查看“黄仁勋首公开回应 DeepSeek，称该模型在推理阶段表现出色，但后训练才是「智能的核心」，如何解读？”的源代码

{{4}}
老黄这次完全装作是在给投资人上课。

我找到了黄仁勋这次的访谈视频，看了就知道，主持人问的是『为什么DeepSeek R1出来之后大家觉得是不好的事(bad thing)』，然后老黄就说很多投资人(investor)有一种思维模式就是AI大模型只有两部分，预训练(pre-training)和推理(inference)。

拜托，任何一个对大模型技术有所了解的人都知道，现在所有的大模型在pre-training之后要做post-training，pre-training产生的基座模型是没法直接拿来应用的，这一点，也许只知道追热门股票的散户可能不知道，但是真正给AI和芯片砸大钱的投资人怎么可能不知道呢？

[[文件:黄仁勋首公开回应1.png]]

所以，真不知道老黄这是真觉得投资人傻呢，还是只是没话找话。

然后老黄接着说，后训练Post-Training很重要，Post-Training需要很多计算，DeepSeek R1正说明需要更多Post-Training，所以实际上需要更多的计算量。

真的是这样的吗？

可以理解老黄，老黄总不能承认DeepSeek R1导致计算需求量降低，不然投资人真想neng死他，所以台面上的话还是要说的，只是——真的没啥逻辑。

众所周知，Pre-Training要比Post-Training花费更多的计算资源。

一个基座模型的Pre-Training往往要花费几个月的时间，根据公开的Llama 3的数据[1]，基座模型要16000张H100卡开足马力，8B模型花了3天，70B模型花了17天，400B模型花了97天！而对于基座模型的Post-Training，单GPU就可以进行，甚至游戏级别的显卡都可以做。

一个Post-Training所用资源远小于Pre-Training，怎么能够得出结论Post-Training会需要更多计算资源呢？

[[文件:黄仁勋首公开回应2.png]]

而且，DeepSeek R1证明的就是，Post-Training只要做得好，不需要很多的计算资源也可以达到很好的效果，这不正说明没有那么大的计算资源需求吗！

这种逻辑真正了解AI的人一眼就能看破，所以，老黄只能继续装作给投资人上课，老黄在访谈中接着说市场（也就是投资人）对R1的反应就是『哎呀，AI完蛋了，天塌了，其实Duck不必』。

[[文件:黄仁勋首公开回应3.png]]

唉，够难为老黄的，港真，现在这个局面，真的很难圆出一个合乎逻辑的AI依然对计算资源有持续增长的说法。

不过，也无妨，反正你看主持人那清澈的眼神，好像也被老黄给说服了，很多投资人估计就是真不懂，老黄说啥就是啥，但是，最后市场的走向会说明问题。

资本家的思维就是：先把投资人忽悠住，拼一把，万一能成呢，对吧:-)