211service.com
Kæmp for at skaffe chips til AI-bommen varmes op
Jensen Huang, administrerende direktør for Nvidia, ved virksomhedens konference i San Jose, Californien.
Jensen Huang strålede ud over en fyldt konferencesal i San Jose, Californien, onsdag, da han annoncerede sit firmas nye chip, der sigter mod at accelerere kunstig intelligens-algoritmer. Men metaforisk set så direktøren for chipproducenten Nvidia sig over skulderen.
Nvidias overskud og lager er steget i løbet af de sidste par år, fordi de grafikprocessorer, det opfandt til at drive spil og grafikproduktion, har muliggjort mange nylige gennembrud inden for maskinlæring (se 10 Breakthrough Technologies 2013: Deep Learning). Men efterhånden som investeringerne i kunstig intelligens stiger, står Huangs virksomhed nu over for konkurrence fra Intel, Google og andre, der arbejder på deres egne AI-chips.
Ved Nvidias årlige udviklerkonference i onsdags undgik Huang omhyggeligt at nævne nogen konkurrenter ved navn, da han introducerede Nvidias seneste chip, kaldet Tesla V100. Han omtalte kun Google som nogle mennesker, for eksempel. Men han gjorde tydelige svirp på teknologien fra Nvidias udfordrere, især når han talte om den store mulighed, der åbnede sig for at levere AI-chips til brug i cloud computing.
Virksomheder i mange brancher såsom sundhedspleje og finans investerer i maskinlæringsinfrastruktur. Førende cloud computing-udbydere Google, Amazon og Microsoft satser alle på, at mange virksomheder vil betale dem for at køre kunstig intelligens-software, og de vil bruge store penge på ny hardware for at understøtte det.
Nvidia kom til at dominere det spirende AI-chipmarked ved smart at gribe et heldigt tilfælde. De grundlæggende matematiske operationer, der er nødvendige for computergrafik, er de samme som dem, der ligger til grund for en tilgang til maskinlæring kendt som kunstige neurale netværk. Fra og med 2012 viste forskere, at ved at sætte ny kraft bag denne teknik, tillod grafikprocessorer software at blive meget, meget klogere til opgaver som fortolkning af billeder eller tale.
Efterhånden som AI-markedet er vokset, har Nvidia justeret sine chipdesigns med funktioner til at understøtte neurale netværk. Den nye V100-chip, der blev annonceret i denne uge, er kulminationen på denne indsats og har en ny kerne, der er specialiseret til at accelerere deep-learning matematik.
Huang sagde, at dens kraft og energieffektivitet ville hjælpe virksomheder eller cloud-udbydere til dramatisk at opgradere deres evne til at bruge AI. Du kan øge gennemstrømningen af dit datacenter med 15 gange i stedet for at skulle bygge nye datacentre, sagde han.
Nvidias nye konkurrenter hævder, at de kan gøre hardware hurtigere og mere effektiv til at køre AI-software ved at designe chips tunet til formålet fra bunden i stedet for at tilpasse grafikchipteknologi.
For eksempel lover Intel at frigive en chip til dyb læring senere i år bygget oven på teknologi erhvervet med startup Nervana i 2016 (se Intel Outside as Other Companies Prosper from Graphics Chips).
Virksomheden forbereder sig også på at frigive et produkt for at fremskynde dyb læring baseret på teknologi fra deres 16,7 milliarder dollars opkøb af Altera, som lavede chips kaldet FPGA'er, der kan omkonfigureres til at drive specifikke algoritmer. Microsoft har investeret kraftigt i at bruge FPGA'er til at drive sin maskinlæringssoftware og gjort dem til en kerne af sin cloud-platform, Azure.
I mellemtiden afslørede Google sidste sommer, at det allerede brugte en chip tilpasset til AI, udviklet internt, kaldet en Tensor Processing Unit eller TPU. Chipsene understøttede softwaren AlphaGos sejr over en mesterspiller i brætspillet Go sidste år. De er ikke til salg, men Google siger, at virksomheder, der bruger deres cloud computing-tjenester, vil få fordelene ved deres strøm og energieffektivitet.
Adskillige ingeniører, der byggede Googles chip, har siden forladt virksomheden for at danne en startup med 10 millioner dollars i finansiering kaldet Groq, der bygger en specialiseret maskinlæringschip. Andre startups, der arbejder på lignende projekter, inkluderer Wave Computing, som siger, at det allerede lader kunder teste sin hardware.
Huang hævdede onsdag, at Nvidias teknologi rammer et godt punkt, som andre bestræbelser ikke gør. Tilpassede chips som Googles TPU er for ufleksible til at fungere lige godt med mange forskellige slags neurale netværk, sagde han - en væsentlig ulempe i betragtning af, hvor hurtigt nye ideer bliver testet og vedtaget i AI. Han hævdede, at FPGA'er, som dem, der foretrækkes af Microsoft, og som Intel satser på, bruger for meget energi.
Vi skaber den mest produktive platform for dyb læring, sagde han. Efterhånden som Huangs rivaler afslører mere om deres produkter i år, vil denne påstand komme under nøje undersøgelse.