NVIDIA đã lật đổ Intel để trở thành “bộ não” tiêu chuẩn cho tương lai như thế nào?

Từ lâu, Jen Hsun-Huang đã dự đoán được rằng tiềm năng của GPU không chỉ là Doom, Quake và Half-Life. Ông thèm muốn cả AI. Lĩnh vực AI siêu việt nhất, tiềm năng nhất – deep learning (học sâu) đã có mặt từ tận thập niên 1960 và đến cuối thế kỷ 20 cũng đã có một số bước tiến nhất định. Dù vậy nhưng deep learning vẫn có 2 trở ngại lớn: không có đủ dữ liệu để dạy dỗ AI và không đủ sức mạnh tính toán để AI có thể thực sự “tự học”.

Lời giải cho vấn đề thứ nhất là Internet. Bong bóng dot-com vào cuối thập niên 2000 đem đến một lượng dữ liệu khổng lồ để các chuyên gia toán học có thể “nhồi” vào bộ não của AI. Nhưng sức mạnh tính toán vẫn nằm ngoài tầm với. Thực tế, ngay đến cả những con chip Core i7 của ngày hôm nay vẫn không phải là thực sự phù hợp cho máy học.

… 

Năm 2012, Andrew Ng thực hiện một thí nghiệm quan trọng: sử dụng 1000 siêu máy tính và 16.000 CPU trị giá 1 triệu USD để tạo ra một neural network chuyên dùng để nhận diện hình ảnh… mèo trên YouTube. Tổng cộng, neural network này có 1 tỷ liên kết (connection) giữa các CPU.

Một năm sau, giáo sư Ng tái hiện lại 1 tỷ connection đó trên phần cứng trị giá 20.000 USD: 16 máy tính có trang bị 64 GPU của NVIDIA. 

Cũng trong năm 2012, Alex Krizhevsky, một nghiên cứu sinh đang theo đuổi bằng tiến sĩ tại Đại Học Toronto đã mang tới một đột phá quan trọng trong lĩnh vực hình ảnh. Chỉ với 2 chiếc card GeForce, Krizhevsky đã có thể sử dụng 1,2 triệu tấm ảnh để tạo ra một AI có thể nhận diện hình ảnh với độ sai sót chỉ 15%. Mức kỷ lục trước đó là 25%.

Những thành tựu đột phá của Andrew Ng và Alex Krizhevsky nhanh chóng tạo ra một cuộc đua mới trên lĩnh vực AI, nhưng ít ai biết rằng các công trình đột phá của họ chỉ có thể xảy ra sau khi NVIDIA đưa ra một đột phá quan trọng mang tên CUDA vào năm 2006. Trước khi bộ công cụ này được ra mắt, lập trình cho các tác vụ xử lý bằng GPU là một nhiệm vụ cực kỳ vất vả do lập trình viên phải can thiệp quá nhiều vào các tầng phần mềm gần phần cứng (gần ngôn ngữ máy).

Với CUDA, lập trình viên nay có thể can thiệp vào GPU thông qua những ngôn ngữ bậc cao (gần ngôn ngữ người hơn) như JAVA hay C++. Từ vai trò là một máy tính nhỏ trong mạng lưới hàng nghìn máy tính tí hon hoạt động đồng thời để đổ bóng và vẽ sáng, CUDA trở thành mô hình hoàn hảo để giả lập neural network. 

http://m.genk.vn/nvidia-da-lat-do-intel-de-tro-thanh-bo-nao-tieu-chuan-cho-tuong-lai-nhu-the-nao-2017062109392125.chn