211service.com
Nvidia-sjef: Software Is Eating the World, men AI kommer til å spise programvare
Teknologiselskaper og investorer har nylig lagt penger inn i kunstig intelligens – og mye har rant ned til brikkeprodusenten Nvidia. Selskapets inntekter har steget ettersom det har begynt å lage maskinvare tilpasset for maskinlæringsalgoritmer og brukstilfeller som autonome biler. På selskapets årlige utviklerkonferanse i San Jose, California, denne uken snakket selskapets administrerende direktør Jensen Huang med MIT Technology Review om hvordan maskinlæringsrevolusjonen så vidt har startet.
Nvidia har dratt nytte av en rask eksplosjon av investeringer i maskinlæring fra teknologiselskaper. Kan denne raske veksten i brukstilfellene for maskinlæring fortsette?
Vi er veldig tidlig ute. Svært få linjer med kode i bedrifter og industrier over hele verden bruker AI i dag. Det er ganske utbredt i Internett-tjenesteselskaper, spesielt to eller tre av dem. Men det er en hel haug med andre i teknologi og andre bransjer som prøver å ta igjen. Programvare spiser verden, men AI kommer til å spise programvare.
Hvilken industri vil bli transformert av maskinlæring neste gang?
Den ene er bilindustrien. Ti av verdens beste bilselskaper er her med oss på konferansen. Det andre er helsevesenet, og påvirkningen på samfunnet kommer til å bli veldig stor. Helseinformasjon er rotete og ustrukturert, men nå kan datamaskiner forstå den for å øke legenes diagnoser og spådommer.
Nyere forskningsresultater fra bruk av maskinlæring til diagnose er imponerende (se En øyelege for kunstig intelligens viser hvordan maskinlæring kan forvandle medisin ). Men det er ikke klart hvordan regulatorer vil teste og godkjenne disse nye typene systemer.
Når vi snakker om menneskeliv, er det alltid regulatoriske utfordringer. Men vi kan ikke ignorere virkningen av en teknologi som gir 10 eller 1000 ganger bedre resultater. Jeg har tillit til at fornuftige sinn vil innse fordelene med denne teknologien og legge den i hendene på leger og klinikere og radiologer slik at de kan gjøre bedre arbeid. Arterys fikk nylig FDA-godkjenning for deres hjerteavbildning [som kommenterer skanninger av hjertet], og jeg vet om mange andre som er i pipelinen.
Bruk av maskinlæring i biler vil også skape nye utfordringer for regulatorer. Nvidia har demonstrert programvare som lærer å kjøre bare ved å se hva en menneskelig sjåfør gjør - men det er vanskelig å forklare nøyaktig hvordan det fungerer eller ville oppføre seg i forskjellige scenarier (se Den mørke hemmeligheten i hjertet av AI ).
Kraften og løftet til denne ende-til-ende-tilnærmingen er veldig fristende. Vi tror virkelig at den langsiktige måten AI vil drive på, er lik måten mennesker kjører på – vi deler ikke problemet ned i objekter og visjoner og lokalisering og planlegging. Men hvor lang tid det vil ta oss å komme dit er tvilsomt. Å få den til å gjøre alt riktig er en stor utfordring, [og] når den ikke gjør én ting riktig, hvordan lapper du den, fordi du prøver å trene hele greia sammen. Vi må sannsynligvis bryte ned noen av disse problemene i mindre biter.
Brikkene dine kjører allerede noen biler: alle Tesla-kjøretøyer bruker nå Nvidias Drive PX 2-datamaskin for å drive autopilotfunksjonen som automatiserer motorveikjøring. Bruker den funksjonen maskinvarens fulle kapasitet? Kan den drive helt autonom kjøring?
Drive PX 2 er en dataplattform med mye reservert beregningskapasitet – ideen er å ha nok slik at du kontinuerlig kan oppdatere programvaren og glede deg over forbedringer over tid. For full autonomi, altså en førerløs bil, er det fortsatt noen ukjente, men det er mye programvareutvikling som pågår. Jeg er ikke helt sikker, men vi finner ut av det.
Intel, Google og flere andre selskaper jobber nå med brikker designet for å akselerere maskinlæring (se Kamp for å skaffe sjetonger for AI-bommen varmes opp ). Hvordan vil du ligge i forkant?
Mange mennesker anerkjenner viktigheten av dette markedet, og jeg tror det kommer til å bli veldig stort. Vi kommer til å styre våre år med investeringer i GPU-brikkene våre, og et FoU-budsjett på to og en halv milliard dollar, inn i dyp læring. Og vi vil gjøre arkitekturen vår tilgjengelig overalt: på PC-er, på servere, i skyen, i biler, i roboter.
Du er enig med forskere som sier at de fysiske utfordringene med å gjøre transistorer mindre og mer strømeffektive bremser fremgangen i kraften til dataprosessorer (se Moores lov er død. Hva nå? ). Men du hevder at Nvidias sjetonger kan fortsette å avansere fordi de er spesialiserte for spesielle brukstilfeller. Du kan sikkert ikke motstå fysikk for alltid.
Ingen tvil om det, vi kan ikke. Akkurat nå gjenskaper vi ineffektiviteten til CPUer og programvare til våre mer spesialiserte GPUer. Min følelse er at vi vil fortsette å dra nytte av det i et par tiår. Men et sted må vi finne noe nytt. Vi har et fantastisk ingeniørteam i selskapet som presser grensene for enhetsfysikk og noen gode partnere innen produksjon. Mellom oss alle vil vi finne veien.