Tech virksomheder og investorer har for nylig været hober sig penge i kunstig intelligens, og masser har været piblede ned til chip maker Nvidia. Selskabets indtægter er steget, da det er begyndt at lave hardware, der er tilpasset til machine-learning algoritmer og bruger sager som autonome biler. På selskabets årlige udvikler-konference i San Jose, Californien, i denne uge, selskabets administrerende DIREKTØR Jensen Huang talte til MIT Technology Review om, hvordan maskinen-learning-revolutionen er kun lige begyndt.
Nvidia har nydt godt af en hurtig eksplosion af investeringer i machine learning fra tech virksomheder. Kan denne hastige vækst i brugen tilfælde for machine learning fortsætte?
Vi er meget tidligt. Meget få linjer kode i virksomheder og industrier over hele verden bruger AI i dag. Det er ganske udbredt i Internet service virksomheder, især i de to eller tre af dem. Men der er en hel bunke af andre i tech og andre industrier, der forsøger at fange op. Software er at spise verden, men AI kommer til at spise software.
Hvad industrien vil blive omdannet af machine learning næste?
Den ene er den automotive industri. Ti af verdens bedste bil virksomheder er til stede på konferencen. Den anden er, sundhed og indflydelse på samfundet kommer til at være meget stor. Information om sundhed er rodet og ustruktureret, men nu er computere kan forstå det for at øge lægernes diagnoser og prognoser.
Hvilke brancher du tror, du vil blive mest påvirket af AI?
Fortæl os i kommentarerne.
De seneste forskningsresultater fra anvendelse af machine learning til diagnose er imponerende (se “En AI Øjenlæge Viser, Hvordan Machine Learning Kan Omdanne Medicin“). Men det er ikke klart, hvordan tilsynsmyndigheder vil teste og godkende disse nye typer af systemer.
Når vi taler om menneskers liv, er der altid lovgivningsmæssige udfordringer. Men vi kan ikke ignorere konsekvenserne af en teknologi, der bringer 10 eller 1.000 gange bedre resultater. Jeg har tillid til, at en rimelig sind vil indse fordelene ved denne teknologi, og sætte det i hænderne på læger og klinikere og radiologer, så de kan gøre et bedre arbejde. Arterys for nylig fik FDA-godkendelse for deres cardiac imaging [som annotates scanninger af hjertet, og jeg kender mange andre, der er i støbeskeen.
Ved hjælp af machine learning i biler vil også skabe nye udfordringer for myndigheder. Nvidia har vist, software, der lærer at køre bare ved at se hvad en menneskelig chauffør gør—men det er svært at forklare præcis hvordan det virker, eller vil opføre sig i forskellige scenarier (se “Den Mørke Hemmelighed i Hjertet af AI“).
Magt og løfte i denne ende-til-ende tilgang er meget lokkende. Vi tror på, at på lang sigt, den måde, AI vil drive svarer til den måde, mennesker kørsel—vi behøver ikke bryde problemet ned i objekter og vision og lokalisering og planlægning. Men hvor lang tid det vil tage os at komme dertil, er tvivlsom. Få den til at gøre alt ordentligt, er en stor udfordring, [og] når det ikke gøre en ting rigtigt, hvordan kan du lappe det, fordi du forsøger at træne det hele sammen. Vi bliver sandsynligvis nødt til at nedbryde nogle af disse problemer op i mindre bidder.
Dine jetoner er allerede kører nogle biler: alle Tesla køretøjer nu bruge Nvidia ‘ s Kørsel PX 2 computer til magten Autopilot-funktion, som automatiserer motorvej kørsel. Ikke at fungere bruge hardware fuld kapacitet? Kunne det magt fuldt ud autonome kørsel?
Kørsel PX 2 er en computing-platform med en masse beregninger kapacitet forbeholdes—ideen er at have nok, så kan du løbende opdatere software og være tilfreds med forbedringer over tid. For fuld autonomi, forstået som en førerløse bil, er der stadig nogle ubekendte, men der er en masse software udvikling, der foregår. Jeg er ikke helt sikker, men vi vil finde ud af.
Intel, Google, og flere andre virksomheder arbejder nu på chips designet til at fremskynde machine learning (se “Kampen om at Levere Chips til AI Boom Varmer Op“). Hvordan vil du være på forkant?
Abonnere på Weekend Læser
Vores guide til historier i arkiverne for at sætte teknologien i perspektiv.
Tilmeld
Tak — tjek venligst din e-mail for at bekræfte dit abonnement.
Forkert e-mail-format
Administrer dine indstillinger for nyhedsbrev
En masse af mennesker anerkende betydningen af dette marked, og jeg tror, det kommer til at blive meget store. Vi kommer til at styre vores mange års investeringer i vores GPU chips, og en to og en halv milliard dollar R&D budget, i dyb læring. Og vi vil gøre vores arkitektur findes overalt: i Pc ‘ er, servere, i skyen, i biler, i robotter.
Du er enig med de forskere, der siger, at de fysiske udfordringer ved at lave transistorer mindre og mere magt-effektive er at bremse fremskridt i kraft af computer-processorer (se “Moore ‘ s Lov Er Død. Hvad Nu?“). Men du påstår Nvidia ‘ s chips kan holde fremme, fordi de er specialiserede til bestemte use cases. Du helt sikkert ikke kan modstå fysik for evigt.
Ingen tvivl om det, vi ikke kan. Lige nu er vi ved at genfinde den ineffektivitet af Cpu ‘er og software til vores mere specialiserede Gpu’ er. Min fornemmelse er, at vi vil fortsætte med at drage fordel af, at der for et par årtier. Men et eller andet sted er vi nødt til at finde noget nyt. Vi har et fantastisk ingeniør team i virksomheden skubber grænserne for enheden, fysik og nogle gode partnere i produktion. Mellem os alle, vil vi finde vejen.