[GeForce] నుండి కృత్రిమ మేధస్సు [AI] వరకు: [CUDA] గురించి [NVIDIA] తీసుకున్న నిర్ణయం ఒక సంస్థ భవిష్యత్తునే ఎందుకు మార్చేసింది?
పరిచయం: రేపటి కంప్యూటర్ ప్రపంచాన్ని నిర్మించడానికి నేటి లాభాన్ని వదులుకోగలమా?
ఒక సంస్థ తన కస్టమర్లు వెంటనే అడగని సదుపాయం కోసం పెద్ద మొత్తాన్ని ఖర్చు చేస్తుంది. ఆ సదుపాయాన్ని చేర్చడంతో ఉత్పత్తి ఖర్చు పెరుగుతుంది. కానీ కస్టమర్లు దాని కోసం అదనపు ధర చెల్లించడానికి సిద్ధంగా ఉండరు. అయినప్పటికీ ఆ సంస్థ వెనక్కి తగ్గలేదు. ఎందుకంటే, అది కేవలం కొత్త ఉత్పత్తిని అమ్మాలనుకోలేదు; భవిష్యత్తులో ఇతరులు తమ సృష్టులను నిర్మించగలిగే కంప్యూటింగ్ వేదికను [Computing Platform] ఏర్పరచాలనుకుంది.
[GeForce] గ్రాఫిక్స్ ప్రాసెసర్లలో [GPU] [CUDA] సదుపాయాన్ని తీసుకువచ్చినప్పుడు [NVIDIA] తీసుకున్న నిర్ణయానికి ఇదే పునాది. [Jensen Huang] గారు వివరించినట్లు, ఈ నిర్ణయం సంస్థకు తక్షణ విజయాన్ని ఇవ్వలేదు. దానికి బదులుగా ఖర్చును, లాభపు ఒత్తిడిని, దీర్ఘకాలిక వేచియున్నతన్ని తెచ్చింది. కానీ తరువాత అదే [Deep Learning] పెరుగుదలకు పునాదుల్లో ఒకటై నిలిచింది.
1. పరిమిత పనుల కోసం వేగవంతం చేసే యంత్రం నుండి విస్తృత కంప్యూటింగ్ వేదిక వరకు
ప్రారంభంలో [NVIDIA] ఒక నిర్దిష్ట పనిని వేగంగా చేసే సంస్థ. ఆ ప్రత్యేక సామర్థ్యమే దానికి శక్తిని ఇచ్చింది. అదే సమయంలో, కేవలం ఒక పరిమిత మార్కెట్‌పై ఆధారపడటం దాని [Research and Development] సామర్థ్యానికి పరిమితిగా మారే అవకాశం ఉండేది.
ఇక్కడ ఒక వైరుధ్యం ఉండేది. ఒక ప్రత్యేక పనికి సరిపోయేలా రూపొందించుకుంటే, విస్తృత కంప్యూటింగ్ పనులు చేయడం కష్టమవుతుంది. అన్నీ చేయాలని ప్రయత్నిస్తే, మొదట ఉన్న ప్రత్యేక సామర్థ్యాన్ని కోల్పోవచ్చు. ఈ రెండింటి మధ్య దశలవారీగా ముందుకు సాగాలనేదే [Jensen Huang] గారి విధానం.
దాని మొదటి అడుగుగా [Programmable Pixel Shader] ఏర్పడిందని ఆయన వివరిస్తారు. తరువాత, [Shaders]లో ప్రమాణానికి అనుగుణంగా మూప్పై రెండు-బిట్ ఫ్లోటింగ్ పాయింట్ లెక్కింపు [IEEE-compatible FP32] తీసుకువచ్చారు. దీంతో గ్రాఫిక్స్ కోసం తయారుచేసిన ప్రాసెసర్‌ను ఇతర లెక్కల కోసం కూడా వాడవచ్చేమో అనే ప్రశ్న పరిశోధకుల్లో తలెత్తింది.
ఆ తరువాత (C) ప్రోగ్రామింగ్ భాష ఆధారంగా [Cg] వచ్చింది. ఆ ప్రయాణం చివరికి [CUDA] వైపు సాగింది. కాబట్టి ఇది ఒక్కరోజులో తయారైన మాయా పరిష్కారం కాదు. ఒక సాంకేతిక సామర్థ్యాన్ని మరో సామర్థ్యంతో అనుసంధానించిన నిరంతర ప్రయాణం.
2. [CUDA]ను సృష్టించడం కంటే దాన్ని ఎక్కడికి తీసుకువెళ్ళారన్నదే ముఖ్యం
ఒక గొప్ప సాంకేతికతను సృష్టించేసామన్న మాత్రాన ప్రజలు దాన్ని వాడటం మొదలుపెట్టరు. దాని కోసం ప్రోగ్రామ్లు వ్రాసేవారు [Developers] కావాలి. వారు వ్రాసే ప్రోగ్రామ్లను వాడగలిగే విస్తృత జనసమూహం కూడా కావాలి.
ఒక కంప్యూటింగ్ వేదిక [Computing Platform] బలం దాని రూపకల్పన అందంలో మాత్రమే లేదు; అది ఇప్పటికే ఎంత మంది వద్ద ఉంది అన్న దానిలోనూ ఉంటుంది. దీన్ని [Jensen Huang] గారు ఇన్‌స్టాల్ అయిన వినియోగ సమూహం [Installed Base] యొక్క ప్రాముఖ్యతగా వివరిస్తారు.
ఆయన ఇచ్చే ఉదాహరణ [x86] నిర్మాణం: అనేక విమర్శలు ఎదుర్కొన్నప్పటికీ విస్తృత వినియోగపు బలంతో నిలిచిపోయింది. అదే సమయంలో, నాణ్యంగా రూపొందించిన కొన్ని సంక్షిప్త ఆదేశ సమితి నిర్మాణాలు [RISC Architectures] ఊహించిన విజయాన్ని పొందలేదని ఆయన పేర్కొంటారు. అన్ని [RISC] రూపకల్పనలూ విఫలమయ్యాయని దీని అర్థం కాదు. సాంకేతిక నాణ్యత మాత్రమే ఒక వేదిక విజయాన్ని నిర్ధారించదన్నదే ఇక్కడ ప్రధాన భావం.
ఆ సమయంలో [GeForce] ఇప్పటికే ఏటా మిలియన్ల లెక్కలో అమ్ముతోంది. కాబట్టి కొత్త కంప్యూటింగ్ సామర్థ్యాన్ని ప్రజల దగ్గరికి తీసుకువెళ్లడానికి [NVIDIA] దగ్గర సిద్ధంగా ఉన్న మార్గం ఉండేది.
3. ప్రతి [GeForce] ప్రాసెసర్‌లోనూ [CUDA]: వినియోగదారులు అడగడానికి ముందే వేసిన పునాది
[CUDA] సదుపాయాన్ని కొన్ని అధిక ధర గల పరిశోధన యంత్రాల్లో మాత్రమే ఉంచవచ్చు. కానీ అలా చేసి ఉంటే, దాన్ని అందుకోగలిగే వారి సంఖ్య చాలా తక్కువగా ఉండేది.
దానికి బదులుగా, [GeForce] ద్వారా విస్తారంగా అందుబాటులో ఉన్న వ్యక్తిగత కంప్యూటర్లలో [PC] ఆ సామర్థ్యాన్ని తీసుకురావాలని సంస్థ నిర్ణయించింది. ఆట కోసం కొనుగోలు చేసిన వస్తువులో పరిశోధన కోసం అవకాశం కూడా ఉండేది. ఒక విద్యార్థి, విశ్వవిద్యాలయ ప్రయోగశాల లేదా స్వయంచాలకంగా కంప్యూటర్ అమర్చుకునే పరిశోధకుడు, తమ దగ్గర ఉన్న పరికరంతోనే కొత్త లెక్కలను ప్రయత్నించగలిగే పరిస్థితి ఏర్పడింది.
దీన్ని ప్రతి కంప్యూటర్‌లోనూ [CUDA] పనిచేసిందని అర్థం చేసుకోకూడదు. [GeForce] వినియోగ సమూహాన్ని ప్రారంభ పునాదిగా తీసుకుని, ఆ సామర్థ్యాన్ని మరింత మందికి అందుబాటులోకి తెచ్చారన్నదే భావం.
పరికరాన్ని అందించడంతో ఆగకుండా, విశ్వవిద్యాలయాలకు వెళ్లి బోధించడం, పుస్తకాలు వ్రాయడం, కోర్సులు నిర్వహించడం వంటి కృషి కూడా జరిగిందని [Jensen Huang] గారు చెబుతారు. ఒక వేదికను సృష్టించడం దాని ఉత్పత్తిని అమ్మడంతో ముగియదు; దాన్ని వాడగలిగే జ్ఞానాన్ని, సమూహాన్ని కూడా నిర్మించాలి.
4. తక్షణ ధర: పెరిగిన ఖర్చు, ఇబ్బండుల్లోకి వెళ్లిన లాభం
ఈ నిర్ణయం వల్ల వచ్చే ఆర్థిక భారం చిన్నది కాదు. [CUDA] సామర్థ్యాన్ని చేర్చడంతో ఆ ప్రాసెసర్ ఖర్చు సుమారు 50 శాతం పెరిగిందని, అప్పుడు సంస్థ సుమారు 35 శాతం స్థూల లాభ నిష్పత్తితో [Gross Margin] నడుస్తోందని [Jensen Huang] గారు జ్ఞాపకం చేసుకుంటారు.
గేమింగ్ వినియోగదారులు తాము వాడని లెక్కింపు సామర్థ్యం కోసం అదనపు ధర చెల్లించరు. కాబట్టి సంస్థ ఖర్చును స్వయంగా మోయాల్సి వచ్చింది. అది సంస్థ యొక్క స్థూల లాభ డాలర్లను [Gross Profit Dollars] పూర్తిగా మింగేసే స్థాయిలో ఉండేదని ఆయన వివరిస్తారు.
ఈ రెండు శాతాలను నేరుగా తీసివేసి సంస్థ ఆర్థిక స్థితిని నిర్ణయించలేము. ఒకటి ఉత్పత్తి ఖర్చు ఆధారంగా; మరొకటి ఆదాయం నుండి లెక్కించే లాభ నిష్పత్తి ఆధారంగా. ఆయన నొక్కిచెప్పేది సరళ లెక్క కాదు; అనాటి ఆదాయాన్ని రేపటి వేదిక కోసం త్యాగం చేయాల్సిన కష్టమైన పరిస్థితి.
అప్పుడు సంస్థ యొక్క మార్కెట్ విలువ [Market Capitalisation] సుమారు ఆరు నుండి ఎనిమిది బిలియన్ అమెరికన్ డాలర్లలో ఉండేదని, తరువాత సుమారు ఒకటిన్నర బిలియన్ డాలర్ల వరకు తగ్గిందని ఆయన సుమారుగా చెబుతారు. ఇవి ఆయన జ్ఞాపకపు అంచనాలు. ఆ మార్పు మొత్తానికి [CUDA] ఒక్కటే కారణమని దీని నుండి నిర్ణయించకూడదు.
అయినప్పటికీ, ఊహించిన ప్రయోజనం లభించడానికి సుమారు ఒక దశాబ్దం పట్టిందని ఆయన చెప్పే భావం ముఖ్యమైనది. ఈ నిర్ణయం తదుపరి త్రైమాసిక ఆదాయం కోసం తీసుకున్నది కాదు.
5. ఈ నిర్ణయం [Deep Learning]కు పునాదిగా ఎందుకు మారింది?
కొత్త పరిశోధనకు పెద్ద అడ్డంకిగా ఉండేది పరికరాలను అందుకునే ఖర్చు, కష్టం. ఇప్పటికే చాలా మంది దగ్గర ఉన్న పరికరంతో కొత్త ప్రయత్నాన్ని మొదలుపెట్టగలిగితే, ఆ అడ్డంకిలో ఒక భాగం తగ్గుతుంది.
[GeForce] ద్వారా వ్యాపించిన [CUDA], పరిశోధకులు ఒకే రకమైన ప్రోగ్రామింగ్ వాతావరణంలో [Programming Environment] ప్రయత్నించడానికి తోడ్పడే పునాదిని ఏర్పరిచింది. అందులో ఏర్పడిన జ్ఞానం, ప్రోగ్రామ్లు, అనుభవం తదుపరి ప్రయత్నాలకు కూడా ఉపయోగపడ్డాయి.
[Deep Learning] పెరిగినప్పుడు, దానికి అవసరమైన పెద్ద మొత్తంలోని సమాంతర లెక్కింపులకు [Parallel Computing] తగిన పరికరాలు, వాటిని వాడతెలిసిన వారు ఇప్పటికే తయారై ఉన్నారు. ఇదే ముఖ్యమైన ముందువెనుక.
[Deep Learning] మొత్తం చరిత్ర ఒకే సంస్థనో లేదా ఒకే పరికరాన్నో మాత్రమే ఆధారపడింది కాదు. కానీ అవసరమైన కంప్యూటింగ్ వేదికను విస్తారంగా అందుబాటులోకి తెచ్చినందులో ఈ నిర్ణయానికి ముఖ్యమైన స్థానం ఉంది. అందుకే [NVIDIA] అనేది [GeForce] కట్టిన ఇల్లు అనే భావాన్ని [Jensen Huang] గారు నొక్కిచెబుతారు.
6. సాంకేతిక నిర్ణయానికి ముందే నిర్మించిన నమ్మకం
ఒక నాయకుడి మనసులో భవిష్యత్తు స్పష్టంగా ఉండవచ్చు. కానీ దాన్ని డైరెక్టర్ల మండలి, నిర్వాహకులు, ఉద్యోగులు, కస్టమర్లు, వాటాదారులు అంగీకరించకపోతే ఆ స్పష్టత మాత్రమే సరిపోదు.
[Jensen Huang] గారు తమ విధానాన్ని దశలవారీ కారణ వివరణగా చెబుతారు. కొత్త సమాచారం, పరిశోధనా పురోగతి, ఇంజినీరింగ్ విజయం లభించినప్పుడల్లా అవి భవిష్యత్ దిశతో ఎలా సంబంధం కలిగి ఉన్నాయో చుట్టూ ఉన్నవారికి వివరిస్తారు.
పెద్ద నిర్ణయాన్ని ప్రకటించే రోజున అది అందరికీ హఠాత్ షాక్ అయిపోకూడదు. బదులుగా, ఇంతకాలం ఎందుకు పట్టిందని వారు అనుకునే స్థాయిలో దాని పునాది ముందే అమర్చబడి ఉండాలన్నదే ఆయన ఆలోచన.
[CUDA] నిర్ణయం వెనుక కూడా ఇలాంటి దీర్ఘకాలిక నమ్మకం, సహనం ఉన్నాయి. సాంకేతిక మార్గాన్ని ఎంచుకోవడంతో పాటు, దాని ఖర్చును మోసే సంస్థను కూడా ఆ ప్రయాణానికి సిద్ధం చేయాల్సి ఉండేది.
7. ఒక ఉత్పత్తి కాదు, భాగస్వాములు నిర్మించగలిగే ఒక వేదిక
[NVIDIA] తనను ఒక కంప్యూటింగ్ వేదిక సంస్థగా [Platform Company] చూసుకునే విధానం కూడా ఇక్కడ ముఖ్యమైనది. దాని ప్రతి స్థాయిలోనూ ఇతర సంస్థలు భాగస్వామ్యం కల్పించి, కలిసి నిర్మించేందుకు అవకాశమివ్వడమే ఆ విధానపు కేంద్రం.
దీని అర్థం దాని అన్ని ప్రోగ్రామ్లు ఓపెన్ సోర్స్‌గా [Open Source] అందించబడుతున్నాయని కాదు. భాగస్వాములు కలిసి నిర్మించే అవకాశానికి, సోర్స్ కోడ్‌ను బహిరంగంగా తెరిచి ఉంచడానికి తేడా ఉంది.
ఒక మంచి వేదిక, దాన్ని సృష్టించిన సంస్థ వల్ల మాత్రమే పెరుగదు. దానిపై పరిశోధకులు, ప్రోగ్రామర్లు, సంస్థలు, విద్యా సంస్థలు నిర్మించే అనువర్తనాల వల్ల కూడా పెరుగుతుంది. [CUDA]కు సంబంధించిన నిర్ణయం ఆ పెరుగుదలకు తలుపు తెరిచింది.
8. నేటి పాఠం: ఒక ప్రాసెసర్‌ను మాత్రమే వేగవంతం చేయడం సరిపోదు
పెద్ద స్థాయిలో విభజించి చేసే కంప్యూటింగ్ పనులలో [Distributed Workloads], ఒక భాగాన్ని మాత్రమే వేగవంతం చేస్తే మొత్తం వ్యవస్థ అదే స్థాయికి వేగవంతం కాదు. [Amdahl's Law] దీన్ని వివరిస్తుంది.
ఒక పనికి పట్టే సమయంలో సగం భాగాన్ని మాత్రమే మనం మెరుగుపరచగలమని అనుకుందాం. ఆ సగాన్ని ఎంత వేగవంతం చేసినా, మార్పు చేయని మిగతా సగం అలాగే ఉంటుంది. మెరుగుపరచిన భాగం సమయమే పట్టనంత వేగంగా ఉన్నా, మొత్తం పని వేగం గరిష్ఠంగా రెట్టింపు మాత్రమే అవుతుంది.
అందుకే గ్రాఫిక్స్ ప్రాసెసర్ [GPU], సెంట్రల్ ప్రాసెసర్ [CPU], నెట్‌వర్కింగ్ [Networking], మెమరీ [Memory], విద్యుత్ సరఫరా [Power], శీతలీకరణ [Cooling] వంటివన్నీ ఒకదానితో ఒకటి సరిపోయేలా రూపొందించాలి. దీన్ని అత్యంత సన్నిహిత సహ-రూపకల్పన [Extreme Co-design] అని [Jensen Huang] గారు వివరిస్తారు.
ఇక్కడ ప్రారంభకాల [CUDA] నిర్ణయంతో ఒక అనుసంధానం కనిపిస్తుంది. ఒంటరి పరికరపు సామర్థ్యం మాత్రమే సరిపోదు. దాన్ని వాడే మొత్తం వాతావరణం కూడా కలిసి పెరగాలి.
ముగింపు: భవిష్యత్ వినియోగాన్ని సృష్టించిన నిర్ణయం
[CUDA] ప్రవేశపెట్టబడినదాని ప్రాముఖ్యత కేవలం ఒక కొత్త ప్రోగ్రామింగ్ సదుపాయం వచ్చిందన్న దానిలో మాత్రమే లేదు. ఆ సదుపాయాన్ని ఇప్పటికే పెద్ద మొత్తంలో అమ్ముతున్న [GeForce]తో అనుసంధానించి, భవిష్యత్తులో దాన్ని వాడబోయే ప్రజల దగ్గరికి ముందుగానే తీసుకువెళ్లారన్న దానిలోనే దాని లోతైన ప్రాముఖ్యత ఉంది.
అనాటి ఖర్చును మాత్రమే చూసి ఉంటే ఈ నిర్ణయం తప్పుగా అనిపించేది. కానీ కంప్యూటింగ్ వేదిక యొక్క విలువ, అందులో ఇతరులు నిర్మించబోయే అనువర్తనాల్లో కూడా ఉంటుందని [NVIDIA] గ్రహించింది.
సాంకేతికత, విస్తృత వినియోగం, విద్య, ప్రోగ్రామర్ సమూహం, సంస్థా సహనం అనేవి కలిసినప్పుడు ఒక కొత్త అవకాశం ఏర్పడింది. ఆ అవకాశం తరువాత కృత్రిమ మేధస్సు [AI] ప్రపంచ పెరుగుదలతో కలిసిపోయింది. [CUDA] నిర్ణయం మనకు చూపే పాఠం ఇదే: రేపటి పెద్ద మార్పు కోసం, నేటి నుంచే పలువురు నిర్మించగలిగే పునాది కావాలి.
Powered By K7