Na konferenci GPUTech si vzal hlavní slovo šéf Nvidie Jen-Hsun Huang a zaměřil se na strojové učení a umělou inteligenci. Nezapomněl ani na virtuální realitu.
Nvidia se v oblasti strojového učení pomocí neuronových sítí angažuje hodně. Kromě výkonných čipů pro výpočty tohoto charakteru zajišťuje i vývoj potřebných softwarových nástrojů, které zrychlují výzkum a aplikaci.
Jen-Hsun řekl, že za poslední rok se jen v rámci startupů z oblasti umělé inteligence investovalo přes pět miliard dolarů a Nvidia už dnes blíže spolupracuje se stovkami společnosti. Společností z této oblasti už jsou ale tisíce.
Nejvíce se rozvíjející oblastí strojového učení je Deep Learning, kde je vidět obrovský pokrok každým rokem. Podle Nvidie je to technologie, která změní všechno. Nejedná se tak o nějaký samostatný segment, ale o technologii, která nakonec bude součástí všeho kolem nás a postupně bude integrovaná do všemožných systémů.
Lze tak očekávat, že jednotlivé oblasti budou hluboké neuronové sítě využívat stále více – ať už se bude jednat o rozpoznávání zvuků, obrazu a dalších. Základní výhodou je, že tyto techniky v mnohém připomínají lidský mozek, respektive jeho schopnosti ve vybraných oblastech.
Postupnou integraci si lze představit jako využívání tisíců či milionů relativně malých „expertních mozků“, které se dokáží naučit co je potřeba a změnit dosavadní fungování systémů. Český startup NeuronSW například vyvinul technologii na bázi deep learningu, která dokáže z poslechu zvuků mechanických strojů zjistit závadu, možnosti použití jsou ale téměř neomezené.
Složení Nvidia DGX-1
Pro tyto účely Nvidia představila i extrémně výkonný „superpočítač“ (node) určený pro deep learning – Nvidia DGX-1, který obsahuje celkem osm grafických karet Tesla P100. Díky tomu může být učení hlubokých neuronových sítí mnohem rychlejší a tedy i efektivnější. Nvidia se snaží akcelerovat vývoj v této oblasti právě kombinací dostupných hardwarových i softwarových řešení.
Rozdíl ve zrychlení učení pomocí hlubokých neuronových sítí s novými systémy od Nvidie
Jak jsme popisovali v článku o robotických pažích, které se učí uchopit jakýkoli předmět nebo systémech automatického řízení vozidla, vše se točí kolem množství dat. Čím více dat a delší učení, tím lze teoreticky dosáhnout lepších výsledků, respektive zkušeností. Zatímco člověk má v tomto směru omezení kvůli tomu, že mozek už běžnou „pomalou“ evolucí jen tak rychlejší nebude, v případě čipů lze stále postupovat rychleji s exponenciálním vývojem.
