211service.com
Cīņa par mikroshēmu nodrošināšanu AI uzplaukumam uzsilst
Jensens Huangs, Nvidia izpilddirektors, uzņēmuma konferencē Sanhosē, Kalifornijā.
Džensens Huangs trešdien izstaroja pārpildīto konferenču zāli Sanhosē, Kalifornijā, paziņojot par sava uzņēmuma jauno mikroshēmu, kuras mērķis ir paātrināt mākslīgā intelekta algoritmus. Bet metaforiski runājot, mikroshēmu ražotāja Nvidia izpilddirektors skatījās pāri plecam.
Nvidia peļņa un krājumi pēdējos gados ir pieauguši, jo grafikas procesori, ko tā izgudroja spēļu un grafikas ražošanai, ir nodrošinājuši daudzus nesenus sasniegumus mašīnmācībā (skatiet 10 Breakthrough Technologies 2013: Deep Learning). Taču, pieaugot investīcijām mākslīgajā intelektā, Huang uzņēmums tagad saskaras ar konkurenci no Intel, Google un citiem, kas strādā pie savām AI mikroshēmām.
Nvidia ikgadējā izstrādātāju konferencē trešdien Huangs rūpīgi izvairījās minēt konkurentus vārdā, jo viņš iepazīstināja ar Nvidia jaunāko mikroshēmu ar nosaukumu Tesla V100. Viņš, piemēram, uz Google atsaucās tikai kā daži cilvēki. Taču viņš nepārprotami pievērsās Nvidia izaicinātāju tehnoloģijai, jo īpaši runājot par lielo iespēju piegādāt AI mikroshēmas izmantošanai mākoņdatošanā.
Uzņēmumi daudzās nozarēs, piemēram, veselības aprūpē un finansēs, iegulda mašīnmācības infrastruktūrā. Vadošie mākoņdatošanas pakalpojumu sniedzēji Google, Amazon un Microsoft sola, ka daudzi uzņēmumi vēlēsies viņiem maksāt par mākslīgā intelekta programmatūras darbināšanu, un grasās tērēt lielus līdzekļus jaunai aparatūrai, lai to atbalstītu.
Nvidia sāka dominēt plaukstošajā AI mikroshēmu tirgū, gudri izmantojot laimīgu sakritību. Matemātiskās pamatoperācijas, kas nepieciešamas datorgrafikai, ir tādas pašas kā tās, kas ir pamatā pieejai mašīnmācībai, kas pazīstama kā mākslīgie neironu tīkli. Sākot ar 2012. gadu, pētnieki parādīja, ka, ieviešot jaunu spēku šai tehnikai, grafikas procesori ļāva programmatūrai kļūt daudz, daudz gudrākai tādu uzdevumu veikšanā kā attēlu vai runas interpretācija.
Pieaugot mākslīgā intelekta tirgum, Nvidia ir pielāgojusi savu mikroshēmu dizainu ar funkcijām, lai atbalstītu neironu tīklus. Jaunā V100 mikroshēma, par kuru tika paziņots šonedēļ, ir šo centienu kulminācija, un tajā ir jauns kodols, kas specializējas padziļinātas matemātikas apguves paātrināšanai.
Huangs sacīja, ka tā jauda un energoefektivitāte palīdzēs uzņēmumiem vai mākoņdatošanas pakalpojumu sniedzējiem ievērojami uzlabot savu spēju izmantot AI. Viņš teica, ka jūs varētu palielināt sava datu centra caurlaidspēju 15 reizes, nevis būvēt jaunus datu centrus.
Jaunie Nvidia konkurenti apgalvo, ka viņi var padarīt aparatūru ātrāku un efektīvāku AI programmatūras palaišanā, izstrādājot šim nolūkam noregulētas mikroshēmas no jauna, nevis pielāgojot grafikas mikroshēmu tehnoloģiju.
Piemēram, Intel sola vēlāk šogad izlaist mikroshēmu padziļinātai apmācībai, kas balstīta uz tehnoloģijām, kas iegūtas ar starta uzņēmumu Nervana 2016. gadā (skatiet Intel Outside kā Citi uzņēmumi Prosper no Graphics Chips ).
Uzņēmums arī gatavojas izlaist produktu, lai paātrinātu padziļinātu mācīšanos, pamatojoties uz tehnoloģiju, kas iegūta no Altera iegādes par 16,7 miljardiem USD, kas izveidoja mikroshēmas, ko sauc par FPGA un kuras var pārkonfigurēt, lai darbinātu noteiktus algoritmus. Microsoft ir ieguldījis lielus ieguldījumus FPGA izmantošanā, lai darbinātu savu mašīnmācību programmatūru, un padarījis tās par savas mākoņa platformas Azure galveno daļu.
Tikmēr Google pagājušajā vasarā atklāja, ka jau izmanto AI pielāgotu mikroshēmu, kas izstrādāta uzņēmumā, ko sauc par Tensor Processing Unit jeb TPU. Mikroshēmas bija pamatā programmatūras AlphaGo uzvarai pār galda spēles Go čempionu spēlētāju pagājušajā gadā. Tie netiek pārdoti, taču Google saka, ka uzņēmumi, kas izmanto mākoņdatošanas pakalpojumus, gūs priekšrocības no to jaudas un energoefektivitātes.
Vairāki inženieri, kas izveidoja Google mikroshēmu, kopš tā laika ir pametuši uzņēmumu, lai izveidotu jaunuzņēmumu ar 10 miljonu ASV dolāru finansējumu ar nosaukumu Groq, kas būvē specializētu mašīnmācības mikroshēmu. Citi jaunizveidotie uzņēmumi, kas strādā pie līdzīgiem projektiem, ietver Wave Computing, kas saka, ka tas jau ļauj klientiem pārbaudīt savu aparatūru.
Huangs trešdien apgalvoja, ka Nvidia tehnoloģija sasniedz labu vietu, ko citi centieni nedara. Pielāgotas mikroshēmas, piemēram, Google TPU, ir pārāk neelastīgas, lai vienlīdz labi darbotos ar daudziem dažādiem neironu tīkliem, viņš teica, un tas ir būtisks trūkums, ņemot vērā to, cik ātri AI tiek pārbaudītas un pieņemtas jaunas idejas. Viņš apgalvoja, ka FPGA, tāpat kā tie, kurus iecienījis Microsoft un par kuriem Intel ir derējis, patērē pārāk daudz enerģijas.
Viņš teica, ka mēs veidojam visproduktīvāko platformu dziļām mācībām. Tā kā Huang konkurenti šogad atklāj vairāk par saviem produktiem, šī prasība tiks rūpīgi pārbaudīta.