211service.com
La batalla para proporcionar chips para el auge de la IA se intensifica
Jensen Huang, CEO de Nvidia, en la conferencia de la empresa en San José, California.
Jensen Huang se mostró radiante en una sala de conferencias repleta en San José, California, el miércoles cuando anunció el nuevo chip de su compañía destinado a acelerar los algoritmos de inteligencia artificial. Pero hablando metafóricamente, el CEO del fabricante de chips Nvidia estaba mirando por encima del hombro.
Las ganancias y las acciones de Nvidia han aumentado en los últimos años porque los procesadores de gráficos que inventó para potenciar los juegos y la producción de gráficos han permitido muchos avances recientes en el aprendizaje automático (ver 10 Tecnologías innovadoras 2013: Aprendizaje profundo). Pero a medida que aumenta la inversión en inteligencia artificial, la empresa de Huang ahora enfrenta la competencia de Intel, Google y otros que trabajan en sus propios chips de IA.
En la conferencia anual de desarrolladores de Nvidia el miércoles, Huang evitó cuidadosamente mencionar el nombre de cualquier competidor cuando presentó el último chip de Nvidia, llamado Tesla V100. Se refirió a Google solo como algunas personas, por ejemplo. Pero dio golpes claros a la tecnología de los retadores de Nvidia, particularmente cuando habló de la gran oportunidad que se abría para suministrar chips de IA para su uso en la computación en la nube.
Las empresas de muchas industrias, como la atención médica y las finanzas, están invirtiendo en infraestructura de aprendizaje automático. Los principales proveedores de computación en la nube, Google, Amazon y Microsoft, están apostando a que muchas empresas querrán pagarles para ejecutar software de inteligencia artificial, y van a gastar mucho en nuevo hardware para respaldar eso.
Nvidia llegó a dominar el floreciente mercado de chips de IA aprovechando inteligentemente una afortunada coincidencia. Las operaciones matemáticas básicas necesarias para los gráficos por computadora son las mismas que subyacen en un enfoque de aprendizaje automático conocido como redes neuronales artificiales. A partir de 2012, los investigadores demostraron que al poner un nuevo poder detrás de esa técnica, los procesadores de gráficos permitieron que el software se volviera mucho, mucho más inteligente en tareas como la interpretación de imágenes o el habla.
A medida que el mercado de la IA creció, Nvidia modificó los diseños de sus chips con características para admitir redes neuronales. El nuevo chip V100 anunciado esta semana es la culminación de ese esfuerzo y presenta un nuevo núcleo especializado para acelerar las matemáticas de aprendizaje profundo.
Huang dijo que su potencia y eficiencia energética ayudarían a las empresas o proveedores de la nube a mejorar drásticamente su capacidad para usar IA. Podría aumentar el rendimiento de su centro de datos 15 veces en lugar de tener que construir nuevos centros de datos, dijo.
Los nuevos competidores de Nvidia argumentan que pueden hacer que el hardware sea más rápido y eficiente para ejecutar el software de inteligencia artificial mediante el diseño de chips ajustados para ese propósito desde cero en lugar de adaptar la tecnología de chips gráficos.
Por ejemplo, Intel promete lanzar un chip para aprendizaje profundo a finales de este año construido sobre la tecnología adquirida con la startup Nervana en 2016 (ver Intel Outside como otras empresas prosperan a partir de chips gráficos).
La compañía también se está preparando para lanzar un producto para acelerar el aprendizaje profundo basado en la tecnología de su adquisición de Altera por $ 16.7 mil millones, que fabricó chips llamados FPGA que se pueden reconfigurar para impulsar algoritmos específicos. Microsoft ha invertido mucho en el uso de FPGA para potenciar su software de aprendizaje automático y los convirtió en una pieza central de su plataforma en la nube, Azure.
Mientras tanto, Google reveló el verano pasado que ya estaba usando un chip personalizado para IA, desarrollado internamente, llamado Unidad de procesamiento de tensor o TPU. Los chips respaldaron la victoria del software AlphaGo sobre un jugador campeón del juego de mesa Go el año pasado. No están a la venta, pero Google dice que las empresas que utilizan sus servicios de computación en la nube obtendrán los beneficios de su potencia y eficiencia energética.
Desde entonces, varios ingenieros que construyeron el chip de Google abandonaron la empresa para formar una empresa emergente con $ 10 millones en fondos llamada Groq que está construyendo un chip especializado en aprendizaje automático. Otras nuevas empresas que trabajan en proyectos similares incluyen Wave Computing, que dice que ya está permitiendo que los clientes prueben su hardware.
Huang afirmó el miércoles que la tecnología de Nvidia llega a un punto óptimo que otros esfuerzos no alcanzan. Los chips personalizados como el TPU de Google son demasiado inflexibles para funcionar igual de bien con muchos tipos diferentes de redes neuronales, dijo, una desventaja significativa dada la rapidez con la que se prueban y adoptan nuevas ideas en IA. Afirmó que los FPGA, como los favorecidos por Microsoft y por los que apuesta Intel, consumen demasiada energía.
Estamos creando la plataforma más productiva para el aprendizaje profundo, dijo. A medida que los rivales de Huang revelen más sobre sus productos este año, esa afirmación será objeto de un escrutinio minucioso.