更低的精度，根據我們所需要的精度，需要的範圍來調整，這是第二代的GPU，是我們可以請，要求我們的這個服務供應商來保護我們的AI，讓它不會被偷竊，或者是被毀壞，這是我們第五代的MV-Link，MV-Link讓我們可以把多個GPU連接在一起，等一下會再給大家展示。
除此之外，這也是我們的第一代，有一個可靠而且可用的引擎，這個RAS的系統讓我們去測試每一個電晶體，每一個Flip Flop的記憶，不管是晶片上或晶片外，讓我們可以去決定說，某一個晶片是不是失靈了，如果說一台超級電腦它有一萬個GPU，它的平均時，NTBF是一萬個小時過去，但是現在是用分鐘來測量的，所以一台超級電腦，它要能夠運行很長的一段時間，讓它可以長期好幾個月來訓練一個模型，它的前提是我們的科技要非常可靠。
換句話說它不能夠中斷運行，你要持續的讓它運行，它就要花很多的時間很多的金錢，所以我們加入了一個資料的壓縮引擎，還有解壓縮的引擎，讓我們可以在資料存取上面快20倍，那麼這個都是Blackwell，我們這邊有一個已經在生產中的Blackwell，在GDC我有給大家看Blackwell，它是一個圓形，我們看，原來是在另外一邊，這就是為什麼要先做一些演練嘛，在美國剛好是反過來哦，各位女士，各位先生，這就是Blackwell，這就是我們正式生產的Blackwell，裡頭有最尖端的科技，這就是我們實際生產的一個板，可以說是有史以來功能效能最強大的一個晶片，這個是我們的CPU，每一個裸晶，應該說我們把兩個GPU的裸晶串聯在一起，這可以說是世界上我們可以生產出來最大的晶片，而且它兩個串聯起來的時候，它的連接的速度是10個TB，這個是Blackwell的電腦，它的效能非常的強大。
請各位注意一下我們的螢幕上面所秀出來的，我們來看一下它的浮點運算能力，每一代的產品，它的浮點運算能力，幾乎8年內增加了1000倍，摩爾定律，如果是經過8年的話，頂多我們算一下吧，大概40倍頂多，對不對，40倍60倍，可是在過去這8年當中，摩爾定律它的速度已經變慢了，所以我們來做個比較，即便是在摩爾定律的巔峰時期，拿來跟Blackwell做一個比較，其實Blackwell我們看到這個GPU的運算能力，它進步的速度真的太快了，而且它的成本會不斷的下降，因此它的運算能力不斷的提高，這也代表我們用來訓練GPT-4系統，也就是它有兩兆個參數，有8兆個次元的這樣的一個系統，我們所要消耗的電力，大概就是原來的1/350而已，Pascal過去可能要，滑1000度，換句話說，我們現在還沒有一個Gigawatt的資料中心，你如果是有這樣的資料中心，你要花一個，你如果是100個Megawatt，你要花一整年的時間，來處理這麼多的資料，當然我們不可能去蓋這樣的一個資料中心，這就是為什麼大型語言模型過去，8年之前都還是不可能的，可是因為它的效能提升了，能源效率提升了，它的成本下降了，因此我們有了Blackwell之後，過去要100個，1000個Gigawatt，也就是如果是Gigawatt的資料中心，過去要花1000年，現在只需要3年，譬如說如果有1萬個GPU的話，大概只需要幾天就可以完成了，大概10天就可以完成同樣的資料處理的數量，所以這過去8年的進步的速度，真的是非常的驚人。
我們現在講的是推論，講的是次元的生成，因為這個效能越來越大，所以我們消耗的電力只有過去的1/45，過去Pascal每個次元大概要4萬5千個Joule，大概就是兩個電燈泡持續電兩天的時間，才有辦法去產生一個GPT-4所需要的次元，你一個字大概需要三個次元來組成，換句話說，過去Pascal要產生GPT-4，要有Chet-GPT這樣的系統出現，幾乎是不可能的事情，可是我們只需要用0.4Joule，就可以產生一個次元，而且次元生成的速度非常的快，它消耗的能源非常的低，Blackwell真的是一個大躍進，即便如此還是不夠，我們必須要打造更大型的機器，這就是我們所謂的DGX，這是我們的Blackwell的晶片，把它放到DGX系統當中，這就是為什麼我們要一再的演練才行，這就是DGX Blackwell，是氣冷式的，裡頭有八個這樣的GPU。
你們有沒有看到，這裡頭我們的散熱系統，大概是15000瓦，它是氣冷式的，它可以支援X86，而且可以跟我們的Hopper結合在一起，不過假如你要一冷式的系統的話，我們現在也有這個新的產品，這個新的產品，就是用這樣的一個板子，我們把它叫做MGX，叫做模組化的一個系統，這就是我們的MGX系統，裡頭有兩個Blackwell的板子，那每一個板子有四個Blackwell的晶片，這個是一冷式的系統，九個加在一起，這裡有九個 這裡有九個，總共72個GPU，把它們用NVLink，新的NVLink連接在一起，這是我們NVLink的交換器，是我們第五代的NVLink的產品，NVLink的交換器，可以說是科技上的一種奇蹟，它的資料傳輸速率，真的是太扯了，我們如果把這個Blackwell，所有的晶片串聯在一起的話，就可以有一個72個GPU的Blackwell系統，這樣做有什麼樣的好處呢，你在每一個GPU的領域當中，看起來就像一個GPU，實際上它有72個，上一代的版本只有8個，所以是過去的9倍，而它的頻寬是過去的18倍，而它的浮點運算能力是過去的45倍，可是它所消耗的電力只有過去的10倍，這是一個100個KW，之前是10個KW，當然你可以把更多的晶片串聯在一起，這個晶片這個NVLink的晶片，為什麼說它是一個科技上的奇蹟呢，因為這NVLink，把所有的晶片串聯在一起，大型語言模型不能夠只有一個節點，不能夠只有一個GPU，我們必須要把整個機架裡頭，所有的GPU全部都連接在一起，這樣子我們才能夠有一個，可以處理10兆個參數以上的，大型語言模型，它有500億個電晶體，而且它每一個有72個Port，它有4個NVLink，它每一秒鐘的速度是1.8個TB，裡頭有這個交換器，這個交換器可以幫我們，協助深度學習系統，來進行資料的彙整跟縮減，這個就是我們現在的DGX。
很多人都在問我們說，他們說，好像大家搞不太清楚，NVIDIA到底是做什麼的，大家心裡面有個疑問，為什麼NVIDIA就單單憑GPU，規模就能夠變得這麼大，這個就是GPU看起來，就像這個樣子，這可以說是世界上最先進的GPU，不過是打電玩用的GPU，可是我們都知道，我旁邊的這個也是個GPU，各位女士各位先生，這就是我們的DGX GPU，跟過去已經截然不同了，這個GPU的後面，就是NV LINK所組成的一個背板，這個背板當中有5000條線，加起來有兩英里這麼長，就在這邊，這個呢，這就是我們所謂的NV LINK的背板，可以連接72個GPU，把72個GPU連接在一起，這可以說是在電機學上面的一種奇蹟，因為它有transceiver，它裡頭呢，透過銅線，讓這個NV LINK的交換器，透過這個背板當中的銅線，讓我們一個機架，可以節省20個KW，我們可以把節省下的20KW，用來進行資料處理，這就是NV LINK的背板，哇，要稍微運動一下，其實這樣還不算大耶，因為我們要打造AI工廠，所以我們必須要有更高速的網路技術，我們有Infiniband，我們有兩種，第一種是Infiniband，用在AI工廠，用在超級電腦當中，而且它成長速度非常的快，可是並不是每個資料中心都可以用Infiniband，因為他們以前已經採用了乙太網路了。
實際上你要管理Infiniband，是需要一些特別的技術，因此我們就把Infiniband，它有的一些功能，把它擺到乙太網路架構當中，這其實非常的困難，為什麼呢，道理非常的簡單，乙太網路當初設計的時候，它是針對平均傳輸量比較高的系統，每一個電腦，每一個節點，都是連接到一個不同的人，而大部分是資料中心，跟另外一端的人在進行溝通，可是AI工廠當中的深度學習系統，GPU並不是跟人來做溝通，GPU是他們彼此之間在做溝通，為什麼呢，因為他們在收集一些資料，也就是把這個產品的部分的資料收集起來，然後進行縮減，然後再重新的來進行分配，所以重點不是平均的傳輸量，而是說最後一個接收到資訊的那個GPU，因為你是從每一個人那邊，去收集一些資料，譬如說，我把每一個人都在做的東西呢，這邊拿一點那邊拿一點，然後看誰的速度最慢，這個系統的速度就決定，是哪一個人給我資料的時候速度最慢，那個人就決定了這樣的一個速度，過去以太網路是辦不到的，所以我們必須要有端到端的架構，而且這當中有四個不同的技術，NVIDIA有世界上最先進的MDNA，RDMA對不起RDMA，這個是專門針對以太網路所做設計。
除此之外我們還有永塞控制系統，這個交換器，他很快的在處理這些參數的數值，因此每次假如有任何的GPU送出太多的資料，我們就叫他慢一點，這樣子才不會產生瓶頸，第三個就是調適性的路由器，以太網路必須要傳送跟接收資料的時候，必須要按順序來，假如我們看到有任何地方，有任何的port沒有使用，或者是有塞車情形，我們就把這個資訊送到沒有永塞port，這樣子我們就可以把工作的順序，重新安排好，還有一個很重要的雜訊的隔離，因為我們在訓練的模組不止一個，所以資料中心裡頭一定都會有一些雜訊，一旦進入我們的工作流程當中，就會產生很多的雜音，這樣子就會影響資料傳遞的速度，就會使訓練的速度變慢，我們已經打造了一個50億，或者是30億美金造價的資料中心來做訓練，假如它的利用率，網路的利用率，下降了40%，那你所需要訓練時間就必須要增加20%，51億的資料中心，現在就突然變成像60億的資料中心，為什麼因為它的成本增加了，所以原本你只花了50億，實際上感覺就像60億美金一樣，所以我們的系統就可以去改善這些問題，這個是一個了不起的成就。
我們現在有很多儀態網路的產品會陸續的推出，這個是Spectrum X800，它有我們有所謂的RAIDX，這個RAIDX以前是256，現在明年會有512，這個當中，最重要的是X800，它是針對，幾千個GPU所設計的，那我們下一代的產品，它可以使用幾十萬個GPU，然後再下來，它可以使用幾百萬個GPU，我們當然希望能夠訓練比較大型的模型，不過在未來，我們在跟網路或者跟電腦進行互動的時候，裡頭應該在雲端系統裡頭，都會有生成式的AI系統在裡面，它在跟你進行互動，在不斷的生成圖片、影片、文字，甚至有一個數位人在裡面，所以你幾乎不斷的在跟電腦，具有生成式A功能的電腦進行互動，有些時候是在你的裝置當中，有些是在雲端系統裡面，而且這個生成式的AI，它可以幫你做推論，它可以幫你做推理，所以它會不斷的進行思考之後，再把最好的答案告訴你，所以以後我們透過這樣的系統，可以辦到的事情，是我們現在難以想像的。
我相信在台北電腦展之前從未有人進行過這樣的演講，或許這也將是最後一次。這樣的專題演講只有NVIDIA能做得到，只有我能做得到。
Blackwell當然是第一代的NVIDIA平台，這個平台是我們在AI時代開始時推出的。當時我們才剛開始了解到AI工廠的重要性，這個新的產業革命的開端。我們有許多夥伴，無論是OEM、電腦製造商、CSP、GPU甚至是電信公司等各式各樣的企業，他們都站在我們的背後。對於Blackwell的支持程度，我真的感激得無以名狀，但是我們也不停止腳步。在這個成長的期間，我們希望能持續地強化效能、降低成本，包括訓練和推論的成本，並持續地擴充AI的能力，讓所有的公司都能擁有AI。
Hopper平台當然是最成功的資料中心處理器，這應該是史上最成功的一個案例。但現在有了Blackwell，我們每一個平台都可以看到，你有CPU、GPU、NVLink、NIC，還有交換器。而這個NVLink Switch可以把所有的GPU連結在一起，形成一個最大的領域。透過這個，我們可以使用非常高速的交換器，但其實它是一整個平台。我們打造了整個平台，並將它整合成一個AI工廠的超級電腦，然後再分散到全世界各地讓大家使用。
為什麼要這樣做呢？因為在座的各位都有能力去創造非常有趣、非常有創意的設置和配置，並能以不同的風格滿足不同的資料中心和顧客需求。我們讓它具有彈性，讓大家能夠以最具創意的方式進行構建。現在我們推出了Blackwell的平台，而明年將會是Blackwell Ultra。我們之前有H100、H200，而下一代就是Blackwell Ultra，一樣會將性能推向極限。而下一代的Spectrum Switch也將會是我們第一次給大家看的，我不知道我是否會後悔。
我們公司裡頭有各式各樣的開發代碼，我們盡量的保密，有的時候大部分的員工，甚至都不曉得這些開發碼是什麼，但是我們下一個平台叫做Rubin，Rubin的這個平台，我不會花太多時間講，因為我知道會發生什麼事情，大家一定會拍照，然後會去想辦法去看，它裡頭的這個細節，沒關係，那這個Rubin的平台，一年之後我們會有Rubin Ultra的平台，那麼這些給大家看的晶片，都已經在開發當中了，百分之百都在開發當中了。
而這個一年推出一次的節奏，基本上就是跟我們的架構，是相容的，那所以上面當然也會有，很多的這個軟體，那過去這12年，從我們ImageNet開始，然後我們了解到說，這個運算的未來，會有大幅的改變的時候，其實就像我剛才給大家看的G-Force，它在2012年之前，跟現在的這個NVIDIA有什麼差別，其實我們整個公司，已經有很大的轉型，我當然要非常感謝我們所有的夥伴，在這一路上的支持，這個就是NVIDIA的Blackwell平台。
我接下來要講我們未來的發展，我想新一波的AI，就是所謂的符合物理定律的AI，這個AI理解物理定律，AI它可以在我們的生活周遭協助我們，因此AI必須要了解整個世界，讓他們可以知道，怎麼樣子去感知這個世界，當然這個AI也有非常好的認知能力，讓他們了解我們，讓AI能夠了解我們，到底在問什麼樣子的問題，幫我們做什麼樣子的事情，未來機器人會是越來越普遍的一個概念，我所謂的機器人，包括了人型機器人，人型機器人通常就是大家想到，機器人的時候，出現的這個想像，但是不僅是人型機器人，未來工廠裡頭會有很多的機器人，那麼這些機器人，它會製造各式各樣的機器。
換句話說，這個機器它互相互動，會有互動，然後它可以去製造機器人，等一下給大家看這個影片，機器人的時代到了，有一天，所有動物都會變得自由，研究者和世界各地的公司，正在研發機器人，由物理智能發揮的機器人，物理智能是能夠理解指令的模型，並且能夠自由地進行，在現實世界中複雜的工作。
多元化的物理智能是能夠讓機器人學習，理解世界各地的情況，並計劃他們的行為，從人類的示範中，機器人可以學習，需要和世界互動的技巧，利用粗糙的機械技術，一種進步機器人的基本技術，就是強化學習，就像LM需要RLHF，人類回應學習強化學習，學習一些技巧，物理智能人類可以學習強化學習，物理回應學習，在模擬世界中，這些模擬環境，是讓機器人學習作出決定，通過在實際世界中進行行動，遵守物理法律，在這些機器人健身房，機器人可以學習，做出複雜和動作的工作，安全和快速，通過數百萬次試驗和失敗，來精準化他們的技巧，我們將NVIDIA Omniverse，作為機器人的運作系統，讓物理智能人類可以創造Omniverse是一個開發平台，讓人類實現實時的物理基礎的運作，物理模擬，以及智能智能技術，在Omniverse中機器人可以學習變身，學習自動操縱物件，以精準的方式，例如抓住和控制物件，或自動探索環境，尋找最佳路徑，避免障礙和危險，在Omniverse中學習，減少模擬實際空間，以減少學習行為的轉移，製造機器人，使用智能智能人類，需要三台電腦NVIDIA AI超級電腦，來訓練模型，NVIDIA Jetson Oren，以及下一代的Jetson Thor超級電腦，來運作模型。
在Omniverse中，機器人可以學習和精準化他們的技巧，在模擬世界中，我們建立了平台，快速圖書館以及AI模型，需要開發商和企業，讓他們可以使用任何或所有適合他們的模型，AI的下一個波段就在這裡，機器人，由物理智能人類，來發展發展產業，這個不是未來，這個是現在就在發生的事情。
我們未來服務市場的方式有很多種，第一個是針對不同的機器人系統來打造平台，第一個是像是機器人的工廠，或者是倉庫，另外一個則是，我們在機器人的工廠，來打造平台，我們在機器人的工廠來打造平台，我們在機器人的工廠或者是倉庫，另外一個則是能夠操作東西的機器人，再來是移動的機器人，第四個則是人型機器人，所以每一個不同的機器人平台，跟我們過去做的一樣，就是會有一個電腦有加速的函式庫，還有預先訓練的模型，然後我們會去測試一切，訓練一切，把它整合在Omniverse裡頭，Omniverse就如同影片裡頭所說的，就是機器人學習怎麼成為機器人。
那麼當然整個生態系，就是機器人的倉庫的生態系，非常的複雜，因為它需要很多的公司，很多的工具，很多的技術，才能夠讓我們打造一個現代的倉庫，那麼這個未來，它機器人當然會越來越能夠自主，那麼在這些不同的生態體系裡頭，會有SDK也會有API，它把它連結到各式各樣的軟體，還有是連結到邊緣AI的產業，那麼有一些公司，他們則是去設計PLC，這個是為了Odeon，然後會有整合商，把它整合在一起，來打造顧客所需要的倉儲，舉例來說KenMech，他們就廣運在，為巨大集團打造一個工廠。
然後這邊我們來談，接下來談一談工廠，未來工廠會是完全不一樣的生態系，那麼現在鴻海在打造，世界上最先進的工廠，包括了邊緣運算機器人，還有設計工廠的軟體，各式各樣的工作流程，還有PLC電腦，還有機器人的編程，這些全部都會把它整合在一起，這些SDK都會跟這些生態系，連結在一起，這個全部都在台灣發生，鴻海正在打造，他們工廠的數位孿生模型，台達電也在打造，自己數位工廠的數位孿生模型有一半是數位的，一半是真實的，那麼和碩他們也在打造，他們的機器人工廠，緯創也在打造，他們的數位孿生模型，然後這邊真的很酷，這個影像是鴻海新的工廠。
NVIDIA的數位孿生模型，正在全球發展，世界正在進行全球化，傳統數位進入AI產業中，FOXCONN世界上最大的電子產業廠商，正在應對這個需求，建立機械工廠，與NVIDIA Omniverse和AI工廠計劃員使用Omniverse，來結合設施和裝置資料，從領導業的應用，例如Siemens Team Center X，和AutoDesk Revit，在數位孿生模型中，他們將地面設計和線條設計最佳，並在設置最佳攝像位置，以監察未來的運作，使用NVIDIA Metropolis，支援的視覺AI，數位孿生模型，能夠省下計劃員，在大量的物理改變項目中，付出的費用，在建造過程中，FOXCONN的團隊使用數位孿生模型，作為真相的源頭，以傳達和核實準確的裝置設計，數位孿生模型，也就是機械工廠，在這裡FOXCONN的開發者訓練和測試，NVIDIA Isaac AI應用，對於機械理解和操縱，以及Metropolis AI應用，對於感應融合。
在Omniverse中，FOXCONN在運行運作前先測試兩台機械人，並在機械工廠上，在組裝線上，他們測試Isaac操縱系統，和AI模型，以自動的視覺檢查，避免物理認證，失敗探測，以及旅程計劃，以HGX系統轉移到測試機，他們測試Isaac，以Perceptor能力的Ferrobot AMR，以3D地圖和重建，來觀察和運行環境，在Omniverse中，FOXCONN建造了機械工廠，運行NVIDIA Isaac運行的機械人，來建造NVIDIA AI超級電腦，並且訓練了FOXCONN的機械人，機械人工廠，機器人工廠，其實就是具備AI功能的電腦，來協助訓練，因為需要有人進行，工廠裡頭各種作業項目的協調，機械手臂，機械移動，自動，自主性移動的機器人，其實也一樣的道理，他們會在同樣的虛擬空間當中，而這個機械手臂，就會被擺到機器人工廠裡面。
這裡有三個不同的電腦，包括了加速運算，還有訓練的模組，這當中我們剛才已經聽到了，在Omniverse裡頭，我們有操作系統，有感知系統，這真的是一個很棒的計劃，我們也跟我們的夥伴共同合作，Semantic AI，它整合了ISAC Manipulator，還有ABB, Cougar, Yasakawa, Phenom，Universal Robotics，還有Tipman，這些都是我們的合作夥伴，而西門子，也幫我們做了系統的整合，我們一起來看一下系統整合的結果，ISAC Perceptor，為人類動物系統的，人類動物認識和人類動物遙控，提供了更多的技術，BYD Electronics，正在將ISAC Manipulator和Perceptor，融合到AI機械人工，以提升全球客戶的製造效率，Idealworks正在將ISAC Perceptor，融合到AI機械人工，工廠設備的IWOS軟件，Intrinsic,一家文字公司，正在將ISAC Manipulator，融合到他們的流動體系平台，以提升人工認識。
Gideon正在將ISAC Perceptor，融合到AI機械人工，以提升AI機械人工的設備，Argo Robotics正在將ISAC Perceptor，融合到前瞻基礎AMR的，Perception Engine，Solomon正在使用，ISAC Manipulator AI模型，在他們的Acupic 3D軟件，進行工業操作，Techman Robot正在將ISAC Sim，和Manipulator融合到TM Flow，以提升自動化的，視覺檢查，Teradyne Robotics正在融合，ISAC Manipulator，融合到Cobots的Polyscope X，以及Mir AMR的ISAC Perceptor，Vention正在融合，ISAC Manipulator，融合到AI機械人工，融合到機械理論，機械人工正在到來，所以我們現在有機器人，有物理AI，這不是科幻小說。
其實台灣很多的工程，很多的工廠，都已經在使用這些系統了，所以工廠裡頭，會有很多的機器人，有兩種機器人，它的市場是非常大的，第一種是自駕車，自駕車它有很高的自主性，NVIDIA我們有，完整系列的產品，明年，Mercedes會使用我們的系統，2026年，還有另外一家汽車公司，也會使用我們的系統，不論我們開發的是，哪一個層級的產品，我們都會把它做到最好，而接下來最大的機器人的市場，是跟製造業有關，因為在製造業的工廠當中，有很多的機器人，大部分都是人形機器人。
其實近年來，在這方面已經有了長足的進步，他們因為有了基礎模型，所以有更好的感知能力，而且我們也不斷地在開發，具備更好感知能力的，機器人的系統，其實人形機器人，是最使用起來，最簡便的一種機器人，我們可以有大量資料，來訓練這些機器人，因為他們的外形，是跟我們一樣的，我們以後，這樣的人形機器人，他們會有非常好的感知，跟操作的能力，我想接下來，我們要歡迎一些機器人進場了，好，大概跟我差不多高，其實都是電腦，其實他們裡頭用到的科技，跟我們現在台灣所生產的這些電腦產品，所使用的科技非常的類似，我們非常期待未來，屬於人工智慧的時代，屬於機器人的時代。
更多 TVBS 報導
U13選拔遇同校內戰 教練逼退賽痛失國手資格
亂倒「穢物」流進鄰居屋 女子遭強制送醫
代辦稱「做財力」助辦貸款 男遭控騙40萬
下大雨也要排！ 民眾拿瓶蓋、免洗筷卡位搶物資
