Дженсен Хуанг: от трех учебников до универсального аппроксиматора (Рубрика #AI)
Посмотрел
разговор Гарри Тана с Дженсеном Хуангом на Startup School 2026, опубликованный 26 июля 2026 года. Обычно такие интервью быстро превращаются в набор историй успеха, но здесь через весь разговор проходит одна инженерная привычка: вовремя признать, что прежняя модель не работает, разобраться в новой области и увидеть за отдельной технологией смену всей вычислительной системы.
1️⃣ Первая история - про ошибку, с которой началась NVIDIA. Компания хотела превратить персональный компьютер в игровую консоль и выбрала собственный алгоритм трехмерной графики. В 1995 году команда поняла, что технология фундаментально неверна, а правильного подхода внутри компании никто не знает. По рассказу Хуанга, он поехал во Fry’s, купил три учебника по OpenGL и устройству графического конвейера и отдал их инженерам. Компания, которая позже стала лидером компьютерной графики, буквально доучивалась уже после запуска и привлечения инвестиций.
2️⃣ Вторая история - про Sega. NVIDIA должна была участвовать в создании консоли после Saturn, будущей Dreamcast, но с выбранной архитектурой выполнить контракт не могла. Хуанг поехал к руководителю Sega Сёитиро Иримадзири, честно объяснил, почему проект нужно отдать другому подрядчику, и одновременно попросил деньги, без которых NVIDIA закрылась бы. По словам Хуанга, Sega выплатила $5 млн: не за готовую технологию, а потому что доверяла команде. Эти деньги дали NVIDIA время на разворот.
3️⃣ Третья история - про AlexNet. В 2012 году многие увидели в ней очень хороший классификатор изображений. Хуанг утверждает, что NVIDIA увидела другое: AlexNet была не отдельным решением для computer vision, а примером нового способа создавать программное обеспечение. Вместо того чтобы вручную описывать функцию, мы задаем глубокой нейронной сети примеры входов и выходов, а обучение подбирает внутренние параметры.
Здесь стоит отдельно разобрать формулировку Хуанга про «универсальный аппроксиматор функций».
Математически идея была известна задолго до AlexNet. Работы 1989 года показывали, что нейронная сеть даже с одним скрытым слоем и достаточным числом нейронов способна с любой заданной точностью приближать очень широкий класс функций на ограниченной области. Но это теорема о существовании представления. Она не говорит, что сеть удастся быстро обучить, что для этого хватит данных, что решение будет компактным или что модель правильно поведет себя за пределами обучающей выборки.
Глубокие нейронные сети добавили к этой возможности практическую конструкцию. Последовательные слои учатся собирать более сложные признаки из простых, а глубина позволяет некоторые функции представить существенно компактнее, чем мелкой сети. Но по-прежнему нужны подходящая архитектура, функция потерь, данные, вычисления и способ оптимизации.
Поэтому прорыв AlexNet был не в открытии самой теоремы. В 2012 году Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон
показали, что большую глубокую сверточную сеть можно обучить на ImageNet с помощью GPU и получить на тесте ILSVRC-2012 top-5 error 15,3% против 26,2% у лучшего конкурирующего результата. Разрыв был достаточно большим, чтобы deep learning перестал выглядеть как интересная теория и стал рабочей вычислительной платформой.
Именно эту смену масштаба, кажется, и заметил Хуанг. Если сеть может учить не одну заранее запрограммированную процедуру, а разные отображения из данных, менять придется не только приложение. Меняются процессор, библиотеки, инструменты обучения, инфраструктура и затем целые прикладные отрасли. Для NVIDIA это был не новый рынок для GPU, а повод перестраивать весь стек.
Остальные темы разговора я бы отметил короче:
- Компанию Хуанг предлагает строить как гоночную машину под стиль ее основателя, а следующему руководителю - перенастроить ее под себя;
- Главным навыком эпохи агентов он считает системное мышление, а ключевой нерешенной задачей - точное управление действиями агентов;
- AI, по его мнению, автоматизирует отдельные задачи, но не обязательно уничтожает профессию целиком; приведенные в разговоре цифры занятости требуют отдельной проверки;
- «ChatGPT-момент» робототехники, по его оценке, уже произошел, а следующий этап зависит от симуляции, evals и переноса навыков из симулятора в физический мир;
- Фундаментальные дисциплины, способность учиться и ежедневная устойчивость для него важнее знания конкретного инструмента.
Для меня главный вывод из этих историй не в том, что нужно «верить в себя». Сильная сторона Хуанга - классификация сдвига. Он увидел в учебниках не признание поражения, в деньгах Sega - время на смену технологии, а в AlexNet - не победителя соревнования, а новый способ программировать компьютеры. Инженерно это редкий навык: отличить хороший результат внутри старой категории от события, которое меняет саму категорию.
#AI #Engineering #Architecture #Leadership #Robotics #Research
