Jensen Huang: Wie NVIDIA GPUs über die Grafik hinaus nutzbar machte
Von Spielgrafik zu KI: Wie GPU, CPU und CUDA zusammenarbeiten und welche Wahlmöglichkeiten Nutzer einer Infrastruktur behalten.
Parallel arbeiten, Ergebnisse zusammenführen. KI-generierte Konzeptillustration.
Ein Computerspiel muss viele Male pro Sekunde ein neues Bild berechnen. Ein KI-Modell benötigt ebenfalls sehr viele Rechenoperationen. Beide Aufgaben haben etwas gemeinsam: Ein Teil der Arbeit lässt sich aufteilen und gleichzeitig erledigen. Dieser Zusammenhang erklärt, wie NVIDIA von der Computergrafik zur KI kam.
Wer ist Jensen Huang?
Huang gründete NVIDIA 1993 gemeinsam mit Chris Malachowsky und Curtis Priem. Er studierte Elektrotechnik an der Oregon State University und schloss 1992 neben seiner Berufstätigkeit ein Masterstudium in Stanford ab. Das Porträt der Universität Stanford beschreibt seinen Weg als Ingenieur. Am Anfang stand eine konkrete Frage: Welche Arbeit sollen Computer erledigen, und welche Chips eignen sich dafür?
Warum ein Grafikchip auch anderes berechnen kann
Stellen Sie sich vor, jedes Pixel eines Fotos soll etwas heller werden. Viele Pixel können gleichzeitig bearbeitet werden; das eine muss nicht auf das andere warten. Das ist parallele Verarbeitung. Eine GPU, also ein Grafikprozessor, ist auf viele gleichzeitige Operationen ausgelegt. Eine CPU, der Hauptprozessor, eignet sich besser für vielseitige Aufgaben und Abläufe, bei denen ein Schritt vom vorherigen abhängt. Beide arbeiten zusammen.
Auch bei vielen KI-Berechnungen werden ähnliche Operationen auf große Zahlenfelder angewendet. Eine GPU kann geeignete Teile dieser Arbeit beschleunigen. Sie macht aber nicht jedes Programm automatisch schneller: Die Arbeit muss sich aufteilen lassen, die Daten müssen den Prozessor erreichen und die Software muss ihn sinnvoll einsetzen.
Die Software macht die Rechenleistung nutzbar
Mit CUDA eröffnete NVIDIA Entwicklern 2006 die Möglichkeit, seine GPUs für Berechnungen jenseits der Grafik zu verwenden. Eine gut ausgestattete Werkstatt allein reicht nicht: Man braucht passende Werkzeuge und muss die Arbeit organisieren können. Programmiertools und Bibliotheken helfen dabei. Die Einführung in CUDA erklärt das Zusammenspiel von CPU und GPU.
So wird NVIDIAs Entwicklung greifbarer als in einer Erzählung vom allwissenden Visionär. Chips, Software und die Menschen, die Anwendungen entwickeln, müssen zusammenkommen. Technische Möglichkeiten gewinnen ihren Wert durch die Lösung konkreter Probleme.
Und wer behält die Wahl?
Eine leistungsfähige Plattform wirft weitere Fragen auf: Lässt sich die eigene Software auf eine andere Plattform übertragen? Was würde ein Werkzeugwechsel kosten? Welche Änderungen kann man annehmen oder ablehnen? Der Ruf eines Anbieters ersetzt diese Prüfung nicht.
Für die Koordination des Internets führt Lu Heng die Frage in Note 65 über den Vorrang lauffähigen Codes weiter. Er fordert lokal überprüfbare Regeln und freiwillig übernommene Änderungen. Eine Frage verbindet beide Themen: Erweitert die Infrastruktur die Möglichkeiten ihrer Nutzer, und lässt sie ihnen weiterhin die Wahl?