Boganmeldelse: The Thinking Machine: Jensen Huang, NVIDIA og verdens mest eftertragtede mikrochip af Stephen Witt

The Thinking Machine: Jensen Huang, NVIDIA og verdens mest eftertragtede mikrochip adskiller sig fra de fleste bøger om kunstig intelligens, fordi den tilgår emnet fra en vinkel, som mange teknisk kyndige læsere, inklusive mig selv, historisk har undervurderet.

Ligesom mange mennesker, der har fulgt AI i årevis, blev min forståelse af feltet formet af velkendte milepæle. Historien begynder normalt i 1956 med Dartmouth-workshoppen, går videre til tidlige symbolske systemer, springer derefter frem til bemærkelsesværdige øjeblikke som IBM’s Deep Blue besejrer Garry Kasparov, DeepMind mestre Go og mere nylig OpenAI demonstrerer, at store sprogmodeller kan koordinere strategi i komplekse multiplayer-miljøer. Disse øjeblikke er intellektuelt tilfredsstillende og lette at huske, fordi de handler om synlige sejre.

Hvad Stephen Witts bog gør exceptionelt godt, er at udfordre denne ramme. I stedet for at fokusere på øjeblikke, hvor AI imponerede verden, fokuserer The Thinking Machine på det mindre synlige lag under disse præstationer. Den argumenterer overbevisende for, at den moderne AI-æra ikke blev låst op primært af kreative ideer alene, men af en grundlæggende ændring i, hvordan computation selv blev udført.

Ved at fokusere på NVIDIA (NVDA -2.03%) og dens medstifter Jensen Huang, genfortolker Witt AI-revolutionen som en historie om computingsarkitektur, udviklerplatforme og langsigtede visioner. Resultatet er ikke kun en virksomhedsbiografi, men et manglende kapitel i den bredere historie om kunstig intelligens.

Fra videospil til en ny computing-paradigme

NVIDIA’s begyndelse er langt fjernet fra de høje ambitioner, der nu er forbundet med kunstig intelligens. Virksomheden opstod i 1993 som en grafikchip-producent, fokuseret på at rendre stadig mere realistiske videospil-verdener. Udfordringen på det tidspunkt var ikke intelligens, men hastighed. Spil krævede enorme mængder af beregninger, der skulle udføres øjeblikkeligt for at simulere lys, bevægelse og dybde.

Løsningen, som NVIDIA forfulgte, var parallel computing. Parallel computing indebærer at udføre mange beregninger på samme tid i stedet for at udføre dem sekventielt. I stedet for at afhænge af en enkelt kraftfuld kerne, der behandler en instruks efter en anden, bruger GPU’er tusinder af mindre kerner, der arbejder samtidigt på lignende matematiske operationer. Dette tilgang er særligt kraftfuldt for arbejdsmængder, der indebærer gentagelse af de samme beregninger på store datasæt.

Originelt var denne arkitektur bygget til grafik. Dog viser Witt, hvordan dette valg stille og roligt skabte den ideelle grundlag for neurale netværk årtier senere. Træning af moderne AI-modeller indebærer massive mængder af identiske matematiske operationer, der anvendes på store mængder data. GPU’er var allerede optimeret til netop den type arbejde.

Hvad gør denne del af bogen kompellerende, er, hvordan tydeligt Witt forbinder tekniske designvalg til overlevelse. NVIDIA valgte ikke parallel computing, fordi de forudså kunstig intelligens. De valgte det, fordi det var den eneste måde at konkurrere i realtid grafik på. Denne nødvendighed tvang virksomheden til at mestre en computing-model, der senere ville vise sig at være transformationel langt ud over gaming.

Jensen Huang og tænkning i systemer, ikke produkter

I centrum af denne historie er Jensen Huang, som ikke bliver portrætteret som en konventionel direktør, men som en person, der konsekvent tænker i systemer i stedet for enkeltprodukter. Witt præsenterer Huang som krævende, intens og ofte svær at arbejde med, men også bemærkelsesværdigt konsekvent i, hvordan han så på teknologi over lange perioder.

Mens konkurrenter behandlede GPU’er som udskiftelige komponenter, der var knyttet til gaming-cykler, behandlede Huang dem som grundlaget for en bredere computing-platform. Denne forskel er kritisk. Produkter bliver erstattet. Platforme akkumulerer.

Internt afspejlede NVIDIA denne holdning. Ingeniører blev opmuntret til at tænke år frem i tiden. Software blev behandlet som strategisk vigtig som silicium. Investeringer blev gjort i værktøjer og udviklerstøtte lang tid før der var klart efterspørgsel. Mange af disse valg syntes excessive eller unødvendige på det tidspunkt. I retrospekt skabte de en grav, som konkurrenter kæmpede for at krydse.

Witt gør det klart, at NVIDIA’s opstigning ikke var uundgåelig. Virksomheden var tæt på at gå ned mere end en gang. Hvad førte den fremad, var ikke et enkelt gennembrud, men en vedvarende overbevisning om, at accelereret computing ville blive vigtigt langt ud over dets oprindelige brugsområde.

CUDA og AI-opspringshistorien, mange missede

En af de vigtigste bidrag fra The Thinking Machine er, hvordan den genfortolker CUDA’s rolle i AI-historien.

Før jeg læste denne bog, var det let at tænke på CUDA som bare et succesfuldt udviklerværktøj. Witt viser, hvorfor det fortjener langt mere opmærksomhed. CUDA blev skabt for at gøre parallel computing brugbart uden for grafik. Før CUDA krævede brug af GPU’er til generel computation, at man tvang problemer gennem grafikspecifikke grænseflader. Dette var skrøbeligt, ineffektivt og begrænset til specialister.

CUDA ændrede dette ved at give udviklere mulighed for at programmere GPU’er ved hjælp af velkendte programmeringsmodeller. Tusinder af computing-kerner blev tilgængelige som en generel ressource. Dette sænkede barrieren for højtydende computing på en måde, som få mennesker fuldt ud værdsatte på det tidspunkt.

Dette er, hvor bogen stærkt resonerede med min egen oplevelse af at lære AI-historie. Den narrative, jeg absorberede, fokuserede tungt på modeller og algoritmer. Hvad The Thinking Machine gør klart, er, at mange af disse ideer kun blev praktiske, når forskere kunne træne dem i stor skala.

AI-forskere erkendte hurtigt, at neurale netværk var en næsten perfekt match for parallel computing. Træning indebærer gentagelse af de samme operationer på store datasæt, justering af millioner eller milliarder af parametre over tid. CUDA gjorde dette proces hurtigere, billigere og mere pålideligt end CPU’er nogensinde kunne.

Dette blev særligt vigtigt, da dyb læring accelererede og senere, da transformer-baserede modeller opstod. Transformere trives på skala. Uden GPU-acceleration ville mange af de modeller, der definerer i dagens AI-landskab, være blevet teoretiske eller urimeligt dyre. CUDA opfandt ikke disse arkitekturer, men gjorde deres hurtige evolution mulig.

Hvad Witt fanger særligt godt, er, at dette udfald ikke var fuldt planlagt. CUDA blev bygget til videnskabelig computing. AI-forskere opdagede dets kraft og trak NVIDIA ind i centrum af AI-kaplingen.

Infrastruktur over algoritmer

En af bogen’s mest værdifulde indsigt er, at AI-fremgang er begrænset lige så meget af infrastruktur som af ideer. Mange populære beretninger fokuserer på algoritmer, trænings-tricks og datasæt. The Thinking Machine minder læseren om, at ingen af disse ting betyder noget uden tilstrækkelig compute.

Set fra denne synsvinkel, synes den moderne AI-boom mindre pludselig og mere forsinket. Neurale netværk har eksisteret i årtier. Hvad ændrede sig, var tilgængeligheden af hardware, der kan træne dem i meningsfuld skala.

NVIDIA tilbød ikke blot hurtigere chip. De byggede en økosystem af hardware, software-biblioteker og udviklerværktøjer, der forstærkede hinanden over tid. Denne feedback-løkke skabte en varig fordel, der strakte sig langt ud over raw-ydelse.

Bogen understreger stille en realitet, der er mere og mere åbenlys i dag: lederskab i AI bliver formet af forsyningskæder, produktionskapacitet, software-økosystemer og platform-kontrol, ikke kun forskningsbrilliance.

Vision, risiko og akkumulerende konsekvenser

Witt holder ikke igen med implikationerne af NVIDIA’s dominans. Da virksomheden bliver grundlæggende for global AI-infrastruktur, vokser dens indflydelse derefter. Jensen Huang’s overbevisning om, at accelereret computing vil definere den næste fase af teknologisk fremgang, løber gennem hele bogen.

I stedet for at moralisere fokuserer The Thinking Machine på, hvordan konsekvente ingeniør- og strategiske beslutninger akkumulerede over tid. NVIDIA vandt ikke ved at jagte tendenser. De vandt ved at committe tidligt til parallel computing, udholde gentagne markedscykler og investere uhindret i de værktøjer, der gjorde deres hardware uundværlig.

Til læsere, der søger at forstå, hvordan AI virkelig skalaerede

For læsere, der allerede kender AI-historiens hovedpunkter, udfylder denne bog det manglende lag under dem. Den forklarer, hvorfor disse gennembrud kunne skalaere, da de gjorde, og hvorfor NVIDIA opstod som en så central kraft i processen.

Dette er en bog for læsere, der ønsker at forstå kunstig intelligens som et industriel system i stedet for en samling af kreative modeller. Den vil resonere stærkt med dem, der er interesseret i chip, datacentre og de ofte usynlige ingeniørbeslutninger, der stille og roligt former teknologisk kraft.

The Thinking Machine lykkes, fordi den genfortolker AI-historien fra bunden, viser, hvordan parallel computing, udviklerplatforme og langsigtede visioner byggede grundlaget, som moderne kunstig intelligens nu står på.