Nvidia CEO: Software spiser verden, men kunstig intelligens kommer til at spise software

Teknologivirksomheder og investorer har for nylig samlet penge ind i kunstig intelligens - og masser er sivet ned til chipproducenten Nvidia. Virksomhedens indtægter er steget, efterhånden som det er begyndt at lave hardware tilpasset til maskinlæringsalgoritmer og use cases såsom autonome biler. På virksomhedens årlige udviklerkonference i San Jose, Californien, i denne uge talte virksomhedens administrerende direktør Jensen Huang med MIT Technology Review om, hvordan maskinlæringsrevolutionen lige er begyndt.

Nvidia har nydt godt af en hurtig eksplosion af investeringer i maskinlæring fra teknologivirksomheder. Kan denne hurtige vækst i use cases for machine learning fortsætte?

Vi er meget tidligt ude. Meget få linjer kode i virksomheder og industrier over hele verden bruger AI i dag. Det er ret udbredt i internetservicevirksomheder, især to eller tre af dem. Men der er en hel masse andre i teknologi og andre industrier, der forsøger at indhente det. Software æder verden, men AI kommer til at æde software.

Hvilken industri vil blive transformeret af machine learning næste gang?

Den ene er bilindustrien. Ti af verdens førende bilfirmaer er her med os til konferencen. Det andet er sundhedsvæsenet, og indvirkningen på samfundet bliver meget stor. Sundhedsoplysninger er rodet og ustruktureret, men nu kan computere forstå det for at øge lægernes diagnoser og forudsigelser.

Nyere forskningsresultater fra anvendelse af maskinlæring til diagnose er imponerende (se En AI-øjenlæge viser, hvordan maskinlæring kan transformere medicin ). Men det er ikke klart, hvordan regulatorer vil teste og godkende disse nye slags systemer.

Når vi taler om menneskeliv, er der altid regulatoriske udfordringer. Men vi kan ikke ignorere virkningen af ​​en teknologi, der giver 10 eller 1.000 gange bedre resultater. Jeg har tillid til, at fornuftige sind vil indse fordelene ved denne teknologi og lægge den i hænderne på læger og klinikere og radiologer, så de kan udføre et bedre arbejde. Arterys fik for nylig FDA-godkendelse til deres hjertebilleddannelse [som annoterer scanninger af hjertet], og jeg kender til mange andre, der er i pipelinen.

Brug af maskinlæring i biler vil også skabe nye udfordringer for regulatorer. Nvidia har demonstreret software, der lærer at køre bare ved at se, hvad en menneskelig chauffør gør - men det er svært at forklare præcis, hvordan det fungerer eller ville opføre sig i forskellige scenarier (se Den mørke hemmelighed i hjertet af AI ).

Kraften og løftet ved denne ende-til-ende tilgang er meget lokkende. Vi tror virkelig på, at den måde, AI vil drive på på lang sigt, ligner den måde, mennesker kører på – vi deler ikke problemet ned i objekter og visioner og lokalisering og planlægning. Men hvor lang tid det vil tage os at nå dertil er tvivlsomt. At få det til at gøre alt ordentligt er en stor udfordring, [og] når det ikke gør én ting rigtigt, hvordan lapper du det, fordi du prøver at træne det hele sammen. Vi er sandsynligvis nødt til at opdele nogle af disse problemer i mindre bidder.

Dine chips kører allerede nogle biler: Alle Tesla-køretøjer bruger nu Nvidias Drive PX 2-computer til at drive autopilot-funktionen, der automatiserer motorvejskørsel. Bruger den funktion hardwarens fulde kapacitet? Kunne den drive fuld autonom kørsel?

Drive PX 2 er en computerplatform med meget reserveret beregningskapacitet - ideen er at have nok, så du løbende kan opdatere softwaren og glæde dig over forbedringer over tid. For fuld autonomi, altså en førerløs bil, er der stadig nogle ubekendte, men der er en masse softwareudvikling i gang. Jeg er ikke helt sikker, men det finder vi ud af.

Intel, Google og flere andre virksomheder arbejder nu på chips designet til at accelerere maskinlæring (se Kæmp for at skaffe chips til AI-bommen varmes op ). Hvordan vil du holde dig foran?

Mange mennesker erkender vigtigheden af ​​dette marked, og jeg tror, ​​det bliver meget stort. Vi vil styre vores mange års investering i vores GPU-chips og et R&D-budget på to en halv milliard dollars til dyb læring. Og vi vil gøre vores arkitektur tilgængelig overalt: på pc'er, på servere, i skyen, i biler, i robotter.

Du er enig med forskere, der siger, at de fysiske udfordringer ved at gøre transistorer mindre og mere strømeffektive bremser fremskridtene i computerprocessorernes kraft (se Moores lov er død. Hvad nu? ). Men du hævder, at Nvidias chips kan blive ved med at rykke frem, fordi de er specialiserede til særlige brugstilfælde. Du kan bestemt ikke modstå fysik for evigt.

Ingen tvivl om det, det kan vi ikke. Lige nu er vi ved at genvinde ineffektiviteten af ​​CPU'er og software til vores mere specialiserede GPU'er. Min fornemmelse er, at vi vil fortsætte med at drage fordel af det i et par årtier. Men et eller andet sted bliver vi nødt til at finde noget nyt. Vi har et fantastisk ingeniørteam i virksomheden, der skubber grænserne for enhedsfysik og nogle gode partnere inden for fremstilling. Mellem os alle vil vi finde vejen.

skjule