Mula [GeForce] hanggang Artipisyal na Katalinuhan [AI]: Bakit binago ng desisyon ng [NVIDIA] tungkol sa [CUDA] ang kinabukasan ng isang kumpanya?
Panimula: Maaari bang isuko ng isang kumpanya ang kita ngayon upang buuin ang mundo ng kompyuter bukas?
Gumagastos ang isang kumpanya ng malaking halaga para sa isang tampok na hindi pa hinihingi ng mga customer nito sa ngayon. Ang pagdagdag ng tampok na iyon ay nagpapataas ng gastos sa produksyon. Ngunit hindi handa ang mga customer na magbayad ng dagdag para dito. Gayunpaman, hindi umatras ang kumpanya. Sapagkat hindi lamang nito nais magbenta ng bagong produkto; nais nitong magtayo ng isang computing platform [Computing Platform] na pagkakatawanang pagtatayuan ng iba ng kanilang mga likha sa hinaharap.
Ito ang batayan ng desisyon na ginawa ng [NVIDIA] nang dalhin nito ang kakayahan ng [CUDA] sa mga graphics processor na [GeForce] [GPU]. Ayon sa paliwanag ni [Jensen Huang], ang desisyong ito ay hindi nagdala ng agarang tagumpay sa kumpanya. Sa halip, dala nito ang gastos, presyur sa kita, at mahabang paghihintay. Ngunit kalaunan ito rin ang naging isa sa mga pundasyon ng paglago ng [Deep Learning].
1. Mula sa tagapagpabilis para sa makitid na gawain patungo sa malawak na computing platform
Sa simula, ang [NVIDIA] ay isang kumpanyang mabilis gumawa ng isang tiyak na gawain. Ang natatanging kakayahang iyon ang nagbigay sa kanya ng lakas. Gayunman, ang pagdepende lamang sa isang makitid na merkado ay maaaring maging hadlang sa kakayahan nito sa [Research and Development].
May salungatan dito. Kung ididisenyo ang sarili nang eksakto para sa isang tiyak na gawain, magiging mahirap ang paggawa ng malawak na mga gawain sa kompyuter. Kung susubukang gawin ang lahat, maaaring mawala ang natatanging kakayahang taglay mula pa noong una. Ang pamamaraan ni [Jensen Huang] ay ang unti-unting paglipat sa pagitan ng dalawa.
Bilang unang hakbang nito, paliwanag niya, ang [Programmable Pixel Shader] ang nangyari. Kasunod nito, dinala sa mga [Shaders] ang tatlumpu't dalawang-bit na floating-point na kalkulasyon na alinsunod sa pamantayan [IEEE-compatible FP32]. Dahil dito, bumangon sa mga mananaliksik ang tanong: maaari bang gamitin ang processor na ginawa para sa graphics sa iba pang kalkulasyon?
Pagkatapos ay dumating ang [Cg], na nakabatay sa programming language na (C). Ang paglalakbay na iyon ay tungo sa [CUDA] sa huli. Kaya hindi ito mahikang solusyong nagawa sa isang araw. Ito ay tuloy-tuloy na paglalakbay na nag-uugnay ng isang kakayahang teknolohikal sa susunod.
2. Mas mahalaga kung saan dinala ang [CUDA] kaysa sa pagkakalikha nito
Ang paglikha ng mahusay na teknolohiya ay hindi awtomatikong magpapagamit nito sa mga tao. Kailangan para doon ang mga sumusulat ng programa [Developers]. Kailangan din ang maraming taong makakagamit ng mga programang isinusulat nila.
Ang lakas ng isang computing platform [Computing Platform] ay hindi lamang nasa ganda ng disenyo nito; nasa dami rin ng taong may hawak na nito. Ipinapaliwanag ito ni [Jensen Huang] bilang kahalagahan ng naka-install na base ng gumagamit [Installed Base].
Ang halimbawang binibigay niya ay ang arkitekturang [x86]: bagamat hinarap nito ang maraming pagpuna, nanatili ito dahil sa lakas ng malawak na paggamit. Kasabay nito, binanggit niya na ang ilang mahusay na dinisenyong reduced instruction set architectures [RISC Architectures] ay hindi nakamit ang inaasahang tagumpay. Hindi ibig sabihin nito ay nabigo ang lahat ng disenyong [RISC]. Ang mahalagang punto dito: ang kagalingang teknolohikal lamang ay hindi garantiya ng tagumpay ng isang platform.
Noong panahong iyon, ang [GeForce] ay ibinebenta na ng milyun-milyon bawat taon. Kaya may handa nang daan ang [NVIDIA] para dalhin ang bagong kakayahan sa kompyuter sa mga tao.
3. [CUDA] sa bawat [GeForce] processor: pundasyong itinayo bago pa man hingin ng mga gumagamit
Maaaring itinago lamang ang kakayahan ng [CUDA] sa ilang mamahaling makina para sa pananaliksik. Ngunit kung ginawa iyon, kakaunti lamang ang makakapag-access nito.
Sa halip, nagpasya ang kumpanya na dalhin ang kakayahang iyon sa mga personal na kompyuter [PC] na laganap sa pamamagitan ng [GeForce]. Sa produktong binili para sa laro, may pagkakataon din para sa pananaliksik. Ang isang mag-aaral, laboratoryo ng unibersidad, o mananaliksik na nagbuo ng sariling kompyuter, ay nakapagsubok ng mga bagong kalkulasyon gamit mismo ang kagamitang nasa kanya na.
Hindi dapat unawain ito na tumakbo ang [CUDA] sa bawat kompyuter. Ang punto ay ginamit nila ang installed base ng [GeForce] bilang panimulang pundasyon, at ginawang abot ng mas maraming tao ang kakayahang iyon.
Ayon kay [Jensen Huang], bukod sa pagbibigay ng kagamitan, pumunta din ang kumpanya sa mga unibersidad upang magturo, sumulat ng mga aklat, at magdaos ng mga kurso. Ang pagbuo ng platform ay hindi nagtatapos sa pagbebenta ng produkto nito; kailangan ding buuin ang kaalaman at komunidad na makakagamit nito.
4. Ang agarang presyo: tumataas na gastos at naiipit na kita
Hindi maliit ang pasaning pang-ekonomiya ng desisyong ito. Inalala ni [Jensen Huang] na ang pagdagdag ng kakayahan ng [CUDA] ay nagpataas ng gastos ng processor nang humigit-kumulang 50%, at noong panahong iyon ang kumpanya ay umaandar sa gross margin [Gross Margin] na humigit-kumulang 35%.
Ang mga gumagamit para sa laro ay hindi magbabayad ng dagdag para sa kakayahang pang-kalkulasyon na hindi nila ginagamit. Kaya ang kumpanya ang sumalo ng gastos. Ipinapaliwanag niya na nasa antas itong lubos na lulunukin ang gross profit dollars ng kumpanya [Gross Profit Dollars].
Hindi maaaring alamin ang kalagayang pinansyal ng kumpanya sa pamamagitan ng direktang pagbabawas ng dalawang porsyentong ito. Ang batayan ng isa ay gastos sa produksyon; ang batayan ng isa ay ang bahagdan ng kita na kinukuwenta mula sa kita. Ang binibigyang-diin niya ay hindi simpleng aritmetika; ito ang mahirap na kalagayan ng pagsasakripisyo ng kita ngayon para sa platform ng bukas.
Tinataya rin niya na ang market capitalisation ng kumpanya [Market Capitalisation] noon ay humigit-kumulang anim hanggang walong bilyong dolyar ng Amerika, at kalaunan ay bumaba sa humigit-kumulang isa't kalahating bilyong dolyar. Ang mga ito ay kanyang mga tantiya mula sa alaala. Hindi dapat ipagpalagay mula rito na ang [CUDA] lamang ang nag-iisang dahilan ng buong pagbabagong iyon.
Gayunpaman, mahalaga ang kanyang puntong humigit-kumulang isang dekada bago dumating ang inaasahang bunga. Ang desisyong ito ay hindi ginawa para sa kita ng susunod na quarter.
5. Bakit naging pundasyon ng [Deep Learning] ang desisyong ito?
Ang malaking hadlang sa bagong pananaliksik ay ang gastos at hirap ng pag-access sa mga kagamitan. Kung ang bagong pagsubok ay maaaring simulan sa kagamitang nasa marami na, bumababa ang isang bahagi ng hadlang na iyon.
Ang [CUDA], na kumalat sa pamamagitan ng [GeForce], ay nagtayo ng pundasyong tumutulong sa mga mananaliksik na sumubok sa iisang programming environment [Programming Environment]. Ang kaalaman, mga programa, at karanasan na nabuo roon ay naging kapaki-pakinabang din sa mga susunod na pagsubok.
Nang lumago ang [Deep Learning], ang mga kagamitang angkop para sa napakaraming parallel computing [Parallel Computing] at ang mga taong marunong gumamit nito ay handa na. Ito ang mahalagang unang bentahe.
Ang buong kasaysayan ng [Deep Learning] ay hindi nakadepende sa iisang kumpanya o iisang kagamitan lamang. Ngunit may mahalagang bahagi ang desisyong ito sa paggawa ng kinakailangang computing platform na malawak na magagamit. Kaya't idinidiin ni [Jensen Huang] ang kaisipang ang [NVIDIA] ay bahay na itinayo ng [GeForce].
6. Tiwalang itinayo bago pa ang desisyong teknolohikal
Maaaring malinaw ang hinaharap sa isip ng isang pinuno. Ngunit kung hindi ito tatanggapin ng lupon ng mga direktor, mga tagapamahala, mga empleyado, mga customer, at mga shareholder, hindi sapat ang kalinawang iyon lamang.
Sinasabi ni [Jensen Huang] na ang kanyang pamamaraan ay hakbang-hakbang na pagpapaliwanag ng dahilan. Tuwing may bagong impormasyon, pag-unlad sa pananaliksik, o tagumpay sa inhinyeriya, ipinapaliwanag niya sa mga nasa paligid kung paano ito nauugnay sa direksyon ng hinaharap.
Sa araw na ipahayag ang malaking desisyon, hindi ito dapat biglaang gulat para sa lahat. Sa halip, ang pundasyon nito ay dapat naitakda na nang maaga nang husto kaya't iisipin ng mga tao kung bakit ito nagtagal - iyon ang kanyang paniniwala.
Sa likod din ng desisyon tungkol sa [CUDA] ay ganitong pangmatagalang tiwala at pasensya. Bukod sa pagpili ng landas na teknolohikal, ang kumpanyang magpapasan ng gastos nito ay kailangan ding ihanda para sa paglalakbay na iyon.
7. Hindi isang produkto, kundi isang platform na matatayuan ng mga kasosyo
Mahalaga rin dito ang pamamaraan ng [NVIDIA] na tignan ang sarili bilang isang platform company [Platform Company]. Ang ubod ng pamamaraang iyon ay ang pagbibigay ng bawat layer nito ng puwang para sa ibang kumpanya na mag-ambag at makalikha nang sama-sama.
Hindi ibig sabihin nito ay lahat ng programa nito ay ibinibigay bilang [Open Source]. May pagkakaiba ang pagkakataon ng mga kasosyo na lumikha nang sama-sama, at ang pagbubukas ng source code sa publiko.
Ang isang mahusay na platform ay hindi lumalago mula sa kumpanyang lumikha nito lamang. Lumalago rin ito sa mga aplikasyong binubuo sa ibabaw nito ng mga mananaliksik, developer, kumpanya, at institusyong pang-edukasyon. Ang desisyon tungkol sa [CUDA] ang nagbukas ng pinto para sa paglaging iyon.
8. Aral ngayon: hindi sapat ang pagsasapabilis ng iisang processor
Sa malalaking gawain sa kalkulasyon na hinahati-hati [Distributed Workloads], ang pagpapabilis ng isang bahagi lamang ay hindi nagpapabilis ng buong sistema sa parehong antas. Ipinapaliwanag ito ng [Amdahl's Law].
Ipagpalagay nating ang kalahati lamang ng oras na ginugugol sa isang gawain ang kaya nating pabutihin. Gaano man natin pabilisin ang kalahating iyon, mananatili ang kalahating hindi nabago. Kahit maging napakabilis ng pinabuting bahagi na halos hindi na ito kumukuha ng oras, ang bilis ng buong gawain ay magiging dalawang beses lamang sa pinakamataas.
Kaya ang graphics processor [GPU], central processor [CPU], networking [Networking], memory [Memory], power [Power], at cooling [Cooling] ay kailangang idisenyo nang magkakasundo. Ito ang tinatawag ni [Jensen Huang] na napakalapit na magkasamang disenyo [Extreme Co-design].
Dito nakikita ang pagpapatuloy sa maagang desisyon ng [CUDA]. Hindi sapat ang kakayahan ng iisang kagamitan. Ang buong kapaligirang gumagamit nito ay kailangang lumago nang magkasama.
Konklusyon: ang desisyong lumikha ng gamit para sa hinaharap
Ang kahalagahan ng pagpapakilala ng [CUDA] ay hindi lamang na may bagong tampok sa programming na dumating. Ang malalim na kahalagahan nito ay nasa pag-uugnay ng tampok na iyon sa [GeForce], na marami na ang nabebenta, at sa pagdadala nito nang maaga sa mga taong bubuo ng mga aplikasyon nito sa hinaharap.
Kung ang gastos noong araw na iyon lamang ang tiningnan, maaaring nagmukhang mali ang desisyong ito. Ngunit naunawaan ng [NVIDIA] na ang halaga ng isang computing platform ay nasa mga aplikasyong itatayo rin ng iba sa ibabaw nito.
Nang magkasama ang teknolohiya, malawak na paggamit, edukasyon, komunidad ng mga developer, at pasensya ng kumpanya, nabuo ang isang bagong pagkakataon. Ang pagkakataong iyon ay kalaunang nakiisa sa paglago ng mundo ng Artipisyal na Katalinuhan [AI]. Ang aral na ipinapakita sa atin ng desisyon ng [CUDA] ay ito: para sa malaking pagbabago ng bukas, kailangan ng pundasyong maitatayuan ng marami ngayon pa lang.
Powered By K7