2019年03月19日 | Nvidia用CUDA生态来应对AI芯片厂的挑战

一年一度的GTC（Graphic Technology Conference，每年由Nvidia主办的GPU技术会议）在硅谷圣克拉拉正式拉开了帷幕。Nvidia CEO 黄仁勋的主题演讲往往是每年GTC的热点，本文将为大家带来今年GTC黄仁勋主题演讲的内容分析。

PRADA：GTC2019 关键词

近几年，人工智能持续得到关注，Nvidia的GPU则成为了人工智能计算的基础设施。同时，Nvidia也借着这股东风在近几年内硅谷最炙手可热的公司之一。

事实上，Nvidia的GPU成为人工智能的基石，不仅仅是因为其GPU支持大规模并行（这一点AMD的GPU也能做到），更因为其生态系统。Nvidia早年研发的在GPU上做通用计算的CUDA生态在经过数年艰苦经营后成为了人工智能开发者的首选，从而为Nvidia的GPU在人工智能领域的领先地位建成了坚实的护城河。

然而，随着人工智能的走火，Nvidia在芯片领域也受到了不少初创公司的挑战。毕竟，GPU原本并非为人工智能专门设计，因此其效率相比专门为人工智能优化的专用芯片来说相差不少。因此，Nvidia在这一领域最大的优势并非芯片，而是其CUDA生态。这也是今年GTC黄仁勋主题演讲的焦点。

黄仁勋在今年的主题演讲中作为纲领的关键词是PRogrammable Acceleration (for multiple) Domains (with one) Architecture，即PRADA。PRADA的意思是“使用一个统一的硬件和底层软件接口架构（CUDA-X），通过编程可以为不同的领域做定制化的高效率加速”。在这里，PRADA有明显的回应AI芯片初创公司的意味，首先AI芯片往往宣称GPU无法做domain-specific acceleration，因此效率差；而Nvidia则用PRADA回应说GPU通过编程也可以做高效domain-specific acceleration。更进一步，由于AI芯片往往只针对特定应用，因此不同的应用需要不同的芯片，不同的软件API以及系统框架，因此会造成碎片化的问题；而使用GPU配合其强大的CUDA生态则可以完美解决这个问题，使用同一类硬件，同一种框架就可以解决不同领域的问题。

今年的GTC的开场中，Nvidia列举了众多基于GPU的AI能担任的角色，包括Visionary（智能设计），Guardian（计算机视觉），Navigator（无人车和无人机），Scientist（数据挖掘），Healer（深度学习医疗），以及Artist（基于AI的内容生成）。这些内容都包含在了PRADA的领域中，也让我们看到了Nvidia在AI时代的野心。

计算机图像：Nvidia的基本盘

在今年的GTC上，Nvidia在计算机图像领域的主题是实时ray tracing（RTX）。这个主题从去年开始就开始宣传，在今天Nvidia在GTC上则主要是给出了一些RTX的落地应用。有趣的是，重点不再是游戏，而是智能设计中的渲染和多媒体设计中的渲染。

首先展示的demo是汽车智能设计中的实时RTX。在demo中，使用RTX渲染的图像和真实的汽车图像让人难辨真假，而更重要的是RTX可以做到实时。因此，设计者可以实时更改设计，更改表面材料属性，从而实时看到更改造成的表面光反射等。在这里，Nvidia同时宣布了对于最新版Unity的支持，强强结合为智能设计赋能。

此后，Nvidia展示了RTX在游戏中的应用。比较令老玩家感动的是Nvidia对于Quake II做了RTX的重制，从而让经典游戏焕发出了新的光彩。

最后，Nvidia展示了其GPU在多媒体内容（电影等）渲染中的应用，包括其强大的生态伙伴，包括微软的DirectX，Unity等。

AI与超级计算机

在传统的图像渲染之外，Nvidia的第二个主题是行业用大数据分析。

在这里，黄仁勋首先重申了Nvidia在大数据时代的愿景。在大数据时代，最关键的基础设施是计算能力。本环节的看点是，Nvidia的关注点已经从“神经网络”这一种狭义的机器学习方法拓展到了更广阔的大数据处理能力，包括对XGBoost等传统机器学习算法的支持。这一方面说明了Nvidia对于大数据时代的看好，另一方面也体现了GPU的通用性。

Nvidia首先展示了一个微软Bing基于其GPU的智能助手demo，该助手类似Siri，可以识别用户的语音命令，并且使用自然语言处理方法理解用户的意图，通过搜索引擎搜索到相关结果呈现在用户面前，同时把最关键的一条结果用语音播报给用户。在这里，处理延迟是关键指标（GPU计算高延迟也往往是为人诟病的痛点），而Bing的演示中该助手使用非常流畅，可见是做了很多优化，体现了GPU在低延迟应用中的潜力。

之后，Nvidia把重心放到了超级计算机上。为了帮助大数据应用，Nvidia提出了“数据科学服务器”的概念。传统的服务器大致可以分成两类，一类是超级计算机supercomputer，其处理的任务计算量大，但是任务数目有限；另一类是hyperscale，其处理的任务计算量并不大，但是任务并发数量非常大，类似于网络搜索等。而大数据应用则是在两者之间，其处理的任务计算量较大（如训练任务），同时任务数量也不小。Nvidia认为其GPU架构非常适合这类数据科学计算应用，并发布了数据科学服务器。该服务器的性能将比原有的DGX-2略低，但是其对于RDMA等关键技术的支持可以使这样的服务器能快速形成计算集群，从而满足数据科学对于算力的需求。

机器人应用

这次Nvidia的演讲的第三部分是关于机器人。机器人部分其实是从原来的自动驾驶概念拓展而来（自动驾驶也属于机器人的一部分）。机器人与自动驾驶事实上都是一脉相承，其要点在于能在本地提供低延迟、高可靠性的强算力系统，而目前机器人在各大智能工业领域纷纷落地得到使用，因此Nvidia将其概念拓展到机器人可谓是顺势而为。

首先发布的是Jetson Nano开发板，是基于之前的Tegra X1芯片，在板子设计上做了精简，以$99的低价发售。

之后的重点仍然是自动驾驶。在自动驾驶方面，第一个上场的是最新版本的Drive Ap2X，它是Nvidia的level-2自动驾驶系统。该系统可以实现自动收集本地高精度地图，并实现交通标志检测等。

在这之后，黄仁勋隆重介绍了Drive AV，这是Nvidia的路线规划系统。该系统可以对于其他车辆的行动路径做预测，从而实现安全驾驶。此外，还有Constellation系统，该系统是包括了软件和计算硬件的自动驾驶模拟系统。该系统可以让用户可以以驾驶员的角度来实时观测驾驶的效果，从而尽可能保证安全驾驶。最后，Nvidia还发布了和丰田的全方位合作，将从硬件到软件上一起构建下一代自动驾驶系统。

结语

在本次GTC的主题演讲中，我们看到了一个重要的方向，即人工智能已经在进入了落地阶段。对于人工智能，Nvidia不再有太多花哨的概念和宏大的前景预期，而是踏踏实实将几个可以落地的应用落到实处。在落地的过程中，也不再拘泥于“深度学习”，“自动驾驶”等热门风口，而是合并同类项，将“深度学习”拓展到了“大数据”，同时将“自动驾驶”拓展到了“机器人”。我们认为对于人工智能行业来说，确实也进入了落地的阶段。在未来的数年内，我们将看到这些概念的一一实际应用，为我们的生活带来更多实际变化。

此外，面对AI芯片初创公司的挑战，Nvidia则是重申了“生态”这一利器并多次提及了其CUDA-X生态，而生态也确实是目前Nvidia最高的护城河。预计AI芯片初创公司只能先从一些较小但是有明确痛点的地方入手，才能慢慢站住脚跟并挑战Nvidia的位置。