编译／高晟钧

短短几年内，Nvidia便从一个主要从事高阶游戏晶片制造的公司，摇身一变成为市值估计超过1兆美元的人工智慧巨头，成功加入科技巨头Apple、微软、Amazon和Alphabet，跨入科技金字塔的顶端。Nvidia究竟有何独到之处，他们又是如何在短短几年内获得如此之成就呢？

长期以来，Nvidia一直专注於GPU的开发上，这也是Nvidia主要的核心业务。（图／123RF）

GPU升级

长期以来，Nvidia一直专注於GPU的开发上，这也是Nvidia主要的核心业务。GPU晶片主要为渲染视讯、图像和动画处理等显示功能而设计，对於一些高画质要求的游戏是不可或缺的。另一方面，GPU对於许多共同运行的小型晶片核心也有着重要帮助，它能够加速CPU的运算效能。

更多新闻：Google Cloud与Nvidia合作 助功生成式人工智慧发展

而对於Google、微软等庞大资料中心的云端运行，GPU真正地展现了其价值，该市场价值也大大超越了视频游戏。根据估计，Nvidia的资料中心部门年收入已经从2016年的3.4亿美元激增至如今的150亿美元，更可怕的是，一切还只是刚刚开始。

ChatGPT的出现

OpenAI在去前年底推出ChatGPT，实现了「生成式人工智慧」的理念，即透过大量资料训练，藉此在资料生成图像与文字中查询答案。

由於Nvidia拥有最适合训练人工智慧模型和推理任务的晶片，使得该公司的高阶系统备受推崇。尽管晶片供不应求，该公司的数据中心收入依旧在短短三个月内增加了一倍之多，分析师更是预言其明年的收入将突破600亿美元。

成功的秘密：软体CUDA

软体可谓是硬体运作的心脏。尽管晶片公司一般不负责应用程式的开发，但通常会提供允许开发人员在晶片上编写运行APP的软体工具。

2006年，Nvidia推出统一的GPU程式语言──CUDA，它不只解决以前成本过高的数学密集型问题，也铸造了一条竞争对手难以跨越的护城河，使得Nvidia从众多科技公司中脱颖而出。

随着时间推移，CUDA已发展出包含AI开发人员使用的250个软体库。这也使得Nvidia成为了人工智慧开发人员的首选平台。去年，CUDA的下载量已经达到了2,500万次，是截至去年以前总下载量的2倍之多。

偏执者得以生存

Nvidia的GPU如此昂贵，其又是如何保持领先地位呢？Nvidia成功的秘诀，在於保持晶片与软体性能的并肩前行。当Intel和AMD开始将自己的GPU技术与CPU晶片整合时，Nvidia也曾面临生存危机；当时Intel的年收入是Nvidia的10倍以上。

然而，没有一家科技公司可以真正的无懈可击。Nvidia的成功或许正应证了当年来自Intel前老板的一句建言：「只有偏执者才能生存。」

资料来源：Wsj.com

※更多ChatGPT相关讯息，请参考【生成式AI创新学院】。

…

记者／周子宁

AI浪潮席卷全球，一时间，讲坛节目、社群平台甚至人们茶余饭後的谈资都充满AI相关的话题。随着大众目光放向人工智慧的区块，更多相关的专业词语出现在大家视野中，而频繁被提起的「LLM」就是其中一员，究竟「LLM」是甚麽?又与AI有甚麽样的关联呢?

LLM大型语言模型受到AI浪潮影响，进入大众视野。示意图：取自RF123

LLM是甚麽?

LLM（Large Language Model,大型语言模型）是一种深度学习模型，可以透过记忆文本数据学习大量的知识。LLM大型语言模型内建超过一千亿个参数的自然语言处理系统（natural language processing，简称NLP），帮助LLM吸收巨量资料数据并学习字句逻辑，包含文章、影音、图片和书籍等都在学习范围，学习完成後可应用在问答、翻译和生成文本上。

而LLM大型语言模型之所以被冠以「大型」，是因为该模型在学习时可以自主更改的参数量极高，而这也代表LLM的知识库存远比一般学习模型丰富、应用范围更广，因此被称为「大型」语言模型。

更多新闻:Bard还是不够真实？捏造使用者不曾寄出的mail

LLM跟AI有甚麽关系?

如上段所言，LLM（Large Language Model,大型语言模型）是一种深度学习模型，而其工作原理就是通过获取的文本数据来分析文字逻辑，从而由大量的数据库中生成新文本。这样的功能描述是不是让人顿感熟悉?没错，最近大放异彩的ChatGPT功能也相近於此，而ChatGPT就是其中一种LLM的应用。

说到这里或许有些人感到混淆:ChatGPT是生成式AI?但ChatGPT又是其中一种LLM?那LLM跟AI是甚麽关系?其实AI并不是特定「某一种机器或程式」，AI是一种泛称。简单来说，AI(Artificial intelligence)是泛指所有人工智慧，而LLM（Large Language Model,大型语言模型）就是其中一种类型的AI。

更生活化一些的说明:AI就像是「面」这种统称，而里面分支出来的义大利面、油面、鸡蛋面，就是LLM一类的功能性程式模型。

LLM 的实际应用

LLM如何运算与应用?普遍而言，LLM都是在未经过标记的大型数据库上经过预先训练，再根据个别需求微调，同时加入少量的、已经标记(赋予上下文含意)的数据集。训练的步骤为:

1.文字数据转换为数位形式

2.随机分配模型参数

3.传送文本数据的数位形式传到模型中

4.使用损失函数来测量模型的输出与句子中实际的下一个单词之间的差异

5.优化模型的参数以最大程度地减少损失

6.最後重复该过程，直到最终成果达到可接受的精确度。

在训练完成後，LLM的应用范围极广，适用但不限於各种产业与相关软体，例如:智能客服、生物语言处理、医疗谘询、智慧机器人和各类代码与文本生成等等。

LLM两面观

LLM大型语言模型可以快速生成文本跟消化大量资料，有着可应对客制化、节省时间与人力、全理性判断等等优点，但LLM也有短版。大型语言模型的建构通常需要长达数月的时间，以及极度高昂的费用。而完成後的持续研发与维护同样需要丰厚的投资，同时如何获得足够丰富与正确的学习数据也是研发LLM的一大难处。

除此之外，尽管LLM学习速度高、吸收范围广，但LLM对於世界的理解只限於使用者给予的资料，因此很容易在数计集编写有漏洞或是错误的状况下，造成LLM被使用者或是吸收的资料误导，从而生成出错误资讯、不当发言甚至是被诱导出违法言论。

总体来说，LLM大型语言模型是一种强大精密的工具，能够理解和生成各种语言，但同时不论是LLM或是其他AI，本身都没有主观意识跟善恶之分，因此在使用上仍需对它们的能力和限制先做了解。

…