211service.com
Kamp for å skaffe sjetonger for AI-bommen varmes opp
Jensen Huang, administrerende direktør i Nvidia, på selskapets konferanse i San Jose, California.
Jensen Huang strålte ut over en fullsatt konferansesal i San Jose, California, onsdag da han annonserte selskapets nye brikke som tar sikte på å akselerere kunstig intelligens-algoritmer. Men metaforisk sett så sjefen for brikkeprodusenten Nvidia seg over skulderen.
Nvidias fortjeneste og aksjer har steget de siste årene fordi grafikkprosessorene den oppfant for å drive spill og grafikkproduksjon har muliggjort mange nylige gjennombrudd innen maskinlæring (se 10 Breakthrough Technologies 2013: Deep Learning ). Men ettersom investeringene i kunstig intelligens øker, møter Huangs selskap nå konkurranse fra Intel, Google og andre som jobber med sine egne AI-brikker.
På Nvidias årlige utviklerkonferanse onsdag unngikk Huang nøye å nevne noen konkurrenter ved navn da han introduserte Nvidias siste brikke, kalt Tesla V100. Han omtalte Google bare som noen mennesker, for eksempel. Men han gjorde tydelige sveiper på teknologien til Nvidias utfordrere, spesielt når han snakket om den store muligheten som åpner seg for å levere AI-brikker for bruk i skydatabehandling.
Bedrifter i mange bransjer som helsevesen og finans investerer i maskinlæringsinfrastruktur. Ledende cloud computing-leverandører Google, Amazon og Microsoft satser alle på at mange selskaper vil betale dem for å kjøre kunstig intelligens-programvare, og kommer til å bruke mye penger på ny maskinvare for å støtte det.
Nvidia kom til å dominere det spirende markedet for AI-brikke ved å smart gripe en heldig tilfeldighet. De grunnleggende matematiske operasjonene som trengs for datagrafikk er de samme som de som ligger til grunn for en tilnærming til maskinlæring kjent som kunstige nevrale nettverk. Fra og med 2012 viste forskere at ved å legge ny kraft bak denne teknikken, tillot grafikkprosessorer at programvare ble mye, mye smartere i oppgaver som å tolke bilder eller tale.
Etter hvert som AI-markedet har vokst, har Nvidia tilpasset chipdesignene sine med funksjoner for å støtte nevrale nettverk. Den nye V100-brikken som ble kunngjort denne uken er kulminasjonen av denne innsatsen, og har en ny kjerne spesialisert for å akselerere dyp læring av matematikk.
Huang sa at kraften og energieffektiviteten vil hjelpe selskaper eller skyleverandører til å dramatisk oppgradere deres evne til å bruke AI. Du kan øke gjennomstrømningen til datasenteret ditt med 15 ganger i stedet for å måtte bygge nye datasentre, sa han.
Nvidias nye konkurrenter hevder at de kan gjøre maskinvare raskere og mer effektiv til å kjøre AI-programvare ved å designe brikker innstilt for formålet fra bunnen av i stedet for å tilpasse grafikkbrikketeknologi.
Intel lover for eksempel å gi ut en brikke for dyp læring senere i år bygget på toppen av teknologi anskaffet med oppstarten Nervana i 2016 (se Intel Outside as Other Companies Prosper from Graphics Chips ).
Selskapet forbereder også å gi ut et produkt for å øke hastigheten på dyp læring basert på teknologi fra oppkjøpet av Altera for 16,7 milliarder dollar, som laget brikker kalt FPGA-er som kan rekonfigureres for å drive spesifikke algoritmer. Microsoft har investert tungt i å bruke FPGA-er for å drive maskinlæringsprogramvaren sin og gjort dem til en kjernedel av skyplattformen, Azure.
I mellomtiden avslørte Google i fjor sommer at de allerede brukte en brikke tilpasset AI, utviklet internt, kalt en Tensor Processing Unit, eller TPU. Sjetongene underbygget programvaren AlphaGos seier over en mesterspiller i brettspillet Go i fjor. De er ikke til salgs, men Google sier at selskaper som bruker deres cloud computing-tjenester vil få fordelene av deres kraft og energieffektivitet.
Flere ingeniører som bygde Googles brikke har siden forlatt selskapet for å danne en startup med 10 millioner dollar i finansiering kalt Groq som bygger en spesialisert maskinlæringsbrikke. Andre startups som jobber med lignende prosjekter inkluderer Wave Computing, som sier at de allerede lar kundene teste maskinvaren.
Huang hevdet onsdag at Nvidias teknologi treffer et søtt sted andre anstrengelser ikke gjør. Egendefinerte brikker som Googles TPU er for lite fleksible til å fungere like godt med mange forskjellige typer nevrale nettverk, sa han – en betydelig ulempe gitt hvor raskt nye ideer blir testet og tatt i bruk i AI. Han hevdet at FPGA-er, som de som favoriseres av Microsoft og som er satset på av Intel, bruker for mye energi.
Vi lager den mest produktive plattformen for dyp læring, sa han. Ettersom Huangs rivaler avslører mer om produktene deres i år, vil denne påstanden bli undersøkt nøye.