Огляд книжки: The Thinking Machine: Дженсен Хуанг, NVIDIA, і найбільш бажаний мікрочип у світі Стівена Вітта

The Thinking Machine: Дженсен Хуанг, NVIDIA, і найбільш бажаний мікрочип у світі виділяється серед більшості книжок про штучний інтелект, оскільки підходить до цієї теми з боку, який багато технічних читачів, включаючи мене, історично недооцінювали.

Як і багато людей, які протягом років слідкували за штучним інтелектом, моє розуміння цієї галузі було сформовано знайомими віхами. Історія зазвичай починається у 1956 році з семінаром у Дартмуті, проходить через ранні символічні системи, потім стрибає до знакових моментів, таких як перемога Deep Blue над Гаррі Каспаровим, DeepMind, який освоїв гру Го, і нещодавно демонстрація можливості великих мовних моделей координувати стратегію в складних мультиплеєрних середовищах. Ці моменти інтелектуально задовольняють і легко запам’ятовуються, оскільки вони центруються на видимих перемогах.

Що книжка Стівена Вітта робить винятково добре, так це виклик цьому кадру. Замість того, щоб зосереджуватися на моментах, коли штучний інтелект вразив світ, The Thinking Machine зосереджується на менш видимому шарі під цими досягненнями. Вона переконливо доводить, що сучасна ера штучного інтелекту не була відкрита в першу чергу лише через хитрі ідеї, а через фундаментальну зміну того, як сам процес обчислень здійснювався.

Від центрування розповіді на NVIDIA (NVDA ) та її співзасновнику Дженсені Хуанзі, Вітт переформулює революцію штучного інтелекту як історію про архітектуру обчислень, платформи розробників та довгострокову переконаність. Результатом не стає просто корпоративна біографія, а відсутня глава в ширшій історії штучного інтелекту.

Від відеоігор до нової обчислювальної парадигми

Початок NVIDIA далекий від високих амбіцій, які зараз асоціюються зі штучним інтелектом. Компанія з’явилася у 1993 році як виробник графічних чипів, зосереджений на відтворенні дедалі більш реалістичних світів відеоігор. Викликом на той час була не інтелект, а швидкість. Грі потребували великої кількості обчислень, які мали бути виконані миттєво, щоб симулювати світло, рух і глибину.

Рішенням, яке обрали в NVIDIA, було паралельне обчислення. Паралельне обчислення означає виконання багатьох обчислень одночасно, а не послідовно. Замість того, щоб покладатися на один потужний ядро, яке обробляє одну інструкцію за інструкцією, графічні процесори використовують тисячі менших ядер, які працюють одночасно над подібними математичними операціями. Цей підхід особливо потужний для завдань, які включають повторення однакових обчислень над великими наборами даних.

Спочатку ця архітектура була створена для графіки. Однак Вітт показує, як це рішення тихо створило ідеальну основу для нейронних мереж через десятиліття. Навчання сучасних моделей штучного інтелекту включає величезну кількість однакових математичних операцій, застосованих до великих обсягів даних. Графічні процесори вже були оптимізовані саме для такої роботи.

Що робить цю частину книжки переконливою, так це те, як чітко Вітт з’єднує технічні рішення про проектування з виживанням. NVIDIA не обрала паралельне обчислення, тому що передбачала штучний інтелект. Вона обрала його, тому що це був єдиний спосіб конкурувати в реальному часі графіки. Ця необхідність змусила компанію освоїти модель обчислень, яка пізніше виявилася трансформаційною далеко за межами ігор.

Дженсен Хуанг і мислення у системах, а не продуктах

У центрі цієї історії знаходиться Дженсен Хуанг, зображений не як звичайний виконавчий директор, а як той, хто постійно мислив у системах, а не в окремих продуктах. Вітт представляє Хуанга як вимогливого, інтенсивного та часто складного, але також надзвичайно послідовного у своєму баченні технологій на довгий період часу.

На відміну від конкурентів, які ставили графічні процесори як відкидні компоненти, пов’язані з циклами ігор, Хуанг ставив їх як основу ширшої обчислювальної платформи. Ця відмінність стає критичною. Продукти заміняються. Платформи накопичуються.

Усередині NVIDIA ця думка відображалася. Інженерам радили думати на роки вперед. Програмне забезпечення вважалося стратегічно важливим, як і кремній. Інвестиції робилися у інструменти та підтримку розробників ще до того, як з’явився чіткий попит. Багато з цих виборів здавалися надмірними або непотрібними на той час. У ретроспективі вони створили ров, який конкурентам було важко подолати.

Вітт робить ясним, що підйом NVIDIA не був неминучим. Компанія була близька до краху більше одного разу. Що вивело її вперед, не було окремим проривом, а тривалим переконанням, що прискорене обчислення в кінцевому підсумку матиме значення далеко за межами свого первісного використання.

CUDA і походження штучного інтелекту, яке багато хто пропустив

Одним із найважливіших внесків The Thinking Machine є те, як вона переформулює роль CUDA у історії штучного інтелекту.

До того, як прочитати цю книжку, легко вважати CUDA просто успішним інструментом для розробників. Вітт показує, чому воно заслуговує на значно більше уваги. CUDA було створено, щоб зробити паралельне обчислення придатним для використання поза графікою. До CUDA використання графічних процесорів для загального обчислення вимагало примусу проблем через інтерфейси, специфічні для графіки. Це було хитким, неефективним і обмеженим для спеціалістів.

CUDA змінило це, дозволивши розробникам програмувати графічні процесори, використовуючи знайомі моделі програмування. Тисячі обчислювальних ядер стали доступними як загальний ресурс. Це знизило бар’єр для входу до високопродуктивного обчислення таким чином, який мало хто повністю оцінив на той час.

Це саме там, де книжка сильно резонує з моїм власним досвідом вивчення історії штучного інтелекту. Наратив, який я засвоїв, сильно зосереджувався на моделях і алгоритмах. Що The Thinking Machine робить ясним, так це те, що багато з цих ідей стали практичними лише тоді, коли дослідники могли насправді навчати їх у масштабі.

Дослідники штучного інтелекту швидко визнали, що нейронні мережі були майже ідеальним збігом з паралельним обчисленням. Навчання включає повторення однакових операцій над великими наборами даних, коригування мільйонів або мільярдів параметрів з часом. CUDA дозволило цьому процесу відбуватися швидше, дешевше та надійніше, ніж це могли зробити центральні процесори.

Це стало особливо важливим, коли прискорився розвиток глибокого навчання та пізніше з’явилися моделі на основі трансформерів. Трансформери процвітають у масштабі. Без прискорення графічних процесорів багато моделей, які визначають сучасний ландшафт штучного інтелекту, залишилися б теоретичними або надто дорогими. CUDA не винайшла ці архітектури, але зробила їх швидку еволюцію можливою.

Що Вітт особливо добре показує, так це те, що цей результат не був повністю спланований. CUDA було створено для наукових обчислень. Дослідники штучного інтелекту виявили його силу і потягли NVIDIA у центр гонки штучного інтелекту.

Інфраструктура над алгоритмами

Одним із найцінніших прозрінь книжки є те, що прогрес штучного інтелекту обмежується не лише ідеями, а й інфраструктурою. Багато популярних звітів зосереджуються на алгоритмах, трюках навчання та наборах даних. The Thinking Machine нагадує читачеві, що жоден з цих аспектів не має значення без достатньої обчислювальної потужності.

З цієї точки зору сучасний бум штучного інтелекту здається менш раптовим і більш затриманим. Нейронні мережі існували десятиліттями. Що змінилося, так це доступність апаратного забезпечення, здатного навчати їх у значному масштабі.

NVIDIA не просто надала швидші чипи. Вона побудувала екосистему апаратного забезпечення, бібліотек програмного забезпечення та інструментів розробників, які підкріплювали один одного з часом. Коли дослідники оптимізували свою роботу для платформ NVIDIA, NVIDIA уточнювала свої продукти, щоб краще служити завданням штучного інтелекту. Цей зворотний зв’язок створив тривалу перевагу, яка розширилася далеко за межі сирої продуктивності.

Книжка тихо підкреслює реальність, яка стає дедалі очевиднішою сьогодні: лідерство у сфері штучного інтелекту формується не лише дослідницькою досконалістю, а й ланцюгами постачання, виробничими потужностями, екосистемами програмного забезпечення та контролем платформи.

Видіння, ризик і наслідки, що накопичуються

Вітт не уникає наслідків домінування NVIDIA. Коли компанія стає фундаментальною для глобальної інфраструктури штучного інтелекту, її вплив зростає відповідно. Переконаність Дженсена Хуанга, що прискорене обчислення визначить наступну фазу технологічного прогресу, проходить через всю книжку.

Замість моралізування The Thinking Machine зосереджується на тому, як послідовні інженерні та стратегічні рішення накопичувалися з часом. NVIDIA не виграла, переслідуючи тенденції. Вона виграла, зобов’язавшись рано на паралельне обчислення, витримуючи повторювані ринки та інвестуючи безупинно в інструменти, які робили її апаратне забезпечення незамінним.

Для читачів, які хочуть зрозуміти, як штучний інтелект масштабується

Для читачів, які вже знають заголовні моменти історії штучного інтелекту, ця книжка заповнює відсутній шар під ними. Вона пояснює, чому ці прориви могли масштабуватися, коли вони це зробили, і чому NVIDIA виникла як така центральна сила в цьому процесі.

Це книжка для читачів, які хочуть зрозуміти штучний інтелект як промислову систему, а не збірку хитрих моделей. Вона буде резонувати сильно з тими, хто цікавиться чипами, дата-центрами та часто невидимими інженерними рішеннями, які тихо формують технологічну потужність.

The Thinking Machine успішна, оскільки вона переформулює історію штучного інтелекту знизу, показуючи, як паралельне обчислення, платформи розробників та довгострокове бачення побудували основу, на якій зараз стоїть сучасний штучний інтелект.