เมื่อผู้คนนึกถึงปัญญาประดิษฐ์ พวกเขาจินตนาการถึงโมเดลที่ซับซ้อน ศูนย์ข้อมูล และเซิร์ฟเวอร์คลาวด์
สิ่งที่คนส่วนใหญ่ไม่ทราบก็คือกลไกที่แท้จริงที่อยู่เบื้องหลังการปฏิวัติ AI นี้เริ่มต้นจากจุดที่ไม่กี่คนคาดหวัง นั่นก็คือ ภายในพีซีสำหรับเล่นเกมที่เรียบง่าย
กราฟิกการ์ดแบบเดียวกันที่เคยสร้างมาเพื่อแสดงภาพ 3 มิติที่ราบรื่น ตอนนี้กำลังขับเคลื่อนแชทบอท โปรแกรมสร้างภาพ และระบบขับเคลื่อนด้วยตนเอง การเดินทางจากพิกเซลไปสู่การคาดการณ์เป็นหนึ่งในเรื่องราวที่น่าสนใจที่สุดในคอมพิวเตอร์ยุคใหม่
ยุคของ CPU และขีดจำกัด
ในช่วงแรกๆ ของแมชชีนเลิร์นนิง นักวิจัยอาศัย CPU เพื่อกระทืบข้อมูล
CPU มีความหลากหลายและยอดเยี่ยมสำหรับการจัดการงานที่หลากหลาย แต่มีข้อจำกัดใหญ่ประการหนึ่ง นั่นคือ ทำงานตามลำดับปัญหา
นั่นหมายความว่าพวกเขาสามารถประมวลผลการดำเนินการได้เพียงไม่กี่รายการในแต่ละครั้ง สำหรับรุ่นเล็กก็ถือว่าใช้ได้ แต่เมื่อโครงข่ายประสาทเทียมมีความซับซ้อนมากขึ้น การฝึกอบรมบน CPU จึงช้าลงอย่างมาก
ลองนึกภาพการพยายามสอนคอมพิวเตอร์ให้จดจำภาพ โครงข่ายประสาทเทียมอาจมีพารามิเตอร์หลายล้านพารามิเตอร์ และทุกๆ ตัวจำเป็นต้องปรับครั้งแล้วครั้งเล่าระหว่างการฝึก
บน CPU อาจใช้เวลาหลายวันหรือหลายสัปดาห์ นักวิจัยตระหนักได้อย่างรวดเร็วว่าหาก AI จะก้าวหน้า ก็จำเป็นต้องมีฮาร์ดแวร์ประเภทที่แตกต่างไปจากเดิมอย่างสิ้นเชิง
วิธีที่ GPU เข้าสู่รูปภาพ
หน่วยประมวลผลกราฟิกหรือ GPU เดิมถูกสร้างขึ้นเพื่อแสดงภาพที่เคลื่อนไหวเร็วในวิดีโอเกม ได้รับการออกแบบมาเพื่อการทำงานแบบขนาน โดยทำการคำนวณเล็กๆ น้อยๆ หลายพันรายการในเวลาเดียวกัน
แม้ว่า CPU อาจมีคอร์เพียงไม่กี่คอร์ แต่ GPU ก็มีหลายพันคอร์ สถาปัตยกรรมนี้ทำให้ GPU เหมาะสำหรับคณิตศาสตร์ที่ใช้ในการเรียนรู้ของเครื่องจักร ซึ่งจำเป็นต้องนำการดำเนินการเดียวกันนี้ไปใช้กับข้อมูลจำนวนมหาศาลพร้อมกัน
ในทางหนึ่ง GPU ถูกสร้างขึ้นสำหรับเกม แต่ถูกกำหนดไว้สำหรับ AI สิ่งที่เริ่มต้นจากการเป็นชิปเพื่อทำให้เอฟเฟ็กต์แสงนุ่มนวลขึ้นและการระเบิดดูสมจริงยิ่งขึ้น ในไม่ช้าก็พบว่ามีชีวิตที่สองที่ขับเคลื่อนโครงข่ายประสาทเทียม
ประมาณช่วงต้นทศวรรษ 2010 นักวิจัยเริ่มทดลองใช้อัลกอริธึมการเรียนรู้เชิงลึกบน GPU และผลลัพธ์ก็น่าทึ่ง เวลาการฝึกอบรมลดลงจากสัปดาห์เหลือหลายวัน และปรับปรุงความแม่นยำ
เป็นการปฏิวัติอันเงียบสงบที่เกิดขึ้นในห้องแล็บวิจัยทั่วโลก
บทบาทของพีซีสำหรับเล่นเกมในการวิจัย AI ในระยะเริ่มแรก
เรื่องราวนี้น่าสนใจยิ่งขึ้นไปอีก:การพัฒนาด้าน AI ในยุคแรกๆ หลายอย่างไม่ได้มาจากศูนย์ข้อมูลขนาดใหญ่หรือซูเปอร์คอมพิวเตอร์ราคาแพง พวกเขามาจากนักวิจัยที่ใช้ GPU ระดับผู้บริโภค ซึ่งมักจะนั่งอยู่ในพีซีสำหรับเล่นเกมทั่วไป
เครื่องจักรเหล่านี้สร้างขึ้นเพื่อความบันเทิง ปรากฏว่าทรงพลังเพียงพอสำหรับการทดลองการเรียนรู้เชิงลึก
แพลตฟอร์ม CUDA ของ NVIDIA ช่วยให้นักพัฒนาสามารถตั้งโปรแกรม GPU สำหรับงานที่นอกเหนือจากกราฟิกได้ ทันใดนั้น GPU สำหรับเล่นเกมก็สามารถรับมือกับการคำนวณทางวิทยาศาสตร์ที่ซับซ้อนได้
นักวิจัยใช้อุปกรณ์ของตนเอง ซึ่งบางครั้งก็เป็นคอมพิวเตอร์เดียวกับที่พวกเขาเล่นเกมตอนกลางคืน เพื่อฝึกโครงข่ายประสาทเทียมที่จดจำคำพูด รูปภาพ และข้อความ พีซีสำหรับเล่นเกมกลายเป็นบททดสอบสำหรับอนาคตของปัญญาประดิษฐ์
จุดเปลี่ยน:AlexNet และ Deep Learning Boom
ในปี 2012 โครงข่ายประสาทเทียมชื่อ AlexNet ทำให้โลกตะลึงด้วยการชนะการแข่งขัน ImageNet ซึ่งเป็นมาตรฐานหลักในด้านการมองเห็นคอมพิวเตอร์
สิ่งที่ทำให้ AlexNet พิเศษไม่ใช่แค่สถาปัตยกรรม แต่เป็นฮาร์ดแวร์ที่อยู่เบื้องหลัง มันทำงานบน NVIDIA GTX 580 GPU สองตัว ซึ่งเป็นฮาร์ดแวร์ที่คุณสามารถซื้อสำหรับพีซีเกมราคาประหยัดของคุณ ชัยชนะครั้งนั้นถือเป็นจุดเปลี่ยน มันพิสูจน์ให้เห็นว่า GPU ไม่ใช่แค่สำหรับการเรนเดอร์กราฟิกเท่านั้น แต่ยังเป็นกุญแจสำคัญในการพัฒนา AI ให้ก้าวหน้า
หลังจากนั้นโลก AI ก็เปลี่ยนไปอย่างรวดเร็ว บริษัทวิจัยและบริษัทเทคโนโลยีรายใหญ่ทุกแห่งเริ่มสร้างคลัสเตอร์ GPU NVIDIA สัมผัสถึงโอกาสจึงโน้มตัวไปสู่การพัฒนาฮาร์ดแวร์ AI
บริษัทเดียวกับที่เคยให้บริการแก่นักเล่นเกมเป็นหลัก ปัจจุบันขับเคลื่อน Google, OpenAI และ Tesla สิ่งที่เริ่มต้นจากการเป็นเครื่องมือเพื่อภาพที่ดีขึ้นได้กลายเป็นแกนหลักของความชาญฉลาดของเครื่องจักร
เหตุใด GPU จึงเก่งด้าน AI
GPU เก่งในเรื่องคณิตศาสตร์เมทริกซ์ ซึ่งเป็นประเภทของการคำนวณที่โครงข่ายประสาทเทียมใช้
เมื่อคุณฝึกโมเดล คุณจะคูณและเพิ่มเมทริกซ์ของตัวเลขอย่างต่อเนื่อง GPU ทำสิ่งนี้ได้เร็วกว่าเพราะรองรับการทำงานนับพันแบบขนาน นอกจากนี้ยังได้รับการออกแบบให้มีแบนด์วิธหน่วยความจำสูง ซึ่งหมายความว่าสามารถย้ายข้อมูลจำนวนมากเข้าและออกได้อย่างรวดเร็ว
สถาปัตยกรรมนี้เข้ากันได้อย่างลงตัวกับปริมาณงานการเรียนรู้เชิงลึก ไม่ว่าจะเป็นการจดจำรูปภาพหรือการแปลภาษา GPU สามารถประมวลผลข้อมูลจำนวนมากได้ในคราวเดียว
ในทางตรงกันข้าม CPU จะประสบปัญหาคอขวดจากการประมวลผลตามลำดับ ความแตกต่างด้านประสิทธิภาพก็เหมือนกับการเปรียบเทียบช่างฝีมือคนเดียวที่สร้างบ้านกับทีมงานหลายพันคนที่ทำงานพร้อมกัน
การแข่งขันด้านฮาร์ดแวร์ AI
เมื่อ AI เติบโตขึ้น ความต้องการ GPU ก็เพิ่มสูงขึ้น สิ่งที่เริ่มต้นในพีซีสำหรับเล่นเกมขยายขนาดจนกลายเป็นศูนย์ข้อมูลขนาดใหญ่ที่เต็มไปด้วยการ์ดนับพันใบ
บริษัทอย่าง NVIDIA ได้พัฒนา GPU รุ่นใหม่สำหรับ AI โดยเฉพาะ เช่น Tesla และ A100 series ผู้เล่นคนอื่นๆ เข้าร่วมการแข่งขันด้วย เช่น AMD ที่มีแพลตฟอร์ม ROCm และ Google ที่มี TPU แบบกำหนดเอง (หน่วยประมวลผล Tensor)
แม้กระทั่งทุกวันนี้ เส้นแบ่งระหว่างการเล่นเกมและฮาร์ดแวร์ AI ยังคงไม่ชัดเจน RTX GPU แบบเดียวกันที่ออกแบบมาสำหรับนักเล่นเกมยังคงใช้โดยนักวิจัย AI และสตาร์ทอัพขนาดเล็กจำนวนมาก
พีซีสำหรับเล่นเกมที่ทรงพลังซึ่งมี GPU ที่ทันสมัยสามารถรันโมเดล AI ในพื้นที่ สร้างภาพ หรือแม้แต่ปรับแต่งโมเดลภาษาเล็กๆ ได้ ฮาร์ดแวร์ที่ทำให้โลกเสมือนจริงมีชีวิตชีวาได้นำความอัจฉริยะมาสู่โลกจริงของเรา
อนาคตของ GPU และ AI
เมื่อโมเดล AI มีขนาดใหญ่ขึ้น ความท้าทายใหม่ๆ ก็กำลังเกิดขึ้น GPU กำลังพัฒนาเพื่อรองรับโมเดลที่มีพารามิเตอร์ล้านล้าน แต่พวกเขาก็ฉลาดขึ้นเกี่ยวกับการใช้พลังงานและประสิทธิภาพด้วย
เทคโนโลยีต่างๆ เช่น การออกแบบชิปเล็ต การเชื่อมต่อแบบออปติก และคอร์เฉพาะของ AI กำลังผลักดันประสิทธิภาพให้ดียิ่งขึ้นไปพร้อมกับลดต้นทุน
ในขณะเดียวกัน AI ในพื้นที่ก็กำลังกลับมาอีกครั้ง ด้วยความก้าวหน้าในประสิทธิภาพของ GPU ผู้ใช้จำนวนมากจึงทดลองใช้โมเดลที่ทำงานบนเครื่องของตนเอง
พีซีสำหรับเล่นเกมที่มีอุปกรณ์ครบครันสามารถทำสิ่งที่ครั้งหนึ่งจำเป็นต้องเข้าถึงคลัสเตอร์ GPU บนคลาวด์ได้แล้ว การเปลี่ยนแปลงนี้อาจทำให้การพัฒนา AI เป็นประชาธิปไตย โดยให้ทุกคนที่มีฮาร์ดแวร์ที่เหมาะสมสามารถสำรวจภาคสนามได้จากที่บ้าน
บทสรุป
การเดินทางของ GPU จากการเล่นเกมไปสู่ AI เป็นหนึ่งในการเปลี่ยนแปลงที่คาดไม่ถึงที่สุดในประวัติศาสตร์เทคโนโลยี สิ่งที่เริ่มต้นจากการเป็นชิปในการเรนเดอร์ทิวทัศน์เสมือนจริงได้พัฒนาไปสู่หัวใจของปัญญาประดิษฐ์ ตั้งแต่การทดลองในช่วงแรกๆ บนพีซีสำหรับเล่นเกมไปจนถึงศูนย์ข้อมูลที่ขับเคลื่อนโมเดลที่ใหญ่ที่สุดในปัจจุบัน GPU ได้เชื่อมโยงโลกแห่งความคิดสร้างสรรค์ การคำนวณ และการรับรู้
เมื่อเรามองไปข้างหน้า เห็นได้อย่างชัดเจนว่าเทคโนโลยีเดียวกับที่เคยทำให้เกมมีความสมจริงมากขึ้น กำลังทำให้เครื่องจักรมีความชาญฉลาดมากขึ้น เรื่องราวของ GPU เตือนเราว่านวัตกรรมมักมาจากสถานที่ที่ไม่คาดคิด และบางครั้งอนาคตของ AI ก็เริ่มต้นจากหน้าจอเกมที่เปล่งประกาย
หวังว่าคุณจะสนุกกับบทความนี้ ค้นหาฉันได้ที่ ลิงก์อิน หรือ เยี่ยมชมเว็บไซต์ของฉัน .
เรียนรู้การเขียนโค้ดฟรี หลักสูตรโอเพ่นซอร์สของ freeCodeCamp ช่วยให้ผู้คนมากกว่า 40,000 คนได้งานในตำแหน่งนักพัฒนา เริ่มต้น
