Donnerstag, 28. März 2024

Desktop v4.2.1

Root NationArtikelFirmenVon CUDA zu KI: Erfolgsgeheimnisse NVIDIA

Von CUDA zu KI: Erfolgsgeheimnisse NVIDIA

-

NVIDIA - das erste Unternehmen in der Geschichte der Chipindustrie, dessen Kapitalisierung eine Billion Dollar überstieg. Was ist das Erfolgsgeheimnis?

Ich bin sicher, dass viele von Ihnen schon von dem Unternehmen gehört haben NVIDIA und die meisten von Ihnen assoziieren es speziell mit Grafikprozessoren, denn der Satz „NVIDIA „GeForce“ hat fast jeder gehört.

NVIDIA

NVIDIA hat kürzlich Finanzgeschichte in der IT-Branche geschrieben. Es ist das erste Unternehmen für integrierte Schaltkreise, dessen Marktwert eine Billion Dollar überschritten hat. Es ist außerdem das fünfte technologiebezogene Unternehmen in der Geschichte, das einen derart großen Erfolg (gemessen an der Marktkapitalisierung) erzielt. Bisher konnten sich nur Menschen einer so hohen Bewertung rühmen Apple, Microsoft, Alphabet (Eigentümer von Google) und Amazon. Deshalb nannten ihn Finanziers manchmal auch den „Club of Four“, der nun erweitert wurde NVIDIA.

Darüber hinaus liegt es hinsichtlich der Marktkapitalisierung weit hinter AMD, Intel, Qualcomm und anderen Technologieunternehmen. Dies wäre ohne die vor einem Jahrzehnt eingeführte visionäre Unternehmenspolitik nicht möglich gewesen.

Lesen Sie auch: Gibt es eine Zukunft für TruthGPT von Elon Musk?

Unglaubliche Nachfrage nach NVIDIA H100 Tensorkern

Was ist das Geheimnis einer solchen Erhöhung der Kapitalisierung? Dies ist zunächst einmal die Reaktion der Börse auf den Erfolg des Chips NVIDIA H100 Tensor Core, der bei führenden Anbietern von Cloud-Infrastruktur und Online-Diensten sehr gefragt ist. Diese Chips werden von Amazon, Meta und gekauft Microsoft (für den eigenen Bedarf und den Bedarf seines Partners – der Firma OpenAI). Sie sind besonders energieeffizient bei der Beschleunigung von Berechnungen, die für generative künstliche Intelligenz wie ChatGPT oder Dall-E typisch sind. Dies ist ein unglaublicher Sprung um eine Größenordnung für beschleunigtes Rechnen. Wir erhalten beispiellose Leistung, Skalierbarkeit und Sicherheit für jede Arbeitslast mit NVIDIA H100 Tensor Core GPU.

NVIDIA-H100-Tensorkern

Verwendung eines Vermittlungssystems NVIDIA NVLink kann mit bis zu 256 H100-GPUs verbunden werden, um Arbeitslasten im Exa-Maßstab zu beschleunigen. Die GPU enthält außerdem eine spezielle Transformer Engine zum Lösen von Sprachmodellen mit Billionen Parametern. Die kombinierten Technologieinnovationen des H100 können große Sprachmodelle (LLMs) im Vergleich zur Vorgängergeneration um das unglaubliche 30-fache beschleunigen und so branchenführende Konversations-KI liefern. Die Entwickler halten es für nahezu ideal für maschinelles Lernen.

- Werbung -

Der H100 erschien jedoch nicht aus dem Nichts. Und um die Wahrheit zu sagen, es ist nicht besonders revolutionär. NVIDIAWie kein anderes Unternehmen investiert das Unternehmen seit vielen Jahren enorme Ressourcen in künstliche Intelligenz. Infolgedessen kann ein Unternehmen, das hauptsächlich mit der Grafikkartenmarke GeForce in Verbindung gebracht wird, den Verbrauchermarkt fast wie ein Hobby behandeln. Dies baut schließlich echte Macht auf dem Markt der IT-Giganten auf NVIDIA kann schon jetzt auf Augenhöhe mit ihnen reden.

Auch interessant: Was sind 6G-Netze und warum werden sie benötigt?

Ist künstliche Intelligenz die Zukunft?

Davon ist heute fast jeder überzeugt, selbst skeptische Experten auf diesem Gebiet. Jetzt ist es fast ein Axiom, eine Binsenweisheit. Obwohl NViDIA wusste schon vor 20 Jahren davon. Habe ich dich überrascht?

Technisch gesehen der erste enge Kontakt NVIDIA Mit künstlicher Intelligenz kam es 1999, als der GeForce 256-Prozessor auf den Markt kam, der in der Lage war, Berechnungen des maschinellen Lernens zu beschleunigen. Jedoch NVIDIA Erst im Jahr 2006 begann ernsthaft in künstliche Intelligenz zu investieren, als das Unternehmen die CUDA-Architektur einführte, die es ermöglichte, die parallelen Verarbeitungsfähigkeiten von Grafikprozessoren für Ausbildung und Forschung zu nutzen.

NVIDIA-CUDA

Was ist CUDA? Es lässt sich am besten als parallele Computerplattform und Anwendungsprogrammierschnittstelle (API) definieren, die es Software ermöglicht, Allzweck-Grafikprozessoren (GPGPUs) zu verwenden. Dieser Ansatz wird als General-Purpose-Computing auf GPUs bezeichnet. Darüber hinaus ist CUDA eine Softwareschicht, die direkten Zugriff auf den virtuellen Befehlssatz und parallele Rechenelemente des Grafikprozessors ermöglicht. Es ist für die Zusammenarbeit mit Programmiersprachen wie C, C++ und Fortran konzipiert.

Diese Zugänglichkeit macht es parallelen Entwicklern einfacher, GPU-Ressourcen zu nutzen, im Gegensatz zu früheren APIs wie Direct3D und OpenGL, die fortgeschrittene Kenntnisse in der Grafikprogrammierung erforderten.

NVIDIA-CUDA

Ein wichtiger Durchbruch war die Bereitstellung durch das Unternehmen NVIDIA Rechenleistung für das bahnbrechende neuronale Netzwerk AlexNet. Es handelt sich um ein Convolutional Neural Network (CNN), das vom Ukrainer Alex Kryzhevskyi in Zusammenarbeit mit Ilya Sutzkever und Jeffrey Ginton entwickelt wurde.

Convolutional Neural Networks (CNNs) waren schon immer das bevorzugte Modell für die Objekterkennung – sie sind leistungsstarke Modelle, die leicht zu steuern und noch einfacher zu trainieren sind. Bei der Verwendung auf Millionen von Bildern kommt es bei ihnen nicht zu einer besorgniserregenden Überanpassung. Ihre Leistung ist nahezu identisch mit standardmäßigen Feed-Forward-Neuronalen Netzen gleicher Größe. Das einzige Problem besteht darin, dass sie schwierig auf hochauflösende Bilder anzuwenden sind. Der Umfang von ImageNet erforderte Innovationen, die für GPUs optimiert waren, die Trainingszeit verkürzten und gleichzeitig die Leistung verbesserten.

AlexNet

Am 30. September 2012 nahm AlexNet an der ImageNet Large Scale Visual Recognition Challenge teil. Das Netzwerk erreichte im Test mit den fünf häufigsten Fehlern eine Punktzahl von 15,3 %, mehr als 10,8 % weniger als der Zweitplatzierte.

Die wichtigste Schlussfolgerung aus der ursprünglichen Arbeit war, dass die Komplexität des Modells auf seine hohe Leistung zurückzuführen war, die ebenfalls sehr rechenintensiv war, aber durch die Verwendung von Grafikprozessoren (GPUs) während des Trainingsprozesses ermöglicht wurde.

Das Faltungs-Neuronale Netzwerk AlexNet selbst besteht aus acht Schichten; Die ersten fünf sind Faltungsschichten, denen teilweise maximal gekoppelte Schichten vorangehen, und die letzten drei sind vollständig verbundene Schichten. Das Netzwerk ist bis auf die letzte Schicht in zwei Kopien aufgeteilt, die jeweils auf einer einzelnen GPU laufen.

- Werbung -

Das heißt, dank ihr NVIDIA Und noch immer glauben die meisten Experten und Wissenschaftler, dass AlexNet ein unglaublich leistungsfähiges Modell ist, das in der Lage ist, bei sehr komplexen Datensätzen eine hohe Genauigkeit zu erreichen. AlexNet ist die führende Architektur für jede Objekterkennungsaufgabe und kann im Computer-Vision-Bereich für Probleme der künstlichen Intelligenz sehr weitreichend eingesetzt werden. In Zukunft könnte AlexNet im Bereich Bildgebung häufiger als CNN eingesetzt werden.

Auch interessant: Das Bluesky-Phänomen: Was für ein Dienst und für eine lange Zeit?

Künstliche Intelligenz gibt es nicht nur in Laboren und Rechenzentren

В NVIDIA große Perspektiven für KI auch in den Technologien der Verbrauchergeräte und des Internets der Dinge. Während Wettbewerber gerade erst anfangen, umfassendere Investitionen in einen neuen Typ von integrierten Schaltkreisen in Betracht zu ziehen, NVIDIA arbeitet bereits an deren Miniaturisierung. Besonders wichtig dürfte der Tegra K1-Chip sein, der in Zusammenarbeit mit Tesla und anderen Autokonzernen entwickelt wurde.

NVIDIA-Tegra-K1

Der Tegra K1-Prozessor ist einer der ersten Prozessoren NVIDIA, speziell für KI-Anwendungen in mobilen und eingebetteten Geräten entwickelt. Tegra K1 nutzt die gleiche GPU-Architektur wie die Grafikkarten- und Systemserie NVIDIA GeForce, Quadro und Tesla, die hohe Leistung und Kompatibilität mit Grafik- und Computerstandards wie OpenGL 4.4, DirectX 11.2, CUDA 6.5 und OpenCL 1.2 bieten. Dadurch kann der Tegra K1-Prozessor fortschrittliche Algorithmen der künstlichen Intelligenz wie tiefe neuronale Netze, Reinforcement Learning, Bild- und Spracherkennung sowie Datenanalyse unterstützen. Tegra K1 verfügt über 192 CUDA-Kerne.

Im Jahr 2016 NVIDIA veröffentlichte eine Reihe von Pascal-Prozessoren, die für die Unterstützung tiefer neuronaler Netze und anderer Modelle der künstlichen Intelligenz optimiert sind. Innerhalb eines Jahres erschien eine Reihe von Volta-Prozessoren für Anwendungen rund um künstliche Intelligenz auf dem Markt, die noch effizienter und energiesparender sind. Im Jahr 2019 NVIDIA kauft Mellanox Technologies, einen Hersteller von Hochleistungs-Computernetzwerken für Rechenzentren und Supercomputer.

NVIDIA

Daher nutzen sie alle Prozessoren NVIDIA. Im Consumer-Markt nutzen Gamer beispielsweise den revolutionären DLSS-Bildrekonstruktionsalgorithmus, der es ihnen ermöglicht, schärfere Grafiken in Spielen zu genießen, ohne viel Geld für eine Grafikkarte auszugeben. Auf dem Geschäftsmarkt ist es anerkannt, dass Chips NVIDIA in vielerlei Hinsicht über das hinaus, was die Konkurrenz bietet. Allerdings ist es nicht so, dass Intel und AMD die intellektuelle Revolution komplett verschlafen hätten.

Auch interessant: Die besten Tools basierend auf künstlicher Intelligenz

Intel und AMD im Bereich der künstlichen Intelligenz

Sprechen wir über direkte Konkurrenten NVIDIA in diesem Marktsegment. Intel und AMD arbeiten hier immer aktiver, allerdings mit großer Verzögerung.

Intel hat mehrere KI-Unternehmen wie Nervana Systems, Movidius, Mobileye und Habana Labs übernommen, um sein Portfolio an KI-Technologien und -Lösungen zu stärken. Intel bietet auch Hardware- und Softwareplattformen für künstliche Intelligenz an, etwa Xeon-Prozessoren, FPGAs, NNP-Chips und Optimierungsbibliotheken. Intel arbeitet auch mit Partnern aus dem öffentlichen und privaten Sektor zusammen, um KI-Innovation und Bildung voranzutreiben.

Intel und AMD

AMD hat eine Reihe von Epyc-Prozessoren und Radeon Instinct-Grafikkarten entwickelt, die für KI- und Deep-Learning-Anwendungen optimiert sind. AMD arbeitet auch mit Unternehmen wie Google, Microsoft, IBM und Amazon bieten Cloud-Lösungen für KI. AMD ist außerdem bestrebt, sich durch Partnerschaften mit akademischen Institutionen und Branchenorganisationen an der KI-Forschung und -Entwicklung zu beteiligen. Es ist aber alles sehr gut NVIDIA ihnen bereits weit voraus und der Erfolg im Bereich der Entwicklung und Unterstützung von KI-Algorithmen ist ungleich größer.

Auch interessant: Zusammenfassung der Google I/O 2023: Android 14, Pixel und jede Menge KI

NVIDIA wird seit Jahrzehnten mit Videospielen in Verbindung gebracht

Auch dies sollte nicht vergessen werden. NVIDIA bietet keine genaue Aufschlüsselung der Umsätze zwischen Verbraucher- und Geschäftsmärkten, sie können jedoch auf der Grundlage der Geschäftssegmente geschätzt werden, die das Unternehmen in seinen Finanzberichten offenlegt. NVIDIA unterteilt vier operative Segmente: Gaming, professionelle Visualisierung, Rechenzentren und Automotive.

NVIDIA

Es ist davon auszugehen, dass sich das Gaming-Segment hauptsächlich auf den Verbrauchermarkt konzentriert, da es den Verkauf von GeForce-Grafikkarten und Tegra-Chips für Spielekonsolen umfasst. Das Segment der professionellen Visualisierung konzentriert sich hauptsächlich auf den Geschäftsmarkt, da es den Verkauf von Quadro-Grafikkarten und RTX-Chips für Workstations und professionelle Anwendungen umfasst. Auch das Rechenzentrumssegment konzentriert sich hauptsächlich auf den Geschäftsmarkt, da es den Verkauf von GPUs und NPUs (also Chips der nächsten Generation – keine GPUs mehr, sondern ausschließlich für KI konzipiert) für Server und Cloud-Dienste umfasst. Das Automobilsegment zielt sowohl auf Verbraucher- als auch auf Geschäftsmärkte ab, da es den Verkauf der Tegra- und Drive-Systeme für Infotainment und autonomes Fahren umfasst.

NVIDIA

Basierend auf diesen Annahmen ist es möglich, den Anteil der Umsätze aus Verbraucher- und Geschäftsmärkten am Gesamtumsatz abzuschätzen NVIDIA. Laut dem neuesten Finanzbericht für das Jahr 2022 sind die Umsätze des Unternehmens NVIDIA nach Geschäftssegmenten stellten sich wie folgt dar:

  • Spiele: 12,9 Milliarden US-Dollar
  • Professionelle Visualisierung: 1,3 Milliarden US-Dollar
  • Rechenzentren: 9,7 Milliarden US-Dollar
  • Automobile: 0,8 Milliarden US-Dollar
  • Alle anderen Segmente: 8,7 Milliarden US-Dollar

Gesamteinkommen NVIDIA belief sich auf 33,4 Milliarden US-Dollar. Geht man davon aus, dass sich das Automobilsegment ungefähr zu gleichen Teilen auf den Verbraucher- und den Geschäftsmarkt aufteilt, lassen sich folgende Anteile berechnen:

  • Einkommen aus dem Verbrauchermarkt: (12,9 + 0,4) / 33,4 = 0,4 (40 %)
  • Einkommen aus dem Gewerbemarkt: (1,3 + 9,7 + 0,4 + 8,7) / 33,4 = 0,6 (60 %)

Das bedeutet etwa 40 % des Einkommens NVIDIA kommt aus dem Verbrauchermarkt und etwa 60 % aus dem Geschäftsmarkt. Das heißt, die Hauptrichtung ist das Geschäftssegment. Aber auch die Spielebranche bringt recht gute Einnahmen. Das Wichtigste ist, dass sie jedes Jahr wachsen.

Auch interessant: Tagebuch eines mürrischen alten Aussenseiters: Bing gegen Google

Was wird uns die Zukunft bringen?

Es ist offensichtlich das NVIDIA Es gibt bereits Pläne, sich an der Entwicklung von Algorithmen für künstliche Intelligenz zu beteiligen. Und es ist viel breiter und vielversprechender als alle seine direkten Konkurrenten.

Erst im letzten Monat NVIDIA kündigte zahlreiche neue Investitionen in künstliche Intelligenz an. Einer davon ist der GET3D-Mechanismus, der in der Lage ist, komplexe dreidimensionale Modelle verschiedener Objekte und Charaktere zu erzeugen, die die Realität getreu widerspiegeln. GET3D kann mit einem einzigen Grafikchip etwa 20 Objekte pro Sekunde generieren.

Ein weiteres interessantes Projekt sollte ebenfalls erwähnt werden. Über Israel-1 ist ein Supercomputer für Programme der künstlichen Intelligenz, der NVIDIA entsteht in Zusammenarbeit mit dem israelischen Ministerium für Wissenschaft und Technologie und der Firma Mellanox. Die Maschine soll über eine Rechenleistung von mehr als 7 Petaflops verfügen und mehr als 1000 GPUs nutzen NVIDIA A100 Tensorkern. Israel-1 wird für Forschung und Entwicklung in Bereichen wie Medizin, Biologie, Chemie, Physik und Cybersicherheit eingesetzt. Und das sind angesichts der langfristigen Perspektiven bereits vielversprechende Kapitalanlagen.

NVIDIA

Außerdem gibt es bereits ein weiteres Projekt - NVIDIA AS. Es handelt sich um eine neue Technologie, die die Spielebranche revolutionieren soll, indem sie es dem Spieler ermöglicht, auf natürliche und realistische Weise mit einem Nicht-Spieler-Charakter (NPC) zu interagieren. Diese Charaktere können einen offenen Dialog mit dem Spieler führen, auf seine Emotionen und Gesten reagieren und sogar ihre eigenen Gefühle und Gedanken ausdrücken. NVIDIA ACE verwendet fortschrittliche Sprachmodelle und KI-basierte Bildgeneratoren.

Die erste Billion Dollar drin NVIDIA. Es sieht so aus, als ob es bald mehr davon geben wird. Wir werden die Fortschritte des Unternehmens auf jeden Fall verfolgen und Sie darüber informieren.

Lesen Sie auch:

Yuri Svitlyk
Yuri Svitlyk
Sohn der Karpaten, unbekanntes Genie der Mathematik, „Anwalt“Microsoft, praktischer Altruist, links-rechts
Mehr vom Autor
- Werbung -
Anmelden
Benachrichtigen Sie über
Gast

0 Kommentare
Eingebettete Bewertungen
Alle Kommentare anzeigen
Andere Artikel
Abonnieren Sie Updates

Letzte Kommentare

Beliebt jetzt
0
Wir freuen uns über Ihre Gedanken, bitte kommentieren Sie.x