211service.com
Kämpa för att skaffa marker för AI-boomen värms upp
Jensen Huang, VD för Nvidia, vid företagets konferens i San Jose, Kalifornien.
Jensen Huang strålade ut över en fullsatt konferenssal i San Jose, Kalifornien, på onsdagen när han tillkännagav sitt företags nya chip som syftar till att accelerera artificiell intelligensalgoritmer. Men metaforiskt sett tittade VD:n för chiptillverkaren Nvidia sig över axeln.
Nvidias vinster och lager har ökat under de senaste åren eftersom grafikprocessorerna som det uppfann för att driva spel och grafikproduktion har möjliggjort många senaste genombrott inom maskininlärning (se 10 Breakthrough Technologies 2013: Deep Learning ). Men när investeringarna i artificiell intelligens ökar, möter Huangs företag nu konkurrens från Intel, Google och andra som arbetar med sina egna AI-chips.
På Nvidias årliga utvecklarkonferens på onsdagen undvek Huang noggrant att nämna några konkurrenter vid namn när han introducerade Nvidias senaste chip, som heter Tesla V100. Han hänvisade till Google bara som vissa personer, till exempel. Men han gjorde tydliga svep på tekniken hos Nvidias utmanare, särskilt när han pratade om den stora möjligheten som öppnar sig för att leverera AI-chips för användning i molndatorer.
Företag inom många branscher som sjukvård och finans investerar i infrastruktur för maskininlärning. Ledande molnbaserade leverantörer Google, Amazon och Microsoft satsar alla på att många företag kommer att vilja betala dem för att köra programvara för artificiell intelligens och kommer att spendera mycket på ny hårdvara för att stödja det.
Nvidia kom att dominera den växande marknaden för AI-chips genom att smart gripa en lycklig slump. De grundläggande matematiska operationerna som behövs för datorgrafik är desamma som de som ligger till grund för en metod för maskininlärning som kallas artificiella neurala nätverk. Från och med 2012 visade forskare att genom att lägga ny kraft bakom den tekniken tillät grafikprocessorer att programvaran blev mycket, mycket smartare i uppgifter som att tolka bilder eller tal.
I takt med att AI-marknaden har vuxit har Nvidia justerat sina chipdesigner med funktioner för att stödja neurala nätverk. Det nya V100-chippet som tillkännagavs denna vecka är kulmen på den ansträngningen och har en ny kärna som är specialiserad för att accelerera djupinlärning av matematik.
Huang sa att dess kraft och energieffektivitet skulle hjälpa företag eller molnleverantörer att dramatiskt uppgradera sin förmåga att använda AI. Du kan öka genomströmningen av ditt datacenter med 15 gånger istället för att behöva bygga nya datacenter, sa han.
Nvidias nya konkurrenter hävdar att de kan göra hårdvaran snabbare och effektivare när det gäller att köra AI-programvara genom att designa kretsar anpassade för ändamålet från grunden istället för att anpassa grafikkretsteknik.
Till exempel lovar Intel att släppa ett chip för djupinlärning senare i år byggt på toppen av teknologi som förvärvades med startup Nervana 2016 (se Intel Outside as Other Companies Prosper from Graphics Chips ).
Företaget förbereder också för att släppa en produkt för att påskynda djupinlärning baserad på teknologi från dess förvärv av Altera för 16,7 miljarder dollar, som gjorde chips som kallas FPGA:er som kan omkonfigureras för att driva specifika algoritmer. Microsoft har investerat mycket i att använda FPGA:er för att driva sin maskininlärningsprogramvara och gjort dem till en central del av sin molnplattform, Azure.
Samtidigt avslöjade Google förra sommaren att de redan använde ett chip anpassat för AI, utvecklat internt, kallat en Tensor Processing Unit eller TPU. Markerna underbyggde programvaran AlphaGos seger över en mästare i brädspelet Go förra året. De är inte till salu, men Google säger att företag som använder deras molntjänster kommer att få fördelarna med sin kraft och energieffektivitet.
Flera ingenjörer som byggde Googles chip har sedan dess lämnat företaget för att bilda en startup med 10 miljoner dollar i finansiering vid namn Groq som bygger ett specialiserat maskininlärningschip. Andra startups som arbetar med liknande projekt inkluderar Wave Computing, som säger att de redan låter kunder testa sin hårdvara.
Huang hävdade på onsdagen att Nvidias teknologi träffar en sweet spot som andra ansträngningar inte gör. Anpassade chips som Googles TPU är för oflexibla för att fungera lika bra med många olika typer av neurala nätverk, sa han - en betydande nackdel med tanke på hur snabbt nya idéer testas och antas i AI. Han hävdade att FPGA:er, som de som gynnas av Microsoft och som satsas på av Intel, förbrukar för mycket energi.
Vi skapar den mest produktiva plattformen för djupinlärning, sa han. När Huangs rivaler avslöjar mer om sina produkter i år, kommer det påståendet att granskas noggrant.