Von [GeForce] zur künstlichen Intelligenz [AI]: Warum veränderte [NVIDIA]s Entscheidung über [CUDA] die Zukunft des Unternehmens?
Einleitung: Kann ein Unternehmen auf heutigen Gewinn verzichten, um die Computerwelt von morgen aufzubauen?
Ein Unternehmen gibt viel Geld für eine Fähigkeit aus, die seine Kunden nicht unmittelbar verlangen. Sie erhöht die Herstellungskosten, doch die Kunden wollen dafür keinen Aufpreis zahlen. Trotzdem zieht sich das Unternehmen nicht zurück. Es will nicht nur ein neues Produkt verkaufen, sondern eine Rechenplattform [Computing Platform] schaffen, auf der andere künftig eigene Entwicklungen aufbauen können.
Dies war die Grundlage von [NVIDIA]s Entscheidung, [CUDA] in die [GeForce]-Grafikprozessoren [GPU] aufzunehmen. Wie Jensen Huang erläuterte, brachte das keinen sofortigen Erfolg. Stattdessen entstanden Kosten, Gewinndruck und eine lange Wartezeit. Später wurde die Entscheidung jedoch zu einer Grundlage für das Wachstum des tiefen Lernens [Deep Learning].
1. Vom Beschleuniger einer begrenzten Aufgabe zur breiteren Rechenplattform [Computing Platform]
Anfangs beschleunigte [NVIDIA] eine bestimmte Aufgabe. Diese Spezialisierung gab dem Unternehmen Stärke. Die Abhängigkeit von einem engen Markt konnte jedoch zugleich seine Möglichkeiten in Forschung und Entwicklung [Research and Development] begrenzen.
Darin lag ein Widerspruch. Eine zu starke Spezialisierung konnte allgemeinere Rechenaufgaben erschweren. Der Versuch, alles zu leisten, konnte die ursprüngliche Stärke kosten. Huang wollte deshalb schrittweise zwischen diesen beiden Positionen vorankommen.
Als ersten Schritt nennt er den programmierbaren Pixelshader [Programmable Pixel Shader]. Danach kamen standardkompatible 32-Bit-Gleitkommaberechnungen [IEEE-compatible FP32] in den Schattierungseinheiten [Shaders]. Forscher fragten sich daraufhin, ob ein für Grafik entwickelter Prozessor auch andere Berechnungen ausführen könne.
Dann folgte [Cg] auf Grundlage der Programmiersprache [C]. Dieser Weg führte schließlich zu [CUDA]. Es war also keine an einem Tag entstandene Wunderlösung, sondern eine fortlaufende Entwicklung, die eine technische Fähigkeit mit der nächsten verband.
2. Wichtiger als die Erfindung von [CUDA] war, wohin es gebracht wurde
Eine hervorragende Technologie sorgt nicht von selbst dafür, dass Menschen sie nutzen. Dafür braucht es Softwareentwickler [Developers] und viele Menschen, die deren Programme verwenden können.
Die Stärke einer Rechenplattform [Computing Platform] liegt nicht allein in ihrem eleganten Entwurf, sondern auch darin, wie viele Menschen sie bereits besitzen. Huang erläutert dies als Bedeutung der installierten Basis [Installed Base].
Er verweist auf die [x86]-Architektur, die trotz Kritik durch ihre breite Nutzung Bestand hatte. Zugleich hätten manche elegant entworfenen Architekturen mit reduziertem Befehlssatz [RISC Architectures] nicht den erwarteten Erfolg erzielt. Das bedeutet nicht, dass sämtliche [RISC]-Entwürfe scheiterten. Entscheidend ist vielmehr, dass technische Eleganz allein den Erfolg einer Plattform nicht garantiert.
Damals wurde [GeForce] bereits millionenfach pro Jahr verkauft. [NVIDIA] besaß daher einen bestehenden Weg, die neue Rechenfähigkeit zu den Menschen zu bringen.
3. [CUDA] in jedem [GeForce]-Prozessor: Eine Grundlage, bevor Nutzer danach fragten
[CUDA] hätte auf wenige teure Forschungsrechner beschränkt bleiben können. Dann hätten jedoch wesentlich weniger Menschen darauf zugreifen können.
Stattdessen beschloss das Unternehmen, diese Fähigkeit über [GeForce] in weit verbreitete persönliche Computer [PC] zu bringen. Ein zum Spielen gekauftes Produkt bot damit auch Forschungsmöglichkeiten. Studierende, Hochschullabore oder Forschende, die ihren eigenen Rechner zusammenstellten, konnten mit bereits vorhandener Ausrüstung neue Berechnungen erproben.
Das bedeutet nicht, dass [CUDA] auf jedem Computer lief. Gemeint ist, dass die installierte Basis [Installed Base] von [GeForce] als Ausgangspunkt diente, um mehr Menschen Zugang zu dieser Fähigkeit zu geben.
Laut Huang blieb es nicht bei der Bereitstellung von Geräten: Hinzu kamen Lehre an Universitäten, Bücher und Kurse. Der Aufbau einer Plattform endet nicht beim Verkauf des Produkts. Auch das nötige Wissen und die Gemeinschaft ihrer Nutzer müssen entstehen.
4. Der unmittelbare Preis: Höhere Kosten und Gewinne unter Druck
Die wirtschaftliche Belastung war erheblich. Huang erinnert sich daran, dass [CUDA] die Kosten des Prozessors um etwa 50 Prozent erhöhte, während das Unternehmen mit einer Bruttomarge [Gross Margin] von ungefähr 35 Prozent arbeitete.
Spieler würden für ungenutzte Rechenfähigkeiten keinen Aufpreis zahlen. Deshalb musste das Unternehmen die Kosten selbst tragen. Huang beschreibt sie als so hoch, dass sie den gesamten Bruttogewinn in Geld [Gross Profit Dollars] aufzehrten.
Aus diesen beiden Prozentsätzen lässt sich die finanzielle Lage nicht durch einfaches Subtrahieren bestimmen. Der eine bezieht sich auf Herstellungskosten, der andere auf eine aus dem Umsatz berechnete Gewinnmarge. Es geht ihm nicht um eine einfache Rechenaufgabe, sondern um die schwierige Entscheidung, heutige Erträge einer künftigen Plattform zu opfern.
Er erinnert sich außerdem ungefähr an eine Marktkapitalisierung [Market Capitalisation] von sechs bis acht Milliarden US-Dollar, die später auf etwa 1,5 Milliarden US-Dollar fiel. Dies sind seine Erinnerungsschätzungen. Daraus folgt nicht, dass [CUDA] allein die gesamte Veränderung verursachte.
Wichtig bleibt seine Aussage, dass der erhoffte Nutzen ungefähr ein Jahrzehnt auf sich warten ließ. Diese Entscheidung zielte nicht auf den Gewinn des nächsten Quartals.
5. Warum wurde diese Entscheidung zu einer Grundlage des tiefen Lernens [Deep Learning]?
Ein schwieriges Hindernis für neue Forschung sind Kosten und Aufwand beim Zugang zu Geräten. Kann ein neues Experiment mit bereits vorhandenen Geräten beginnen, fällt ein Teil dieser Hürde weg.
Das über [GeForce] verbreitete [CUDA] schuf eine Grundlage für Experimente in einer gemeinsamen Programmierumgebung [Programming Environment]. Das dabei entstandene Wissen, die Programme und die Erfahrungen konnten spätere Arbeiten unterstützen.
Als tiefes Lernen [Deep Learning] wuchs, gab es bereits geeignete Werkzeuge für seine umfangreichen parallelen Berechnungen [Parallel Computing] und Menschen, die sie einsetzen konnten. Das war ein wichtiger Vorsprung.
Die gesamte Geschichte des tiefen Lernens [Deep Learning] hängt nicht von einem einzigen Unternehmen oder Werkzeug ab. Doch diese Entscheidung spielte eine wichtige Rolle dabei, die nötige Rechenplattform [Computing Platform] breit zugänglich zu machen. Deshalb betont Huang die Vorstellung, [NVIDIA] sei das Haus, das [GeForce] gebaut habe.
6. Überzeugung vor der technischen Entscheidung aufbauen
Eine Führungskraft kann die Zukunft klar sehen. Doch diese Klarheit reicht nicht, wenn Verwaltungsrat, Führungsteam, Beschäftigte, Kunden und Partner sie nicht mittragen.
Huang beschreibt sein Vorgehen als schrittweise Erläuterung der Gründe. Neue Informationen, Forschungsfortschritte oder technische Leistungen erklärt er seinem Umfeld jeweils im Zusammenhang mit der künftigen Richtung.
Die Bekanntgabe einer großen Entscheidung sollte niemanden plötzlich schockieren. Ihre Grundlage sollte vielmehr schon so weit gelegt sein, dass die Menschen fragen, warum es so lange gedauert habe.
Auch hinter der [CUDA]-Entscheidung standen solche langfristige Überzeugung und Geduld. Neben der Wahl des technischen Weges musste das Unternehmen, das dessen Kosten tragen würde, auf diese Reise vorbereitet werden.
7. Nicht nur ein Produkt, sondern eine Plattform für Partner
Wichtig ist auch [NVIDIA]s Selbstverständnis als Plattformunternehmen [Platform Company]. Im Mittelpunkt steht, anderen Unternehmen auf jeder Ebene Raum für Beiträge und gemeinsames Entwickeln zu lassen.
Das heißt nicht, dass sämtliche Programme quelloffen [Open Source] sind. Gemeinsame Entwicklungsmöglichkeiten für Partner sind etwas anderes als die öffentliche Freigabe des Quellcodes [Source Code].
Eine gute Plattform wächst nicht allein durch ihr Ursprungsunternehmen. Sie wächst auch durch die Anwendungen, die Forschende, Entwickler [Developers], Unternehmen und Bildungseinrichtungen darauf aufbauen. Die [CUDA]-Entscheidung öffnete die Tür zu diesem Wachstum.
8. Die heutige Lehre: Ein schnellerer Prozessor allein reicht nicht
Bei umfangreichen verteilten Rechenaufgaben [Distributed Workloads] beschleunigt die Verbesserung eines Teils nicht das gesamte System im selben Verhältnis. Dies erklärt das Amdahlsche Gesetz [Amdahl's Law].
Angenommen, nur die Hälfte der für eine Aufgabe benötigten Zeit lässt sich verbessern. Wie stark diese Hälfte auch beschleunigt wird, die unveränderte andere Hälfte bleibt bestehen. Selbst wenn der verbesserte Teil überhaupt keine Zeit mehr bräuchte, wäre die gesamte Aufgabe höchstens doppelt so schnell.
Deshalb müssen Grafikprozessor [GPU], Hauptprozessor [CPU], Vernetzung [Networking], Speicher [Memory], Stromversorgung [Power] und Kühlung [Cooling] aufeinander abgestimmt entworfen werden. Huang bezeichnet dies als äußerst enge gemeinsame Entwicklung [Extreme Co-design].
Hier zeigt sich eine Verbindung zur frühen [CUDA]-Entscheidung. Die Leistung eines einzelnen Werkzeugs genügt nicht. Seine gesamte Nutzungsumgebung muss sich mitentwickeln.
Fazit: Eine Entscheidung, die künftige Anwendungen schuf
Die Einführung von [CUDA] war nicht nur wegen einer neuen Programmierfähigkeit wichtig. Ihre tiefere Bedeutung lag darin, sie mit dem bereits millionenfach verkauften [GeForce] zu verbinden und frühzeitig den Menschen bereitzustellen, die sie später nutzen würden.
Wer nur die damaligen Kosten betrachtet hätte, hätte die Entscheidung für falsch halten können. [NVIDIA] verstand jedoch, dass der Wert einer Rechenplattform [Computing Platform] auch in den Anwendungen liegt, die andere darauf entwickeln werden.
Technologie, breite Verfügbarkeit, Bildung, eine Entwicklergemeinschaft [Developer Community] und unternehmerische Geduld schufen gemeinsam eine neue Chance. Später verband sich diese mit dem Wachstum künstlicher Intelligenz [AI]. Die Lehre der [CUDA]-Entscheidung lautet: Die große Veränderung von morgen braucht eine Grundlage, auf der schon heute viele Menschen aufbauen können.
Powered By K7