ከ[GeForce] ወደ ሰው ሰራሽ ብልህነት [AI]፦ የ[NVIDIA] የ[CUDA] ውሳኔ የኩባንያውን የወደፊት አቅጣጫ ለምን ቀየረ?
መግቢያ፦ የዛሬን ትርፍ በመተው የነገን የኮምፒውተር ዓለም መገንባት ይቻላል?
አንድ ኩባንያ ደንበኞቹ በወቅቱ ላልጠየቁት ችሎታ ብዙ ገንዘብ ያወጣል። ያንን ችሎታ መጨመር የምርት ወጪን ያሳድጋል፤ ደንበኞቹ ግን ተጨማሪ ክፍያ ለመክፈል ዝግጁ አይደሉም። ሆኖም ኩባንያው ወደኋላ አይመለስም። ዓላማው አዲስ ምርት መሸጥ ብቻ ሳይሆን፣ ሌሎች ወደፊት የራሳቸውን ሥራዎች የሚገነቡበት የስሌት መድረክ [Computing Platform] መፍጠር ነው።
[NVIDIA] የ[CUDA] ችሎታን ወደ [GeForce] የግራፊክስ ማቀነባበሪያዎች [GPU] ሲያመጣ ያደረገው ውሳኔ መሠረት ይህ ነበር። ጄንሰን ሁዋንግ [Jensen Huang] እንዳብራሩት፣ ውሳኔው ፈጣን ስኬት አላመጣም። ይልቁንም ወጪ፣ በትርፍ ላይ ጫና እና ረጅም መጠበቅ አስከተለ። በኋላ ግን ለጥልቅ መማር [Deep Learning] እድገት አንዱ መሠረት ሆነ።
1. አንድ ውስን ተግባርን ከማፋጠን ወደ ሰፊ የስሌት መድረክ [Computing Platform]
በመጀመሪያ [NVIDIA] አንድን የተወሰነ ሥራ የሚያፋጥን ኩባንያ ነበር። ይህ ልዩ ችሎታ ጥንካሬ ሰጠው። ሆኖም በጠባብ ገበያ ብቻ መመርኮዝ የምርምርና ልማት [Research and Development] አቅሙንም ሊገድብ ይችል ነበር።
እዚህ ውስጥ ተቃርኖ ነበረ። ለአንድ ሥራ እጅግ መለየት ሰፋ ያሉ የኮምፒውተር ሥራዎችን አስቸጋሪ ሊያደርግ ይችላል። ሁሉንም ለማድረግ መሞከር ደግሞ የመጀመሪያውን ልዩ ችሎታ ሊያሳጣ ይችላል። የሁዋንግ አቀራረብ በእነዚህ መካከል ቀስ በቀስ መሄድ ነበር።
የመጀመሪያው እርምጃ በፕሮግራም ሊቆጣጠር የሚችል የፒክስል ጥላ ማቀነባበሪያ [Programmable Pixel Shader] እንደነበር ያብራራሉ። ቀጥሎ በጥላ ማቀነባበሪያዎች [Shaders] ውስጥ ከመስፈርቱ ጋር የሚጣጣም 32-ቢት ተንሳፋፊ ነጥብ ስሌት [IEEE-compatible FP32] ገባ። ይህም ለግራፊክስ የተሠራ ማቀነባበሪያ ሌሎች ስሌቶችንም ሊሠራ ይችላልን የሚል ጥያቄ አስነሳ።
ከዚያ በ[C] የፕሮግራም ቋንቋ ላይ የተመሠረተ [Cg] መጣ። ያ ጉዞ በመጨረሻ ወደ [CUDA] አመራ። ስለዚህ በአንድ ቀን የተፈጠረ አስማታዊ መፍትሔ ሳይሆን፣ አንድን ቴክኒካዊ ችሎታ ከሚቀጥለው ጋር ያገናኘ ቀጣይ ጉዞ ነበር።
2. [CUDA] ከመፍጠር ይልቅ ወደየት እንዳደረሱት የበለጠ ወሳኝ ነበር
ጥሩ ቴክኖሎጂ መፍጠር ብቻውን ሰዎች እንዲጠቀሙበት አያደርግም። ፕሮግራሞችን የሚጽፉ አልሚዎች [Developers] እና እነዚያን ፕሮግራሞች ሊጠቀሙ የሚችሉ ብዙ ሰዎች ያስፈልጋሉ።
የስሌት መድረክ [Computing Platform] ጥንካሬ በንድፉ ውበት ብቻ ሳይሆን፣ አስቀድሞ ምን ያህል ሰዎች እጅ እንደሚገኝም ላይ ይመሠረታል። ሁዋንግ ይህን እንደ ተጫነ የአጠቃቀም መሠረት [Installed Base] አስፈላጊነት ያብራራሉ።
[x86] አወቃቀር ትችት ቢደርስበትም በሰፊ አጠቃቀሙ እንደጸና ምሳሌ ይሰጣሉ። በጥሩ ሁኔታ የተነደፉ አንዳንድ የተቀነሰ ትእዛዝ ስብስብ አወቃቀሮች [RISC Architectures] ግን የተጠበቀውን ስኬት አላገኙም ይላሉ። ይህ ሁሉም [RISC] ንድፎች ወደቁ ማለት አይደለም። ዋናው ሐሳብ ቴክኒካዊ ውበት ብቻ የመድረክ ስኬትን እንደማያረጋግጥ ነው።
በዚያን ጊዜ [GeForce] በዓመት በሚሊዮኖች ይሸጥ ነበር። ስለዚህ [NVIDIA] አዲሱን የስሌት ችሎታ ወደ ሰዎች ለማድረስ ዝግጁ መንገድ ነበረው።
3. በእያንዳንዱ [GeForce] ማቀነባበሪያ ውስጥ [CUDA]፦ ተጠቃሚዎች ከመጠየቃቸው በፊት የተዘጋጀ መሠረት
[CUDA] በጥቂት ውድ የምርምር ማሽኖች ብቻ ሊገደብ ይችል ነበር። እንዲህ ቢሆን ግን ሊደርሱበት የሚችሉ ሰዎች በጣም ጥቂት ይሆኑ ነበር።
በምትኩ ኩባንያው በ[GeForce] በኩል በሰፊው ወደሚገኙ የግል ኮምፒውተሮች [PC] ያንን ችሎታ ለማምጣት ወሰነ። ለጨዋታ የተገዛ ምርት የምርምር ዕድልም ነበረው። ተማሪ፣ የዩኒቨርሲቲ ላቦራቶሪ ወይም ኮምፒውተሩን ራሱ የሚገጣጥም ተመራማሪ በእጁ ባለው መሣሪያ አዲስ ስሌት ሊሞክር ቻለ።
ይህ ማለት [CUDA] በሁሉም ኮምፒውተሮች ላይ ይሠራ ነበር ማለት አይደለም። ሐሳቡ የ[GeForce] የተጫነ አጠቃቀም መሠረት [Installed Base] መነሻ ሆኖ፣ ችሎታውን ለብዙ ሰዎች ተደራሽ አደረገ የሚል ነው።
ሁዋንግ መሣሪያ ከማቅረብ በተጨማሪ በዩኒቨርሲቲዎች ማስተማር፣ መጻሕፍት መጻፍና ክፍለ ትምህርቶች ማካሄድ እንደነበር ይናገራሉ። መድረክ መገንባት ምርቱን በመሸጥ አያበቃም፤ ሊጠቀምበት የሚችል እውቀትና ማኅበረሰብም መገንባት ያስፈልጋል።
4. ወዲያውኑ የተከፈለው ዋጋ፦ ከፍ ያለ ወጪና በትርፍ ላይ ጫና
የውሳኔው ኢኮኖሚያዊ ጫና ትንሽ አልነበረም። ሁዋንግ [CUDA] መጨመር የማቀነባበሪያውን ወጪ በ50 በመቶ ገደማ እንዳሳደገ፣ ኩባንያው ግን በ35 በመቶ ገደማ ጠቅላላ የትርፍ ህዳግ [Gross Margin] እንደሚሠራ ያስታውሳሉ።
የጨዋታ ተጠቃሚዎች ለማይጠቀሙበት የስሌት ችሎታ ተጨማሪ ገንዘብ አይከፍሉም። ስለዚህ ኩባንያው ወጪውን መሸከም ነበረበት። ወጪው የኩባንያውን ጠቅላላ የትርፍ ገንዘብ [Gross Profit Dollars] ሙሉ በሙሉ ሊውጥ የሚችል እንደነበር ይገልጻሉ።
የኩባንያውን የገንዘብ ሁኔታ ለመወሰን እነዚህን ሁለት መቶኛዎች በቀጥታ መቀነስ አይቻልም። የአንዱ መሠረት የምርት ወጪ ነው፤ የሌላው ደግሞ ከገቢ የሚሰላ የትርፍ ህዳግ ነው። የሚያስረዱት ቀላል ስሌት ሳይሆን፣ ለነገ መድረክ የዛሬን ገቢ የመሠዋት አስቸጋሪ ሁኔታ ነው።
በተጨማሪም የኩባንያው የገበያ ካፒታላይዜሽን [Market Capitalisation] ከ6 እስከ 8 ቢሊዮን የአሜሪካ ዶላር ገደማ እንደነበር፣ በኋላ ወደ 1.5 ቢሊዮን ዶላር ገደማ እንደወረደ ይገምታሉ። እነዚህ ከትውስታቸው የተገኙ ግምቶች ናቸው። የለውጡ ሁሉ ብቸኛ ምክንያት [CUDA] ነበር ብሎ መደምደም አይገባም።
ያም ሆኖ የተጠበቀውን ውጤት ለማግኘት አሥር ዓመት ገደማ ፈጀ የሚለው አስፈላጊ ነው። ይህ ለሚቀጥለው ሩብ ዓመት ገቢ የተወሰነ አልነበረም።
5. ይህ ውሳኔ ለጥልቅ መማር [Deep Learning] መሠረት የሆነው ለምንድን ነው?
ለአዲስ ምርምር አስቸጋሪ መሰናክል የመሣሪያ ተደራሽነት ወጪና ችግር ነው። ብዙዎች አስቀድመው ባላቸው መሣሪያ አዲስ ሙከራ መጀመር ከቻሉ፣ የዚያ መሰናክል ክፍል ይቀንሳል።
በ[GeForce] በኩል የተስፋፋው [CUDA]፣ ተመራማሪዎች በጋራ የፕሮግራም አካባቢ [Programming Environment] ውስጥ እንዲሞክሩ መሠረት ሰጠ። እዚያ የተፈጠሩ እውቀት፣ ፕሮግራሞችና ልምድ ቀጣይ ሙከራዎችንም አገለገሉ።
ጥልቅ መማር [Deep Learning] ሲያድግ፣ ለሚያስፈልገው ሰፊ ትይዩ ስሌት [Parallel Computing] ተስማሚ መሣሪያዎችና እነሱን መጠቀም የሚያውቁ ሰዎች አስቀድመው ነበሩ። ይህ ጠቃሚ ቅድሚያ ነበር።
የጥልቅ መማር [Deep Learning] ታሪክ ሁሉ በአንድ ኩባንያ ወይም መሣሪያ ላይ ብቻ አይመሠረትም። ነገር ግን አስፈላጊውን የስሌት መድረክ [Computing Platform] በሰፊው ተደራሽ ለማድረግ ይህ ውሳኔ ትልቅ ቦታ አለው። ሁዋንግ [NVIDIA] በ[GeForce] የተገነባ ቤት ነው የሚሉት ለዚህ ነው።
6. ከቴክኒካዊው ውሳኔ በፊት የተገነባ እምነት
መሪ ስለወደፊቱ ግልጽ ራዕይ ሊኖረው ይችላል። ነገር ግን ቦርዱ፣ ኃላፊዎች፣ ሠራተኞች፣ ደንበኞችና አጋሮች ካልተቀበሉት፣ ያ ግልጽነት ብቻ አይበቃም።
ሁዋንግ አቀራረባቸውን ምክንያቶችን በደረጃ ማብራራት ብለው ይገልጻሉ። አዲስ መረጃ፣ የምርምር እድገት ወይም የምህንድስና ስኬት ሲኖር፣ ከወደፊት አቅጣጫ ጋር እንዴት እንደሚገናኝ በዙሪያቸው ላሉ ሰዎች ያስረዳሉ።
ትልቁ ውሳኔ የሚታወጅበት ቀን ለሁሉም ድንገተኛ ድንጋጤ መሆን የለበትም። ይልቁንም መሠረቱ አስቀድሞ ተዘጋጅቶ፣ ሰዎች ለምን ይህን ያህል ጊዜ ፈጀ እስኪሉ ድረስ መሆን አለበት ይላሉ።
ከ[CUDA] ውሳኔ ጀርባም እንዲህ ያለ የረጅም ጊዜ እምነትና ትዕግሥት ነበር። ቴክኒካዊ መንገድ ከመምረጥ ጋር፣ ወጪውን የሚሸከመውን ኩባንያም ለጉዞው ማዘጋጀት አስፈለገ።
7. ምርት ብቻ ሳይሆን አጋሮች የሚገነቡበት መድረክ
[NVIDIA] ራሱን የመድረክ ኩባንያ [Platform Company] ብሎ መመልከቱም ጠቃሚ ነው። የዚህ አቀራረብ ዋና ነገር፣ በእያንዳንዱ ደረጃ ሌሎች ኩባንያዎች እንዲያበረክቱና አብረው እንዲገነቡ ቦታ መስጠት ነው።
ይህ ሁሉም ፕሮግራሞቹ ክፍት ምንጭ [Open Source] ናቸው ማለት አይደለም። አጋሮች በጋራ እንዲገነቡ ዕድል መስጠትና የምንጭ ኮድን [Source Code] ለሕዝብ ክፍት ማድረግ የተለያዩ ናቸው።
ጥሩ መድረክ በፈጠረው ኩባንያ ብቻ አያድግም። ተመራማሪዎች፣ አልሚዎች [Developers]፣ ኩባንያዎችና የትምህርት ተቋማት በላዩ በሚገነቧቸው መተግበሪያዎችም ያድጋል። የ[CUDA] ውሳኔ ለዚያ እድገት በር ከፈተ።
8. የዛሬ ትምህርት፦ አንድ ማቀነባበሪያ ብቻ ማፋጠን አይበቃም
በትልቅ የተከፋፈሉ የስሌት ሥራዎች [Distributed Workloads] ውስጥ፣ አንድን ክፍል ማፋጠን ስርዓቱን በሙሉ በተመሳሳይ መጠን አያፋጥነውም። የአምዳል ሕግ [Amdahl's Law] ይህን ያብራራል።
አንድ ሥራ ከሚፈጅበት ጊዜ ግማሹን ብቻ ማሻሻል እንችላለን እንበል። ያንን ግማሽ ምንም ያህል ብናፋጥነው፣ ያልተቀየረው ቀሪ ግማሽ ይኖራል። የተሻሻለው ክፍል ምንም ጊዜ ባይወስድ እንኳ፣ ሙሉው ሥራ ቢበዛ ሁለት እጥፍ ብቻ ይፈጥናል።
ስለዚህ የግራፊክስ ማቀነባበሪያ [GPU]፣ ማዕከላዊ ማቀነባበሪያ [CPU]፣ አውታረ መረብ [Networking]፣ ማህደረ ትውስታ [Memory]፣ ኃይል [Power] እና ማቀዝቀዝ [Cooling] በተስማሚ ሁኔታ መነደፍ አለባቸው። ሁዋንግ ይህን እጅግ የተቀራረበ የጋራ ንድፍ [Extreme Co-design] ይሉታል።
እዚህ ከመጀመሪያው የ[CUDA] ውሳኔ ጋር ቀጣይነት ይታያል። የተናጠል መሣሪያ ችሎታ ብቻ አይበቃም፤ የሚጠቀምበት አካባቢ በሙሉ አብሮ ማደግ አለበት።
መደምደሚያ፦ የወደፊት አጠቃቀምን የፈጠረ ውሳኔ
የ[CUDA] መግባት አስፈላጊነት አዲስ የፕሮግራም ችሎታ መምጣት ብቻ አልነበረም። ጥልቅ ትርጉሙ ያንን ችሎታ አስቀድሞ በብዛት ከሚሸጠው [GeForce] ጋር አጣምሮ፣ ወደፊት በእሱ የሚጠቀሙ ሰዎች እጅ ቀድሞ ማድረስ ነበር።
የዚያን ጊዜ ወጪ ብቻ ብንመለከት ውሳኔው ስህተት ሊመስል ይችል ነበር። ነገር ግን [NVIDIA] የስሌት መድረክ [Computing Platform] ዋጋ ሌሎች በላዩ በሚገነቧቸው መተግበሪያዎችም እንዳለ ተረድቶ ነበር።
ቴክኖሎጂ፣ ሰፊ ተደራሽነት፣ ትምህርት፣ የአልሚዎች ማኅበረሰብ [Developer Community] እና የኩባንያው ትዕግሥት አዲስ ዕድል ፈጠሩ። ያ ዕድል በኋላ ከሰው ሰራሽ ብልህነት [AI] እድገት ጋር ተገናኘ። የ[CUDA] ውሳኔ ትምህርት ይህ ነው፦ የነገ ትልቅ ለውጥ፣ ብዙ ሰዎች ዛሬ መገንባት የሚጀምሩበት መሠረት ይፈልጋል።
Powered By K7