211service.com
Nvidia CEO: Software eet de wereld op, maar AI gaat software eten
Technologiebedrijven en investeerders hebben de laatste tijd geld in kunstmatige intelligentie gestapeld - en er is veel naar chipmaker Nvidia gesijpeld. De inkomsten van het bedrijf zijn gestegen omdat het is begonnen met het maken van hardware die is aangepast voor algoritmen voor machine learning en gebruiksscenario's zoals autonome auto's. Op de jaarlijkse ontwikkelaarsconferentie van het bedrijf in San Jose, Californië, deze week, sprak de CEO van het bedrijf, Jensen Huang, met MIT Technology Review over hoe de revolutie op het gebied van machine learning net begint.
Nvidia heeft geprofiteerd van een snelle explosie van investeringen in machine learning van technologiebedrijven. Kan deze snelle groei in de use-cases voor machine learning doorzetten?
We zijn erg vroeg. Zeer weinig regels code in de ondernemingen en industrieën over de hele wereld gebruiken tegenwoordig AI. Het is vrij alomtegenwoordig bij internetservicebedrijven, met name twee of drie van hen. Maar er is een hele reeks anderen in de technologie en andere industrieën die proberen hun achterstand in te halen. Software eet de wereld op, maar AI gaat software opeten.
Welke industrie zal de volgende keer worden getransformeerd door machine learning?
Een daarvan is de auto-industrie. Tien van 's werelds beste autobedrijven zijn hier bij ons op de conferentie. De tweede is de gezondheidszorg, en de impact op de samenleving zal heel groot zijn. Gezondheidsinformatie is rommelig en ongestructureerd, maar nu kunnen computers het begrijpen om de diagnoses en voorspellingen van artsen te verbeteren.
Recente onderzoeksresultaten van het toepassen van machine learning op diagnose zijn indrukwekkend (zie Een AI-oogarts laat zien hoe machinaal leren de geneeskunde kan transformeren ). Maar het is niet duidelijk hoe regelgevers dit nieuwe soort systemen zullen testen en goedkeuren.
Als we het hebben over mensenlevens, zijn er altijd uitdagingen op het gebied van regelgeving. Maar we kunnen de impact niet negeren van een technologie die 10 of 1000 keer betere resultaten oplevert. Ik heb er vertrouwen in dat redelijke geesten de voordelen van deze technologie zullen inzien en deze in handen zullen geven van artsen, clinici en radiologen, zodat zij beter werk kunnen leveren. Arterys heeft onlangs de FDA-goedkeuring gekregen voor hun cardiale beeldvorming [die scans van het hart annoteert], en ik ken vele andere die in de pijplijn zitten.
Het gebruik van machine learning in auto's zorgt ook voor nieuwe uitdagingen voor regelgevers. Nvidia heeft software gedemonstreerd die leert rijden door te kijken naar wat een menselijke bestuurder doet, maar het is moeilijk om precies uit te leggen hoe het werkt of zich in verschillende scenario's zou gedragen (zie Het duistere geheim in het hart van AI ).
De kracht en belofte van deze end-to-end-aanpak is erg aanlokkelijk. We geloven echt dat de manier waarop AI op de lange termijn zal rijden vergelijkbaar is met de manier waarop mensen rijden - we splitsen het probleem niet op in objecten en visie en lokalisatie en planning. Maar hoe lang het zal duren om daar te komen, is twijfelachtig. Het is een grote uitdaging om het alles goed te laten doen, [en] als het één ding niet goed doet, hoe pas je het dan aan, omdat je probeert het hele ding samen te trainen. Waarschijnlijk moeten we een aantal van deze problemen opsplitsen in kleinere brokken.
Je chips rijden al in sommige auto's: alle Tesla-voertuigen gebruiken nu Nvidia's Drive PX 2-computer om de Autopilot-functie aan te sturen die het rijden op de snelweg automatiseert. Gebruikt die functie de volledige capaciteit van de hardware? Kan het volledig autonoom rijden mogelijk maken?
Drive PX 2 is een computerplatform met veel rekencapaciteit gereserveerd - het idee is om genoeg te hebben zodat je de software continu kunt bijwerken en in de loop van de tijd blij kunt zijn met verbeteringen. Voor volledige autonomie, dat wil zeggen een auto zonder bestuurder, zijn er nog enkele onbekenden, maar er is veel softwareontwikkeling gaande. Ik weet het niet precies, maar we zullen het ontdekken.
Intel, Google en verschillende andere bedrijven werken nu aan chips die zijn ontworpen om machine learning te versnellen (zie Strijd om chips te leveren voor de AI Boom warmt op ). Hoe blijf je voorop?
Veel mensen erkennen het belang van deze markt en ik denk dat het heel groot zal worden. We gaan onze jarenlange investeringen in onze GPU-chips en een R&D-budget van twee en een half miljard dollar in diep leren steken. En we zullen onze architectuur overal beschikbaar maken: in pc's, in servers, in de cloud, in auto's, in robots.
U bent het eens met onderzoekers die zeggen dat de fysieke uitdagingen van het kleiner en energiezuiniger maken van transistors de vooruitgang in de kracht van computerprocessors vertragen (zie De wet van Moore is dood. Wat nu? ). Maar u beweert dat de chips van Nvidia kunnen blijven groeien omdat ze gespecialiseerd zijn in bepaalde gebruikssituaties. Je kunt natuurkunde toch niet voor altijd weerstaan.
Geen twijfel mogelijk, dat kunnen we niet. Op dit moment hervatten we de inefficiënties van CPU's en software in onze meer gespecialiseerde GPU's. Ik heb het gevoel dat we daar nog een paar decennia van zullen blijven profiteren. Maar ergens zullen we iets nieuws moeten vinden. We hebben een geweldig technisch team in het bedrijf dat de grenzen van de apparaatfysica verlegt en een aantal geweldige partners in de productie. Tussen ons allemaal zullen we de weg vinden.