Κατά τη διάρκεια πρόσφατης επίσκεψής του στο Πεκίνο, όταν ρωτήθηκε ποια ειδικότητα θα ακολουθούσε αν ήταν 22χρονος απόφοιτος κολεγίου το 2025, ο Jensen Huang απάντησε ότι θα επέλεγε τις φυσικές επιστήμες αντί για την επιστήμη λογισμικού.

Ο Χουάνγκ αποκάλυψε ότι στην πραγματικότητα αποφοίτησε από το κολέγιο σε ηλικία 20 ετών και ότι αν ήταν ο «νεαρός Γιένσεν» σήμερα, θα είχε κλίση προς τομείς σπουδών όπως η φυσική, η χημεία, η αστρονομία και η επιστήμη της Γης - τομείς που εμπίπτουν στον κλάδο των «φυσικών επιστημών» που ειδικεύεται στη μελέτη του άψυχου κόσμου .

Ο Jensen Huang έλαβε το πτυχίο του στην ηλεκτρολογία από το Πανεπιστήμιο του Όρεγκον το 1984 και το μεταπτυχιακό του στην ηλεκτρολογία από το Πανεπιστήμιο Στάνφορντ το 1992.

Ένα χρόνο αργότερα, αυτός και δύο συνάδελφοί του ίδρυσαν την Nvidia σε ένα εστιατόριο του Denny's στην Καλιφόρνια. Πάνω από 30 χρόνια αργότερα, η εταιρεία που διευθύνει ξεπέρασε την Apple και τη Microsoft και έγινε η πιο πολύτιμη εταιρεία στον κόσμο, φτάνοντας το όριο των 4 τρισεκατομμυρίων δολαρίων την περασμένη εβδομάδα.

Τζένσεν Χουάνγκ Μπλούμμπεργκ
Ο Διευθύνων Σύμβουλος της Nvidia σε επαγγελματικό ταξίδι στο Πεκίνο (Κίνα) στις 17 Ιουλίου. Φωτογραφία: Bloomberg

Ενώ δεν έχει πει γιατί θα επέλεγε τη φυσική αν ήταν ξανά 20 ετών, ο Huang τόνισε πρόσφατα τη σημασία της «φυσικής Τεχνητής Νοημοσύνης» – του επόμενου κύματος τεχνητής νοημοσύνης.

Το Νέο Κύμα της Τεχνητής Νοημοσύνης: Από τη Γνωστική στη Συλλογιστική και τη Φυσική

Στο The Hill & Valley Forum τον Απρίλιο, ο Διευθύνων Σύμβουλος της Nvidia εξήγησε ότι η Τεχνητή Νοημοσύνη (AI) έχει περάσει από πολλά στάδια ανάπτυξης, όπως: την Τεχνητή Νοημοσύνη Αντίληψης, η οποία άρχισε να εμφανίζεται πριν από περίπου 12 χρόνια με το μοντέλο AlexNet που σηματοδότησε μια σημαντική ανακάλυψη στην αναγνώριση εικόνας· την Γενετική Τεχνητή Νοημοσύνη (Generative AI), η οποία βρίσκεται στο τρέχον στάδιο, όπου η AI μπορεί να κατανοήσει και να δημιουργήσει περιεχόμενο όπως κείμενο, εικόνες, γλώσσα και προγραμματισμό· την Τεχνητή Νοημοσύνη Συλλογιστικής (Socialing AI), η AI που μπορεί να συλλογιστεί και να λύσει πρωτοφανή προβλήματα - η βάση για τα «ψηφιακά ρομπότ» ή «Τεχνητή Νοημοσύνη Πρακτόρων» που αναπτύσσονται από τη Microsoft, την Salesforce και πολλές άλλες εταιρείες.

Αλλά το επόμενο κύμα, λέει, είναι η φυσική Τεχνητή Νοημοσύνη - όπου η Τεχνητή Νοημοσύνη είναι σε θέση να κατανοήσει φυσικούς νόμους όπως η τριβή, η αδράνεια, η αιτία και το αποτέλεσμα, και έννοιες όπως «εντοπισμός αντικειμένων χωρίς να τα βλέπεις».

Το επόμενο κύμα απαιτεί να κατανοήσουμε πράγματα όπως οι νόμοι της φυσικής, η τριβή, η αδράνεια, η αιτία και το αποτέλεσμα. Jensen Huang, Διευθύνων Σύμβουλος της Nvidia

Οι εφαρμογές της φυσικής Τεχνητής Νοημοσύνης είναι πολύ πρακτικές: η πρόβλεψη της τροχιάς των αντικειμένων, ο έλεγχος της δύναμης λαβής σε ένα ρομποτικό χέρι ή η ανίχνευση πεζών που κρύβονται πίσω από ένα αυτοκίνητο. Όταν αυτή η τεχνολογία ενσωματωθεί σε φυσικά ρομπότ, θα εισέλθουμε στην εποχή της ρομποτικοποίησης της παραγωγής.

«Η φυσική τεχνητή νοημοσύνη, όταν ενσωματωθεί σε ρομπότ, θα δημιουργήσει πραγματικά έξυπνα ρομπότ και αυτό είναι εξαιρετικά σημαντικό τώρα που κατασκευάζουμε μια σειρά από νέα εργοστάσια στις ΗΠΑ», δήλωσε ο Χουάνγκ.

Με δεδομένη την παγκόσμια έλλειψη εργατικού δυναμικού, πιστεύει ότι τα έξυπνα ρομπότ θα αποτελέσουν το ψηφιακό εργατικό δυναμικό του μέλλοντος, βοηθώντας στην αποτελεσματική και βιώσιμη λειτουργία εργοστασίων, γραμμών παραγωγής και πολλών άλλων βιομηχανικών τομέων.

Το μήνυμα από τον επικεφαλής της Nvidia είναι σαφές: Εάν η νέα γενιά φοιτητών θέλει να παραμείνει ένα βήμα μπροστά από τις εξελίξεις, θα πρέπει να εξετάσει τη φυσική — το θεμέλιο της επόμενης γενιάς τεχνητής νοημοσύνης και το κλειδί για το ξεκλείδωμα του μέλλοντος της ρομποτικής και της παγκόσμιας βιομηχανίας.

(Σύμφωνα με το CNBC)

Η Nvidia του Jensen Huang έγινε η πρώτη εταιρεία στον κόσμο που έφτασε σε κεφαλαιοποίηση αγοράς τα 4 τρισεκατομμύρια δολάρια στις συναλλαγές στις 9 Ιουλίου.

Πηγή: https://vietnamnet.vn/ceo-nvidia-vua-goi-y-nganh-hoc-cuc-hot-cho-si-tu-2k7-2423105.html