Jensen Huang: πώς η NVIDIA οδήγησε τις GPU πέρα από τα γραφικά

Παράλληλη εργασία, κοινό αποτέλεσμα. Εννοιολογική εικονογράφηση δημιουργημένη με τεχνητή νοημοσύνη.

Ένα παιχνίδι πρέπει να σχεδιάζει μια νέα εικόνα πολλές φορές το δευτερόλεπτο. Ένα μοντέλο τεχνητής νοημοσύνης πρέπει να εκτελεί τεράστιο πλήθος υπολογισμών. Μοιάζουν διαφορετικές εργασίες, αλλά και οι δύο περιέχουν δουλειά που μπορεί να χωριστεί σε πολλές μικρότερες πράξεις και να εκτελεστεί ταυτόχρονα. Αυτή είναι η σύνδεση πίσω από την πορεία της NVIDIA από τα γραφικά υπολογιστών στην τεχνητή νοημοσύνη.

Ποιος είναι ο Jensen Huang;

Ο Huang συνίδρυσε τη NVIDIA με τον Chris Malachowsky και τον Curtis Priem το 1993. Είχε σπουδάσει ηλεκτρολόγος μηχανικός στο Oregon State University και ολοκλήρωσε μεταπτυχιακές σπουδές στο Stanford το 1992, ενώ παράλληλα εργαζόταν. Το υπόβαθρό του βοηθά να εξηγηθεί η αφετηρία: η κατασκευή τσιπ και η δημιουργία μιας επιχείρησης γύρω από τη δουλειά που χρειάζονταν να κάνουν οι υπολογιστές. Το προφίλ του στο Stanford παρακολουθεί αυτή την πορεία στον χώρο της μηχανικής.

Γιατί ένα τσιπ γραφικών μπορεί να κάνει περισσότερα από το να σχεδιάζει

Φανταστείτε ότι κάνετε κάθε εικονοστοιχείο μιας φωτογραφίας φωτεινότερο. Ο υπολογισμός για το ένα μπορεί να γίνει παράλληλα με τον υπολογισμό για ένα άλλο. Αυτό είναι παράλληλη εργασία. Μια μονάδα επεξεργασίας γραφικών, ή GPU, έχει σχεδιαστεί για να χειρίζεται πολλές πράξεις ταυτόχρονα. Μια κεντρική μονάδα επεξεργασίας, ή CPU, είναι καταλληλότερη για ποικίλες εργασίες και ακολουθίες στις οποίες το επόμενο βήμα εξαρτάται από το προηγούμενο. Οι δύο μονάδες συνεργάζονται.

Πολλοί υπολογισμοί της τεχνητής νοημοσύνης περιλαμβάνουν επίσης επαναλαμβανόμενες αριθμητικές πράξεις σε μεγάλους πίνακες αριθμών. Μια GPU μπορεί να επιταχύνει τα κατάλληλα μέρη αυτής της δουλειάς. Η προσθήκη της όμως δεν κάνει αυτόματα κάθε πρόγραμμα ταχύτερο: η εργασία πρέπει να μπορεί να διαιρεθεί, τα δεδομένα πρέπει να φτάσουν στον επεξεργαστή και το λογισμικό πρέπει να τον αξιοποιεί αποτελεσματικά.

Η σημαντική γέφυρα ήταν το λογισμικό

Η NVIDIA παρουσίασε τη CUDA το 2006, ώστε οι προγραμματιστές να μπορούν να χρησιμοποιούν τις GPU της για υπολογισμούς πέρα από τα γραφικά. Σκεφτείτε τη διαφορά ανάμεσα στο να διαθέτετε ένα ισχυρό εργαστήριο και στο να έχετε εύχρηστα εργαλεία, οδηγίες και τρόπους οργάνωσης της εργασίας. Οι βιβλιοθήκες και τα εργαλεία προγραμματισμού βοηθούν τους ανθρώπους να αξιοποιήσουν το υλικό. Η εισαγωγή στη CUDA της NVIDIA εξηγεί πώς συνεργάζονται CPU και GPU.

Έτσι, η εξέλιξη της NVIDIA γίνεται πιο κατανοητή απ’ ό,τι μέσα από μια ιστορία για έναν μόνο ηγέτη που προέβλεψε τα πάντα. Τα τσιπ, το λογισμικό και οι άνθρωποι που αναπτύσσουν εφαρμογές πρέπει να συνεργάζονται. Μια τεχνική δυνατότητα αποκτά αξία όταν κάποιος μπορεί να τη χρησιμοποιήσει για να λύσει ένα πραγματικό πρόβλημα.

Έπειτα, ρωτήστε ποιος έχει την επιλογή

Μια χρήσιμη πλατφόρμα εγείρει και πρακτικά ερωτήματα: μπορείτε να μεταφέρετε το λογισμικό σας αλλού, πόσο θα κόστιζε η αλλαγή εργαλείων και ποιος αποφασίζει ποιες αλλαγές πρέπει να δεχτείτε; Αυτά είναι ζητήματα προς διερεύνηση όταν επιλέγετε υποδομές, όχι απαντήσεις που δίνει από μόνη της η φήμη μιας εταιρείας.

Για τον συντονισμό του Διαδικτύου, ο Lu Heng προχωρά το ερώτημα της επιλογής παραπέρα στο Σημείωμα 65: Προτεραιότητα του εκτελούμενου κώδικα. Υποστηρίζει κανόνες που οι συμμετέχοντες μπορούν να επαληθεύουν τοπικά και αλλαγές που υιοθετούν εθελοντικά. Η σύνδεση είναι ένα ερώτημα που αξίζει να μας συνοδεύει: διευρύνει η υποδομή όσα μπορούν να κάνουν οι χρήστες της και διατηρούν αυτοί τη δυνατότητα επιλογής;