Обзор книги: Машина Мысли: Дженсен Хуанг, NVIDIA и самая востребованная микросхема в мире

Машина Мысли: Дженсен Хуанг, NVIDIA и самая востребованная микросхема в мире выделяется среди большинства книг о искусственном интеллекте, поскольку она подходит к этой теме с точки зрения, которую многие технически грамотные читатели, включая меня, исторически недооценивали.

Как и многие люди, которые следили за развитием ИИ в течение лет, мое понимание этой области было сформировано знакомыми вехами. История обычно начинается в 1956 году с семинара в Дартмуте, проходит через ранние символические системы, затем переходит к знаковым моментам, таким как победа Deep Blue над Гарри Каспаровым, DeepMind, освоивший игру Го, и более недавно демонстрация OpenAI того, что крупномасштабные языковые модели могут координировать стратегию в сложных многопользовательских средах. Эти моменты интеллектуально удовлетворительны и легко запоминаются, поскольку они сосредоточены на заметных победах.

Что книга Стивена Витта делает исключительно хорошо, так это бросает вызов этому подходу. Вместо того, чтобы сосредоточиться на моментах, когда ИИ впечатлил мир, Машина Мысли сосредоточена на менее заметном слое под этими достижениями. Она убедительно утверждает, что современная эпоха ИИ не была открыта в первую очередь благодаря умным идеям, а благодаря фундаментальному сдвигу в том, как выполняются вычисления.

Поставив в центр повествования NVIDIA (NVDA -1.62%) и ее сооснователя Дженсена Хуанга, Витт переосмысливает революцию ИИ как историю о вычислительной архитектуре, платформах разработчиков и долгосрочном видении. Результатом не является просто корпоративная биография, а скорее недостающая глава в более широкой истории искусственного интеллекта.

От видеоигр к новой вычислительной парадигме

Начало NVIDIA находится далеко от тех высоких амбиций, которые сейчас ассоциируются с искусственным интеллектом. Компания появилась в 1993 году как производитель графических чипов, ориентированный на создание все более реалистичных миров видеоигр. Проблема в то время заключалась не в интеллекте, а в скорости. Играм требовалось выполнить огромное количество вычислений мгновенно, чтобы смоделировать свет, движение и глубину.

Решение, которое NVIDIA решила, заключалось в параллельных вычислениях. Параллельные вычисления означают выполнение многих вычислений одновременно, а не последовательное выполнение. Вместо того, чтобы полагаться на один мощный ядро, которое обрабатывает одну инструкцию за другой, графические процессоры используют тысячи меньших ядер, которые работают одновременно над подобными математическими операциями. Этот подход особенно мощный для рабочих нагрузок, которые включают повторение одних и тех же вычислений на больших наборах данных.

Первоначально эта архитектура была разработана для графики. Однако Витт показывает, как это решение тихо создало идеальную основу для нейронных сетей через десятилетия. Обучение современных моделей ИИ включает в себя огромное количество идентичных математических операций, применяемых к огромным объемам данных. Графические процессоры уже были оптимизированы именно для этой работы.

Что делает эту часть книги убедительной, так это то, как четко Витт связывает технические дизайнерские решения с выживанием. NVIDIA не выбрала параллельные вычисления, потому что она предвидела искусственный интеллект. Она выбрала их, потому что это был единственный способ соревноваться в реальном времени графике. Эта необходимость заставила компанию освоить модель вычислений, которая позже окажется трансформационной далеко за пределами игр.

Дженсен Хуанг и мышление в системах, а не продуктах

В центре этой истории находится Дженсен Хуанг, изображенный не как обычный исполнительный директор, а как человек, который последовательно мыслил в системах, а не в отдельных продуктах. Витт представляет Хуанга как требовательного, интенсивного и часто трудного, но также замечательно последовательного в том, как он рассматривал технологии в течение длительного времени.

В то время как конкуренты рассматривали графические процессоры как одноразовые компоненты, связанные с циклами игр, Хуанг рассматривал их как основу более широкой вычислительной платформы. Это различие становится критическим. Продукты заменяются. Платформы накапливаются.

Внутри NVIDIA это мышление было отражено. Инженерам было предложено думать вперед на годы. Программное обеспечение рассматривалось как стратегически важное, как и кремний. Инвестиции были сделаны в инструменты и поддержку разработчиков задолго до того, как появился четкий спрос. Многие из этих выборов казались чрезмерными или ненужными в то время. В ретроспективе они создали ров, который конкурентам было трудно преодолеть.

Витт делает ясным, что восхождение NVIDIA не было неизбежным. Компания была близка к провалу более чем один раз. То, что ее вынесло вперед, не было одним прорывом, а устойчивой верой в то, что ускоренные вычисления в конечном итоге будут иметь значение далеко за пределами их первоначального применения.

CUDA и история происхождения ИИ, которую многие упустили

Одним из наиболее важных вкладов Машины Мысли является то, как она переосмысливает роль CUDA в истории ИИ.

До того, как я прочитал эту книгу, было легко думать о CUDA как о простом успешном инструменте для разработчиков. Витт показывает, почему она заслуживает гораздо больше внимания. CUDA была создана, чтобы сделать параллельные вычисления доступными за пределами графики. До CUDA использование графических процессоров для общих вычислений требовало принуждения проблем через графические интерфейсы. Это было хрупким, неэффективным и ограниченным для специалистов.

CUDA изменила это, позволив разработчикам программировать графические процессоры, используя знакомые модели программирования. Тысячи вычислительных ядер стали доступны как общий ресурс. Это снизило барьер для входа в высокопроизводительные вычисления таким образом, который немногие люди полностью оценили в то время.

Это где книга сильно резонировала с моим собственным опытом изучения истории ИИ. Повествование, которое я усвоил, сосредоточилось сильно на моделях и алгоритмах. Что Машина Мысли делает ясным, так это то, что многие из этих идей стали практическими только тогда, когда исследователи смогли фактически обучить их в масштабе.

Исследователи ИИ быстро признали, что нейронные сети были почти идеальным совпадением для параллельных вычислений. Обучение включает в себя повторение одних и тех же операций на больших наборах данных, корректировку миллионов или миллиардов параметров с течением времени. CUDA позволила этому процессу происходить быстрее, дешевле и более надежно, чем центральные процессоры когда-либо могли.

Это стало особенно важным, когда глубокое обучение ускорилось и позже, когда появились модели на основе трансформеров. Трансформеры процветают на масштабе. Без ускорения графических процессоров многие из моделей, которые определяют сегодняшний ландшафт ИИ, остались бы теоретическими или чрезвычайно дорогими. CUDA не изобрела эти архитектуры, но она сделала их быстрое развитие возможным.

Что Витт особенно хорошо捕урет, так это то, что этот исход не был полностью запланирован. CUDA была построена для научных вычислений. Исследователи ИИ обнаружили ее силу и привлекли NVIDIA в центр гонки ИИ.

Инфраструктура над алгоритмами

Одним из наиболее ценных прозрений книги является то, что прогресс ИИ ограничен не только идеями, но и инфраструктурой. Многие популярные отчеты сосредоточены на алгоритмах, трюках обучения и наборах данных. Машина Мысли напоминает читателю, что ни один из этих факторов не имеет значения без достаточного вычислительного обеспечения.

С этой точки зрения современный бум ИИ кажется менее внезапным и более задержанным. Нейронные сети существовали в течение десятилетий. Что изменилось, так это доступность аппаратного обеспечения, способного обучать их в значимом масштабе.

NVIDIA не просто предоставила более быстрые чипы. Она построила экосистему аппаратного обеспечения, программных библиотек и инструментов разработчиков, которые укрепляли друг друга с течением времени. Когда исследователи оптимизировали свою работу для платформ NVIDIA, NVIDIA усовершенствовала свои продукты, чтобы лучше обслуживать рабочие нагрузки ИИ. Этот обратный цикл создал прочное преимущество, которое простиралось далеко за пределы сырой производительности.

Книга тихо подчеркивает реальность, которая становится все более очевидной сегодня: лидерство в ИИ формируется цепочками поставок, производственной мощностью, экосистемами программного обеспечения и контролем платформ, а не только исследовательским гением.

Видение, риск и нарастающие последствия

Витт не уклоняется от последствий доминирования NVIDIA. Когда компания становится фундаментальной для глобальной инфраструктуры ИИ, ее влияние растет соответственно. Верность Дженсена Хуанга в том, что ускоренные вычисления определят следующую фазу технологического прогресса, проходит через всю книгу.

Вместо морализирования Машина Мысли сосредоточена на том, как последовательные инженерные и стратегические решения наросли с течением времени. NVIDIA не выиграла, гоняясь за тенденциями. Она выиграла, обязавшись параллельным вычислениям, пережив повторяющиеся рыночные циклы и инвестируя неустанно в инструменты, которые сделали ее аппаратное обеспечение незаменимым.

Для читателей, стремящихся понять, как ИИ действительно масштабируется

Для читателей, которые уже знают знаковые моменты истории ИИ, эта книга заполняет недостающий слой под ними. Она объясняет, почему эти прорывы могли масштабироваться, когда они это сделали, и почему NVIDIA появилась как такая центральная сила в этом процессе.

Это книга для читателей, которые хотят понять искусственный интеллект как промышленную систему, а не коллекцию умных моделей. Она найдет сильный отклик у тех, кто интересуется чипами, центрами данных и часто невидимыми инженерными решениями, которые тихо формируют технологическую мощь.

Машина Мысли преуспела, потому что она переосмыслила историю ИИ снизу вверх, показав, как параллельные вычисления, платформы разработчиков и долгосрочное видение построили основу, на которой теперь стоит современный искусственный интеллект.