Nvidia створила один з найпотужніших суперкомп'ютерів AI через 3 тижні

Автономні транспортні засоби: вони не ідеальні, а іноді вони вбивають людей. Але вони також обіцяють безпечніший транспорт - і набагато менше робочих місць - у відносно недалекому майбутньому. Щоб допомогти цим суднам покращити їхню розвідку з викликаючої до фатальних несподіванок до того, щоб заважати їм, Nvidia створила DGX SuperPod, AI-оптимізований суперкомп'ютер, який може допомогти дизайн краще самостійного водіння автомобіля.

Nvidia дала зрозуміти, що хоче бути серед лідерів в галузі штучного інтелекту і вирішила побудувати суперкомп'ютер, щоб продемонструвати це. Компанії треба було лише три тижні для побудови, підключивши 96 суперкомп'ютерів Nvidia DGX-2H з ​​технологією Mellanox interconnect. Ви також можете придбати його, якщо новинка Вашої шостої яхти вийшла з ладу і у вас є $ 435,000, що спалює отвір у вашій кишені. Ось скільки коштує один DGX-2H за ціновою ціною. DGX SuperPod використовує 96 з них. Якщо ви хочете зробити авто-водіння автомобіля, здається, Nvidia думає, що це буде коштувати де-небудь в ballpark $ 41,760,000, щоб почати з кращого обладнання. Зрозуміло, що ці системи були розроблені для великих корпорацій.

З 1.536 графічними процесорами Nvidia V100 Tensor Core, SuperPod має велику потужність для відносно невеликої системи (за суперкомп'ютерними стандартами). Тим не менш, якщо ви хочете, щоб люди інвестували в все, що дорого, ви можете довести, що це залежить від найскладніших завдань. Саме тому Nvidia вирішила допомогти у створенні SuperPod у вирішенні однієї з найскладніших проблем в AI.

Автономні транспортні засоби вимагають величезної кількості навчальних даних у порівнянні з технологіями, які використовують подібні моделі класифікації зображень для інших цілей (наприклад, діагностична медицина). Інтелектуальна власність у автомобілі, що управляє собою, не шукає чогось специфічного, і вона повинна враховувати всі його оточення і добре розуміти їх, щоб безпечно функціонувати. Це становить приблизно один терабайт даних на автомобіль на годину, і AI, що має автономні транспортні засоби, потребує постійного перенавчання з використанням даних всього флоту. Nvidia вирішила продемонструвати, як SuperPod може допомогти прискорити обробку навчальних даних, виміряних у петабайт:

Система працює цілодобово, оптимізуючи автономне керування програмним забезпеченням та перепідготовку нейронних мереж за набагато швидше, ніж раніше. Наприклад, апаратна і програмна платформа DGX SuperPod займає менше двох хвилин для навчання ResNet-50. Коли ця модель AI вийшла в 2015 році, знадобилося 25 днів, щоб тренуватися на тодішній сучасній системі, єдиному GPU Nvidia K80. DGX SuperPOD забезпечує швидкість, що перевищує 18,000x. У той час як інші системи TOP500 зі схожими показниками продуктивності будуються з тисяч серверів, DGX SuperPOD займає частку простору, приблизно на 400 разів менше, ніж його сусідів.

У той час як DGX-2H найкраще працює за допомогою ResNet-50, ці цифри залишаться вражаючими при масштабуванні для будь-якої моделі класифікації зображень. Ви повинні очікувати вражаючої продуктивності від багатомільйонної системи, але досягаючи того, що при такому невеликому (відносному) розмірі, зрозуміло, чому Nvidia залишалася домінуючою на ринку апаратних засобів AI.

Які досягнення могли б привести такі апаратні засоби? Nvidia продемонструвала, що також з новим і більш точним методом розрахунку відстані від об'єктів у тривимірному просторі, так що автономні транспортні засоби можуть легше запобігти зіткненням.

Nvidia пояснює деякі з ключових областей, де цей новий підхід допомагає підвищити безпеку:

[W] e використовують згорткові нейронні мережі та дані з однієї передньої камери. DNN підготовлений для прогнозування відстані до об'єктів, використовуючи дані радіолокаційних і лідарних датчиків як інформацію про істину. Інженери знають, що ця інформація є точною, оскільки прямі відображення переданих радіолокаційних та лідарних сигналів дають точну інформацію про відстань до об'єкта, незалежно від топології дороги. Навчаючи нейронні мережі на радіолокаційних і лідарних даних, замість того, щоб покладатися на плоскі припущення, ми дозволяємо DNN оцінювати відстань до об'єктів з однієї камери, навіть коли автомобіль рухається вгору або вниз по схилу.

Схоже, що Nvidia має нове просування в галузі штучного інтелекту майже щотижня, навіть якщо це просто більш ефективний метод перетворення вашої собаки на лева. Можливо, тому, що компанія може побудувати один з найефективніших суперкомп'ютерів у світі за три тижні. Якщо вам не доведеться довго чекати обробки величезної кількості даних, ви можете швидко протестувати нові ідеї та знайти швидше оптимальне рішення. Вам потрібно лише близько $ 40 мільйонів доларів, щоб розпочати роботу.

Найпопулярніші зображення: Nvidia

Читати далі

Зонд Voyager 2 розмовляє з оновленою мережею NASA через 8 місяців мовчання

NASA щойно сказало "привіт" Voyager 2, і зонд відповів.

Шукайте: Ви можете побачити всі планети в нашій Сонячній системі сьогодні ввечері

Ви, напевно, бачили схеми Сонячної системи, які розміщують планети в гарні впорядковані лінії, але правда полягає в тому, що вони часто знаходяться з іншого боку Сонця від Землі. Ми випадково переживаємо період, протягом якого всі планети видно. Ви просто повинні знати, де і коли шукати.

Nvidia, Google для підтримки хмарних ігор на iPhone через веб-програми

І Nvidia, і Google оголосили про підтримку iOS своїх відповідних хмарних ігрових платформ за допомогою прогресивних веб-додатків. Apple не може цього заблокувати.

Як стати майстром диспетчера завдань, за словами хлопця, який це написав

Автор оригінального диспетчера завдань Windows має кілька порад щодо того, як використовувати його ефективніше, у тому числі кілька, про які ми ніколи не чули, - і один, який ми підкинули собі, якщо у вас є проблеми з тим, що диспетчер завдань застряг за повноекранними вікрами.