从 [GeForce] 到人工智能 [AI]:[NVIDIA] 围绕 [CUDA] 个决定为啥改变了一家公司个未来?
引言:好勿好放弃今朝个利润,去建明朝个计算世界?
一家公司为了客户并呒没马上要个功能投了大本钱。加进搿项功能推高了生产成本,但客户并勿愿意为此多付钱。尽管搿能,搿家公司呒没退缩,因为伊勿只是想卖一件新产品;伊想搭一个计算平台,让将来其他人好垃拉浪向创造自家个作品。
搿个正是 [NVIDIA] 垃 [GeForce] 图形处理器 [GPU] 里向引进 [CUDA] 功能辰光所作决策个核心。正如黄仁勋 [Jensen Huang] 所解释个,搿个决定并呒没为公司带来立竿见影个成功;相反,伊带来了成本、利润压力搭漫长个等待。但后来,伊成为了深度学习 [Deep Learning] 发展个基石之一。
1. 从单一任务个加速器到广阔个计算平台
起初,[NVIDIA] 是一家拿某一项特定任务做得交关快个公司。搿种专长拨了伊力量;但同辰光,只靠一个狭窄个市场,也可能限制伊个研发 [Research and Development] 能力。
搿搭存在一个矛盾:假使过度针对专门任务来设计,通用计算任务就可能难完成;假使样样侪想做,又可能失去最初个专长。黄仁勋个做法,是垃两者之间循序渐进。
伊解释讲,第一步是可编程像素着色器 [Programmable Pixel Shader]。随后,着色器 [Shaders] 里向引进了符合标准个32位浮点运算 [IEEE-compatible FP32]。搿个让研究者提出了一个问题:为图形打造个处理器,好勿好用垃其他计算浪?
之后出现了以 (C) 编程语言为基础个 [Cg]。搿段旅程最终走向了 [CUDA]。所以,搿个勿是一日天之内诞生个神奇方案,而是一段拿一项技术能力搭下一项能力连接起来个持续旅程。
2. 比创造 [CUDA] 更加重要个,是拿伊带到了啥地方
创造出一项优秀技术,并勿意味牢人家就会开始用伊。搿个需要编写程序个开发者 [Developers],也需要好使用搿眼程序个大量用户。
一个计算平台 [Computing Platform] 个力量,勿只垃拉伊个设计之美,还垃拉伊已经覆盖了几化人。黄仁勋拿搿点解释为装机基础 [Installed Base] 个重要性。
伊举个 [x86] 架构尽管饱受批评,却凭借广泛使用个力量屹立勿倒;同辰光伊指出,一眼设计精简个精简指令集架构 [RISC Architectures] 并呒没获得预期个成功。搿个并勿是讲所有 [RISC] 设计侪失败了;关键垃拉,技术浪个精巧本身并勿能保证一个平台个成功。
搿辰光,[GeForce] 已经以每年百万计个销量垃卖。因此,[NVIDIA] 手里向已经有一条现成个路,好拿新个计算能力带给大众。
3. 每一颗 [GeForce] 处理器里向个 [CUDA]:垃用户开口之前就造好个地基
伊拉本可以拿 [CUDA] 功能只放垃少数高价个研究机器里向;但搿能一来,好接触到伊个人数会非常少。
相反,公司决定通过 [GeForce],拿搿项能力带进广泛普及个个人电脑 [PC]。为白相游戏买个产品里向,也有了用于研究个可能。学生、大学实验室,或者独自装电脑个研究者,侪好用手头已经有个工具尝试新个计算。
搿个并勿意味牢 [CUDA] 垃每一台电脑浪侪真正运行起来了。要点是:伊拉以 [GeForce] 个装机基础为起点,让搿项能力拨更多人触手可及。
黄仁勋讲,伊拉勿止于提供工具,还走进大学授课、写书、开班。建立一个平台,并勿止于卖出伊个产品;还必须培养会用伊个知识搭社群。
4. 眼前个代价:上升个成本搭受压个利润
搿一决策个经济负担并勿轻。黄仁勋回忆道,加进 [CUDA] 能力让该处理器个成本上升了约50%,而搿辰光公司个运营毛利率 [Gross Margin] 约为35%。
游戏用户勿会为自家用户着个计算能力多付钱。因此,公司只好自家承担搿部分成本;伊形容讲,搿几乎吞脱了公司个全部毛利额 [Gross Profit Dollars]。
勿好直接拿搿两个百分比相减来断定公司个财务状况:一个个基础是生产成本,另一个个基础是从收入算出来个利润比率。伊强调个勿是简单个算术,而是搿辰光个艰难处境:必须为明朝个平台牺牲今朝个收入。
伊大致讲,搿辰光公司个市值 [Market Capitalisation] 约为六十亿到八十亿美元,后来跌到约十五亿美元。搿眼是伊凭回忆拨出个估算,也勿好据此断定 [CUDA] 是搿段变化个唯一原因。
勿过,伊个另一个看法交关重要:预期个成果花了大约十年才到来。搿个决定勿是为下一个季度个收入而做个。
5. 为啥搿个决定成为了深度学习个地基?
新研究面对个一大障碍,是获得工具所需个成本搭困难。假使好垃交关人已经有个工具浪开始新个尝试,搿道障碍就少了一截。
通过 [GeForce] 普及开来个 [CUDA],造了一个让研究者垃相同个编程环境 [Programming Environment] 里向做实验个地基;垃伊浪向积累个知识、程序搭经验,也服务于一轮又一轮个新尝试。
当深度学习 [Deep Learning] 兴起个辰光,适合伊所需大规模并行计算 [Parallel Computing] 个工具,搭晓得使用搿眼工具个人,侪已经就位。搿个是关键个先发优势。
深度学习个全部历史,并勿只靠一家公司或者一件工具。但垃让伊所需个计算平台广泛可得搿一点浪,搿个决定占有重要位置。正因为搿能,黄仁勋强调:[NVIDIA] 是 [GeForce] 造起来个房子。
6. 垃技术决策之前建立起来个信任
一位领导者个脑海里向,未来或许清晰可见;但假使董事会、管理层、员工、客户搭股东勿能接受,只有搿份清晰是勿够个。
黄仁勋拿自家个方法描述为循序渐进个解释。每当出现新个信息、研究进展或者工程成就,伊侪会向周围个人说明,伊拉同未来个方向有啥关联。
垃宣布重大决定个搿一日,伊对任何人侪勿应该是突如其来个惊雷;相反,伊个地基应当老早就打好,好到人家反而会想:为啥花了搿能长久?搿个是伊个想法。
[CUDA] 决定个背后,也有牢搿种长期个信任搭耐心。选定技术路线个同辰光,还必须让承担其成本个公司为搿段旅程做好准备。
7. 勿是一件产品,而是一个让伙伴共同创造个平台
[NVIDIA] 拿自家看作一家平台公司 [Platform Company] 个思路,垃搿搭同样重要。搿种方式个核心,是垃自家个每一层浪,侪为其他公司留出贡献搭共同创造个空间。
搿个并勿意味牢伊个所有软件侪以开源 [Open Source] 方式提供;为伙伴提供共同创造个机会,搭拿源代码完全公开,是两桩事体。
一个好个平台,勿只靠创造伊个公司成长;研究者、开发者、企业搭教育机构垃伊浪向构建个应用,同样让伊成长。[CUDA] 相关个决定,打开了通往搿种成长个大门。
8. 今朝个启示:只加速一颗处理器是勿够个
垃大规模分担个计算任务 [Distributed Workloads] 里向,只加速其中一个部分,整个系统并勿会以同样个幅度变快。阿姆达尔定律 [Amdahl's Law] 解释了搿一点。
假设阿拉只好改进一项任务里向一半个辰光:无论拿搿一半加速多少,呒没被改变个另一半依然存垃;即使被改进个部分快到几乎勿花辰光,整项任务最多也只可以快一倍。
正因为搿能,图形处理器 [GPU]、中央处理器 [CPU]、网络 [Networking]、内存 [Memory]、供电 [Power] 搭散热 [Cooling] 必须被设计成彼此配合个整体。黄仁勋拿搿个称为极致协同设计 [Extreme Co-design]。
垃搿搭,好看到伊同早期 [CUDA] 决定之间个延续:只有单个工具个能力是勿够个,使用伊个整个生态也必须一道成长。
结语:一个创造了未来用途个决定
[CUDA] 面世个重要性,勿只垃拉多了一项新个编程功能;伊更深层个意义垃拉,伊拉拿搿项功能搭已经垃大量销售个 [GeForce] 结合起来,提前拿伊送到了将来会用伊个人们手中。
假使只看搿辰光个成本,搿个决定或许显得错误;但 [NVIDIA] 明白,一个计算平台个价值,也存垃别人将垃伊浪向构建个应用之中。
当技术、广泛个使用、教育、开发者社群搭企业个耐心走到一道,一个新个机会诞生了;而搿个机会,后来同人工智能 [AI] 世界个成长汇合。[CUDA] 个决定告诉阿拉个是:为了明朝个大变革,今朝就需要一个交关人好共同搭建个地基。
Powered By K7