在本届 GTC 的 900 多场会议中，最受关注的莫过于 NVIDIA 创始人兼首席执行官黄仁勋与这篇著名研究论文七位作者的对话。这篇论文提出了一种名为 Transformer 的神经网络架构，从而改变了深度学习的发展，并推动了如今的生成式 AI 时代。
现场座无虚席，数百名参会者聆听了黄仁勋与《Attention Is All You Need》论文作者们的对话。黄仁勋谈道： “我们所处的领域如今所享有的一切都可以追溯到那一刻。”
这几位科学研究界的名人首次同台发言，回顾了他们这篇论文的发表之路。该论文自首次发表并在 NeurIPS AI 大会上展示以来，已被引用超过 10 万次。他们还谈到了各自开展的最新项目，并就生成式 AI 领域的未来发展方向发表了见解。
这几位合著者最初都是谷歌的研究人员，如今他们已在 AI 领域各展所长，其中许多人更是创立了自己的 AI 公司。
黄仁勋表示： “整个行业都对你们的这一成就心怀感激。”
Transformer 模型的起源
该研究团队最初想要突破递归神经网络（RNN）的局限性，这种网络是当时最先进的语言数据处理技术。
Character.AI 联合创始人兼首席执行官 Noam Shazeer 将 RNN 比作蒸汽机，将 Transformer 比作效率更高的内燃机。
他表示： “我们本可以在蒸汽机上完成工业革命，但那一定是条坎坷之路。相比之下，使用内燃机效果就要好得多。”
区块链公司 NEAR Protocol 联合创始人 Illia Polosukhin 打趣道： “我们现在就等着‘核聚变’了。”
这篇论文的标题来源于这样一种认识：注意力机制（神经网络的一个部件，使它们能够确定输入数据不同部分之间的关系）是该模型性能最关键的组成部分。
Sakana AI 联合创始人兼首席技术官 Llion Jones 表示： “我们最近才开始砍掉该模型的一部分，本来是想看看它会变得多糟。但出乎意料的是，它竟然变得越来越好。”
该团队给这个模型取了“Transformer”这样通用性的名字，彰显了他们的雄心壮志——建立一个能够处理和转换各种数据类型（包括文本、图像、音频、张量和生物数据）的 AI 模型。
Cohere 联合创始人兼首席执行官 Aidan Gomez 表示： “我们很早就有了这个想法，因此能看到它结出硕果真的令人感到兴奋和欣慰。现在这真的实现了。”
展望未来
研究人员认为自适应计算（即模型根据特定问题的复杂程度调整算力的使用）将成为未来 AI 模型改进的一个关键方面。
生物软件公司 Inceptive 联合创始人兼首席执行官 Jakob Uszkoreit 表示：这实际上是在特定问题上投入适当的努力和最终的精力。你不想在简单的问题上投入太多，也不想在困难的问题上花费太少。”
像 2 加 2 这样的数学问题就不该使用万亿参数的 Transformer 模型来运算，而应该在一个简单的计算器上运算。
他们还表示了对下一代 AI 模型的满满期待。
Gomez 表示： “我认为世界需要比 Transformer 更好的模型。我想我们在座所有人都希望它能被某种模型所取代，而取代它的模型将会把性能提升到一个新的高度。”
黄仁勋表示： “没有人想错过未来的 10 年。各种不可思议的新能力将不断涌现。”
对话结束时，黄仁勋向每位研究人员赠送了一块装裱好的 NVIDIA DGX-1 AI 超级计算机盖板，并签上了“你们改变了世界”的赠言。
免费注册线上 GTC 通行证，观看本场会议的回放。
了解生成式 AI 的最新进展，请观看黄仁勋的 GTC 主题演讲回放。