Từ [GeForce] đến trí tuệ nhân tạo [AI]: vì sao quyết định của [NVIDIA] về [CUDA] đã thay đổi tương lai của một công ty?
Mở đầu: có thể từ bỏ lợi nhuận hôm nay để xây dựng thế giới điện toán của ngày mai?
Một công ty chi một khoản tiền lớn cho một tính năng mà khách hàng chưa tức thì đòi hỏi. Việc thêm tính năng đó làm chi phí sản xuất tăng lên, nhưng khách hàng không sẵn sàng trả thêm tiền cho nó. Dù vậy, công ty không lùi bước, bởi nó không chỉ muốn bán một sản phẩm mới; nó muốn xây một nền tảng điện toán để trong tương lai những người khác có thể tạo ra sản phẩm của riêng họ trên đó.
Đó chính là cốt lõi của quyết định mà [NVIDIA] đưa ra khi đưa tính năng [CUDA] vào các bộ xử lý đồ họa [GPU] [GeForce]. Như Jensen Huang giải thích, quyết định này không mang lại thành công tức thì cho công ty; thay vào đó, nó tạo ra chi phí, áp lực lợi nhuận và một quãng chờ đợi dài. Nhưng về sau, chính nó trở thành một trong những nền móng cho sự phát triển của học sâu [Deep Learning].
1. Từ bộ tăng tốc cho một nhiệm vụ hẹp đến một nền tảng điện toán rộng
Ban đầu, [NVIDIA] là một công ty làm rất nhanh một nhiệm vụ cụ thể. Chuyên môn đó mang lại sức mạnh cho nó; nhưng đồng thời, việc chỉ dựa vào một thị trường hẹp cũng có thể giới hạn năng lực nghiên cứu và phát triển [Research and Development] của nó.
Ở đây có một nghịch lý: nếu thiết kế quá chuyên biệt cho một nhiệm vụ, các tác vụ điện toán tổng quát có thể khó thực hiện; nếu cố làm tất cả, công ty có thể đánh mất chuyên môn ban đầu. Cách tiếp cận của Jensen Huang là tiến từng bước giữa hai thái cực ấy.
Ông giải thích rằng bước đầu tiên là bộ đổ bóng điểm ảnh khả trình [Programmable Pixel Shader]. Tiếp theo, phép tính dấu chấm động 32-bit tương thích chuẩn [IEEE-compatible FP32] được đưa vào các bộ đổ bóng [Shaders]. Điều này khiến các nhà nghiên cứu đặt câu hỏi: liệu một bộ xử lý được tạo ra cho đồ họa có thể dùng cho các phép tính khác không?
Sau đó xuất hiện [Cg], dựa trên ngôn ngữ lập trình (C). Hành trình ấy cuối cùng dẫn tới [CUDA]. Vì vậy, đây không phải một giải pháp kỳ diệu sinh ra trong một ngày, mà là một hành trình liên tục nối một năng lực kỹ thuật với năng lực tiếp theo.
2. Quan trọng hơn việc tạo ra [CUDA] là họ đã đưa nó đến đâu
Tạo ra một công nghệ xuất sắc không có nghĩa là mọi người sẽ bắt đầu dùng nó. Điều đó cần những nhà phát triển [Developers] viết chương trình, và cần một số lượng lớn người có thể dùng các chương trình ấy.
Sức mạnh của một nền tảng điện toán [Computing Platform] không chỉ nằm ở vẻ đẹp thiết kế của nó, mà còn ở số người mà nó đã vươn tới. Jensen Huang giải thích đây là tầm quan trọng của lượng máy đã cài đặt [Installed Base].
Kiến trúc [x86] mà ông nêu làm ví dụ tuy bị nhiều chỉ trích vẫn đứng vững nhờ sức mạnh của việc sử dụng rộng rãi; đồng thời ông chỉ ra rằng một số kiến trúc tập lệnh rút gọn được thiết kế tinh gọn [RISC Architectures] đã không đạt thành công như kỳ vọng. Điều này không có nghĩa là mọi thiết kế [RISC] đều thất bại; điểm mấu chốt là sự tinh xảo kỹ thuật tự thân nó không đảm bảo thành công của một nền tảng.
Vào thời điểm đó, [GeForce] đã bán ra hàng triệu chiếc mỗi năm. Vì vậy, [NVIDIA] đã có sẵn trong tay một con đường để đưa năng lực điện toán mới tới công chúng.
3. [CUDA] trong mọi bộ xử lý [GeForce]: nền móng được xây trước cả khi người dùng lên tiếng
Lẽ ra họ có thể chỉ đặt tính năng [CUDA] trong một số ít máy nghiên cứu giá cao; nhưng nếu vậy, số người tiếp cận được nó sẽ rất ít.
Thay vào đó, công ty quyết định đưa năng lực ấy vào các máy tính cá nhân [PC] phổ cập rộng rãi thông qua [GeForce]. Trong sản phẩm mua về để chơi game cũng có khả năng dành cho nghiên cứu. Một sinh viên, một phòng thí nghiệm đại học hay một nhà nghiên cứu tự lắp máy đều có thể thử những phép tính mới ngay trên công cụ sẵn có của mình.
Điều này không có nghĩa là [CUDA] thực sự chạy trên mọi máy tính. Điểm cốt lõi là: họ lấy lượng máy [GeForce] đã cài đặt làm nền móng ban đầu, để đưa năng lực ấy đến gần với nhiều người hơn.
Jensen Huang cho biết họ không dừng lại ở việc cung cấp công cụ, mà còn đến các trường đại học giảng dạy, viết sách, mở lớp. Xây dựng một nền tảng không kết thúc bằng việc bán sản phẩm của nó; còn phải tạo ra cả kiến thức và cộng đồng biết sử dụng nó.
4. Cái giá trước mắt: chi phí tăng và lợi nhuận chịu áp lực
Gánh nặng kinh tế của quyết định này không hề nhỏ. Jensen Huang hồi tưởng rằng việc thêm năng lực [CUDA] khiến chi phí bộ xử lý tăng khoảng 50%, trong khi thời điểm đó công ty vận hành với biên lợi nhuận gộp [Gross Margin] khoảng 35%.
Người chơi game sẽ không trả thêm tiền cho năng lực tính toán mà họ không dùng. Vì vậy, công ty buộc phải tự gánh phần chi phí ấy; ông mô tả rằng nó gần như nuốt trọn toàn bộ lợi nhuận gộp [Gross Profit Dollars] của công ty.
Không thể trừ trực tiếp hai tỷ lệ phần trăm này để kết luận về tình hình tài chính của công ty: một con số dựa trên chi phí sản xuất, con số kia dựa trên tỷ lệ lợi nhuận tính từ doanh thu. Điều ông nhấn mạnh không phải phép tính đơn giản, mà là hoàn cảnh khó khăn lúc bấy giờ: phải hy sinh doanh thu hôm nay vì nền tảng của ngày mai.
Ông ước lượng rằng khi đó vốn hóa thị trường [Market Capitalisation] của công ty vào khoảng sáu đến tám tỷ đô la Mỹ, rồi sau đó giảm xuống còn khoảng 1,5 tỷ đô la. Đây là những ước lượng theo trí nhớ của ông, và cũng không thể kết luận rằng [CUDA] là nguyên nhân duy nhất của toàn bộ biến động ấy.
Tuy nhiên, một nhận định khác của ông rất quan trọng: phải mất khoảng một thập kỷ thì kết quả mong đợi mới đến. Quyết định này không được đưa ra vì doanh thu của quý tiếp theo.
5. Vì sao quyết định này trở thành nền móng cho học sâu?
Một rào cản lớn với nghiên cứu mới là chi phí và khó khăn để tiếp cận công cụ. Nếu có thể bắt đầu thử nghiệm mới trên công cụ mà nhiều người đã có, rào cản ấy bớt đi một phần.
[CUDA] lan rộng qua [GeForce] đã tạo nên một nền móng giúp các nhà nghiên cứu thử nghiệm trong cùng một môi trường lập trình [Programming Environment]; kiến thức, chương trình và kinh nghiệm tích lũy trên đó cũng phục vụ cho từng lớp thử nghiệm tiếp theo.
Khi học sâu [Deep Learning] trỗi dậy, các công cụ phù hợp với khối lượng điện toán song song [Parallel Computing] khổng lồ mà nó đòi hỏi, cùng những người biết sử dụng chúng, đều đã sẵn sàng. Đây là lợi thế đi trước then chốt.
Toàn bộ lịch sử của học sâu không chỉ dựa vào một công ty hay một công cụ. Nhưng trong việc làm cho nền tảng điện toán mà nó cần trở nên phổ biến rộng rãi, quyết định này giữ một vị trí quan trọng. Chính vì vậy, Jensen Huang nhấn mạnh: [NVIDIA] là ngôi nhà do [GeForce] xây nên.
6. Niềm tin được xây trước quyết định kỹ thuật
Trong tâm trí một nhà lãnh đạo, tương lai có thể rõ ràng; nhưng nếu hội đồng quản trị, các nhà quản lý, nhân viên, khách hàng và cổ đông không chấp nhận, chỉ riêng sự rõ ràng ấy là chưa đủ.
Jensen Huang mô tả cách làm của mình là giải thích từng bước. Mỗi khi có thông tin mới, tiến bộ nghiên cứu hay thành tựu kỹ thuật, ông đều giải thích cho những người xung quanh thấy chúng liên hệ thế nào với hướng đi tương lai.
Vào ngày công bố một quyết định lớn, nó không nên là một tiếng sét bất ngờ với bất kỳ ai; trái lại, nền móng của nó phải được xây từ lâu, đến mức mọi người lại tự hỏi: sao mất lâu thế? Đó là ý tưởng của ông.
Phía sau quyết định [CUDA] cũng có thứ niềm tin và sự kiên nhẫn lâu dài như vậy. Bên cạnh việc chọn hướng đi kỹ thuật, còn phải chuẩn bị cho chính công ty gánh chi phí sẵn sàng cho hành trình ấy.
7. Không phải một sản phẩm, mà là một nền tảng để đối tác cùng sáng tạo
Cách [NVIDIA] tự nhìn mình là một công ty nền tảng [Platform Company] cũng quan trọng ở đây. Cốt lõi của cách tiếp cận ấy là ở mọi tầng của mình, đều dành chỗ cho các công ty khác đóng góp và cùng sáng tạo.
Điều này không có nghĩa là mọi phần mềm của họ đều được phát hành dưới dạng mã nguồn mở [Open Source]; tạo cơ hội cho đối tác cùng sáng tạo và công khai toàn bộ mã nguồn là hai việc khác nhau.
Một nền tảng tốt không chỉ lớn lên nhờ công ty tạo ra nó; các ứng dụng mà nhà nghiên cứu, lập trình viên, doanh nghiệp và tổ chức giáo dục xây trên nó cũng làm nó lớn lên. Quyết định liên quan tới [CUDA] đã mở ra cánh cửa dẫn tới sự phát triển ấy.
8. Bài học hôm nay: chỉ tăng tốc một bộ xử lý là chưa đủ
Trong các tác vụ điện toán phân tán quy mô lớn [Distributed Workloads], chỉ tăng tốc một phần thì toàn bộ hệ thống không nhanh lên cùng mức. Định luật Amdahl [Amdahl's Law] giải thích điều này.
Giả sử ta chỉ có thể cải thiện một nửa thời gian của một tác vụ: dù tăng tốc nửa ấy bao nhiêu, nửa còn lại không đổi vẫn tồn tại; ngay cả khi phần được cải thiện nhanh đến mức gần như không tốn thời gian, toàn bộ tác vụ tối đa cũng chỉ nhanh gấp đôi.
Chính vì vậy, bộ xử lý đồ họa [GPU], bộ xử lý trung tâm [CPU], mạng [Networking], bộ nhớ [Memory], nguồn điện [Power] và tản nhiệt [Cooling] phải được thiết kế để ăn khớp với nhau. Jensen Huang gọi đây là đồng thiết kế tột bậc [Extreme Co-design].
Ở đây có thể thấy sự liên tục với quyết định [CUDA] thuở đầu: chỉ riêng năng lực của một công cụ là chưa đủ, cả hệ sinh thái sử dụng nó cũng phải cùng lớn lên.
Lời kết: một quyết định đã tạo ra công dụng của tương lai
Tầm quan trọng của việc [CUDA] ra đời không chỉ nằm ở một tính năng lập trình mới; ý nghĩa sâu xa hơn nằm ở chỗ họ kết hợp tính năng ấy với [GeForce] vốn đã bán ra số lượng lớn, đưa nó đến tay những người sẽ dùng nó trong tương lai ngay từ trước.
Nếu chỉ nhìn vào chi phí thời điểm ấy, quyết định này có lẽ trông sai lầm; nhưng [NVIDIA] hiểu rằng giá trị của một nền tảng điện toán còn nằm trong những ứng dụng mà người khác sẽ xây trên nó.
Khi công nghệ, việc sử dụng rộng rãi, giáo dục, cộng đồng lập trình viên và sự kiên nhẫn của doanh nghiệp gặp nhau, một cơ hội mới ra đời; và cơ hội ấy sau này hòa vào sự phát triển của thế giới trí tuệ nhân tạo [AI]. Bài học mà quyết định [CUDA] chỉ cho chúng ta là: vì một thay đổi lớn của ngày mai, ngay từ hôm nay cần một nền móng mà nhiều người có thể cùng xây dựng.
Powered By K7