Latest / SuperToast / NVIDIA: O domínio da AI

Transcript

NVIDIA: O domínio da AI · SuperToast

0:00
Supertos by Instint. Olá.
0:04
Eu sou a Maria Inteligente. E eu sou o Manuel génio.
0:07
Somos inteligências artificiais, parte do super toas TI.
0:11
Hoje vamos analisar como uma empresa de Gaming se tornou a
0:15
espinha dorsal da revolução da inteligência artificial.
0:19
A nvidia não venceu por acaso, apostou.
0:22
Cedo, construiu um ecossistema difícil de replicar e
0:25
transformou tecnologia em poder estratégico.
0:28
Neste episódio, exploramos as decisões, os riscos.
0:32
E as vantagens competitivas que colocaram a nvidia no centro do
0:36
futuro da computação. Game Changers.
0:41
Vamos focar-nos em 3 decisões absolutamente cruciais do seu
0:45
CEO, jenson Wong. Vamos ver como uma aposta quase
0:48
louca em software, uma viragem estratégica para hardware de AE
0:53
parcerias muito inteligentes criaram um domínio de mercado
0:56
que Hoje os concorrentes olham e pensam, como é que se quer
1:00
começamos a competir com ISTO? É um caso de estudo incrível
1:03
sobre Visão e talvez mais importante.
1:06
Paciência. OK, vamos a isso.
1:08
A primeira aposta leva-nos a 2006.
1:11
É preciso imaginar o cenário em vídeo é a Rainha.
1:15
Indiscutível das placas gráficas, o dinheiro a entrar
1:18
vem todos dos videojogos e de repente eles decidem investir
1:21
rios de dinheiro e talento numa coisa com um nome estranho.
1:25
Kuda na altura, as Fontes descrevem a reação do mercado
1:28
como sendo de bem de total perplexidade.
1:32
Parecia um projeto de estimação, um hobby caro e sem sentido.
1:35
Exatamente porque ia contra a lógica do negócio principal, o
1:39
que o Kuda propunha era radical, dizia aos programadores.
1:43
Sabem este poder todo que as nossas GPU tem para desenhar
1:46
explosões e florestas realistas em jogos.
1:49
Agora podem usá-lo para bem para qualquer coisa, paciência para
1:54
finanças, para o que quisessem na prática, transformaram um
1:57
chip altamente especializado no motor de computação universal e
2:01
programável. Foi como pegar num carro de
2:04
fórmula 1 e dizer agora também serve para ir às compras e levar
2:07
os miúdos à escola estavam a redefinir o seu próprio produto.
2:11
Mas espera aí essa ideia de usar GPUs para computação geral,
2:15
parece inteligente. Mas, porque é que os
2:18
concorrentes, como AAI na altura que Hoje é a AMD, não se
2:21
limitaram a copiar a ideia? Fazer o seu próprio kuda e
2:24
competir de igual para igual. Ótima pergunta, e é aí que a
2:28
estratégia se torna fascinante? Vários tentaram, mas a nivida
2:32
não o testou só na tecnologia, apostou na criação de um
2:36
ecossistema, é o que se chama de fosso competitivo e para
2:40
perceber a força deste fosso, podemos usar uma ferramenta de
2:43
análise chamada Vrio. Vrio, lembro-me vagamente disso.
2:48
É uma forma de avaliar se uma empresa tem uma vantagem que
2:51
pode mesmo durar, certo? Ajuda a decompor o que eles têm
2:54
de especial. Isso mesmo, vamos por partes, V
2:58
de valor no início, o valor do kuda era para um nicho muito
3:02
pequeno de cientistas, mas o seu valor explodiu com o
3:05
aparecimento do deep learning, que precisava exatamente deste
3:09
tipo de computação paralela massiva.
3:11
Depois r de raridade. Naquela altura, ninguém ninguém
3:16
estava a levar a sério a ideia de construir uma plataforma de
3:19
software tão complexa e aberta para as suas GPUs.
3:23
Uma Visão genuinamente rara e. Depois vem o ID inimitabilidade
3:28
que me parece ser aqui. O ponto chave é o que responde à
3:31
minha pergunta sobre, porque é que a AMD não conseguiu copiar?
3:35
É o Coração do Foço e o que as Fontes deixam claro é que
3:39
reaplicar o kda Hoje não é um problema de dinheiro.
3:42
A Microsoft ou a Google podiam investir milhares de milhões
3:44
amanhã. O problema é que teriam de
3:46
reaplicar quase 2 décadas de trabalho.
3:49
Décadas a construir bibliotecas de software como AKDNA, escrever
3:53
documentação. Otimizar o Código para cada nova
3:56
arquitetura de chip e talvez o mais importante é criar
4:00
parcerias com universidades, gerações inteiras de
4:03
investigadores de a aprenderam a programar em cuda mudar agora é
4:08
um custo de tempo e de conhecimento, não apenas de
4:11
dinheiro. Basicamente criaram uma
4:13
dependência, aprender a usar outra coisa seria como um
4:17
escritor que usou o Microsoft Word a vida toda.
4:20
Ter de reaprender a escrever num sistema operacional
4:23
completamente diferente. Perde-se demasiado tempo e
4:27
produtividade. Exatamente essa a analogia e por
4:29
fim, o ó de organização, as Fontes morte porque a empresa
4:33
estava organizada para proteger esta aposta, a liderança de
4:37
Jansson guang blindou a equipa do kuda das pressões trimestrais
4:40
de Wall Street, que não via o retorno imediato.
4:43
Foi uma maratona, não um sprint e a estrutura da empresa
4:46
permitiu-lhes correr essa maratona.
4:48
E essa maratona teve um momento de viragem que as Fontes
4:51
descrevem como quase cinematográfico.
4:54
Avançamos para 2012 a semente do Cuda esteve a crescer em
4:57
silêncio durante 6 anos. E, de repente, acontece o modelo
5:01
de IA chamado Alex Net a correr em GPUs de videojogos da Nvidia
5:05
entra numa competição académica de reconhecimento de imagem e
5:09
simplesmente humilha toda a concorrência.
5:11
Foi um momento aha. Foi um momento em que a aposta
5:14
de longo prazo encontrou o seu mercado.
5:18
O Alex Net provou ao mundo que as redes neuronais profundas,
5:22
que até ali eram mais teóricas do que práticas, podiam ser
5:25
treinadas de forma dramaticamente mais rápida em
5:28
GPUs. E a liderança da envidia ao ver
5:31
ISTO, não hesitou um segundo em 2016, Johnson Wang declara
5:36
publicamente que AIA é a próxima grande revolução informática e
5:40
reorienta a empresa de uma forma brutal.
5:43
E essa reorientação não foi só conversa, certo?
5:46
Eles mudaram o próprio design dos chips.
5:48
Completamente a mudança refletiu-se diretamente no
5:51
cilício. As Fontes destacam uma inovação
5:54
crucial em 2018. O Stanser Cours pensemos nisto
5:58
assim uma GPUN normal. É como um génio da matemática
6:01
que consegue fazer milhares de cálculos diferentes ao mesmo
6:04
tempo, um thanser core é um assistente super especializado
6:08
que só sabe fazer um tipo de cálculo multiplicação de
6:10
matrizes, que é o pão nosso de cada dia da IA, mas falo a uma
6:14
velocidade absurda. Basicamente, nvidia deu ao seu
6:17
génio da matemática uma super calculadora feita à medida para
6:20
IA. E a partir daí nasceram as GPUs,
6:23
que Hoje dominam os centros de dados como AA 100 EAH 100.
6:28
Já não eram placas de jogos que serviam para IA eram
6:30
aceleradores de a feitos de raiz para este novo mundo.
6:34
E a pressa final do puzzle desta segunda aposta foi a aquisição
6:37
da Mellen Knox em 2019. Se AGPUS são os motores, a
6:42
melanox fazia as autoestradas de alta velocidade que ligam
6:46
milhares desses motores. Com essa compra, Ai nvidia
6:49
deixou de vender apenas o motor e passou a vender o sistema de
6:52
transportes completo, computação, redes e software,
6:56
tudo otimizado para funcionar em conjunto.
6:58
ISTO tornou a vida ainda mais difícil a quem os quisesse
7:01
imitar. Já não bastava fazer um chip
7:03
rápido, era preciso replicar uma plataforma inteira de centros de
7:06
dados. OK, então eles têm o software
7:09
com o fosso do Kuda e o hardware otimizado com estas cours e a
7:13
melanox parece um castelo bem defendido, mas as Fontes sugerem
7:18
que eles não se ficaram por aí, pois não?
7:20
Eles mudaram O Jogo outra vez. Precisamente, e essa foi a
7:24
terceira grande aposta aqui a mais visível Hoje.
7:27
Nvidia deixou de ser uma empresa que vende ferramentas para se
7:30
tornar numa empresa que constrói as fábricas.
7:33
Deixaram de vender paz e picaretas na corrida ao ouro da
7:35
IAE passaram a ser bem a ser donos das Minas.
7:40
E o exemplo mais claro disso é a parceria com a Openai.
7:45
Não é um simples contrato de venda.
7:47
Eles estão a investir em conjunto a construir
7:50
supercomputadores gigantescos. É quase como se nvidia estivesse
7:54
a subsidiar os seus melhores clientes que vantagem
7:57
estratégica é que isso lhes dá. Cria um ciclo de feedback
8:00
vicioso para a concorrência ao trabalhar lado a lado com as
8:04
equipas que estão a levar o hardware e o software.
8:07
O limite absoluto. Nvidia têm acesso direto.
8:10
E em tempo real aos problemas, aos estrangulamentos, às
8:13
necessidades das cargas de trabalho, de a mais avançadas do
8:17
planeta. Esse conhecimento é ouro,
8:19
alimenta diretamente o design da próxima geração de chips e de
8:22
software. O que, por sua vez, torna os
8:25
produtos deles ainda mais indispensáveis para quem vier a
8:28
seguir e o ciclo repete-se, é genial.
8:30
ISTO explica o que um dos programadores entrevistados nas
8:33
Fontes dizia que a produtividade que se ganha com o ecossistema
8:36
da nvidia justifica o preço mais alto.
8:39
A justificação clássica é que O Tempo dos investigadores é mais
8:42
caro que o Silício é o. Argumento principal deles.
8:45
Mas será que esse argumento se mantém Para Sempre com a pressão
8:49
de custos brutal que existem em gigantes como a Google ou a
8:52
Amazon? Não haverá um ponto em que o
8:54
preço do cilício da nvidia se torna tão obscenamente alto, que
8:58
justifica para eles gastar milhares de milhões para se
9:02
libertarem dessa dependência para fazerem os seus próprios
9:04
chips. Sem dúvida e essa é exatamente a
9:07
ameaça existencial que é virem em frente a Hoje e que NOS leva
9:11
ao futuro da computação. O domínio deles no treino de
9:14
modelos de IA, é claro, mas o campo de batalha está a mudar.
9:19
O grande jogo agora está a deslocar-se para a inferência.
9:22
Que é basicamente usar os modelos, não treiná-los.
9:24
Treinar OGPT 4 é um esforço gigantesco que acontece uma vez,
9:28
mas se nós usarmos os 7 GPT para pedir uma receita de bolo, isso
9:32
é inferência e acontece milhares de milhões de vezes por dia.
9:35
E os requisitos são diferentes na inferência, o que importa é a
9:39
latência, a rapidez da resposta, a eficiência energética e o
9:43
custo por cada pedido. ISTO está a levar a uma nova
9:46
evolução do hardware. A sequência continua CPUs
9:50
levaram as GPUSE agora as Fontes descrevem a ascensão das IPUS.
9:56
As unidades de processamento de inferência.
9:58
Uma das Fontes descreve-as de uma forma muito visual, são como
10:02
uma linha de montagem de precisão, enquanto uma GPU é
10:05
flexível, uma Ipu é feita por uma única tarefa, executar um
10:10
modelo de AO mais rápido eficientemente possível.
10:14
É menos flexível, mas muito mais eficaz para essa tarefa
10:17
específica. E o campo de batalha também se
10:19
está a expandir para lá dos centros de dados.
10:22
É o que as Fontes chamam de inferência na periferia,
10:25
inference at the Edge e a periferia é um conceito muito
10:29
mais vasto do que se possa pensar.
10:31
Nós estamos a falar só de telemóveis e portáteis.
10:34
Nem de perto as Fontes dão exemplos que parecem ficção
10:37
científica, mas que já estão a acontecer.
10:40
Uma empresa, a Grey parrot usa IA para sistemas de triagem de
10:44
lixo. Imagina um robô que olha para
10:47
uma esteira de lixo a alta velocidade?
10:49
E decide em milissegundos, ISTO é plástico, PET ISTO é cartão,
10:53
ISTO é orgânico e se precisa de inferência, local rápida e
10:58
barata. Outra a simb robotics usa robôs
11:02
autónomos NOS corredores dos supermercados para verificar o
11:05
Stock em tempo real. É incrível porque isso muda
11:08
completamente a economia de indústrias inteiras, como a
11:10
reciclagem ou o retalho. O chip de AA deixa de ser algo
11:14
que está num centro de dados longínquo e passa a estar no
11:17
caixote do lixo ou a passear pelo supermercado.
11:20
A um mercado potencialmente gigantesco.
11:22
Gigantesco e olhando ainda mais para a frente para daqui a 3 ou
11:25
5 anos, as Fontes sugerem que a discussão pode nem ser sobre
11:30
modelos maiores ou mais rápidos. O próprio paradigma pode mudar.
11:34
Podemos estar a caminhar para lá dos modelos estáticos que são
11:37
treinados uma vez e depois implementados.
11:41
A próxima fronteira pode ser a dos sistemas de aprendizagem
11:44
contínua. E acho que aprendem e se adaptam
11:47
em tempo real com base nas interações de forma muito mais
11:50
parecida com o cérebro biológico.
11:52
Uma mudança que de certeza, janang já está a preparar.
11:56
Bem resumindo a história da Nvidia é uma lição incrível de
12:00
Visão a longo prazo. Começou com uma aposta em
12:03
software que ninguém compreendeu o kuda.
12:06
Depois souberam capitalizar o momento de viragem tecnológico
12:09
OLX net com o hardware super especializado.
12:13
E, por fim, cimentaram o domínio, tornando-se na própria
12:16
infraestrutura sobre a qual a revolução da IA está a ser
12:18
construída. É uma aula de paciência e
12:21
execução implacável. Deixa-nos e com uma questão
12:24
final provocadora, as Fontes são unânimes a apontar a maior
12:29
ameaça no horizonte. Os maiores clientes da envidia,
12:33
a Google com os seus TPUS Amazon com trainingum, a Microsoft com
12:37
o Maia. Todos estão a desenhar os seus
12:40
próprios chips, de IAO objetivo é, óbvio, reduzir a dependência
12:44
e os custos exorbitantes de comprar tudo à envidia.
12:47
É o dilema clássico de Veres os teus maiores clientes.
12:51
Tornarem-se aos poucos NOS teus maiores concorrentes.
12:53
Exatamente, e isso deixa-nos com uma reflexão para o futuro, num
12:57
mundo onde os teus parceiros mais importantes têm os recursos
13:00
e a motivação para se tornarem NOS teus concorrentes mais
13:03
ferozes, como é que uma empresa consegue manter o seu domínio?
13:07
Será que um ecossistema de software por mais forte e
13:10
enraizado que esteja, é uma defesa suficiente quando os
13:14
gigantes da tecnologia podem construir as suas próprias
13:17
soluções? De raiz do Silício ou software?
13:21
Perfeitamente otimizadas pelas suas próprias necessidades.
13:24
A resposta a essa pergunta vai definir a próxima década da
13:27
computação. Super tast é um projeto
13:34
editorial da instinct que distribui o futuro Hoje para
13:37
preparar as empresas para o amanhã.