211service.com
Bitwa o dostarczenie żetonów na rozgrzewkę AI Boom
Jensen Huang, CEO Nvidii, na konferencji firmy w San Jose w Kalifornii.
Jensen Huang pojawił się w środę nad zatłoczoną salą konferencyjną w San Jose w Kalifornii, gdy ogłosił nowy chip swojej firmy, którego celem jest przyspieszenie algorytmów sztucznej inteligencji. Ale mówiąc metaforycznie, dyrektor generalny producenta chipów Nvidia patrzył mu przez ramię.
Zyski i akcje Nvidii wzrosły w ciągu ostatnich kilku lat, ponieważ procesory graficzne, które wymyśliła, aby napędzać gry i produkcję grafiki, umożliwiły wiele niedawnych przełomów w uczeniu maszynowym (patrz 10 Przełomowe technologie 2013: Głębokie uczenie). Jednak wraz ze wzrostem inwestycji w sztuczną inteligencję firma Huanga staje w obliczu konkurencji ze strony Intela, Google i innych osób pracujących nad własnymi chipami AI.
Na dorocznej konferencji deweloperów Nvidii w środę Huang ostrożnie unikał wymieniania jakichkolwiek konkurentów z imienia i nazwiska, wprowadzając najnowszy układ Nvidii, nazwany Tesla V100. Na przykład odwoływał się do Google tylko jako do niektórych osób. Ale wyraźnie wskazał na technologię konkurentów Nvidii, szczególnie mówiąc o wielkiej szansie, która otwiera się na dostarczanie chipów AI do wykorzystania w chmurze obliczeniowej.
Firmy z wielu branż, takich jak opieka zdrowotna i finanse, inwestują w infrastrukturę uczenia maszynowego. Wiodący dostawcy chmury obliczeniowej Google, Amazon i Microsoft obstawiają, że wiele firm będzie chciało im płacić za uruchamianie oprogramowania sztucznej inteligencji i zamierzają wydać dużo na nowy sprzęt, aby to obsługiwać.
Nvidia zdominowała rozwijający się rynek chipów AI, sprytnie wykorzystując szczęśliwy zbieg okoliczności. Podstawowe operacje matematyczne potrzebne w grafice komputerowej są takie same, jak te leżące u podstaw podejścia do uczenia maszynowego znanego jako sztuczne sieci neuronowe. Począwszy od 2012 r. naukowcy wykazali, że dzięki wykorzystaniu nowej mocy w tej technice procesory graficzne pozwoliły oprogramowaniu stać się znacznie inteligentniejszymi w zadaniach, takich jak interpretacja obrazów lub mowy.
Wraz z rozwojem rynku AI, Nvidia ulepszyła swoje projekty układów dzięki funkcjom obsługującym sieci neuronowe. Nowy układ V100 ogłoszony w tym tygodniu jest zwieńczeniem tych wysiłków i zawiera nowy rdzeń wyspecjalizowany w przyspieszaniu głębokiego uczenia się matematyki.
Huang powiedział, że jego wydajność energetyczna i energetyczna pomogłaby firmom lub dostawcom usług w chmurze radykalnie zwiększyć ich zdolność do korzystania ze sztucznej inteligencji. Powiedział, że można zwiększyć przepustowość centrum danych 15-krotnie, zamiast budować nowe centra danych.
Nowi konkurenci Nvidii twierdzą, że mogą sprawić, że sprzęt będzie szybszy i wydajniejszy w obsłudze oprogramowania AI, projektując chipy dostrojone do tego celu od podstaw zamiast dostosowywania technologii chipów graficznych.
Na przykład Intel obiecuje wydać jeszcze w tym roku chip do głębokiego uczenia się, zbudowany na bazie technologii nabytej wraz ze start-upem Nervana w 2016 r. (zobacz Intel Outside jako Other Companies Prosper from Graphics Chips ).
Firma przygotowuje się również do wydania produktu, który ma przyspieszyć głębokie uczenie się w oparciu o technologię z przejęcia firmy Altera za 16,7 miliarda dolarów, która wyprodukowała chipy zwane FPGA, które można przekonfigurować do obsługi określonych algorytmów. Microsoft zainwestował dużo w wykorzystanie FPGA do zasilania swojego oprogramowania do uczenia maszynowego i uczynił je podstawowym elementem swojej platformy chmurowej Azure.
Tymczasem Google ujawniło zeszłego lata, że używa już chipa dostosowanego do sztucznej inteligencji, opracowanego we własnym zakresie, zwanego Tensor Processing Unit lub TPU. Żetony stanowiły podstawę zwycięstwa oprogramowania AlphaGo nad mistrzem gry planszowej Go w zeszłym roku. Nie są na sprzedaż, ale Google twierdzi, że firmy korzystające z usług przetwarzania w chmurze odniosą korzyści z ich mocy i efektywności energetycznej.
Kilku inżynierów, którzy zbudowali chip Google, odeszło z firmy, aby utworzyć startup z 10 milionami dolarów finansowania o nazwie Groq, który buduje wyspecjalizowany chip do uczenia maszynowego. Inne startupy pracujące nad podobnymi projektami to Wave Computing, który twierdzi, że już pozwala klientom testować swój sprzęt.
Huang stwierdził w środę, że technologia Nvidii trafia w czuły punkt, w przeciwieństwie do innych wysiłków. Powiedział, że niestandardowe układy, takie jak TPU firmy Google, są zbyt nieelastyczne, aby działać równie dobrze z wieloma różnymi rodzajami sieci neuronowych, co jest znaczącym minusem, biorąc pod uwagę, jak szybko nowe pomysły są testowane i przyjmowane w sztucznej inteligencji. Twierdził, że układy FPGA, takie jak te, które preferuje Microsoft i na które stawia Intel, zużywają zbyt dużo energii.
„Tworzymy najbardziej wydajną platformę do głębokiego uczenia się” – powiedział. Ponieważ rywale Huang ujawnią w tym roku więcej o swoich produktach, twierdzenie to zostanie dokładnie zbadane.