Nvidia VD: Software Is Eating the World, men AI kommer att äta mjukvara

Teknikföretag och investerare har nyligen samlat pengar på artificiell intelligens - och mycket har runnit ner till chiptillverkaren Nvidia. Företagets intäkter har stigit när det har börjat göra hårdvara anpassad för maskininlärningsalgoritmer och användningsfall som autonoma bilar. På företagets årliga utvecklarkonferens i San Jose, Kalifornien, denna vecka, talade företagets vd Jensen Huang med MIT Technology Review om hur maskininlärningsrevolutionen precis har börjat.

Nvidia har gynnats av en snabb explosion av investeringar i maskininlärning från teknikföretag. Kan denna snabba tillväxt av användningsfall för maskininlärning fortsätta?

Vi är väldigt tidiga. Mycket få rader kod i företag och industrier över hela världen använder AI idag. Det är ganska genomgripande i internettjänstföretag, särskilt två eller tre av dem. Men det finns ett helt gäng andra inom teknik och andra branscher som försöker komma ikapp. Mjukvara äter upp världen, men AI kommer att äta mjukvara.

Vilken bransch kommer att omvandlas av maskininlärning härnäst?

En är bilindustrin. Tio av världens främsta bilföretag är här med oss ​​på konferensen. Det andra är hälso- och sjukvården, och påverkan på samhället kommer att bli mycket stor. Hälsoinformation är rörig och ostrukturerad, men nu kan datorer förstå den för att förstärka läkarnas diagnoser och förutsägelser.

Nyligen genomförda forskningsresultat från att tillämpa maskininlärning på diagnos är imponerande (se En AI-ögonläkare visar hur maskininlärning kan förändra medicin ). Men det är inte klart hur tillsynsmyndigheter kommer att testa och godkänna dessa nya typer av system.

När vi pratar om människoliv finns det alltid regulatoriska utmaningar. Men vi kan inte ignorera effekten av en teknik som ger 10 eller 1 000 gånger bättre resultat. Jag är övertygad om att förnuftiga sinnen kommer att inse fördelarna med denna teknik och lägga den i händerna på läkare och kliniker och radiologer så att de kan göra ett bättre arbete. Arterys fick nyligen FDA-godkännande för sin hjärtavbildning [som kommenterar skanningar av hjärtat], och jag känner till många andra som är i pipelinen.

Att använda maskininlärning i bilar kommer också att skapa nya utmaningar för tillsynsmyndigheter. Nvidia har demonstrerat mjukvara som lär sig att köra bara genom att titta på vad en mänsklig förare gör – men det är svårt att förklara exakt hur det fungerar eller skulle bete sig i olika scenarier (se Den mörka hemligheten i hjärtat av AI ).

Kraften och löftet med detta heltäckande tillvägagångssätt är mycket lockande. Vi tror verkligen att det långsiktiga sättet AI kommer att driva på liknar sättet som människor kör – vi delar inte ner problemet i objekt och visioner och lokalisering och planering. Men hur lång tid det kommer att ta oss att nå dit är tveksamt. Att få det att göra allt ordentligt är en stor utmaning, [och] när det inte gör en sak rätt, hur fixar du det, eftersom du försöker träna det hela tillsammans. Vi måste förmodligen dela upp några av dessa problem i mindre bitar.

Dina marker driver redan några bilar: alla Tesla-fordon använder nu Nvidias Drive PX 2-dator för att driva autopilotfunktionen som automatiserar motorvägskörning. Använder den funktionen hårdvarans fulla kapacitet? Kan den driva helt autonom körning?

Drive PX 2 är en datorplattform med mycket reserverad beräkningskapacitet – tanken är att ha tillräckligt så att du kontinuerligt kan uppdatera programvaran och glädjas åt förbättringar över tiden. För full autonomi, det vill säga en förarlös bil, finns det fortfarande några okända, men det är mycket mjukvaruutveckling som pågår. Jag är inte riktigt säker, men vi får reda på det.

Intel, Google och flera andra företag arbetar nu med chips som är utformade för att påskynda maskininlärning (se Kämpa för att skaffa marker för AI-boomen värms upp ). Hur kommer du att ligga före?

Många människor inser vikten av den här marknaden, och jag tror att den kommer att bli väldigt stor. Vi kommer att styra våra år av investeringar i våra GPU-chips, och en FoU-budget på två och en halv miljard dollar, till djupinlärning. Och vi kommer att göra vår arkitektur tillgänglig överallt: i datorer, i servrar, i molnet, i bilar, i robotar.

Du håller med forskare som säger att de fysiska utmaningarna med att göra transistorer mindre och mer strömsnåla bromsar framstegen i kraften hos datorprocessorer (se Moores lag är död. Nu då? ). Men du hävdar att Nvidias marker kan fortsätta utvecklas eftersom de är specialiserade för särskilda användningsfall. Du kan verkligen inte motstå fysiken för alltid.

Ingen fråga om det, det kan vi inte. Just nu återskapar vi ineffektiviteten hos CPU:er och mjukvara till våra mer specialiserade GPU:er. Min uppfattning är att vi kommer att fortsätta dra nytta av det i ett par decennier. Men någonstans måste vi hitta något nytt. Vi har ett fantastiskt ingenjörsteam i företaget som tänjer på gränserna för enhetsfysik och några fantastiska partners inom tillverkning. Mellan oss alla kommer vi att hitta vägen.

Dölj