Da [GeForce] à inteligência artificial [AI]: por que a decisão da [NVIDIA] sobre [CUDA] mudou o futuro da empresa?
Introdução: é possível abrir mão do lucro de hoje para construir a computação de amanhã?
Uma empresa gasta muito numa capacidade que os clientes não pedem de imediato. Acrescentá-la aumenta o custo de produção, mas os clientes não querem pagar mais. Mesmo assim, a empresa não recua. Não pretende apenas vender um produto novo: quer construir uma plataforma de computação [Computing Platform] na qual outros possam criar o seu próprio trabalho no futuro.
Essa foi a base da decisão da [NVIDIA] de levar [CUDA] aos processadores gráficos [GPU] [GeForce]. Jensen Huang explica que a decisão não trouxe sucesso imediato. Trouxe custos, pressão sobre o lucro e uma longa espera. Mais tarde, porém, tornou-se um dos alicerces do crescimento da aprendizagem profunda [Deep Learning].
1. De um acelerador especializado a uma plataforma de computação [Computing Platform] abrangente
Inicialmente, a [NVIDIA] acelerava uma tarefa específica. Essa especialização era uma força. Mas depender apenas de um mercado estreito também poderia limitar a capacidade de investigação e desenvolvimento [Research and Development].
Havia uma tensão. Uma conceção muito especializada poderia dificultar tarefas de computação mais gerais. Tentar fazer tudo poderia eliminar a vantagem original. A abordagem de Huang foi avançar gradualmente entre essas duas exigências.
Segundo ele, o primeiro passo foi o sombreador de píxeis programável [Programmable Pixel Shader]. Depois, os sombreadores [Shaders] receberam cálculo de vírgula flutuante de 32 bits compatível com IEEE [IEEE-compatible FP32]. Os investigadores começaram a perguntar se o processador criado para gráficos poderia realizar outros cálculos.
Depois surgiu [Cg], baseado na linguagem de programação (C). Esse percurso acabou por conduzir a [CUDA]. Não foi uma solução mágica criada num dia, mas uma trajetória contínua que ligou uma capacidade técnica à seguinte.
2. Onde se levou [CUDA] importou mais do que simplesmente criá-lo
Criar uma excelente tecnologia não leva automaticamente as pessoas a usá-la. São necessários programadores [Developers], bem como muitas pessoas capazes de utilizar os programas que eles escrevem.
A força de uma plataforma de computação [Computing Platform] não está apenas na elegância da conceção, mas também no número de pessoas que já a possuem. Huang explica assim a importância da base instalada [Installed Base].
Ele cita a arquitetura [x86], que resistiu graças à adoção alargada apesar de muitas críticas. Refere também que algumas arquiteturas de conjunto reduzido de instruções [RISC Architectures], embora elegantes, não alcançaram o sucesso esperado. Isso não significa que todas as conceções [RISC] falharam. A elegância técnica, por si só, não garante o sucesso de uma plataforma.
Naquela altura, [GeForce] já vendia milhões de unidades por ano. A [NVIDIA] tinha, portanto, um caminho preparado para levar uma nova capacidade de computação às pessoas.
3. [CUDA] em cada processador [GeForce]: alicerces antes da procura dos utilizadores
A capacidade [CUDA] poderia ter ficado limitada a algumas máquinas de investigação caras. Nesse caso, menos pessoas teriam acesso a ela.
Em vez disso, a empresa decidiu levá-la, através de [GeForce], aos computadores pessoais [PC] amplamente disponíveis. Um produto comprado para jogos também oferecia uma oportunidade de investigação. Um estudante, um laboratório universitário ou um investigador que montasse o seu computador poderia experimentar novos cálculos no equipamento que já tinha.
Isso não significa que [CUDA] funcionava em todos os computadores. O sentido é que a base de utilizadores [GeForce] serviu de ponto de partida para tornar essa capacidade acessível a mais pessoas.
Huang diz que o esforço foi além de fornecer equipamento: incluiu ensinar em universidades, escrever livros e organizar aulas. Construir uma plataforma não termina na venda do produto; exige também conhecimento e uma comunidade capaz de a utilizar.
4. O preço imediato: custos maiores e pressão sobre o lucro
O peso económico foi significativo. Huang recorda que acrescentar [CUDA] aumentou o custo do processador em cerca de 50%, enquanto a empresa operava com uma margem bruta [Gross Margin] de cerca de 35%.
Os jogadores não pagariam mais por uma capacidade de cálculo que não utilizavam. A empresa teve, por isso, de absorver o custo. Ele descreve-o como suficiente para consumir todo o lucro bruto em valor absoluto [Gross Profit Dollars] da empresa.
Não se pode simplesmente subtrair estas percentagens para determinar a situação financeira. Uma baseia-se no custo de produção; a outra é uma margem calculada sobre a receita. A questão não é uma conta simples, mas a dificuldade de sacrificar os rendimentos presentes pela plataforma futura.
Ele também recorda aproximadamente uma capitalização bolsista [Market Capitalisation] de 6 a 8 mil milhões de dólares americanos, que depois caiu para cerca de 1,5 mil milhões. São estimativas baseadas na sua memória. Não permitem concluir que [CUDA] tenha sido a única causa de toda a mudança.
Ainda assim, a indicação de que o benefício esperado demorou cerca de uma década é importante. A decisão não foi tomada para melhorar os resultados do trimestre seguinte.
5. Por que a decisão se tornou um alicerce da aprendizagem profunda [Deep Learning]?
Um obstáculo à investigação é o custo e a dificuldade de acesso ao equipamento. Se uma experiência puder começar com material que muitas pessoas já possuem, parte desse obstáculo diminui.
[CUDA], difundido através de [GeForce], criou condições para os investigadores experimentarem num ambiente de programação comum [Programming Environment]. O conhecimento, os programas e a experiência assim obtidos puderam servir trabalhos posteriores.
Quando a aprendizagem profunda [Deep Learning] cresceu, já existiam equipamento adequado à computação paralela [Parallel Computing] em grande escala e pessoas que sabiam utilizá-lo. Essa era uma vantagem importante.
Toda a história da aprendizagem profunda [Deep Learning] não depende de uma empresa ou ferramenta. Mas esta decisão ocupa um lugar importante na disponibilização alargada da plataforma necessária. Por isso Huang salienta a ideia de que a [NVIDIA] é a casa que [GeForce] construiu.
6. A confiança construída antes da decisão técnica
O futuro pode ser claro na mente de um líder. Mas essa clareza não basta se o conselho de administração, os gestores, os trabalhadores, os clientes e os parceiros não o aceitarem.
Huang descreve a sua abordagem como uma explicação gradual de causa e efeito. Sempre que surgem novas informações, avanços na investigação ou realizações de engenharia, explica às pessoas à sua volta a ligação com a direção futura.
Na sua visão, o anúncio de uma grande decisão não deve surpreender todos. Os alicerces devem estar preparados de tal forma que as pessoas se perguntem antes por que demorou tanto.
Essa confiança de longo prazo e essa paciência também sustentaram a decisão [CUDA]. Além de escolher o caminho técnico, foi necessário preparar para a viagem a empresa que suportaria os custos.
7. Não apenas um produto, mas uma plataforma onde os parceiros podem construir
A forma como a [NVIDIA] se vê como empresa de plataforma de computação [Platform Company] também importa. No centro está o espaço dado a outras empresas para contribuírem e construírem em conjunto em cada camada.
Isso não significa que todos os seus programas sejam de código aberto [Open Source]. Dar aos parceiros oportunidades de construção conjunta é diferente de tornar público o código-fonte.
Uma boa plataforma cresce através do seu criador, mas também das aplicações que investigadores, programadores, empresas e instituições de ensino constroem sobre ela. A decisão [CUDA] abriu a porta a esse crescimento.
8. A lição de hoje: acelerar um processador não basta
Nas grandes cargas de trabalho distribuídas [Distributed Workloads], acelerar apenas uma parte não acelera todo o sistema na mesma proporção. A lei de Amdahl [Amdahl's Law] explica-o.
Suponha que apenas metade do tempo de uma tarefa pode ser melhorada. Por mais que essa metade acelere, a outra permanece inalterada. Mesmo que a parte melhorada passe a não consumir tempo, a velocidade da tarefa completa pode, no máximo, duplicar.
Por isso, o processador gráfico [GPU], o processador central [CPU], a rede [Networking], a memória [Memory], a alimentação elétrica [Power] e o arrefecimento [Cooling] devem ser concebidos para funcionar em conjunto. Huang chama-lhe conceção conjunta extrema [Extreme Co-design].
Há uma continuidade com a decisão inicial [CUDA]. A capacidade de uma ferramenta isolada não basta; todo o ambiente que a utiliza tem de evoluir em conjunto.
Conclusão: a decisão que criou a utilização futura
A importância de [CUDA] vai além de uma nova capacidade de programação. O ponto mais profundo é tê-la associado a [GeForce], que já vendia em grande quantidade, colocando-a antecipadamente nas mãos dos seus futuros utilizadores.
Olhando apenas para os custos de então, a decisão poderia parecer errada. Mas a [NVIDIA] compreendeu que o valor de uma plataforma de computação também está nas aplicações que outros irão construir sobre ela.
Tecnologia, adoção alargada, educação, comunidade de programadores e paciência empresarial juntaram-se para criar uma oportunidade. Mais tarde, ela ligou-se ao crescimento da inteligência artificial [AI]. A lição de [CUDA] é esta: a grande mudança de amanhã exige hoje uma base sobre a qual muitas pessoas possam começar a construir.
Powered By K7