Nvidia создала один из самых мощных ИИ суперкомпьютеров за 3 недели

Автономные транспортные средства: они не совершенны и иногда убивают людей. Но они также обещают более безопасный транспорт - и гораздо меньшее количество рабочих мест - в относительно ближайшем будущем. Чтобы помочь этим транспортным средствам усовершенствовать свой интеллект, не приводя к несчастным случаям со смертельным исходом, и предотвратить их, Nvidia создала DGX SuperPod, суперкомпьютер, оптимизированный для искусственного интеллекта, который может помочь разработать более совершенный автомобиль с автоматическим управлением.

Nvidia ясно дала понять, что хочет быть в числе лидеров в области искусственного интеллекта, и решила создать суперкомпьютер, чтобы продемонстрировать это. Компании потребовалось всего три недели, чтобы соединить 96 суперкомпьютеров Nvidia DGX-2H с технологией межсоединения Mellanox. Вы также можете купить его, если новинка вашей шестой яхты изношена и у вас есть 435 000 долларов, которые прожигают дыру в вашем кармане. Вот сколько стоит один DGX-2H по прейскуранту. DGX SuperPod использует 96 из них. Если вы хотите сделать автомобиль с автоматическим управлением, кажется, Nvidia думает, что это будет стоить где-то около 41 760 000 долларов, чтобы начать работать с лучшим оборудованием. Понятно, что эти системы были предназначены для крупных корпораций.

SuperPod с 1536 графическими процессорами Nvidia V100 с тензорным ядром обеспечивает большую мощность для относительно небольшой системы (по стандартам суперкомпьютеров). Тем не менее, если вы хотите, чтобы люди инвестировали во что-то столь дорогое, вы можете доказать, что это самая сложная задача. Вот почему Nvidia решила помочь своей сборке SuperPod помочь в решении одной из самых сложных проблем в искусственном интеллекте.

Автономные транспортные средства требуют огромного количества обучающих данных по сравнению с технологиями, которые используют аналогичные модели классификации изображений для других целей (например, диагностическая медицина). ИИ в автомобиле с самостоятельным вождением не ищет чего-то особенного, и ему необходимо учитывать все окружающее и понимать его достаточно хорошо, чтобы безопасно функционировать. Это составляет приблизительно один терабайт данных на транспортное средство в час, и ИИ, который питает автономные транспортные средства, должен непрерывно переучиваться с течением времени, используя данные всего парка. Nvidia решила продемонстрировать, как его SuperPod может помочь ускорить обработку обучающих данных, измеряемых в петабайтах:

Система работает круглосуточно, оптимизируя программное обеспечение автономного вождения и переподготовку нейронных сетей в гораздо более короткие сроки, чем это было возможно ранее. Например, программно-аппаратная платформа DGX SuperPod занимает менее двух минут для обучения ResNet-50. Когда эта модель AI вышла в 2015 году, потребовалось 25 дней, чтобы потренироваться в современной системе, единственном графическом процессоре Nvidia K80. DGX SuperPOD обеспечивает результаты, которые в 18 000 раз быстрее. В то время как другие системы TOP500 с аналогичными уровнями производительности построены на тысячах серверов, DGX SuperPOD занимает небольшую часть пространства, примерно в 400 раз меньше, чем его ранжированные соседи.

Хотя DGX-2H лучше всего работает с ResNet-50, эти цифры будут впечатляющими при масштабировании практически для любой модели классификации изображений. Вы должны ожидать впечатляющую производительность от многомиллионной системы, но при этом, при таком небольшом (относительном) размере, становится ясно, почему Nvidia остается доминирующей на рынке аппаратного обеспечения ИИ.

К какому прогрессу может привести такое мощное аппаратное обеспечение? Nvidia продемонстрировала, что с помощью нового и более точного метода расчета расстояния от объектов в трехмерном пространстве автономные транспортные средства могут легче предотвращать столкновения.

Nvidia объясняет некоторые ключевые области, в которых этот новый подход помогает повысить безопасность:

[W] мы используем сверточные нейронные сети и данные с одной фронтальной камеры. DNN обучен прогнозировать расстояние до объектов, используя данные радиолокационных и лидарных датчиков в качестве наземной информации. Инженеры знают, что эта информация точна, потому что прямые отражения передаваемых радиолокационных и лидарных сигналов дают точную информацию о расстоянии до объекта, независимо от топологии дороги. Обучая нейронные сети радиолокационным и лидарным данным вместо того, чтобы полагаться на допущение о ровной поверхности, мы даем DNN возможность оценивать расстояние до объектов с одной камеры, даже когда транспортное средство движется вверх или вниз по склону.

Кажется, что у Nvidia есть некоторые новые достижения в области искусственного интеллекта почти еженедельно - даже если это просто более эффективный метод превращения вашей собаки в льва. Возможно, это связано с тем, что за три недели компания может создать один из самых мощных суперкомпьютеров в мире. Когда вам не нужно долго ждать обработки огромного количества данных, вы можете быстро протестировать новые идеи и гораздо быстрее найти оптимальное решение. Вам просто нужно около 40 миллионов долларов, чтобы начать.

Топ кредит изображения: Nvidia

Читать далее

Samsung, Стэнфорд, создали дисплей с разрешением 10000 пикселей на дюйм, который может революционизировать VR и

Спросите любого, кто провел в гарнитуре VR более нескольких минут, и они отметят эффект дверного экрана. Это могло бы устранить его навсегда.

НАСА создало коллекцию жутких космических звуков для Хэллоуина

Последний выпуск данных НАСА превращает сигналы из-за пределов Земли в жуткие звуки, которые наверняка вызовут мурашки по позвоночнику.

Intel представляет новые мобильные графические процессоры Xe Max для создателей контента начального уровня

Intel выпустила новый потребительский мобильный графический процессор, но у него очень специфический вариант использования, по крайней мере, на данный момент.

MIT создает подводный GPS-навигатор без батарей

Радиосигналы GPS быстро рассеиваются при попадании в воду, что затрудняет научные исследования в море. Единственная альтернатива - использовать акустические системы, которые разжевывают батарейки. Команда из Массачусетского технологического института разработала технологию слежения без батарей, которая могла бы положить конец этому раздражению.