Kaip „Nvidia“ iš vaizdo plokščių gamintojos tapo dirbtinio intelekto infrastruktūros pagrindu?

Sekite TechNaujienos Google

„Nvidia“ ilgą laiką buvo siejama su vaizdo plokštėmis kompiuteriniams žaidimams, tačiau dabartinis jos vaidmuo dirbtinio intelekto pramonėje remiasi gerokai senesniu sprendimu. 2006 metais bendrovė pristatė CUDA – programavimo platformą, kuri leido grafikos procesorius plačiau naudoti bendrosios paskirties skaičiavimams. Kaip paaiškina „Nvidia“ programuotojų dokumentacija, CUDA suteikė būdą GPU pasitelkti užduotims, kurioms reikia vienu metu apdoroti didelius duomenų kiekius.

Grafikos procesorius iš pradžių daugiausia buvo skirtas vaizdams atvaizduoti. Tačiau jo architektūra, turinti daug lygiagrečiai veikiančių skaičiavimo vienetų, tiko ir mokslui, modeliavimui bei vėliau mašininiam mokymuisi. Šio potencialo panaudojimas reikalavo ne tik galingesnių lustų, bet ir patogios programavimo aplinkos.

CUDA svarba buvo būtent programinė dalis: mokslininkai ir kūrėjai gavo prieigą prie bibliotekų, kūrimo įrankių ir platformos, kurioje galėjo optimizuoti savo skaičiavimus. Tai mažino atotrūkį tarp specializuotos aparatinės įrangos ir praktiškai pritaikomų programų.

Kodėl vien galingos vaizdo plokštės nepakanka

Didelius dirbtinio intelekto modelius kuriančioms organizacijoms svarbu, kaip našiai veikia skaičiavimo įranga, bet ne mažiau svarbu tai, ar turimos programos gali ja naudotis. Skirtumą lemia programinės bibliotekos, duomenų perdavimas tarp lustų, infrastruktūros valdymas ir programų perkėlimo sąnaudos.

Naujausi straipsniai

4 min. skaitymo • prieš 1 val

Kodėl „Microsoft“ nepavyko įsitvirtinti išmaniųjų telefonų rinkoje? „Nokia“ sandorio pamokos

4 min. skaitymo • prieš 1 val

Kodėl pasaulis taip priklausomas nuo Taivano lustų gamintojos TSMC?

4 min. skaitymo • prieš 2 val

Ar verta įsirengti namų bateriją Lietuvoje? Kada energijos kaupiklis atsiperka

Visi naujausi straipsniai →

Bėgant metams aplink CUDA susiformavo plati mokslinių ir komercinių programų aplinka. Kūrėjams tai suteikė daug paruoštų sprendimų, tačiau taip pat didino priklausomybę nuo vienos technologinės platformos. Konkurentui nepakanka pasiūlyti panašiai spartų lustą, jei klientui sudėtinga perkelti programinę įrangą.

DI modelių mokymas ir jų veikimas daugeliu atvejų pasikliauja lygiagrečiais skaičiavimais. Dėl to GPU tapo svarbiu duomenų centrų ištekliumi. Skirtingai nei įprastam žaidimų kompiuteriui, tokiuose centruose svarbi ne viena vaizdo plokštė, o daugybės procesorių darbas kartu, atmintis ir energijos tiekimas.

Konkurencija vyksta ne vien lustų rinkoje

Šiandien „Nvidia“ varžosi ir su kitų įmonių kuriamais specializuotais DI spartintuvais. Pavyzdžiui, „Google“ debesijos versle naudojami nuosavi DI lustai, o debesijos infrastruktūros tiekėjai ieško būdų mažinti priklausomybę nuo vieno gamintojo.

Konkurencija apima ne tik procesorių techninius parametrus. Klientai skaičiuoja bendrą sistemos kainą, energijos suvartojimą, programavimo pastangas ir tiekimo patikimumą. Todėl stipriai įsitvirtinusi programinė platforma gali būti ne mažesnis konkurencinis pranašumas nei pats lustas.

Technologiniu požiūriu GPU stiprybė atsiskleidžia tada, kai daug panašių operacijų gali būti atliekama lygiagrečiai. Matricų daugyba, kuri itin svarbi neuroniniams tinklams, yra vienas tokių uždavinių. Tačiau ne kiekviena kompiuterinė operacija iš to laimi: mažos, nuosekliai vykdomos užduotys dažnai efektyviau atliekamos kitų tipų procesoriais. Todėl DI infrastruktūroje paprastai naudojami ne vien GPU, bet ir centriniai procesoriai, atmintis, tinklo įranga.

Kuo didesnis modelis, tuo svarbesnis duomenų perdavimas tarp procesorių. Jeigu skaičiavimai vyksta greitai, bet procesoriai ilgai laukia duomenų, teorinis našumas nepasiekiamas. Dėl to „Nvidia“ investuoja ne tik į grafikos procesorių dizainą, bet ir į atminties bei tarpusavio ryšio technologijas. Klientui perkama visa skaičiavimo sistema, o ne vien mikroschema.

Programinės ekosistemos vertė pasireiškia ir kūrėjų įpročiuose. Daugybė mašininiam mokymuisi skirtų bibliotekų bei tyrimų projektų jau buvo optimizuoti CUDA aplinkai, todėl naujos komandos dažnai renkasi įrankius, kuriems prieinama dokumentacija, mokymo medžiaga ir patikrinti sprendimai. Persikelti prie alternatyvos reiškia ne tik pakeisti procesorių, bet kartais ir perrašyti ar iš naujo išbandyti programą.

Tai paaiškina, kodėl konkurencija šiame segmente apima visą technologijų grandinę. Rinkoje veikia AMD GPU, „Google“ TPU ir kiti spartintuvai, bet konkretaus projekto rezultatus lemia modelio architektūra, programinės įrangos palaikymas, elektros sąnaudos ir reali tiekimo kaina. „Nvidia“ pranašumas istoriškai susiformavo per aparatinės ir programinės įrangos derinį, o ne vieną staigų generatyvinio DI populiarumo šuolį.

„Nvidia“ istorija primena, kad svarbiausi technologiniai sprendimai kartais priimami gerokai prieš atsirandant rinkai, kurioje jie tampa ypač vertingi. CUDA sukūrimas nebuvo momentinis atsakas į šiandienos generatyvinio DI paklausą – jo poveikis išryškėjo per daugelį metų.