Bokrecension: Den tänkande maskinen: Jensen Huang, NVIDIA och världens mest eftertraktade mikrochip av Stephen Witt

Den tänkande maskinen: Jensen Huang, NVIDIA och världens mest eftertraktade mikrochip skiljer sig från de flesta böcker skrivna om artificiell intelligens eftersom den närmar sig ämnet från en riktning som många tekniskt kunniga läsare, inklusive jag själv, historiskt sett har underviktat.

Liksom många andra som har följt AI i åratal, formades min förståelse av området av välbekanta milstolpar. Berättelsen börjar vanligtvis i 1956 med Dartmouth-verkstaden, rör sig genom tidiga symboliska system och hoppar sedan framåt till milstolpar som IBMs Deep Blue besegrar Garry Kasparov, DeepMind-mastering Go, och mer nyligen OpenAI som demonstrerar att stora språkmodeller kan koordinera strategier i komplexa multiplayer-miljöer. Dessa ögonblick är intellektuellt tillfredsställande och lätta att komma ihåg eftersom de fokuserar på synliga vinster.

Det Stephen Witts bok gör exceptionellt bra är att utmana den inramningen. Istället för att fokusera på ögonblick då AI imponerade på världen, Den tänkande maskinen fokuserar på det mindre synliga lagret under dessa prestationer. Den argumenterar övertygande för att den moderna AI-eran inte i första hand öppnades upp enbart genom smarta idéer, utan genom ett fundamentalt skifte i hur själva beräkningarna utfördes.

Genom att centrera berättelsen kring NVIDIA (NVDA -1.44%) och dess medgrundare Jensen Huang, omformulerar Witt AI-revolutionen till en berättelse om datorarkitektur, utvecklares ekosystem och långsiktig övertygelse. Resultatet är inte bara en företagsbiografi, utan ett saknat kapitel i den bredare historien om artificiell intelligens.

Från videospel till ett nytt datorparadigm

NVIDIAs början är långt ifrån de höga ambitioner som nu förknippas med artificiell intelligens. Företaget uppstod 1993 som grafikchiptillverkare, fokuserade på att rendera alltmer realistiska videospelsvärldar. Utmaningen vid den tiden var inte intelligens, utan hastighet. Spel krävde att ett stort antal beräkningar utfördes omedelbart för att simulera ljus, rörelse och djup.

Lösningen som NVIDIA valde var parallell beräkning. Parallell beräkning innebär att många beräkningar utförs samtidigt snarare än att exekveras sekventiellt. Istället för att förlita sig på en enda kraftfull kärna som bearbetar en instruktion efter en annan, använder GPU:er tusentals mindre kärnor som arbetar samtidigt med liknande matematiska operationer. Denna metod är särskilt kraftfull för arbetsbelastningar som innebär att samma beräkningar upprepas över stora datamängder.

Ursprungligen byggdes denna arkitektur för grafik. Ändå visar Witt hur detta beslut i tysthet skapade den ideala grunden för neurala nätverk årtionden senare. Att träna moderna AI-modeller involverar ett enormt antal identiska matematiska operationer som tillämpas över stora mängder data. GPU:er var redan optimerade för just den typen av arbete.

Det som gör den här delen av boken fängslande är hur tydligt Witt kopplar tekniska designval till överlevnad. NVIDIA valde inte parallell databehandling för att de förutsåg artificiell intelligens. De valde det för att det var det enda sättet att konkurrera inom realtidsgrafik. Den nödvändigheten tvingade företaget att bemästra en datormodell som senare skulle visa sig transformerande långt bortom spel.

Jensen Huang och tänkande i system, inte produkter

I centrum för denna berättelse står Jensen Huang, som inte framställs som en konventionell chef, utan som någon som konsekvent tänkte i system snarare än individuella produkter. Witt presenterar Huang som krävande, intensiv och ofta svår, men också anmärkningsvärt konsekvent i hur han såg på teknologi över långa tidsperioder.

Medan konkurrenterna behandlade GPU:er som engångskomponenter knutna till spelcykler, behandlade Huang dem som grunden för en bredare datorplattform. Denna distinktion blir avgörande. Produkter ersätts. Plattformar sammansätts.

Internt återspeglade NVIDIA detta tankesätt. Ingenjörer uppmuntrades att tänka åratal framåt. Programvara behandlades som lika strategiskt viktig som kisel. Investeringar gjordes i verktyg och utvecklarsupport långt innan det fanns en tydlig efterfrågan. Många av dessa val verkade överdrivna eller onödiga vid den tidpunkten. I efterhand skapade de en vallgrav som konkurrenterna hade svårt att ta sig över.

Witt klargör att NVIDIAs uppgång inte var oundviklig. Företaget var nära att misslyckas mer än en gång. Det som förde dem framåt var inte ett enda genombrott, utan en ihållande övertygelse om att accelererad databehandling så småningom skulle betyda mycket mer än dess ursprungliga användningsområde.

CUDA och AI:s ursprungshistoria som många missade

Ett av de viktigaste bidragen från Den tänkande maskinen är hur den omformulerar CUDA:s roll i AI:s historia.

Innan man läser den här boken är det lätt att tänka på CUDA helt enkelt som ett framgångsrikt utvecklingsverktyg. Witt visar varför det förtjänar mycket mer uppmärksamhet. CUDA skapades för att göra parallell databehandling användbar utanför grafik. Före CUDA krävde användningen av GPU:er för generell beräkning att problem tvingades igenom grafikspecifika gränssnitt. Detta var bräckligt, ineffektivt och begränsat till specialister.

CUDA ändrade på det genom att låta utvecklare programmera GPU:er med hjälp av välkända programmeringsmodeller. Tusentals datorkärnor blev tillgängliga som en generell resurs. Detta sänkte inträdesbarriären för högpresterande datoranvändning på ett sätt som få människor fullt ut uppskattade vid den tiden.

Det var här boken starkt resonerade med min egen erfarenhet av att lära mig AI-historia. Berättelsen jag absorberade fokuserade starkt på modeller och algoritmer. Den tänkande maskinen Det som tydliggör är att många av dessa idéer först blev praktiska när forskare faktiskt kunde utbilda dem i stor skala.

AI-forskare insåg snabbt att neurala nätverk var en nästan perfekt matchning för parallell databehandling. Träning innebär att upprepa samma operationer över stora datamängder, och justera miljontals eller miljarder parametrar över tid. CUDA gjorde det möjligt för denna process att ske snabbare, billigare och mer tillförlitligt än processorer någonsin kunde.

Detta blev särskilt viktigt i takt med att djupinlärning accelererade och senare när transformatorbaserade modeller framkom. Transformatorer blomstrar i skala. Utan GPU-acceleration skulle många av de modeller som definierar dagens AI-landskap ha förblivit teoretiska eller oöverkomligt dyra. CUDA uppfann inte dessa arkitekturer, men det möjliggjorde deras snabba utveckling.

Vad Witt fångar särskilt väl är att detta resultat inte var helt planerat. CUDA byggdes för vetenskaplig databehandling. AI-forskare upptäckte dess kraft och drog NVIDIA in i centrum av AI-kapplöpningen.

Infrastruktur framför algoritmer

En av bokens mest värdefulla insikter är att AI-framsteg begränsas lika mycket av infrastruktur som av idéer. Många populära berättelser fokuserar på algoritmer, träningsknep och datamängder. Den tänkande maskinen påminner läsaren om att inget av dessa spelar någon roll utan tillräcklig beräkning.

Ur detta perspektiv, den modern AI-boom verkar mindre plötsliga och mer fördröjda. Neurala nätverk existerade i årtionden. Det som förändrades var tillgången på hårdvara som kunde träna dem i meningsfull skala.

NVIDIA levererade inte bara snabbare kretsar. De byggde ett ekosystem av hårdvara, programvarubibliotek och utvecklarverktyg som förstärkte varandra över tid. Allt eftersom forskare optimerade sitt arbete för NVIDIAs plattformar, förfinade NVIDIA sina produkter för att bättre hantera AI-arbetsbelastningar. Denna återkopplingsslinga skapade en varaktig fördel som sträckte sig långt bortom rå prestanda.

Boken understryker tyst en verklighet som blir alltmer uppenbar idag: ledarskap inom AI formas av leveranskedjor, tillverkningskapacitet, programvaruekosystem och plattformskontroll, inte bara av forskningsbriljans.

Vision, risk och sammansatta konsekvenser

Witt skyr inte konsekvenserna av NVIDIAs dominans. I takt med att företaget blir en grundläggande del av den globala AI-infrastrukturen växer dess inflytande i motsvarande grad. Jensen Huangs övertygelse om att accelererad databehandling kommer att definiera nästa fas av tekniska framsteg genomsyrar boken.

Istället för att moralisera, Den tänkande maskinen fokuserar på hur konsekventa tekniska och strategiska beslut förvärrades över tid. NVIDIA vann inte genom att jaga trender. De vann genom att tidigt satsa på parallell databehandling, uthärda upprepade marknadscykler och investera obevekligt i de verktyg som gjorde deras hårdvara oumbärlig.

För läsare som vill förstå hur AI verkligen skalas upp

För läsare som redan känner till rubrikerna i AI-historia, den här boken fyller i det saknade lagret under dem. Den förklarar varför dessa genombrott kunde skalas upp när de gjorde det, och varför NVIDIA framstod som en så central kraft i processen.

Det här är en bok för läsare som vill förstå artificiell intelligens som ett industriellt system snarare än en samling smarta modeller. Den kommer att resonera starkt med de som är intresserade av chips, datacenter och de ofta osynliga tekniska beslut som i tysthet formar teknologisk kraft.

Den tänkande maskinen lyckas eftersom den omformulerar AI-berättelsen från grunden och visar hur parallell databehandling, utvecklarplattformar och långsiktig vision byggde grunden som modern artificiell intelligens nu står på.