Como um laboratório de pesquisa outrora pequeno ajudou a Nvidia a se tornar uma empresa de US $ 4 trilhões de dólares

Quando Bill Dally ingressou no Laboratório de Pesquisa da Nvidia em 2009, empregou apenas cerca de uma dúzia de pessoas e estava focado no rastreamento de raios, uma técnica de renderização usada na computação gráfica. Esse laboratório de pesquisa uma vez pequeno agora emprega mais de 400 pessoas, que ajudaram a transformar a NVIDIA de uma startup de GPU de videogame nos anos 90 em uma empresa de US $ 4 trilhões de dólares, alimentando o boom de inteligência artificial. E parte desse trabalho de laboratório já está aparecendo em produtos. A empresa apresentou segunda -feira um novo conjunto de modelos de IA, bibliotecas e outras infraestruturas para desenvolvedores de robótica. Dally, agora o cientista -chefe da Nvidia, começou a consultar a Nvidia em 2003, enquanto trabalhava em Stanford. Quando ele estava pronto para deixar o presidente do departamento do Departamento de Ciência da Computação de Stanford, alguns anos depois, ele planejava fazer um período sabático. Nvidia teve uma ideia diferente. Bill Dally / Nvidia David Kirk, que estava administrando o laboratório de pesquisa na época, e o CEO da NVIDIA, Jensen Huang, achava que uma posição mais permanente no laboratório de pesquisa era uma idéia melhor. Dally disse ao TechCrunch que o casal colocou uma “imprensa em quadra completa” sobre por que ele deveria se juntar ao laboratório de pesquisa da NVIDIA e eventualmente convencê-lo. “Acabou sendo um ajuste perfeito para meus interesses e meus talentos”, disse Dally. “Acho que todo mundo está sempre procurando o lugar da vida em que eles podem fazer o maior, você sabe, contribuição para o mundo. E eu acho que para mim, é definitivamente a Nvidia.” Quando Dally assumiu o laboratório em 2009, a expansão foi antes de tudo. Os pesquisadores começaram a trabalhar em áreas fora do rastreamento de raios imediatamente, incluindo design de circuitos e VLSI, ou integração em larga escala, um processo que combina milhões de transistores em um único chip. O laboratório de pesquisa não parou de expandir desde então. Evento do TechCrunch São Francisco | 27-29 de outubro de 2025 “Tentamos descobrir o que fará a diferença mais positiva para a empresa, porque estamos constantemente vendo novas áreas emocionantes, mas algumas delas, você sabe, elas fazem um ótimo trabalho, mas temos problemas para dizer se [we’ll be] muito bem -sucedido nisso ”, disse Dally. Por um tempo, isso estava construindo GPUs melhores para a inteligência artificial. Nvidia foi cedo para o futuro boom da IA e começou a mexer com a idéia de GPUs de IA em 2010 – mais de uma década antes que o Ai Frenzy, que disse isso, que se diz que isso é incrível, que se diz que isso se refere completamente ao mundo. Começamos a especializar nossas GPUs para TI e desenvolver muito software para apoiá -los, envolvendo -se com os pesquisadores de todo o mundo que estavam fazendo isso, muito antes de ser claramente relevante. ” Focal de IA física, já que a NVIDIA mantém uma liderança comandada no mercado de GPU da IA, a empresa de tecnologia começou a procurar novas áreas de demanda além dos data centers da IA. tecnologias. É aí que a Sanja Fidler, vice -presidente de pesquisa da IA na NVIDIA, entra. É um ótimo tópico adequado e, ao mesmo tempo, também foi um grande ajuste de cultura. Jensen me disse, venha trabalhar comigo, não conosco, não para nós, sabe? ” Ela ingressou na NVIDIA e trabalhou em um laboratório de pesquisa em Toronto, chamado Omniverse, uma plataforma da NVIDIA, focada na construção de simulações de IA física. A tecnologia chamada renderização diferenciável, que essencialmente torna a renderização alterada para a IA, certo? ” Fidler disse [from] A renderização significa de 3D a imagem ou vídeo, certo? E queremos que ele vá para o outro lado. ” O World Models Omniverse lançou a primeira versão de seu modelo que transforma imagens em modelos 3D, Ganverse3D, em 2021. Depois, funcionou para descobrir o mesmo processo para o vídeo. Os modelos de IA que foram anunciados na CES em janeiro. Portanto, se pudermos tornar esse modelo significativamente mais rápido do que eles hoje, eles serão tremendamente úteis para aplicações de IA robóticas ou físicas. ” A empresa continua a progredir nesse objetivo. ainda está a partir de um Humanóide em sua casa, com Fidler comparando -o com o hype e a linha do tempo em relação aos veículos autônomos. À medida que resolvemos cada um desses pequenos problemas individuais e, à medida que a quantidade de dados que temos para treinar nossas redes cresce, esses robôs vão crescer. ”

Fonte