Zero
Cosa succede con più di computer di tutto il mondo compiti ottenere consegnato alle reti neurali?
Questo è un intrigante prospettiva, naturalmente, per Nvidia, una società di vendita di un intero diavolo di un sacco di chips per addestrare le reti neurali.
La prospettiva applausi Bryan Catanzaro, che è il capo di applicare profondo di apprendimento e di ricerca presso Nvidia.
“Ci piacerebbe per il modello di base per essere maggiore del carico di lavoro,” di Catanzaro detto a ZDNet questa settimana, durante un’intervista a Nvidia stand presso il NeurIPS di apprendimento automatico e conferenza a Montreal. Catanzaro è stata la prima persona che fa rete neurale di lavoro a Nvidia, quando ha preso un posto di lavoro, nel 2011 dopo aver ricevuto il suo Dottorato di ricerca presso l’Università di California a Berkeley in ingegneria elettrica e informatica.
Anche: IBM, Apple e Facebook rappresentano la nuova inclinazione verso il business per la venerabile IA conferenza
Nvidia testa di applicato di machine learning, Bryan Catanzaro, dice che l’azienda è già ben avanti di start-up di cogliere, e di agire, come le reti neurali stanno cambiando il calcolo del paesaggio.
Il modello base è una scorciatoia per la sostituzione di alcuni di ciò che utilizzate per essere più espliciti di programmazione con le reti neurali che dedurre il modo per risolvere un problema del calcolo. Ci sono stati esempi di tale passaggio a Nvidia stand che hanno ampie implicazioni per l’informatica.
Un esempio è un documento presentato alla conferenza di questa settimana chiamata Video a Video Sintesi, scritto da lui stesso e colleghi, insieme con un ricercatore del MIT Computer Science and Artificial Intelligence Lab. Il lavoro mira a sintetizzare il video di una scena di strada da “predire il futuro fotogrammi del video.”
Tradizionalmente, tale attività dovrebbe essere programmato da un lato, il compito di “rendering” di essere una laboriosa. “Oggi il video è triangolo triangolo, e può costare un milione di dollari” o più, dice di Catanzaro.
Inoltre: AI di Avvio del Girfalco giri pletora di chip per l’apprendimento automatico
Invece, il nuovo approccio prende video di scene di strada e si nutre di alcuni fotogrammi di un generativa del contraddittorio di rete, o GAN, che quindi prevede fotogrammi del video. Esso si basa sul precedente lavoro sintesi di immagini di cose dato un paio di campioni.
La parte importante è che il GAN è cercare di capire il compito di rendering, sostituendo laboriosi fisica specifiche nel tradizionale approccio.
Nvidia ha preso l’approccio di video gioco in stile simulazioni, con alcuni risultati interessanti. Nvidia stand al NeurIPS, un arcade in stile sedile del conducente e i visitatori hanno avuto la possibilità di guidare attraverso una simulazione di scena di strada. La scena della strada in questo caso ha mostrato alcune delle limitazioni correnti dello stato dell’arte. Piuttosto che guardare foto-realistica, si aveva la sensazione di un colore dell’acqua di pittura, con colori e texture di edifici e automobili spostamento come uno guidato attraverso la simulazione.
Un partecipante al NeurIPS 2018 machine learning conference unità attraverso una Nvidia simulatore di una scena di strada, realizzato applicando un generativa del contraddittorio di rete, o GAN, per una prima simulazione di una strada.
Tali manufatti, dice di Catanzaro, sono un riflesso di problemi tra traducendo dal “Unreal Engine 4” sistema 3D che è la formazione dei GAN nel caso della simulazione di guida. “Quando Irreale ci dà la resa del mondo, per cominciare, e non fa il rendering, si crea solo uno schizzo, è troppo preciso e tutto è perfetto.
Inoltre: Chip di avvio Efinix spera di bootstrap AI sforzi nell’IoT
“Ma le linee e disegni dal vero i video sono in realtà meglio, sono un po’ ondulato; abbiamo bisogno di rendering più come vero e proprio video.”
Catanzaro descrive quello che suona come una sorta di processo dialettico, in futuro, in cui la fonte di rendering 3D e la conseguente rendering generato in qualche modo fare meglio. “Ci piace pensare ad esso come il bootstrap,” dice il Catanzaro.
Tutto questo ha implicazioni per Nvidia dei chip di business: Catanzaro boss è Giona Alben, il capo di architettura GPU di Nvidia. C’è un legame tra ciò che si è imparato su reti neurali’ di capacità e di come essa trova la sua strada nel silicio.
In particolare, la sostituzione di mano-la codifica di rendering video indica la strada di un tempo, quando il modello basato su approcci hanno bisogno di più e più dedicato la rete neurale di un circuito.
Inoltre: AI startup Flex Logix bagarini di gran lunga maggiore di prestazioni rispetto a Nvidia
“I calcoli AI sono una migliore corrispondenza per semiconduttori rispetto ai tradizionali compiti di rendering,” dice Catanzaro, confrontando il tradizionale GPU lavoro di “shader” unità per il moltiplicatore-accumulatore compiti utilizzati per molti di rete neurale applicazioni.
“Il MAC [multipy-accumulare operazione] vincoli di calcolo, piuttosto che di comunicazione-bound”, spiega. E così, “come i transistor e i fili che diventano sempre più piccoli, i fili non si ottiene piccole veloce come transistor,” il che significa che il tradizionale pipeline di rendering ottiene gommata da il problema dello spostamento dei dati su filo.
Il motivo di Catanzaro, è bene che la Nvidia del chip hanno cambiato le loro strisce più di qualche conto. Sia di Nvidia principali architetture di chip, Turing e Volta, in funzione del tensore di core del processore, in grado di operare direttamente sul tensore di strutture che costituiscono la moltiplica-si accumulano le operazioni di reti neurali.
Deve leggere
Nvidia treni innocenti AI pulire filigrane foto (CNET)Nuovo chip NVIDIA potrebbe consentire AI e la robotica in più settori (TechRepublic)
Di più e di più, come tensore capacità di prendere oltre a transistor spazio sul die di silicio tradizionali shader circuito di una GPU.
“Tensore core sono una misura migliore per il futuro della produzione di semiconduttori tecnologia,” dice il Catanzaro. “Sono più efficienti, e credo che saranno scala meglio di tradizionale Gpu.”
Egli osserva che una Turing-dispositivo in grado di produrre sedici trilioni di operazioni in virgola mobile al secondo posto nella sua tradizionale shader unità, ma il tensore di core battere con un ampio margine con 230 miliardi al secondo.
Anche: Google dice che una crescita esponenziale di AI è cambiare la natura di calcolare
Ci sono, naturalmente, una serie di startup che mira a prendere il business di Nvidia, sostenendo che il chip è meno che ideale per l’AI, tra cui Bristol, in Inghilterra, a base di Graphcore.
Ma la proliferazione di un tensore core chip Nvidia, significa, “Siamo d’accordo con loro più di quanto non d’accordo con le proprie dichiarazioni,” di Catanzaro, dice con un sorriso.
Nvidia sta facendo la fine eseguire intorno alla concorrenza, egli suggerisce. “Va bene parlare di questi valori di pressione sistolica e matrici,” assemblaggi di moltiplicatore-accumulatore unità che le startup tout, dice. “Ma noi siamo stati in questa spedizione in silicone per anni.”
Precedente e relativa copertura:
Che cosa è l’IA? Tutto quello che devi sapere
Un esecutivo a guida di intelligenza artificiale, machine learning e generale AI alle reti neurali.
Cos’è il deep learning? Tutto quello che devi sapere
Il lowdown su deep learning: da come si relaziona con il più ampio campo di machine learning a come iniziare con esso.
Che cosa è macchina di apprendimento? Tutto quello che devi sapere
Questa guida spiega in cosa consiste la macchina di apprendimento, di come esso è legato all’intelligenza artificiale, come funziona e perché è importante.
Che cos’è il cloud computing? Tutto quello che devi sapere su
Un’introduzione al cloud computing destra, dalle nozioni di base fino a IaaS e PaaS, ibrido, public e private cloud.
Argomenti Correlati:
Processori
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0