12 просмотров

публиковать

почта

две роботизированные руки складывают розовый журавль оригами

Как GPU помогают искусственному интеллекту

  • администратор
  • Этот документ сопровождает презентацию, представленную на этой неделе генеральным директором NVIDIA Джен-Хсун Хуангом на симпозиуме «Будущее ИИ» в Нью-Йоркском университете.
  • Ускорение ИИ с помощью графических процессоров: новая вычислительная модель

Янн ЛеКун пригласил меня выступить на первом симпозиуме на этой неделе, посвященном «Будущему ИИ» в Нью-Йоркском университете. Это удивительное собрание лидеров в этой области, чтобы обсудить состояние ИИ и его дальнейшее развитие. Вот о чем я говорил: глубокое обучение — это новая модель программного обеспечения, для которой нужна новая вычислительная модель; почему исследователи ИИ перешли на вычисления с ускорением на GPU; и постоянные усилия NVIDIA по развитию ИИ, поскольку мы вступаем в его экспоненциальное внедрение. И почему после всех этих лет ИИ взлетел.

Большой взрыв

Пока мы разрабатываем компьютеры, ИИ был последним рубежом. Создание интеллектуальных машин, способных воспринимать мир так же, как и мы, понимать наш язык и учиться на примерах, было делом жизни ученых-компьютерщиков на протяжении более пяти десятилетий.Тем не менее, потребовалось сочетание работы Яна Лекуна в области сверточных нейронных сетей, подхода Джеффа Хинтона к обучению с обратным распространением и стохастическим градиентным спуском, а также широкомасштабного использования графических процессоров Эндрю Нг для ускорения глубоких нейронных сетей (ГНС), чтобы зажечь большой взрыв. современного ИИ — глубокое обучение.

Статья в тему:  Что старше Вселенной

В то время NVIDIA была занята продвижением вычислений с ускорением на графическом процессоре, новой вычислительной модели, в которой используются массивно-параллельные графические процессоры для ускорения приложений, также параллельных по своей природе. Ученые и исследователи перешли на графические процессоры, чтобы моделировать в молекулярном масштабе, чтобы определить эффективность спасающего жизни лекарства, визуализировать наши органы в 3D (реконструированные из световых доз компьютерной томографии) или моделировать в галактическом масштабе, чтобы обнаружить законы, управляющие нашей Вселенной. Один исследователь, использовавший наши графические процессоры для моделирования квантовой хромодинамики, сказал мне: «Благодаря работе NVIDIA я теперь могу заниматься делом всей своей жизни». Это прекрасно вознаграждается. Нашей миссией всегда было дать людям возможность построить лучшее будущее. Графические процессоры NVIDIA демократизировали суперкомпьютеры, и теперь исследователи открыли для себя эту мощь.

К 2011 году исследователи искусственного интеллекта по всему миру открыли для себя графические процессоры NVIDIA. Проект Google Brain только что добился потрясающих результатов — научился распознавать кошек и людей, просматривая фильмы на YouTube. Но для этого требовалось 2000 процессоров на серверах, питаемых и охлаждаемых в одном из гигантских центров обработки данных Google. Мало у кого есть компьютеры такого масштаба. Введите NVIDIA и графический процессор. Брайан Катандзаро из NVIDIA Research объединился с командой Эндрю Нг в Стэнфорде, чтобы использовать графические процессоры для глубокого обучения. Как оказалось, 12 графических процессоров NVIDIA могут обеспечить производительность глубокого обучения, равную 2000 ЦП.Исследователи из Нью-Йоркского университета, Университета Торонто и Швейцарской лаборатории искусственного интеллекта ускорили свои DNN на графических процессорах. Затем начался фейерверк.

Статья в тему:  Как проверить рейтинг искусственного интеллекта

Глубокое обучение творит чудеса

Алекс Крижевский из Университета Торонто выиграл конкурс компьютерного распознавания изображений ImageNet 2012 года. (1) Крижевский превзошел — с огромным отрывом — программное обеспечение, созданное вручную экспертами по компьютерному зрению. Крижевский и его команда не писали код компьютерного зрения. Скорее, используя глубокое обучение, их компьютер научился распознавать изображения сам по себе. Они разработали нейронную сеть под названием AlexNet и обучили ее на миллионах примеров изображений, что потребовало триллионов математических операций на графических процессорах NVIDIA. AlexNet Крижевского превзошел лучшее программное обеспечение, написанное человеком.

Гонка ИИ началась. К 2015 году была достигнута еще одна важная веха.

Используя глубокое обучение, Google и Microsoft добились лучших результатов среди людей в конкурсе ImageNet. (2,3) Не написанная человеком программа, а человек. Вскоре после этого Microsoft и Китайский университет науки и технологии объявили о DNN, которая достигла результатов тестов IQ на уровне аспирантов колледжей. (4) Затем Baidu объявила, что система глубокого обучения под названием Deep Speech 2 выучила и английский, и китайский языки с помощью одного алгоритма. (5) И все лучшие результаты конкурса ImageNet 2015 года были основаны на глубоком обучении, работающем на глубоких нейронных сетях с ускорением на GPU, и многие из которых превзошли точность человеческого уровня.

P2EnU AbtSt0iyxDBWlr6 NWUb7nGlS8zcReRkw SOObSR8A7DGB0did 9TVaNB0nBMendalLTnE9y8jFSBOQdZqC1VPSO9JyHn3oZ2jJg4mHaYa B2 6eywoaHYfzmiUZhkXiapnugNRBfCKvlY

В 2012 году глубокое обучение превзошло программное обеспечение, написанное человеком. К 2015 году глубокое обучение достигло «сверхчеловеческого» уровня восприятия.

Новая вычислительная платформа для новой модели программного обеспечения

Статья в тему:  Искусственный интеллект, как все работает

Компьютерные программы содержат команды, которые в основном выполняются последовательно.Глубокое обучение — это принципиально новая программная модель, в которой параллельно обучаются миллиарды программных нейронов и триллионы соединений. Запуская алгоритмы DNN и изучая примеры, компьютер, по сути, пишет свое собственное программное обеспечение. Эта радикально отличающаяся модель программного обеспечения нуждается в новой компьютерной платформе для эффективной работы. Ускоренные вычисления — идеальный подход, а GPU — идеальный процессор. В качестве

Природа

недавно отмечалось, что ранний прогресс в области глубокого обучения «стал возможен благодаря появлению быстрых графических процессоров (GPU), которые было удобно программировать и которые позволили исследователям обучать сети в 10 или 20 раз быстрее». (6) Для создания новой вычислительной платформы необходимо сочетание факторов — производительность, продуктивность программирования и открытая доступность.

Производительность.

Графические процессоры NVIDIA прекрасно справляются с параллельными рабочими нагрузками и ускоряют DNN в 10-20 раз, сокращая каждую из многочисленных итераций обучения с недель до дней. Мы не остановились на достигнутом. Сотрудничая с разработчиками искусственного интеллекта, мы продолжали улучшать дизайн наших графических процессоров, системную архитектуру, компиляторы и алгоритмы и всего за три года ускорили обучение глубоких нейронных сетей в 50 раз — намного быстрее, чем закон Мура. Мы ожидаем еще 10-кратного увеличения в ближайшие несколько лет.

Программируемость.

Инновации в области искусственного интеллекта развиваются с головокружительной скоростью. Простота программирования и производительность разработчика имеют первостепенное значение. Программируемость и богатство платформы NVIDIA CUDA позволяют исследователям быстро внедрять инновации — создавать новые конфигурации CNN, DNN, сетей глубокого начального анализа, RNN, LSTM и сетей обучения с подкреплением.

Статья в тему:  Когда лос-анджелес затопит из-за глобального потепления

Доступность.

Разработчики хотят создавать где угодно и развертывать везде.Графические процессоры NVIDIA доступны по всему миру от каждого OEM-производителя ПК; в настольных компьютерах, ноутбуках, серверах или суперкомпьютерах; и в облаке от Amazon, IBM и Microsoft. Все основные фреймворки для разработки ИИ ускоряются на графическом процессоре NVIDIA — от интернет-компаний до исследований и стартапов. Независимо от того, какая система разработки ИИ предпочтительна, она будет быстрее с ускорением графического процессора. Мы также создали графические процессоры практически для всех вычислительных форм-факторов, чтобы DNN могли управлять интеллектуальными машинами всех видов. GeForce для ПК. Tesla предназначена для облачных вычислений и суперкомпьютеров. Jetson предназначен для роботов и дронов. А DRIVE PX — для автомобилей. Все они имеют одинаковую архитектуру и ускоряют глубокое обучение.

Каждой отрасли нужен интеллект

Baidu, Google, Facebook, Microsoft первыми внедрили графические процессоры NVIDIA для глубокого обучения. Эта технология искусственного интеллекта — это то, как они реагируют на произнесенное вами слово, переводят речь или текст на другой язык, распознают и автоматически помечают изображения, а также рекомендуют новостные ленты, развлечения и продукты, адаптированные к тому, что нравится и волнует каждого из нас. Стартапы и известные компании сейчас стремятся использовать ИИ для создания новых продуктов и услуг или улучшения своей деятельности. Всего за два года количество компаний, с которыми NVIDIA сотрудничает в области глубокого обучения, выросло почти в 35 раз и превысило 3400 компаний. Такие отрасли, как здравоохранение, медико-биологические науки, энергетика, финансовые услуги, автомобилестроение, производство и развлечения, выиграют от извлечения информации из гор данных. А поскольку Facebook, Google и Microsoft открывают свои платформы глубокого обучения для всех, приложения на основе ИИ будут быстро распространяться. В свете этой тенденции,

Проводной

Статья в тему:  С какой скоростью может двигаться атомная подводная лодка

недавно провозгласил «восстание ГПУ».

Самоуправляемые автомобили.

Будь то дополнение людей сверхчеловеком-вторым пилотом, или революционизация услуг личной мобильности, или уменьшение потребности в обширных парковках в городах, беспилотные автомобили могут принести огромную пользу обществу. Вождение сложное. Происходят неожиданные вещи. Ледяной дождь превращает дорогу в каток. Дорога к месту назначения закрыта. Перед машиной выбегает ребенок. Вы не можете написать программное обеспечение, которое предугадывает все возможные сценарии, с которыми может столкнуться беспилотный автомобиль. В этом ценность глубокого обучения; он может учиться, адаптироваться и совершенствоваться. Мы создаем комплексную платформу глубокого обучения под названием NVIDIA DRIVE PX для беспилотных автомобилей — от системы обучения до автомобильного компьютера с искусственным интеллектом. Результаты очень захватывающие. Будущее со сверхчеловеческими компьютерами-пилотами и беспилотными шаттлами больше не является научной фантастикой.

Роботы.

ФАНУК

ведущий производитель производственных роботов недавно продемонстрировал конвейерного робота, который научился «выбирать» произвольно ориентированные объекты из мусорного ведра. Робот с GPU научился методом проб и ошибок. Эта технология глубокого обучения была разработана компанией Preferred Networks и недавно была представлена ​​в

Журнал "Уолл Стрит

Статья под заголовком «Япония стремится к возрождению технологий с помощью искусственного интеллекта».

Здравоохранение и науки о жизни.

Deep Genomics применяет глубокое обучение на основе графического процессора, чтобы понять, как генетические вариации могут привести к заболеванию. Arterys использует глубокое обучение на базе графического процессора для ускорения анализа медицинских изображений. Его технология будет развернута в аппаратах МРТ GE Healthcare для диагностики сердечных заболеваний. Enlitic использует глубокое обучение для анализа медицинских изображений с целью выявления опухолей, почти невидимых переломов и других заболеваний.

Это всего лишь несколько примеров.Их буквально тысячи.

  • Ускорение ИИ с помощью графических процессоров: новая вычислительная модель
  • Прорывы в области глубокого обучения вызвали революцию в области искусственного интеллекта. Машины, работающие на основе глубоких нейронных сетей ИИ, решают проблемы, слишком сложные для программистов-людей. Они учатся на данных и совершенствуются по мере использования. Та же DNN может быть обучена даже непрограммистами для решения новых задач. Прогресс экспоненциальный. Принятие является экспоненциальным. И мы считаем, что влияние на общество также будет экспоненциальным. Недавнее исследование KPMG прогнозирует, что компьютеризированные технологии помощи водителю помогут снизить количество автомобильных аварий на 80% за 20 лет — это спасает почти 1 миллион жизней в год. Искусственный интеллект с глубоким обучением станет его краеугольным камнем.
  • Влияние на компьютерную индустрию также будет экспоненциальным. Глубокое обучение — это принципиально новая программная модель. Поэтому нам нужна новая компьютерная платформа для его запуска — архитектура, которая может эффективно выполнять команды, закодированные программистом, а также массовое параллельное обучение глубоких нейронных сетей. Мы держим пари, что вычисления с ускорением на GPU — это лучший выбор.
  • Популярная наука
  • недавно назвал GPU «рабочей лошадкой современного ИИ». Мы согласны.
голоса
Рейтинг статьи
Статья в тему:  Как я могу внести свой вклад в искусственный интеллект
Ссылка на основную публикацию
Статьи c упоминанием слов:

0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x