[GeForce] पासून कृत्रिम बुद्धिमत्तेपर्यंत [AI]: [CUDA] बाबत [NVIDIA] च्या निर्णयाने कंपनीचे भविष्य का बदलले?
प्रस्तावना: आजचा नफा सोडून उद्याचे संगणकीय जग उभारता येते का?
ग्राहक लगेच मागत नसलेल्या सुविधेसाठी एक कंपनी मोठा खर्च करते. ती सुविधा जोडल्याने उत्पादनखर्च वाढतो, पण ग्राहक त्यासाठी अधिक पैसे द्यायला तयार नाहीत. तरीही कंपनी मागे हटत नाही. तिला फक्त नवीन उत्पादन विकायचे नसते; भविष्यात इतरांना स्वतःच्या निर्मिती करता येतील असे संगणकीय व्यासपीठ [Computing Platform] उभारायचे असते.
[NVIDIA] ने [GeForce] ग्राफिक्स प्रोसेसरमध्ये [GPU] [CUDA] आणण्यामागील विचार हाच होता. Jensen Huang यांच्या स्पष्टीकरणानुसार, या निर्णयाने कंपनीला लगेच यश दिले नाही. उलट खर्च, नफ्यावरील दबाव आणि दीर्घ प्रतीक्षा आली. मात्र पुढे तो सखोल अध्ययनाच्या [Deep Learning] वाढीच्या पायांपैकी एक ठरला.
1. विशिष्ट कामाच्या प्रवेगकापासून व्यापक संगणकीय व्यासपीठापर्यंत [Computing Platform]
सुरुवातीला [NVIDIA] एका विशिष्ट कामाला वेग देणारी कंपनी होती. त्या विशेष क्षमतेने तिला बळ दिले. मात्र मर्यादित बाजारावरच अवलंबून राहिल्यास संशोधन आणि विकासाच्या [Research and Development] क्षमतेवरही मर्यादा येऊ शकतात.
येथे विरोधाभास होता. एखाद्या कामासाठी खूप विशेष रचना केल्यास व्यापक संगणकीय कामे कठीण होऊ शकतात. सर्व काही करण्याचा प्रयत्न केल्यास मूळ विशेष क्षमता गमावली जाऊ शकते. या दोहोंमध्ये टप्प्याटप्प्याने पुढे जाणे हा Huang यांचा दृष्टिकोन होता.
त्यांच्या मते, पहिली पायरी प्रोग्राम करता येणारा पिक्सेल शेडर [Programmable Pixel Shader] होती. त्यानंतर शेडर्समध्ये [Shaders] IEEE-सुसंगत 32-बिट फ्लोटिंग-पॉइंट गणना [IEEE-compatible FP32] आली. त्यामुळे ग्राफिक्ससाठी बनवलेला प्रोसेसर इतर गणनांसाठी वापरता येईल का, असा प्रश्न संशोधकांना पडला.
पुढे (C) प्रोग्रामिंग भाषेवर आधारित [Cg] आले. हा प्रवास अखेरीस [CUDA] पर्यंत पोहोचला. म्हणजेच हा एका दिवसात निर्माण झालेला जादुई उपाय नव्हता. एका तांत्रिक क्षमतेला पुढच्या क्षमतेशी जोडणारा सातत्यपूर्ण प्रवास होता.
2. [CUDA] निर्माण करण्यापेक्षा ते कुठे पोहोचवले हे महत्त्वाचे होते
उत्तम तंत्रज्ञान तयार केल्यानेच लोक ते वापरू लागतील असे नाही. त्यासाठी प्रोग्राम लिहिणारे विकसक [Developers] हवेत. त्यांचे प्रोग्राम वापरू शकतील असे मोठ्या संख्येने लोकही हवेत.
संगणकीय व्यासपीठाची [Computing Platform] ताकद फक्त रचनेच्या सौंदर्यात नसते; ते आधीपासून किती लोकांकडे आहे यातही असते. Huang हे स्थापित वापरकर्ता आधाराचे [Installed Base] महत्त्व म्हणून स्पष्ट करतात.
ते [x86] आर्किटेक्चरचे उदाहरण देतात. अनेक टीका होऊनही व्यापक वापरामुळे ते टिकले. दुसरीकडे, सुबक रचना असलेल्या काही कमी सूचना-संच आर्किटेक्चर्सना [RISC Architectures] अपेक्षित यश मिळाले नाही, असे ते नमूद करतात. याचा अर्थ सर्व [RISC] रचना अयशस्वी झाल्या असा नाही. तांत्रिक सौंदर्य एकटे व्यासपीठाच्या यशाची हमी देत नाही, हा मुद्दा आहे.
त्या वेळी [GeForce] ची दरवर्षी अनेक दशलक्ष युनिट्स विकली जात होती. त्यामुळे नवीन संगणकीय क्षमता लोकांपर्यंत नेण्यासाठी [NVIDIA] कडे तयार मार्ग होता.
3. प्रत्येक [GeForce] प्रोसेसरमध्ये [CUDA]: वापरकर्त्यांनी मागण्याआधी घातलेला पाया
[CUDA] क्षमता केवळ काही महागड्या संशोधन यंत्रांमध्ये ठेवता आली असती. तसे केले असते तर ती वापरू शकणाऱ्यांची संख्या कमी राहिली असती.
त्याऐवजी कंपनीने [GeForce] द्वारे व्यापकपणे उपलब्ध वैयक्तिक संगणकांमध्ये [PC] ती क्षमता आणण्याचे ठरवले. खेळांसाठी घेतलेल्या उत्पादनात संशोधनाची संधीही होती. विद्यार्थी, विद्यापीठाची प्रयोगशाळा किंवा स्वतः संगणक जोडणारा संशोधक उपलब्ध उपकरणावर नवीन गणना करून पाहू शकत होता.
याचा अर्थ प्रत्येक संगणकावर [CUDA] चालत होते असा घेऊ नये. [GeForce] च्या वापरकर्ता आधाराचा सुरुवातीचा पाया म्हणून उपयोग करून अधिक लोकांना ही क्षमता उपलब्ध केली, एवढाच अर्थ आहे.
Huang सांगतात की उपकरणे पुरवण्याबरोबरच विद्यापीठांत शिकवणे, पुस्तके लिहिणे आणि वर्ग घेणे असे प्रयत्नही झाले. व्यासपीठ उभारणे उत्पादन विकल्यावर संपत नाही; ते वापरू शकणारे ज्ञान आणि समुदायही घडवावा लागतो.
4. तात्काळ किंमत: वाढलेला खर्च आणि नफ्यावरील दबाव
या निर्णयाचा आर्थिक भार लहान नव्हता. Huang यांच्या आठवणीनुसार, [CUDA] क्षमता जोडल्याने प्रोसेसरचा खर्च सुमारे 50% वाढला, तर त्या वेळी कंपनीचे स्थूल नफ्याचे प्रमाण [Gross Margin] सुमारे 35% होते.
खेळाडू न वापरणाऱ्या गणनाक्षमतेसाठी अधिक पैसे देणार नव्हते. म्हणून कंपनीला खर्च स्वतः सहन करावा लागला. त्यांच्या वर्णनानुसार, तो कंपनीची संपूर्ण स्थूल नफ्याची रक्कम [Gross Profit Dollars] संपवेल इतका होता.
या दोन टक्केवाऱ्यांची सरळ वजाबाकी करून कंपनीची आर्थिक स्थिती ठरवता येत नाही. एका आकड्याचा आधार उत्पादनखर्च आहे; दुसरा महसुलावरून मोजलेला नफ्याचा दर आहे. ते साधे गणित नव्हे, तर उद्याच्या व्यासपीठासाठी आजचे उत्पन्न सोडण्याची कठीण परिस्थिती अधोरेखित करतात.
त्यांच्या अंदाजे आठवणीनुसार, त्या वेळी कंपनीचे बाजार भांडवली मूल्य [Market Capitalisation] सुमारे 6 ते 8 अब्ज अमेरिकी डॉलर होते आणि नंतर सुमारे 1.5 अब्ज अमेरिकी डॉलरपर्यंत घसरले. हे त्यांच्या आठवणींवर आधारित अंदाज आहेत. संपूर्ण बदलाचे एकमेव कारण [CUDA] होते असा निष्कर्ष काढता येत नाही.
तरी अपेक्षित फायदा मिळण्यासाठी सुमारे एक दशक लागले हा त्यांचा मुद्दा महत्त्वाचा आहे. हा निर्णय पुढील तिमाहीच्या उत्पन्नासाठी घेतलेला नव्हता.
5. हा निर्णय सखोल अध्ययनाचा [Deep Learning] पाया का ठरला?
नवीन संशोधनातील एक अडथळा म्हणजे उपकरणे मिळवण्याचा खर्च आणि अडचण. अनेकांकडे आधीच असलेल्या उपकरणावर प्रयोग सुरू करता आला तर त्या अडथळ्याचा काही भाग कमी होतो.
[GeForce] द्वारे पसरलेल्या [CUDA] ने संशोधकांना समान प्रोग्रामिंग वातावरणात [Programming Environment] प्रयोग करण्याचा पाया दिला. त्यातून तयार झालेले ज्ञान, प्रोग्राम आणि अनुभव पुढील प्रयत्नांतही वापरता आले.
सखोल अध्ययन [Deep Learning] वाढले तेव्हा आवश्यक मोठ्या प्रमाणावरील समांतर संगणनासाठी [Parallel Computing] योग्य उपकरणे आणि ती वापरणारे लोक आधीच तयार होते. ही महत्त्वाची आघाडी होती.
सखोल अध्ययनाचा [Deep Learning] संपूर्ण इतिहास एका कंपनीवर किंवा साधनावर अवलंबून नाही. मात्र आवश्यक संगणकीय व्यासपीठ व्यापकपणे उपलब्ध करण्यात या निर्णयाचे महत्त्वाचे स्थान आहे. म्हणूनच [NVIDIA] हे [GeForce] ने उभारलेले घर आहे, या विचारावर Huang भर देतात.
6. तांत्रिक निर्णयापूर्वी निर्माण केलेला विश्वास
नेत्याच्या मनात भविष्य स्पष्ट असू शकते. पण संचालक मंडळ, अधिकारी, कर्मचारी, ग्राहक आणि भागीदार ते स्वीकारत नसतील तर ती स्पष्टता पुरेशी नाही.
Huang आपली पद्धत कारण आणि परिणाम टप्प्याटप्प्याने समजावण्याची असल्याचे सांगतात. नवीन माहिती, संशोधनातील प्रगती किंवा अभियांत्रिकी यश मिळाले की त्याचा भावी दिशेशी संबंध ते इतरांना स्पष्ट करतात.
मोठा निर्णय जाहीर करताना तो सर्वांसाठी अचानक धक्का ठरू नये, असे त्यांचे मत आहे. उलट, इतका वेळ का लागला असा प्रश्न पडावा इतकी त्याची पूर्वतयारी झालेली असावी.
[CUDA] निर्णयामागेही असा दीर्घकालीन विश्वास आणि संयम होता. तांत्रिक मार्ग निवडण्याबरोबरच त्याचा खर्च पेलणाऱ्या कंपनीलाही प्रवासासाठी तयार करावे लागले.
7. केवळ उत्पादन नव्हे, भागीदारांना निर्मिती करता येईल असे व्यासपीठ
[NVIDIA] स्वतःला संगणकीय व्यासपीठ कंपनी [Platform Company] मानते, हा दृष्टिकोनही महत्त्वाचा आहे. प्रत्येक स्तरावर इतर कंपन्यांना योगदान आणि संयुक्त निर्मितीची संधी देणे हे त्याचे केंद्र आहे.
याचा अर्थ तिचे सर्व प्रोग्राम मुक्त स्रोत [Open Source] आहेत असा नाही. भागीदारांना संयुक्त निर्मितीची संधी देणे आणि स्रोत कोड सार्वजनिक करणे या वेगळ्या गोष्टी आहेत.
चांगले व्यासपीठ फक्त ते उभारणाऱ्या कंपनीमुळे वाढत नाही. संशोधक, प्रोग्रामर, कंपन्या आणि शिक्षणसंस्था त्यावर उभारतात त्या अनुप्रयोगांमुळेही वाढते. [CUDA] निर्णयाने त्या वाढीचे दार उघडले.
8. आजचा धडा: एका प्रोसेसरचा वेग वाढवणे पुरेसे नाही
मोठ्या वितरित कार्यभारांमध्ये [Distributed Workloads] एका भागाचा वेग वाढवला तरी संपूर्ण प्रणाली तितक्याच प्रमाणात वेगवान होत नाही. अमडालचा नियम [Amdahl's Law] हे स्पष्ट करतो.
कामाला लागणाऱ्या वेळेचा फक्त अर्धा भाग सुधारता येतो असे समजा. तो कितीही वेगवान केला तरी उरलेला अर्धा तसाच राहतो. सुधारित भागाला अजिबात वेळ लागत नसला तरी संपूर्ण कामाचा वेग जास्तीत जास्त दुप्पटच होतो.
म्हणून ग्राफिक्स प्रोसेसर [GPU], केंद्रीय प्रोसेसर [CPU], नेटवर्किंग [Networking], स्मृती [Memory], वीजपुरवठा [Power] आणि शीतकरण [Cooling] यांची परस्पर सुसंगत रचना करावी लागते. Huang याला अतिशय निकट संयुक्त रचना [Extreme Co-design] म्हणतात.
येथे सुरुवातीच्या [CUDA] निर्णयाशी सातत्य दिसते. स्वतंत्र साधनाची क्षमता पुरेशी नाही. ते वापरणारे संपूर्ण वातावरण एकत्र वाढले पाहिजे.
निष्कर्ष: भविष्यातील वापर निर्माण करणारा निर्णय
[CUDA] चे महत्त्व फक्त नवीन प्रोग्रामिंग सुविधा येण्यात नाही. आधीच मोठ्या प्रमाणात विकल्या जाणाऱ्या [GeForce] सोबत ती जोडून भविष्यातील वापरकर्त्यांच्या हाती आधीच देण्यात त्याचे सखोल महत्त्व आहे.
तेव्हाचा खर्चच पाहिला असता तर निर्णय चुकीचा वाटला असता. पण संगणकीय व्यासपीठाचे मूल्य इतर लोक त्यावर उभारणार असलेल्या अनुप्रयोगांतही असते, हे [NVIDIA] ला समजले होते.
तंत्रज्ञान, व्यापक वापर, शिक्षण, विकसक समुदाय आणि संस्थेचा संयम एकत्र आल्यावर नवीन संधी निर्माण झाली. पुढे ती कृत्रिम बुद्धिमत्तेच्या [AI] वाढीशी जोडली गेली. [CUDA] निर्णयाचा धडा हाच: उद्याच्या मोठ्या बदलासाठी आजच अनेकांना निर्मिती करता येईल असा पाया आवश्यक असतो.
Powered By K7