จาก [GeForce] สู่ปัญญาประดิษฐ์ [AI]: ทำไมการตัดสินใจของ [NVIDIA] เรื่อง [CUDA] จึงเปลี่ยนอนาคตของทั้งบริษัท?
บทนำ: บริษัทหนึ่งจะยอมสละกำไรของวันนี้เพื่อสร้างโลกคอมพิวเตอร์ของวันพรุ่งนี้ได้หรือไม่?
บริษัทแห่งหนึ่งใช้เงินจำนวนมากกับคุณสมบัติที่ลูกค้ายังไม่ได้เรียกร้องในทันที การเพิ่มคุณสมบัตินั้นทำให้ต้นทุนการผลิตสูงขึ้น แต่ลูกค้าก็ไม่พร้อมจ่ายเพิ่มสำหรับมัน ถึงกระนั้นบริษัทก็ไม่ถอย เพราะมันไม่ได้ตั้งใจจะขายผลิตภัณฑ์ใหม่เพียงอย่างเดียว แต่ตั้งใจสร้างแพลตฟอร์มคอมพิวเตอร์ [Computing Platform] ที่ในอนาคตผู้อื่นจะสามารถสร้างสรรค์ผลงานของตนเองได้
นี่คือรากฐานของการตัดสินใจที่ [NVIDIA] ทำเมื่อนำความสามารถของ [CUDA] มาใส่ในหน่วยประมวลผลกราฟิก [GeForce] [GPU] ดังที่ [Jensen Huang] อธิบาย การตัดสินใจนี้ไม่ได้นำความสำเร็จในทันทีมาสู่บริษัท ตรงกันข้าม มันสร้างทั้งต้นทุน แรงกดดันด้านกำไร และการรอคอยที่ยาวนาน แต่ภายหลังมันกลายเป็นหนึ่งในรากฐานของการเติบโตของ [Deep Learning]
1. จากเครื่องเร่งงานเฉพาะทางสู่แพลตฟอร์มคอมพิวเตอร์ที่กว้าง
ในช่วงแรก [NVIDIA] เป็นบริษัทที่ทำงานเฉพาะอย่างหนึ่งได้เร็ว ความสามารถเฉพาะทางนั้นคือความแข็งแกร่งของมัน แต่ในเวลาเดียวกัน การพึ่งพาตลาดแคบเพียงอย่างเดียวอาจกลายเป็นข้อจำกัดต่อความสามารถด้าน [Research and Development] ของบริษัท
ตรงนี้มีความขัดแย้งอยู่ หากออกแบบตัวเองให้เหมาะกับงานเฉพาะทางเกินไป การทำงานคอมพิวเตอร์ที่กว้างก็จะยาก หากพยายามทำทุกอย่าง ก็อาจเสียความสามารถเฉพาะทางที่มีตั้งแต่แรก แนวทางของ [Jensen Huang] คือค่อยๆ เคลื่อนไประหว่างสองจุดนั้นทีละขั้น
ขั้นแรกของเส้นทางนั้น เขาอธิบายว่าคือ [Programmable Pixel Shader] ต่อมา การคำนวณเลขทศนิยมแบบสามสิบสองบิตตามมาตรฐาน [IEEE-compatible FP32] ถูกนำมาใส่ใน [Shaders] สิ่งนี้ทำให้นักวิจัยเกิดคำถามว่า หน่วยประมวลผลที่สร้างมาเพื่อกราฟิก สามารถใช้กับการคำนวณอื่นได้หรือไม่
หลังจากนั้น [Cg] ซึ่งสร้างบนพื้นฐานของภาษาโปรแกรม (C) ก็มาถึง การเดินทางนั้นในที่สุดก็มุ่งไปสู่ [CUDA] ดังนั้น นี่ไม่ใช่ทางออกวิเศษที่เกิดขึ้นในวันเดียว แต่เป็นการเดินทางต่อเนื่องที่เชื่อมความสามารถทางเทคโนโลยีหนึ่งเข้ากับความสามารถถัดไป
2. การพา [CUDA] ไปที่ใดสำคัญกว่าการสร้างมันขึ้นมา
การสร้างเทคโนโลยีที่ยอดเยี่ยมขึ้นมาเพียงอย่างเดียวไม่ได้ทำให้ผู้คนเริ่มใช้มันโดยอัตโนมัติ สำหรับสิ่งนั้นต้องมีผู้เขียนโปรแกรม [Developers] และต้องมีผู้คนจำนวนมากที่สามารถใช้โปรแกรมที่พวกเขาเขียนได้
ความแข็งแกร่งของแพลตฟอร์มคอมพิวเตอร์ [Computing Platform] ไม่ได้อยู่ที่ความสวยงามของการออกแบบเพียงอย่างเดียว แต่อยู่ที่จำนวนคนที่มีมันอยู่แล้วด้วย [Jensen Huang] อธิบายเรื่องนี้ว่าเป็นความสำคัญของฐานผู้ใช้ที่ติดตั้งอยู่แล้ว [Installed Base]
ตัวอย่างที่เขายกคือสถาปัตยกรรม [x86] แม้จะถูกวิจารณ์มากมาย แต่ก็ยืนหยัดได้ด้วยพลังของการใช้งานที่แพร่หลาย ในขณะเดียวกัน เขาชี้ว่าสถาปัตยกรรมชุดคำสั่งแบบลดรูปบางตัว [RISC Architectures] แม้ออกแบบมาอย่างประณีต แต่กลับไม่ประสบความสำเร็จอย่างที่คาด นั่นไม่ได้หมายความว่าสถาปัตยกรรม [RISC] ทั้งหมดล้มเหลว ประเด็นสำคัญคือ ความประณีตทางเทคโนโลยีเพียงอย่างเดียวไม่ได้รับประกันความสำเร็จของแพลตฟอร์ม
ในช่วงเวลานั้น [GeForce] ขายได้หลายล้านหน่วยต่อปีอยู่แล้ว ดังนั้น [NVIDIA] จึงมีเส้นทางที่พร้อมอยู่แล้วในการนำความสามารถคอมพิวเตอร์ใหม่ไปสู่ผู้คน
3. [CUDA] ในหน่วยประมวลผล [GeForce] ทุกตัว: รากฐานที่วางไว้ก่อนผู้ใช้จะเรียกร้อง
ความสามารถของ [CUDA] จะถูกเก็บไว้เฉพาะในเครื่องวิจัยราคาสูงบางเครื่องก็ได้ แต่หากทำเช่นนั้น จำนวนผู้ที่เข้าถึงได้ก็จะยังคงน้อย
แทนที่จะเป็นเช่นนั้น บริษัทตัดสินใจนำความสามารถนั้นมาสู่คอมพิวเตอร์ส่วนบุคคล [PC] ที่หาได้ทั่วไปผ่านทาง [GeForce] ในผลิตภัณฑ์ที่ซื้อเพื่อเล่นเกม ยังมีโอกาสสำหรับการวิจัยด้วย นักศึกษา ห้องปฏิบัติการของมหาวิทยาลัย หรือนักวิจัยที่ประกอบคอมพิวเตอร์เอง ต่างสามารถทดลองการคำนวณใหม่บนอุปกรณ์ที่มีอยู่แล้ว
สิ่งนี้ไม่ควรตีความว่า [CUDA] ทำงานบนคอมพิวเตอร์ทุกเครื่อง ประเด็นคือ พวกเขาใช้ฐานผู้ใช้ของ [GeForce] เป็นจุดตั้งต้น และทำให้ความสามารถนั้นเข้าถึงได้โดยคนจำนวนมากขึ้น
[Jensen Huang] กล่าวว่า นอกจากจัดหาอุปกรณ์แล้ว บริษัทยังไปที่มหาวิทยาลัยเพื่อสอน เขียนหนังสือ และจัดคอร์สเรียน การสร้างแพลตฟอร์มไม่ได้จบลงที่การขายผลิตภัณฑ์ แต่ต้องสร้างทั้งความรู้และชุมชนที่สามารถใช้มันได้
4. ราคาในทันที: ต้นทุนที่เพิ่มขึ้นและกำไรที่ถูกกด
ภาระทางเศรษฐกิจของการตัดสินใจนี้ไม่เล็ก [Jensen Huang] ระลึกว่า การเพิ่มความสามารถของ [CUDA] ทำให้ต้นทุนของหน่วยประมวลผลนั้นเพิ่มขึ้นประมาณ 50% และในขณะนั้นบริษัทดำเนินงานด้วยอัตรากำไรขั้นต้น [Gross Margin] ประมาณ 35%
ผู้ใช้งานเกมจะไม่จ่ายเพิ่มสำหรับความสามารถในการคำนวณที่พวกเขาไม่ได้ใช้ ดังนั้นบริษัทจึงต้องรับต้นทุนนั้นไว้เอง เขาอธิบายว่า มันอยู่ในระดับที่กลืนกินจำนวนกำไรขั้นต้นของบริษัท [Gross Profit Dollars] ไปทั้งหมด
สถานะทางการเงินของบริษัทไม่สามารถตัดสินได้จากการนำเปอร์เซ็นต์ทั้งสองมาหักลบกันโดยตรง ฐานของตัวหนึ่งคือต้นทุนการผลิต ฐานของอีกตัวหนึ่งคืออัตรากำไรที่คำนวณจากรายได้ สิ่งที่เขาเน้นย้ำไม่ใช่การคำนวณง่ายๆ แต่คือสถานการณ์ที่ยากลำบากของการต้องเสียสละรายได้ของวันนี้เพื่อแพลตฟอร์มของวันพรุ่งนี้
เขาประมาณการด้วยว่า มูลค่าตลาดของบริษัท [Market Capitalisation] ในขณะนั้นอยู่ที่ประมาณหกถึงแปดพันล้านดอลลาร์สหรัฐ แล้วภายหลังลดลงเหลือประมาณหนึ่งพันห้าร้อยล้านดอลลาร์ ตัวเลขเหล่านี้เป็นการประมาณจากความทรงจำของเขา จากตรงนี้ไม่ควรสรุปว่า [CUDA] เป็นสาเหตุเดียวของการเปลี่ยนแปลงทั้งหมดนั้น
อย่างไรก็ตาม ประเด็นสำคัญของเขาคือ ต้องใช้เวลาประมาณหนึ่งทศวรรษกว่าผลตอบแทนที่คาดหวังจะมาถึง การตัดสินใจนี้ไม่ได้ทำเพื่อรายได้ของไตรมาสถัดไป
5. ทำไมการตัดสินใจนี้จึงกลายเป็นรากฐานของ [Deep Learning]?
อุปสรรคสำคัญของการวิจัยใหม่คือค่าใช้จ่ายและความยากในการเข้าถึงเครื่องมือ หากสามารถเริ่มการทดลองใหม่บนเครื่องมือที่คนจำนวนมากมีอยู่แล้ว อุปสรรคนั้นก็ลดลงส่วนหนึ่ง
[CUDA] ที่แพร่กระจายผ่าน [GeForce] ได้สร้างรากฐานที่ช่วยให้นักวิจัยทดลองในสภาพแวดล้อมการเขียนโปรแกรมเดียวกัน [Programming Environment] ความรู้ โปรแกรม และประสบการณ์ที่เกิดขึ้นล้วนใช้ประโยชน์ต่อในการทดลองครั้งต่อไป
เมื่อ [Deep Learning] เติบโตขึ้น เครื่องมือที่เหมาะกับการคำนวณแบบขนานจำนวนมาก [Parallel Computing] และผู้คนที่รู้จักใช้มัน ก็ได้เตรียมพร้อมไว้แล้ว นี่คือจุดได้เปรียบที่สำคัญ
ประวัติศาสตร์ทั้งหมดของ [Deep Learning] ไม่ได้ขึ้นอยู่กับบริษัทเดียวหรือเครื่องมือเดียว แต่การตัดสินใจนี้มีส่วนสำคัญในการทำให้แพลตฟอร์มการคำนวณที่จำเป็นเข้าถึงได้อย่างแพร่หลาย นั่นคือเหตุที่ [Jensen Huang] เน้นย้ำแนวคิดที่ว่า [NVIDIA] คือบ้านที่ [GeForce] สร้างขึ้น
6. ความเชื่อมั่นที่สร้างไว้ก่อนการตัดสินใจทางเทคโนโลยี
อนาคตอาจชัดเจนอยู่ในใจของผู้นำคนหนึ่ง แต่หากคณะกรรมการ ผู้บริหาร พนักงาน ลูกค้า และผู้ถือหุ้นไม่ยอมรับ ความชัดเจนนั้นเพียงอย่างเดียวก็ไม่เพียงพอ
[Jensen Huang] บอกเล่าแนวทางของเขาว่าเป็นการให้เหตุผลทีละขั้น เมื่อใดก็ตามที่มีข้อมูลใหม่ ความก้าวหน้าทางการวิจัย หรือผลงานทางวิศวกรรม เขาจะอธิบายให้คนรอบตัวเห็นว่าสิ่งเหล่านั้นเชื่อมโยงกับทิศทางอนาคตอย่างไร
ในวันที่ประกาศการตัดสินใจครั้งใหญ่ มันไม่ควรเป็นเรื่องตกใจสำหรับทุกคน ตรงกันข้าม รากฐานของมันควรถูกวางไว้ล่วงหน้าจนผู้คนแปลกใจว่าทำไมถึงใช้เวลานานขนาดนี้ - นั่นคือความคิดของเขา
เบื้องหลังการตัดสินใจเรื่อง [CUDA] ก็มีความเชื่อมั่นและความอดทนระยะยาวเช่นนี้เช่นกัน นอกจากเลือกเส้นทางเทคโนโลยีแล้ว ยังต้องเตรียมบริษัทที่จะแบกรับต้นทุนของมันให้พร้อมสำหรับการเดินทางนั้นด้วย
7. ไม่ใช่ผลิตภัณฑ์ แต่เป็นแพลตฟอร์มที่พันธมิตรสร้างต่อได้
แนวทางที่ [NVIDIA] มองตัวเองเป็นบริษัทแพลตฟอร์ม [Platform Company] ก็สำคัญเช่นกัน หัวใจของแนวทางนั้นคือทุกชั้นของมันเปิดโอกาสให้บริษัทอื่นมีส่วนร่วมและร่วมสร้างสรรค์
นั่นไม่ได้หมายความว่าโปรแกรมทั้งหมดของมันถูกเผยแพร่แบบ [Open Source] มีความแตกต่างระหว่างโอกาสให้พันธมิตรร่วมสร้างสรรค์ กับการเปิดเผยซอร์สโค้ดต่อสาธารณะ
แพลตฟอร์มที่ดีไม่ได้เติบโตจากบริษัทที่สร้างมันเพียงแห่งเดียว แต่เติบโตจากการประยุกต์ใช้ที่นักวิจัย นักพัฒนา บริษัท และสถาบันการศึกษาสร้างขึ้นบนมัน การตัดสินใจเรื่อง [CUDA] เปิดประตูสู่การเติบโตนั้น
8. บทเรียนของวันนี้: การเร่งหน่วยประมวลผลเพียงตัวเดียวไม่เพียงพอ
ในงานคำนวณขนาดใหญ่ที่แบ่งกระจายกันทำ [Distributed Workloads] การเร่งเพียงส่วนเดียวไม่ได้ทำให้ทั้งระบบเร็วขึ้นในระดับเดียวกัน กฎของ [Amdahl's Law] อธิบายเรื่องนี้
สมมติว่าเราสามารถปรับปรุงได้เพียงครึ่งหนึ่งของเวลาที่ใช้ในงานหนึ่ง ไม่ว่าจะเร่งครึ่งนั้นให้เร็วเพียงใด อีกครึ่งที่ไม่ได้เปลี่ยนแปลงก็ยังอยู่ แม้ส่วนที่ปรับปรุงจะเร็วจนแทบไม่ใช้เวลาเลย ความเร็วของทั้งงานก็จะเพิ่มได้สูงสุดเพียงสองเท่าเท่านั้น
นั่นคือเหตุที่หน่วยประมวลผลกราฟิก [GPU] หน่วยประมวลผลกลาง [CPU] เครือข่าย [Networking] หน่วยความจำ [Memory] การจ่ายไฟ [Power] และการระบายความร้อน [Cooling] ต้องถูกออกแบบให้เข้ากัน สิ่งนี้ [Jensen Huang] เรียกว่าการออกแบบร่วมกันอย่างใกล้ชิดที่สุด [Extreme Co-design]
ตรงนี้เราเห็นความต่อเนื่องกับการตัดสินใจเรื่อง [CUDA] ในยุคแรก ความสามารถของอุปกรณ์เดี่ยวเพียงอย่างเดียวไม่เพียงพอ สภาพแวดล้อมทั้งหมดที่ใช้มันก็ต้องเติบโตไปด้วยกัน
บทสรุป: การตัดสินใจที่สร้างประโยชน์ของอนาคต
ความสำคัญของการเปิดตัว [CUDA] ไม่ได้อยู่เพียงที่ว่ามีคุณสมบัติการเขียนโปรแกรมใหม่เกิดขึ้น ความสำคัญที่ลึกซึ้งของมันอยู่ที่การจับคู่คุณสมบัตินั้นกับ [GeForce] ซึ่งขายได้เป็นจำนวนมากอยู่แล้ว และพามันไปสู่ผู้คนที่จะสร้างการประยุกต์ใช้ของมันในอนาคตล่วงหน้า
หากมองเพียงต้นทุนในวันนั้น การตัดสินใจนี้อาจดูเหมือนความผิดพลาด แต่ [NVIDIA] เข้าใจว่าคุณค่าของแพลตฟอร์มคอมพิวเตอร์ยังอยู่ในการประยุกต์ใช้ที่ผู้อื่นจะสร้างขึ้นบนมันด้วย
เมื่อเทคโนโลยี การใช้งานที่แพร่หลาย การศึกษา ชุมชนนักพัฒนา และความอดทนของบริษัทมารวมกัน โอกาสใหม่ก็เกิดขึ้น โอกาสนั้นภายหลังได้ผสานกับการเติบโตของโลกปัญญาประดิษฐ์ [AI] บทเรียนที่การตัดสินใจเรื่อง [CUDA] แสดงให้เราเห็นคือ: สำหรับการเปลี่ยนแปลงครั้งใหญ่ของวันพรุ่งนี้ จำเป็นต้องมีรากฐานที่คนจำนวนมากสามารถร่วมสร้างได้ตั้งแต่วันนี้
Powered By K7