[GeForce]'tan Yapay Zekaya [AI]: [NVIDIA]'nın [CUDA] kararı bir şirketin geleceğini neden değiştirdi?
Giriş: Bir şirket, yarının bilgisayar dünyasını kurmak için bugünün kârından vazgeçebilir mi?
Bir şirket, müşterilerinin henüz talep etmediği bir özellik için büyük bir para harcıyor. Bu özelliğin eklenmesi üretim maliyetini artırıyor. Ama müşteriler bunun için fazladan ödeme yapmaya hazır değil. Yine de şirket geri adım atmadı. Çünkü amacı yalnızca yeni bir ürün satmak değildi; gelecekte başkalarının kendi ürünlerini üzerine inşa edebileceği bir bilgi işlem platformu [Computing Platform] kurmaktı.
[NVIDIA]'nın [CUDA] yeteneğini [GeForce] grafik işlemcilerine [GPU] getirirken aldığı kararın temeli işte buydu. [Jensen Huang]'ın açıkladığı gibi, bu karar şirkete anında başarı getirmedi. Bunun yerine maliyet, kâr baskısı ve uzun bir bekleyiş getirdi. Ama sonra bu karar, [Deep Learning]'in büyümesinin temellerinden biri oldu.
1. Dar görevler için hızlandırıcıdan geniş bilgi işlem platformuna
Başlangıçta [NVIDIA], belirli bir işi hızlı yapan bir şirketti. Bu uzmanlık ona güç veriyordu. Aynı zamanda yalnızca dar bir pazara bel bağlamak, şirketin [Research and Development] kapasitesi için bir sınır olabilirdi.
Burada bir çelişki vardı. Şirket kendini tek bir özel işe göre tasarlarsa, geniş bilgi işlem görevlerini yapmak zorlaşır. Her şeyi yapmaya kalkarsa, baştaki uzmanlığını kaybedebilir. [Jensen Huang]'ın yaklaşımı, bu ikisi arasında adım adım ilerlemekti.
Onun anlatımıyla bunun ilk adımı [Programmable Pixel Shader] oldu. Ardından, [Shaders] içine standarda uygun otuz iki bit kayan nokta hesabı [IEEE-compatible FP32] getirildi. Böylece araştırmacıların aklında şu soru doğdu: Grafik için tasarlanmış bir işlemci başka hesaplamalar için de kullanılabilir mi?
Sonra (C) programlama diline dayanan [Cg] geldi. Bu yolculuk sonunda [CUDA]'ya ulaştı. Yani bu, bir günde ortaya çıkan sihirli bir çözüm değil. Bir teknolojik yeteneği bir sonrakine bağlayan sürekli bir yolculuk.
2. [CUDA]'yı yaratmaktan çok, onu nereye taşıdığın önemlidir
Harika bir teknoloji yaratmış olmak, insanların onu kullanmaya başlayacağı anlamına gelmez. Bunun için program yazanlara [Developers] ihtiyaç vardır. Yazdıkları programları kullanabilecek geniş bir kitleye de ihtiyaç vardır.
Bir bilgi işlem platformunun [Computing Platform] gücü yalnızca tasarımının güzelliğinde değildir; kaç kişinin elinde zaten bulunduğunda da yatar. [Jensen Huang] bunu, kurulu kullanıcı tabanının [Installed Base] önemi olarak açıklıyor.
Verdiği örnek [x86] mimarisi: pek çok eleştiriyle karşılaşmasına rağmen, yaygın kullanımın gücüyle ayakta kaldı. Aynı zamanda, incelikle tasarlanmış bazı indirgenmiş komut kümesi mimarilerinin [RISC Architectures] beklenen başarıyı yakalayamadığını belirtiyor. Bu, bütün [RISC] tasarımlarının başarısız olduğu anlamına gelmiyor. Buradaki asıl nokta şu: Teknolojik incelik tek başına bir platformun başarısını garanti etmez.
O dönemde [GeForce] zaten yılda milyonlarca adet satıyordu. Dolayısıyla [NVIDIA]'nın yeni bilgi işlem yeteneğini insanlara ulaştırmak için hazır bir yolu vardı.
3. Her [GeForce] işlemcisinde [CUDA]: kullanıcılar istemeden önce atılan temel
[CUDA] yeteneği yalnızca yüksek fiyatlı araştırma makinelerinde tutulabilirdi. Ama öyle yapılsaydı, ona erişebilenlerin sayısı az kalırdı.
Bunun yerine şirket, bu yeteneği [GeForce] aracılığıyla yaygın olarak bulunan kişisel bilgisayarlara [PC] getirmeye karar verdi. Oyun için alınan ürünün içinde araştırma için de bir imkân vardı. Bir öğrenci, üniversite laboratuvarı ya da kendi bilgisayarını toplayan bir araştırmacı, elindeki araçla yeni hesaplamaları deneyebilir hale geldi.
Bu, her bilgisayarda [CUDA]'nın çalıştığı şeklinde anlaşılmamalı. Mesele şu: [GeForce] kullanıcı tabanını bir başlangıç temeli olarak kullandılar ve bu yeteneği daha çok insanın erişimine açtılar.
[Jensen Huang], aracı sağlamakla kalmayıp üniversitelere gidip ders verdiklerini, kitaplar yazdıklarını ve kurslar düzenlediklerini söylüyor. Bir platform kurmak, ürününü satmakla bitmez; onu kullanabilecek bilgiyi ve topluluğu da kurmak gerekir.
4. Anlık bedel: artan maliyet ve sıkışan kâr
Bu kararın ekonomik yükü küçük değildi. [Jensen Huang], [CUDA] yeteneğinin eklenmesiyle işlemcinin maliyetinin yaklaşık %50 arttığını ve o sırada şirketin yaklaşık %35 brüt kâr marjıyla [Gross Margin] çalıştığını hatırlatıyor.
Oyun kullanıcıları, kullanmadıkları bir hesaplama yeteneği için fazladan bedel ödemez. Bu yüzden şirket maliyeti kendisi üstlenmek zorunda kaldı. Huang'ın anlatımıyla bu, şirketin brüt kâr dolarlarını [Gross Profit Dollars] tamamen yutacak düzeydeydi.
Şirketin mali durumu bu iki yüzdeyi doğrudan birbirinden çıkararak belirlenemez. Birinin tabanı üretim maliyeti; diğerinin tabanı gelirden hesaplanan kâr oranı. Onun vurguladığı basit bir hesap değil; bugünün gelirini yarının platformu için feda etmek zorunda kalınan zor durumdur.
Ayrıca şirketin piyasa değerinin [Market Capitalisation] o dönemde yaklaşık altı ila sekiz milyar ABD doları civarında olduğunu, sonra yaklaşık bir buçuk milyar dolara kadar düştüğünü kabaca söylüyor. Bunlar onun anıya dayalı tahminleri. Buradan, tüm bu değişimin tek nedeninin [CUDA] olduğu sonucu çıkarılmamalıdır.
Yine de onun önemli bir noktası şu: Beklenen faydanın gelmesi yaklaşık on yıl sürdü. Bu karar, bir sonraki çeyreğin geliri için alınmadı.
5. Bu karar neden [Deep Learning]'in temeli oldu?
Yeni araştırmaların önündeki büyük engel, araçlara erişimin maliyeti ve zorluğudur. Yeni bir deneme, birçok kişide zaten bulunan bir araçla başlatılabilirse, bu engelin bir kısmı azalır.
[GeForce] aracılığıyla yayılan [CUDA], araştırmacıların aynı programlama ortamında [Programming Environment] denemeler yapmasını sağlayan temeli oluşturdu. Orada oluşan bilgi, programlar ve deneyim sonraki denemelerde de kullanıldı.
[Deep Learning] büyüdüğünde, gerektirdiği devasa paralel hesaplamalara [Parallel Computing] uygun araçlar ve onları kullanmayı bilen insanlar zaten hazırdı. İşte önemli olan öncelik buydu.
[Deep Learning]'in bütün tarihi tek bir şirkete ya da tek bir araca dayanmaz. Ama gerekli bilgi işlem platformunun yaygın biçimde erişilebilir kılınmasında bu kararın önemli bir yeri vardır. Bu yüzden [Jensen Huang], [NVIDIA]'nın [GeForce]'un kurduğu ev olduğu düşüncesini vurguluyor.
6. Teknolojik karardan önce inşa edilen güven
Gelecek bir liderin zihninde net olabilir. Ama yönetim kurulu, yöneticiler, çalışanlar, müşteriler ve hissedarlar bunu kabul etmezse, o netlik tek başına yetmez.
[Jensen Huang] yaklaşımını adım adım gerekçelendirme olarak anlatıyor. Yeni bir bilgi, araştırma ilerlemesi ya da mühendislik başarısı ortaya çıktığında, bunların gelecekteki yönelimle nasıl bağlantılı olduğunu çevresindekilere açıklıyor.
Büyük kararın açıklandığı gün, herkes için ani bir şok olmamalı. Aksine, insanların neden bu kadar uzun sürdü diye düşüneceği kadar temeli önceden atılmış olmalı - onun düşüncesi bu.
[CUDA] kararının arkasında da bu tür uzun vadeli güven ve sabır vardı. Teknolojik yolu seçmekle birlikte, maliyetini taşıyacak şirketin de o yolculuğa hazırlanması gerekiyordu.
7. Bir ürün değil, ortakların üzerine inşa edebileceği bir platform
[NVIDIA]'nın kendini bir platform şirketi [Platform Company] olarak görme yaklaşımı da burada önemli. Bu yaklaşımın özü, her katmanında başka şirketlerin katkı vermesine ve birlikte üretmesine alan açmasıdır.
Bu, bütün yazılımlarının [Open Source] olarak sunulduğu anlamına gelmez. Ortakların birlikte üretme imkânı ile kaynak kodunu kamuya açmak arasında fark vardır.
İyi bir platform yalnızca onu kuran şirketle büyümez. Üzerinde araştırmacıların, geliştiricilerin, şirketlerin ve eğitim kurumlarının oluşturduğu uygulamalarla da büyür. [CUDA] ile ilgili karar, o büyümenin kapısını açtı.
8. Günümüzün dersi: tek bir işlemciyi hızlandırmak yetmez
Büyük ölçekte paylaşılarak yapılan hesaplama işlerinde [Distributed Workloads], bir bölümü hızlandırmak, sistemin tamamını aynı ölçüde hızlandırmaz. [Amdahl's Law] bunu açıklar.
Bir işin süresinin yalnızca yarısını iyileştirebildiğimizi varsayalım. O yarıyı ne kadar hızlandırırsak hızlandıralım, değiştirilmeyen diğer yarı olduğu gibi kalır. İyileştirilen bölüm hiç zaman almayacak kadar hızlı olsa bile, işin tamamının hızı en fazla iki katına çıkar.
Bu yüzden grafik işlemci [GPU], merkezi işlemci [CPU], ağ [Networking], bellek [Memory], güç [Power] ve soğutma [Cooling] birbirine uyacak şekilde tasarlanmalıdır. [Jensen Huang] buna aşırı yakın birlikte tasarım [Extreme Co-design] diyor.
Burada erken dönem [CUDA] kararıyla bir süreklilik görülüyor. Tek başına bir aracın yeteneği yetmez. Onu kullanan bütün ortamın birlikte büyümesi gerekir.
Sonuç: geleceğin faydasını yaratan karar
[CUDA]'nın tanıtılmasının önemi, yalnızca yeni bir programlama özelliğinin gelmesinde değildir. Asıl derin önemi, bu özelliği zaten büyük miktarlarda satılan [GeForce] ile birleştirip, gelecekte onun üzerine uygulamalar kuracak insanlara önceden ulaştırmalarındadır.
O günkü maliyete bakılsaydı, bu karar yanlış görünebilirdi. Ama [NVIDIA], bir bilgi işlem platformunun değerinin, başkalarının üzerine kuracağı uygulamalarda da yattığını biliyordu.
Teknoloji, yaygın kullanım, eğitim, geliştirici topluluğu ve kurumsal sabır bir araya geldiğinde yeni bir fırsat doğdu. Bu fırsat sonra Yapay Zeka [AI] dünyasının büyümesiyle birleşti. [CUDA] kararının bize gösterdiği ders şudur: Yarının büyük değişimi için, bugünden birçok kişinin üzerine inşa edebileceği bir temel gerekir.
Powered By K7