Jensen Huang: como a NVIDIA levou as GPUs além dos gráficos
Dos jogos à IA: entenda o trabalho de GPUs e CUDA e por que uma infraestrutura útil também levanta questões sobre liberdade de escolha.
Trabalho em paralelo, resultados reunidos. Ilustração conceitual gerada por IA.
Um jogo precisa desenhar novas imagens muitas vezes por segundo. Um modelo de IA precisa fazer uma enorme quantidade de cálculos. São trabalhos diferentes, mas têm algo em comum: parte deles pode ser dividida em pequenas operações realizadas ao mesmo tempo. Essa é a ligação entre a origem da NVIDIA nos gráficos e seu papel na IA.
Quem é Jensen Huang?
Huang fundou a NVIDIA com Chris Malachowsky e Curtis Priem em 1993. Estudou engenharia elétrica na Oregon State e concluiu um mestrado em Stanford em 1992, enquanto trabalhava. O perfil publicado por Stanford conta essa trajetória. O ponto de partida era uma pergunta de engenharia: que trabalho os computadores precisavam fazer e quais chips poderiam realizá-lo?
Por que um chip gráfico serve para outras tarefas?
Imagine aumentar um pouco o brilho de cada pixel de uma foto. Dá para tratar vários pixels ao mesmo tempo, sem esperar que o anterior fique pronto. Isso é processamento paralelo. A GPU, unidade de processamento gráfico, foi projetada para executar muitas operações simultaneamente. A CPU, o processador central, lida melhor com tarefas variadas e sequências em que um passo depende do resultado anterior. As duas trabalham juntas.
Muitos cálculos de IA também repetem operações sobre grandes conjuntos de números. Uma GPU pode acelerar as partes adequadas. Mas instalar uma não torna qualquer programa mais rápido: é preciso conseguir dividir o trabalho, transferir os dados e ter software que aproveite o processador.
O software transformou potência em ferramenta
Em 2006, a NVIDIA introduziu o CUDA, permitindo aos desenvolvedores usar suas GPUs em cálculos além dos gráficos. Ter uma oficina equipada não basta: é preciso ter ferramentas práticas e saber organizar o trabalho. Bibliotecas e ferramentas de programação ajudam nisso. A introdução ao CUDA explica a cooperação entre CPU e GPU.
Assim, o desenvolvimento da NVIDIA fica mais claro do que numa história em que um líder previu tudo. Chips, software e quem cria aplicações precisam funcionar juntos. Uma possibilidade técnica ganha valor quando resolve um problema real.
E quem continua podendo escolher?
Uma plataforma útil também exige perguntas práticas. Você consegue levar seu software para outra plataforma? Quanto custaria mudar de ferramentas? Quais mudanças pode aceitar ou recusar? A reputação do fornecedor não responde por si só.
Na coordenação da internet, Lu Heng aprofunda essa questão na Nota 65, sobre a primazia do código em funcionamento. Ele defende regras que os participantes possam verificar localmente e mudanças adotadas voluntariamente. Uma pergunta acompanha as duas leituras: a infraestrutura amplia o que seus usuários conseguem fazer e preserva a possibilidade de escolher?