მარტში, Nvidia-ს ყოველწლიურ AI კონფერენცია GTC-ზე, კომპანიის ხელმძღვანელი, ჯენსენ ჰუანგი firerside chat-ისთვის სცენაზე მიიწვევს OpenAI-ის თანადამფუძნებელს და მთავარ მეცნიერს, ილია სუცკევერს.
საუბარი, რა თქმა უნდა, გაავრცელებს სიმბოლურ გზავნილს, რომ Nvidia არ აპირებს, დათმოს AI დომინირება, რომელიც ათი წლის წინ დაიწყო. Nvidia-ს ლიდერობას საფრთხეს გენერაციული ხელოვნური ინტელექტის ChatGPT-ისა და მისი მსგავსი ხელსაწყოებით ჩანაცვლება უქმნის.
მარტში, Nvidia-ს ყოველწლიურ AI კონფერენცია GTC-ზე, კომპანიის ხელმძღვანელი, ჯენსენ ჰუანგი firerside chat-ისთვის სცენაზე მიიწვევს OpenAI-ის თანადამფუძნებელს და მთავარ მეცნიერს, ილია სუცკევერს.
საუბარი, რა თქმა უნდა, გაავრცელებს სიმბოლურ გზავნილს, რომ Nvidia არ აპირებს, დათმოს AI დომინირება, რომელიც ათი წლის წინ დაიწყო. Nvidia-ს ლიდერობას საფრთხეს გენერაციული ხელოვნური ინტელექტის ChatGPT-ისა და მისი მსგავსი ხელსაწყოებით ჩანაცვლება უქმნის.
ილია სუცკვერმა, ალექს კრიჟევსკისთან და მათი სადოქტორო ნაშრომის ზედამხედველ ჯეფრი ჰინტონთან ერთად, შექმნა AlexNet — პიონერული ნეირონული ქსელი კომპიუტერული ხედვისთვის, რომელმაც 2012 წლის ოქტომბერში გაიმარჯვა პროგრამული უზრუნველყოფის კონკურსში ImageNet. გამარჯვებულმა ნაშრომმა აჩვენა, რომ მოდელმა მიაღწია გამოსახულების ამოცნობის ისეთ სიზუსტეს, რომლის მსგავსიც აქამდე არასდროს ყოფილა. ამან პირდაპირ განაპირობა მომდევნო ათწლეულში მანქანური სწავლების წარმატების ისტორიები Google Photos-დან Alexa-მდე.
ჰინტონის თქმით AlexNet Nvidia-ს გარეშე არ იარსებებდა. ათასობით გამოთვლითი, პარალელური დამუშავებით მხარდაჭერილი ბირთვის წყალობით, Nvidia-ს GPU შესანიშნავი აღმოჩნდა სიღრმისეული სწავლების ალგორითმებისთვის. GPU 1999 წელს PC ვიდეო თამაშების ულტრასწრაფი 3D გრაფიკისთვის შეიქმნა. თუმცა, ოპტიმიზაცია ზოგადი გამოთვლითი ოპერაციებისთვის დაიწყო.
«მახსოვს, 2009 წელს გავაკეთე მოხსენება NIPS-ში (ახლანდელი NeurlPS), სადაც დაახლოებით 1000 მკვლევარს ვუთხარი, რომ ყველამ უნდა იყიდოს GPU, რადგან ის იქნება მანქანური სწავლების მომავალი». — განუცხადა ჰინტონმა VentureBeat-ს გასულ შემოდგომაზე.
სუცკევერი ასევე წარმოადგენს 2023 წლის ხელოვნური ინტელექტის აჟიოტაჟის აფეთქებას, რადგან დიდმა ენობრივმა მოდელებმა, როგორებიცაა ChatGPT და DALL-E 2 ჩანერგეს გენერაციული AI საზოგადოების ინტელექტში ისე, როგორც არასდროს. მსგავსი, ბოლოს 2007 წელს iPhone-ს გამოჩენას მოჰყვა.
ეს შეუძლებელი იქნებოდა Nvidia-ს გარეშე. ჯონ პედის კვლევის თანახმად, დღევანდელი მასიური გენერაციული ინტელექტის მოდელები მუშაობისთვის ათასობით GPU-ს საჭიროებს, ხოლო Nvidia GPU ბაზრის 88%-ს ფლობს. ფაქტობრივად, OpenAI-მ 1000 Nvidia GPU გამოიყენა ChatGPT-ის მოსამზადებლად.
2023 წლის იანვარში ხელოვნური ინტელექტით გამოწვეულმა აჟიოტაჟმა Nvidia-ს აქციების ფასები გაზარდა.
ასევე, Citi-ს შეფასებით, ChatGPT-ის გამოყენებამ შეიძლება Nvidia-ს გაყიდვებში, 12 თვის განმავლობაში, $3-დან $11 მილიარდამდე შეიტანოს. გასულ თვეში Altimeter-ის წარმომადგენელმა ბრედ გერსტნერმა CNBC-ს განუცხადა, რომ Nvidia «ხელოვნური ინტელექტის სუპერციკლის მფეთქავი გულია».
Nvidia-ს პრეზიდენტის, ჯენსენ ჰუანგის თქმით, ხელოვნური ინტელექტი იზრდება და ვითარდება, რაც ML პროგრამული უზრუნველყოფისთვის მეტი ბიზნესის მიერ Nvidia-ს ჩიპის ყიდვას განაპირობებს.
«გენერაციული ხელოვნური ინტელექტის მრავალფეროვნებამ და შესაძლებლობებმა საწარმოებში AI სტრატეგიების შემუშავებისა და განთავსების აუცილებლობის გადაუდებელი გრძნობა გააჩინა». — თქვა ჰუანგმა.
საკითხავია, რამდენ ხანს შეძლებს Nvidia სტატუს კვოს შენარჩუნებას. ვინმე შეძლებს მისი ლიდერობიდან ჩამოგდებას? ექსპერტების შეფასებით, ეს უახლოეს მომავალში მოსალოდნელი არ არის.
ჩვენს რეალობაში Nvidia ხელოვნური ინტელექტის სინონიმია, ამბობს Gartne-ის ანალიტიკოსი ჩირაგ დეკატე.
«ეს არ არის მხოლოდ GPU გამოთვლითი კომპანია, ის ძირითადად AI სუპერ კომპიუტერის კომპანიაა. Nvidia-ს ხელოვნური ინტელექტის ლანდშაფტის მიმართ სრული თავისუფლება ჰქონდა, მათ ისარგებლეს მართლაც მკვეთრი, ბიზნესის საზრუნავი ინვესტიციებით და ორიენტირებული მიდგომებით, რომლებიც ძირითადად მათ ბაზარზე დომინირების საშუალებას აძლევს». — განმარტავს დეკატე.
Nvidia-ს არ ექნება სამუდამო თავისუფალი კონტროლი. ჩიპების კონკურენტები, როგორებიცაა AMD და Google, ერთი მხრივ, თავს იკავებენ მაშინ, როცა გეოპოლიტიკური ძალები ავისმომასწავებლად მოძრაობენ (მაგალითად მაშინ, როდესაც ბაზარზე ჩიპების არ გაყიდვის საშიშროება ჩნდება).
მაგრამ, ექსპერტების თქმით, Nvidia-ს ცნობილი პლატფორმის სტრატეგია და პროგრამულ უზრუნველყოფაზე ორიენტირებული მიდგომა ჯერ კიდევ ძალიან რთულად დასამარცხებელია.
«მიუხედავად იმისა, რომ სხვა მოთამაშეები გვთავაზობენ ჩიპებს ან/და სისტემებს, Nvidia-მ შექმნა ძლიერი ეკოსისტემა, რომელიც მოიცავს ჩიპებს, ასოცირებულ აპარატურას და პროგრამული უზრუნველყოფისა და განვითარების სისტემების სრულ სტაბილურობას, რომლებიც ოპტიმიზირებულია მათი ჩიპებისა და სისტემებისთვის», — წერს ანალიტიკოსი ჯეკ გოლდი VentureBeat-ისთვის.
Air Street Capital-ის დამფუძნებელმა და გენერალურმა პარტნიორმა, ნეითან ბენაიჩმა აღნიშნა, რომ Nvidia «ძალიან მოსახერხებელია» ახალი შესაძლებლობების სისტემებში ინტეგრირებისთვის. სხვა ხელოვნური ინტელექტის ჩიპების სტარტაპებმა არასაკმარისი ინვესტიცია განახორციელეს პროგრამულ ინსტრუმენტებში. აქედან გამომდინარე, მიუხედავად იმისა, რომ მათ შექმნეს Cloud Computing პლატფორმები, რომლებიც შეიძლება იყოს უფრო სწრაფი და იაფი, ვიდრე Nvidia, მათ «არ აქვთ შესაბამისი გაუმჯობესება მიმდინარე პროგრამების გამოცდილებაში». საბოლოო ჯამში, მისი თქმით, ხელოვნური ინტელექტის თამაშში Nvidia მხოლოდ თავისი სურვილით თუ დამარცხდება.
Nvidia კი წაგებას ნამდვილად არ აპირებს.
«ჩვენ ვიცით, რომ გვაქვს საუკეთესო კომბინირებული აპარატურა და პროგრამული პლატფორმა იმისთვის, რომ ვიყოთ ყველაზე ეფექტური გენერაციულ AI-ში», — განუცხადა VentureBeat-ს Nvidia-ს საწარმოთა გამოთვლის ვიცე-პრემიერმა მანუვირ დასმა.
თუმცა, მისივე თქმით, ისინი მუდმივად მუშაობენ დევიზით, რომ არანაირი უპირატესობა არ აქვთ.
GPU+ CUDA-მ ხელოვნური ინტელექტის თამაში შეცვალა
ჯენსენ ჰუანგმა ყოველთვის იცოდა, რომ მის გრაფიკულ ჩიპებს უფრო მეტი პოტენციალი ჰქონდათ, ვიდრე უბრალოდ უახლესი ვიდეო თამაშების გაძლიერება იყო. თუმცა, არ ელოდა სიღრმისეულ სწავლებაზე გადასვლას.
სინამდვილეში, Nvidia-ს GPU-ების წარმატება ღრმა ნერვულ ქსელებში «უცნაური, იღბლიანი დამთხვევა იყო» — თქვა სარა ჯუკერმა, რომელიც 2020 წლის ესსეში «ტექნიკის ლატარია» იკვლევდა მიზეზებს, რატომ მიაღწიეს წარმატებას ან განიცადეს მარცხი სხვადასხვა ტექნოლოგიურმა ხელსაწყოებმა.
«Nvidia-ს წარმატება ლატარიის მოგებას ჰგავდა». — განუცხადა ჯუკერმა VentureBeat-ს 2022 წელს. მისი დიდი ნაწილი დამოკიდებული იყო «ტექნიკის მხრივ პროგრესსა და მოდელირების მხრივ პროგრეს შორის გათანაბრების სწორ მომენტზე». მისი თქმით, ცვლილება თითქმის მყისიერი იყო. «სულ რაღაც ერთი დღის შუალედში იმას, რასაც 13 000 GPU სჭირდებოდა, ორი GPU ასრულებდა.»
თუმცა, Nvidia არ ეთანხმება ამ შეფასებას. მათი თქმით, Nvidia-მ 2000-იანი წლების შუა პერიოდიდან იცოდა GPU-ების მიერ ნერვული ქსელების დაჩქარების შესაძლებლობის შესახებ, მაშინაც კი, როცა არ იცოდნენ, რომ AI ყველაზე მნიშვნელოვან ბაზრად იქცეოდა.
«ჩვენ ვიცოდით, რომ მსოფლიოს ყველაზე მნიშვნელოვან პრობლემებს დაჩქარებული გადაჭრა სჭირდებოდა. ასე რომ, ჩვენ დიდი ინვესტიცია ჩავდეთ CUDA-ს (გამოთვლითი ერთიანი მოწყობილობის არქიტექტურა) მშენებლობაში. CUDA-სთან ერთად ყველა ახალი GPU Nvidia-სთვის უზარმაზარ ფსონს წარმოადგენდა». — ამბობს Nvidia-ს წარმომადგენელი.
CUDA — გამოთვლითი პლატფორმა, რომელიც Nvidia-მ 2007 წელს დაამატა, არის პროგრამული უზრუნველყოფა და შუა პროგრამები, რომლებიც მკვლევრებს საშუალებას აძლევს, დააპროგრამონ და მიიღონ წვდომა გამოთვლილ სიმძლავრეზე და ექსტრემალურ პარალელურობაზე. სიღრმისეული სწავლების რევოლუცია CUDA-ს გარეშე არ მოხდებოდა.
სანამ Nvidia CUDA-ს გამოაქვეყნებდა, GPU-ს დაპროგრამება ხანგრძლივი და რთული კოდირების პროცესი იყო, რომელიც დაბალი დონის მანქანის კოდის დიდი რაოდენობით დაწერას მოითხოვდა. უფასო CUDA-ს გამოყენებით, მკვლევრებს შეეძლოთ სიღრმისეული სწავლების მოდელების განვითარება Nvidia-ს აპარატურაზე, ბევრად უფრო სწრაფად და იაფად.
ჯენსენ ჰუანგმა 2022 წლის მარტში Stratchery-ის ინტერვიუში განაცხადა, რომ CUDA-მ GPU-ები ხელმისაწვდომი გახადა, რადგან «ჩვენ საკუთარი თავი CUDA-ს ყველა თაობის პროცესორზე მორგებადობას მივუძღვენით, ახალი პროგრამირების მოდელი შევქმენით».
ჯენსენ ჰუანგის დიდი ფსონი ხელოვნურ ინტელექტზე
CUDA-ს გამოშვებიდან ექვსი წლის შემდეგ Nvidia ჯერ კიდევ არ იყო ბოლომდე დარწმუნებული ხელოვნურ ინტელექტში.
Nvidia-ს გამოყენებითი სიღრმისეული სწავლების ვიცე-პრეზიდენტმა ბრაიან კატასარომ აღნიშნა, რომ როდესაც AlexNet გამოქვეყნდა და სხვა მკვლევრები GPU-ს ამუშავებდნენ, «Nvidia-ში ხელოვნურ ინტელექტზე ნამდვილად არავინ მუშაობდა».
გამონაკლისი კატასარო იყო. მან განმარტა, რომ თანამშრომლობდა ენდრიუ NG-თან სტენფორდში «პატარა პროექტზე, სადაც ჩვენ შევცვალეთ 1000 სერვერი Google-ში სამი სერვერით, GPU-ებით და CUDA ბირთვული ნაკრებით». იმ პერიოდში ის ასევე ესაუბრებოდა NYU AI LAB-ის წარმომადგენელ იან ლეკუნს (ამჟამად, Meta-ს AI კვლევის ხელმძღვანელი) და რობ ფერგუსს (ახლა DeepMind-ის მკვლევარი მეცნიერი).
«ფერგუსი მეუბნებოდა: «სიგიჟეა, მანქანური სწავლების რამდენი მკვლევარი ატარებს დროს GPU-სთვის ბირთვების დაწერაში — შენ ამას ნამდვილად უნდა მიხედო». — იხსენებს კატასარო.
კატასარომ საკითხი შეისწავლა. მომხმარებლები იწყებდნენ დიდი რაოდენობით GPU-ების შეძენას სიღრმისეული სწავლებისთვის.
2014 წლისთვის ჰუანგი სრულად შეუერთდა ხელოვნური ინტელექტის განვითარების მისიას.
მიუხედავად იმისა, რომ 2013 წელს ხელოვნური ინტელექტი, ფაქტობრივად, არც უხსენებიათ, 2014 წლის კონფერენციაზე ის მოულოდნელად წინ წამოიწია და ყურადღების ცენტრში მოექცა.
მანქანური სწავლება «დღეს ერთ-ერთი ყველაზე საინტერესო პროგრამაა მაღალი ხარისხის გამოთვლებში. ერთ-ერთი სფერო, რომელსაც უნახავს ამაღელვებელი, უზარმაზარი და ჯადოსნური მიღწევები, არის ტერიტორია, რომელსაც ღრმა ნერვული ქსელები ეწოდება», — თქვა ჰუანგმა.
კატასარომ აღნიშნა, რომ როგორც კომპანიის დამფუძნებელს, ჰუანგს ჰქონდა უფლებამოსილება გადაექცია Nvidia ნამდვილ საბადოდ. მან გააცნობიერა, რომ «ხელოვნური ინტელექტი არის ამ კომპანიის მომავალი და ჩვენ ყველაფერს დავდებთ მასზე».
Nvidia-ს პროგრამულ უზრუნველყოფაზე ორიენტირებული სტრატეგია
Nvidia-ს ხელოვნური ინტელექტის პროგრამული უზრუნველყოფის პროდუქტის მენეჯმენტის ვიცე-პრეზიდენტის, კარი ბრისკის თქმით, 2012 წელს ImageNet-ში რამდენიმე მკვლევარი და GPU იყო ჩართული. თუმცა, ეს მხოლოდ პირველი ეტაპი იყო.
შემდეგ გამოწვევას GPU-ების სიმძლავრის გაზრდა წარმოადგენდა: «ჩვენ ვიმუშავეთ პროგრამულ უზრუნველყოფაზე, რათა დავრწმუნებულიყავით, რომ GPU-ებს შეეძლოთ ერთმანეთთან კომუნიკაცია. ასე რომ, ჩვენ გადავედით ერთი GPU-დან მრავალ GPU-ზე და multinode-ზე». — თქვა ბრისკიმ.
ბოლო შვიდი წლის განმავლობაში Nvidia ორიენტირებულია სიღრმისეული სწავლების პროგრამული უზრუნველყოფის შექმნაზე ბიბლიოთეკებში და პროგრამული სისტემის სტრუქტურულ ჩარჩოებში, რომლებიც გამოყოფენ CUDA-ში კოდირების აუცილებლობას. ის ათავსებს CUDA-ს საშუალებით დაჩქარებულ ბიბლიოთეკებს, როგორიცაა cuDNN — უფრო ფართოდ გამოყენებულ, პითონზე დაფუძნებულ ბიბლიოთეკებში, როგორიცაა PyTorch და TensorFlow.
«ახლა თქვენი ნერვული ქსელის შესაქმნელად შეგიძლიათ ასობით და ათასობით GPU-მდე გაზარდოთ, რომლებიც ერთმანეთს ესაუბრებიან. პრაქტიკა თვეებიდან კვირებამდე შემცირდა. დღეს კი იგივე ქსელის მომზადებას წამები სჭირდება». — ამბობს ბრისკი.
გარდა ამისა, 2018 წლისთვის GPU-ები გამოიყენებოდა არა მხოლოდ ხელოვნური ინტელექტის სწავლებისთვის, არამედ დასკვნებისთვისაც — მეტყველების ამოცნობის, ბუნებრივი ენის დამუშავების, სარეკომენდაციო სისტემებისა და გამოსახულების ამოცნობის შესაძლებლობების მხარდასაჭერად. ეს ნიშნავდა არა მხოლოდ მეტ აპარატურას, როგორიცაა Nvidia-ს T4 ჩიპი, არამედ უფრო მეტ პროგრამულ უზრუნველყოფას, რათა გაზრდილიყო რეალურ დროში დასკვნის დატვირთვა მონაცემთა ცენტრში და საავტომობილო აპლიკაციებში, ასევე რობოტებსა და დრონებში.
შედეგად, Nvidia გახდა უფრო მეტად პროგრამული უზრუნველყოფის კომპანია, ვიდრე — ტექნიკოსი. მან დაიქირავა უფრო და უფრო მეტი პროგრამული უზრუნველყოფის ინჟინერი და მკვლევარი. ააშენა კვლევის განყოფილება, რათა შექმნილიყო ხელოვნური ინტელექტის დონე.
«ჩვენ დავიწყეთ პროგრამული უზრუნველყოფის ყველა ნაწილის შექმნა, ერთი-მეორის მიყოლებით.» — თქვა Nvidia-ს წარმომადგენელმა დასმა. — «ჩვენ გახდით ხელოვნური ინტელექტის დეველოპერები და მივიღეთ ეკოსისტემა».
Nvidia-ს 2022 წლის GTC ანალიტიკოსთა/ინვესტორთა კონფერენციაზე ჰუანგმა კომპანიის მიმდინარე პროგრამული უზრუნველყოფის პლატფორმის ფოკუსირება მკაფიოდ გამოყო. მათ შორის, AI Enterprice Software Suite-ზე, რომელიც გასულ წელს დაიწყო.
«ჩვენი პროგრამული უზრუნველყოფის გამორჩეული მახასიათებელი ისაა, რომ ჩვენს პლატფორმაზეა აგებული. ეს ნიშნავს, რომ ის ააქტიურებს Nvidia-ს ყველა აპარატურულ ჩიპს და სისტემის პლატფორმას. მეტიც, პროგრამული უზრუნველყოფა, რომელსაც ჩვენ ვქმნით, არის ინდუსტრიის განმსაზღვრელი პროგრამული უზრუნველყოფა. ჩვენ ახლა საბოლოოდ შევქმენით პროდუქტი, რომლის ლიცენზირებაც საწარმოს შეუძლია. ისინი ამას ითხოვდნენ… მათ არ შეუძლიათ უბრალოდ გადავიდნენ ღია წყაროზე, ჩამოტვირთონ ყველა მასალა და გამოიყენონ ის მათი საწარმოსთვის. მათ შეეძლოთ ლინუქსზე წასვლა, ღია კოდის პროგრამული უზრუნველყოფის ჩამოტვირთვა და მასთან ერთად მრავალ მილიარდ დოლარიანი კომპანიის მართვა». — ამბობს ჰუანგი.
პლატფორმის მიდგომის შედეგია, რომ ნებისმიერ დროს, როცა მომხმარებელი Nvidia-დან ყიდულობს, ისინი ყიდულობენ არა მხოლოდ პროგრამულ უზრუნველყოფას, არამედ Nvidia-ს ღირებულების ჯაჭვს.
2010-იანი წლების ბოლოს ხელოვნური ინტელექტის ჩიპების სტარტაპებმა დაიწყეს ტალღების შექმნა Graphcore-და და Cerebras-დან SambaNova-მდე. ანალიტიკოსმა კარლ ფროუნდმა გაიხსენა, იმ დროს გაბატონებულო სიბრძნე, რომ ვინაიდან სტარტაპები აპროექტებდნენ ჩიპებს სპეციალურად ხელოვნური ინტელექტისთვის, ისინი უკეთესი იქნებოდა, ვიდრე Nvidia.
«ეს ასე არ აღმოჩნდა. Nvidia-მ შეძლო ინოვაციების შექმნა როგორც აპარატურაში, ასევე პროგრამულ უზრუნველყოფაში, რათა შეენარჩუნებინა ლიდერობა». — თქვა მან. მათი ლიდერობა შემცირდა Habana Labs-თან, რომელიც Intel-ს ეკუთვნის. «მართლაც კარგი შედეგები ჰქონდა Habana Gaudi2 ჩიპზე», აღნიშნა ფროუნდმა, ხოლო Google-ის TPU4 «ძალიან კარგად გამოიყურება და კონკურენტუნარინია A100-თან», თუმცა Nvidia-ს მზადებაში აქვს H100, რომელსაც ყველა მოუთმენლად ელოდება. Hopper H100 ჩიპი იყენებს ახალ არქიტექტურას, რომელიც შექმნილია მასიურად მასშტაბური AI ინფრასტრუქტურისთვის. იგი მოიცავს ახალ კომპონენტს სახელწოდებით Transformer Engine, რომელიც სპეციალურად ოპტიმიზებულია ტრანსფორმატორის ფენის გაწვრთნისა და დასკვნებისთვის, რომელიც წარმოადგენს GPT-ის სამშენებლო ბლოკს.
გარდა ამისა, მაშინაც კი თუ CUDA-ს კონკურენცია გამოუჩნდება, Nvidia ასევე ცვლის მას თავისი უახლესი უმაღლესი დონის გამოყენების შემთხვევის სპეციფიკური პროგრამული უზრუნველყოფით, როგორიცაა AI ჯანდაცვისთვის და AI ციფრული ტყუპების/ომნივერსიისთვის.
და ბოლოს, მაშინაც კი, თუ ყველა კონკურენტული ტენდენცია ამ წლის მეორე ნახევარში დაიწყება, ისინი გავლენას Nvidia-ს შემოსავალზე 2024 წლამდე ვერ მოახდენენ.
მიუხედავად ამისა, დეკატე ამტკიცებს, რომ Nvidia-ს აღარ აქვს ისეთი სუფთა სათამაშო მოედანი, როგორიც ადრე ჰქონდა.
«ვფიქრობ, ყოველთვის გვაქვს გამოწვევა, ვიდგეთ ფეხზე და არასდროს ვგრძნობდეთ თავს კომფორტულად». — ამბობს ბრისკი.
ჰუანგი ამტკიცებს, რომ კონკურენტებისთვის რთულია ხელოვნური ინტელექტის ბაზარზე შესვლა და გამოსავლის პოვნა, რომელიც მუაშობს, არ არის ძალიან რთული და იყენებს პროგრამული უზრუნველყოფის დეველოპერებს.
წლების განმავლობაში, Nvidia-ს აღმასრულებელ დირექტორს ჯენსენ ჰუანგს, რომელიც ცნობილი იყო თავისი შავი ტყავის ქურთუკით სილიკონის ველის გამოსვლაზე, აღწერდნენ როგორც «მშვენიერს» და «სუპერვარსკვლავს» და ხანდახან, ხუმრობით, «მომდევნო სტივ ჯობსსაც» უწოდებდნენ.
მაგრამ, ფაქტია — ნებისმიერი დისკუსია Nvidia-ს AI წარმატების შესახებ ჰუანგზე გადადის.
Nvidia-ს წარმომადგენელი დასი კომპანიას Microsoft-დან 2019 წელს შეუერთდა. ის ამბობს, რომ მან ბევრი ისაუბრა ჰუანგთან თანამდებობაზე დანიშვნამდე, ცხრა თვის განმავლობაში.
«მე შევუერთდი Nvidia-ს ჯენსენისთან სამუშაოდ, რადგან მან უბრალოდ მაფიქრებინა ყველაფერი ამ საუბარში… რომ შეიძლება არსებობდეს ასეთი ადამიანი, რომელსაც შეეძლო ასე აზროვნება, რომელსაც შეუძლია რეალურად ასე იმოქმედოს», — თქვა დასმა.
ანალიტიკოსმა ფროუნდმა ხაზგასმით აღნიშნა, რომ ჰუანგი «ამ კომპანიის საოცარი წინამძღოლია» და დასძინა, რომ Nvidia-ს არ აქვს ბევრი ორგანიზაციული ფენა, რადგან ჰუანგს არ უყვარს ბევრი ფენა ადამიანებს შორის, რომლებიც ასრულებენ საინჟინრო და სამეცნიერო სამუშაოებს.
მისი თქმით, ჰუანგი ასევე მომთხოვნია. «როდესაც AMD-ში ვმუშაობდი, ბევრი ჩემი გრაფიკული ინჟინერი Nvidia-ს რენეგატი იყო», — თქვა ფროუნდმა. — «მათ დატოვეს Nvidia, რადგან ვერ გაუძლეს ზეწოლას».
კატასარომ Nvidia 2014 წელს დატოვა Baidu-ში ენდრიუ NG-თან ერთად სამუშაოდ, მაგრამ 2016 წელს ახალი ლაბორატორიის სათავეში დაბრუნდა, რომელიც ორიენტირებულია სიღრმისეული სწავლების გამოყენებაზე. იმ დროს ის ერთადერთი წევრი იყო. შვიდი წლის შემდეგ ის ხელმძღვანელობს 40 მკვლევრისგან შემდგარ გუნდს.
Nvidia-ს დაჩქარებული გამოთვლითი ბიზნესი, მისი თქმით, მისი გუნდისგან მოითხოვს, რომ ყოველი აპლიკაცია ოპტიმიზირებულ მთლიანობად აღიქვას.
«ჩვენ არ ვაბარებთ ამ პასუხისმგებლობას», — თქვა მან. Nvidia აგვარებს ყველა პრობლემას ჩიპებიდან აპლიკაციებამდე, ალგორითმებამდე, ბიბლიოთეკებამდე, პროგრამული სისტემის სტრუქტურულ ჩარჩოსა და ურთიერთდაკავშირებულ მონაცემთა ცენტრის არქიტექტურაზე. მის მკვლევრებს აქვთ თავისუფლება, რომ რეალურად გამოიწვიონ აჩქარება «რაც ჩვენ შეგვეძლო, თუ შემოვიფარგლებოდით ამ წყობის მხოლოდ ერთ ნაწილზე ფიქრით».
«და ChatGPT-ის ახალი ეპოქით, Nvidia-ს შეუძლია კიდევ უფრო წინ წავიდეს». — აღნიშნა კატასარომ.
«კომპანიები ნამდვილად აპირებენ ხელოვნური ინტელექტის გამოყენებას უამრავ სხვადასხვა პრობლემაზე,» — თქვა მან. — «ეს, რა თქმა უნდა, კიდევ უფრო საინტერესოს ხდის ჩემს სამუშაოს — ვგრძნობ, რომ გამოყენებითი კვლევა ახლა ყველაზე ცხელი ადგილია.»
ჰუანგმაც გამოკვეთა ChatGPT-ის ტრანსფორმაციული მომენტი. «ეს არის ხელოვნური ინტელექტის iPhone მომენტი», — თქვა მან ბერკლის Haas-ის ბიზნეს სკოლაში ბოლო კითხვა-პასუხის დროს.
Nvidia კარგად არის მომზადებული გენერაციული AI შესაძლებლობისთვის, თქვა დასმა. «ისინი, ვინც მასზე წლების განმავლობაში ვმუშაობდით, ამას ველოდით», — თქვა მან. — «ჩვენ ვმუშაობდით დიდი ენობრივი მოდელების მომზადებაზე და ვიცით, რა შეუძლიათ მათ».
AlexNet-ის შემდეგ 2012 წლიდან, Nvidia-ს AI მოგზაურობა ყოველთვის ეხებოდა ხელმისაწვდომი შესაძლებლობების გამოყენებას — თუნდაც, GPU-ების შემთხვევაში, ეს მოულოდნელი იყო.
2023 წლის GTC-მდე მხოლოდ ერთი თვე დარჩა. ის მოიცავს 65-ზე მეტ სესიას, რომლებიც ორიენტირებული იქნება გენერაციულ AI-ზე — Nvidia უდავოდ საუკეთესო ადგილზეა. ისევე, როგორც კომპანიის GPU იყო ათწლეულის წინ სიღრმისეული სწავლების რევოლუციის ცენტრში. Nvidia-ს აპარატურა და პროგრამული უზრუნველყოფა მუშაობს დღევანდელი GPU-ზე მონდომებული, გაჟღენთილი გენერაციული AI ტექნოლოგიის კულისებში.
როგორც ჩანს, არ აქვს მნიშვნელობა რომელი კომპანიები გამოდიან პირველ ადგილზე — Google? მაიკროსოფტი? OpenAI? — Nvidia, რომელიც მათ ყველას ამარაგებს, დიდი უპირატესობით გაიმარჯვებს.
