[GeForce]から人工知能[AI]へ：[CUDA]をめぐる[NVIDIA]の決断は、なぜ企業の未来を変えたのか
はじめに：今日の利益を手放して、明日のコンピューティングの世界を築けるか
顧客が今すぐ求めていない機能に、企業が多額の資金を投じます。その機能を加えると製造原価は上がりますが、顧客は追加料金を払うつもりがありません。それでも企業は後退しません。新製品を売るだけでなく、将来ほかの人々が自らの成果を生み出せるコンピューティング基盤[Computing Platform]を築こうとしているからです。
これが、[NVIDIA]が[GeForce]のグラフィックスプロセッサー[GPU]に[CUDA]を導入した決断の根底にあります。Jensen Huangによると、この決断はすぐに成功をもたらしたわけではありません。むしろコスト、利益への圧力、長い待機期間を生みました。しかし後には、深層学習[Deep Learning]の発展を支える基盤の一つになりました。
1. 特定用途のアクセラレーターから幅広いコンピューティング基盤[Computing Platform]へ
当初の[NVIDIA]は、特定の処理を高速化する企業でした。その専門能力は強みでしたが、狭い市場だけに依存すると、研究開発[Research and Development]の能力にも限界が生じかねません。
そこには相反する課題がありました。用途に特化しすぎると、一般的な計算処理が難しくなります。何でもしようとすれば、元の専門的な強みを失いかねません。Huangの方法は、その間を段階的に進むことでした。
彼によれば、最初の段階はプログラマブル・ピクセルシェーダー[Programmable Pixel Shader]でした。続いて、シェーダー[Shaders]にIEEE互換の32ビット浮動小数点演算[IEEE-compatible FP32]が導入されました。研究者は、描画用に作られたプロセッサーを別の計算にも使えるのではないかと考え始めました。
その後、プログラミング言語（C）を基礎とする[Cg]が登場しました。その歩みが最終的に[CUDA]につながります。一日で生まれた魔法の解決策ではなく、一つの技術的能力を次へ結び付ける継続的な歩みでした。
2. [CUDA]を作ったこと以上に、それをどこへ届けたかが重要だった
優れた技術を作るだけで、人々が使い始めるわけではありません。プログラムを書く開発者[Developers]と、そのプログラムを利用できる大勢の人々が必要です。
コンピューティング基盤[Computing Platform]の強さは、設計の美しさだけではなく、すでに何人がそれを持っているかにもあります。Huangはこれを、導入済みの利用基盤[Installed Base]の重要性として説明します。
彼は、多くの批判を受けながらも幅広い普及によって存続した[x86]アーキテクチャを例に挙げます。一方、洗練された一部の縮小命令セット・アーキテクチャ[RISC Architectures]は期待した成功を収めなかったとも述べます。すべての[RISC]設計が失敗したという意味ではありません。技術的な美しさだけでは基盤の成功を保証できないということです。
当時、[GeForce]はすでに年間数百万台規模で売れていました。そのため[NVIDIA]には、新たな計算能力を人々に届ける経路が整っていました。
3. すべての[GeForce]プロセッサーに[CUDA]：需要に先んじた基盤
[CUDA]の能力を、一部の高価な研究用マシンだけに限定することもできました。しかし、それでは利用できる人は少なくなっていたでしょう。
代わりに同社は、[GeForce]を通じて広く入手できるパーソナルコンピューター[PC]へ、その能力を届けると決めました。ゲーム用に購入した製品が、研究の機会も提供したのです。学生、大学の研究室、自分でコンピューターを組み立てる研究者が、手元の機器で新たな計算を試せるようになりました。
これは、すべてのコンピューターで[CUDA]が動いたという意味ではありません。[GeForce]の普及基盤を出発点として、より多くの人がその能力にアクセスできるようにしたという意味です。
Huangによると、機器の提供だけでなく、大学での教育、書籍の執筆、講座の実施にも取り組みました。基盤の構築は製品販売で終わらず、それを使える知識とコミュニティーの育成も必要です。
4. 直ちに支払った代償：コスト増と利益への圧力
経済的負担は小さくありませんでした。Huangは、[CUDA]の追加によりプロセッサーのコストが約50％増えた一方、当時の会社の売上総利益率[Gross Margin]は約35％だったと振り返ります。
ゲーム利用者は、使わない計算能力に追加料金を払いません。そのため会社がコストを負担する必要がありました。彼は、その負担が会社の売上総利益額[Gross Profit Dollars]を丸ごと消費するほどだったと説明しています。
この二つの割合を単純に引き算して、会社の財務状態を判断することはできません。一方の基準は製造原価、他方は売上高から算出する利益率です。彼が強調するのは単純な算術ではなく、明日の基盤のために今日の収益を犠牲にする厳しさです。
また、当時の時価総額[Market Capitalisation]が約60億から80億米ドルで、その後約15億米ドルまで下がったとも、おおまかに振り返っています。これは記憶に基づく概算です。変化のすべてを[CUDA]だけが引き起こしたとは結論できません。
それでも、期待した成果が出るまで約10年かかったという彼の指摘は重要です。次の四半期の利益のための決断ではありませんでした。
5. なぜ深層学習[Deep Learning]の基盤になったのか
新しい研究を妨げるものの一つは、機器を入手する費用と難しさです。多くの人がすでに持つ機器で実験を始められれば、その障壁の一部は下がります。
[GeForce]を通じて普及した[CUDA]は、研究者が共通のプログラミング環境[Programming Environment]で実験する基盤を築きました。そこで得た知識、プログラム、経験は、次の研究にも利用できました。
深層学習[Deep Learning]が発展したとき、大規模な並列計算[Parallel Computing]に適した機器と、その使い方を知る人々は、すでに存在していました。これは重要な優位性でした。
深層学習[Deep Learning]の歴史全体が、一社や一つの道具に依存するわけではありません。しかし、必要な計算基盤を広く利用可能にした点で、この決断は重要です。Huangが[NVIDIA]を「[GeForce]が建てた家」と強調する理由はここにあります。
6. 技術的決断より前に築かれた信頼
リーダーの頭の中では未来が明確でも、取締役会、経営陣、従業員、顧客、パートナーが受け入れなければ、その明確さだけでは足りません。
Huangは自分の方法を、因果関係の段階的な説明として語ります。新しい情報、研究の進展、工学上の成果が得られるたびに、それが将来の方向性とどうつながるかを周囲に説明します。
大きな決断の発表日に、全員が突然驚く状態であってはいけないと彼は考えます。むしろ、なぜこれほど時間がかかったのかと思うほど、事前に土台ができているべきなのです。
[CUDA]の決断の背後にも、このような長期的な信頼と忍耐がありました。技術の道筋を選ぶと同時に、その費用を負担する会社も旅に備えさせる必要がありました。
7. 製品だけでなく、パートナーが構築できる基盤
[NVIDIA]が自らをコンピューティング基盤の会社[Platform Company]と捉える姿勢も重要です。各層で他社が貢献し、ともに構築できる余地を設けることが、その中心にあります。
これは、すべてのプログラムをオープンソース[Open Source]で提供するという意味ではありません。パートナーが共同で構築する機会と、ソースコードを公開することは別です。
優れた基盤は、作った会社だけで成長するのではありません。研究者、プログラマー、企業、教育機関がその上に作るアプリケーションによっても成長します。[CUDA]の決断は、その成長への扉を開きました。
8. 今日の教訓：一つのプロセッサーを高速化するだけでは足りない
大規模な分散ワークロード[Distributed Workloads]では、一部分だけを高速化しても、システム全体が同じ割合で速くなるわけではありません。アムダールの法則[Amdahl's Law]がそれを説明します。
ある処理時間の半分だけを改善できるとします。その半分をどれほど速くしても、残り半分は変わりません。改善部分の所要時間がゼロになっても、処理全体の速度は最大2倍にしかなりません。
そのため、グラフィックスプロセッサー[GPU]、中央処理装置[CPU]、ネットワーク[Networking]、メモリー[Memory]、電力供給[Power]、冷却[Cooling]を、互いに適合するよう設計する必要があります。Huangはこれを極度に緊密な共同設計[Extreme Co-design]と表現します。
ここには初期の[CUDA]の決断との連続性があります。個別の道具の能力だけでは足りず、それを使う環境全体がともに発展しなければなりません。
結論：将来の利用を生み出した決断
[CUDA]導入の意義は、新しいプログラミング機能の登場だけではありません。すでに大量に売れていた[GeForce]と組み合わせ、将来利用する人々へ先回りして届けたことに、より深い重要性があります。
当時の費用だけを見れば、誤った決断に見えたかもしれません。しかし[NVIDIA]は、計算基盤の価値が、その上に他者が将来作るアプリケーションにもあると理解していました。
技術、広い普及、教育、開発者コミュニティー、企業の忍耐が結び付き、新しい可能性が生まれました。それが後に人工知能[AI]の発展とつながったのです。[CUDA]の教訓は、明日の大きな変化には、今日から多くの人が構築できる土台が必要だということです。
Powered By K7