Wie kann die Popularisierung von KI-PCs beschleunigt werden? Nvidia sieht in RTX die ultimative Antwort

Im letzten Jahrzehnt hat sich die Technologie der künstlichen Intelligenz (KI) von theoretischer Forschung und kleinen Anwendungen zu einer globalen technologischen Revolution entwickelt und die Art und Weise, wie wir leben und arbeiten, völlig verändert. Ob Sprachassistenten auf Smartphones oder komplexe Datenanalysen und automatisierte Produktionslinien – die Auswirkungen von KI sind überall und die damit verbundenen Effizienzsteigerungen und Kostensenkungen treiben eine beispiellose Produktivitätsrevolution voran.



Um die Chance der KI-Produktivität zu nutzen, haben viele Marken schnell ihre eigene KI-Hardware entwickelt: Einige Mobiltelefonmarken nutzen KI-Technologie, um Bewegungsverschmierungen beim Fotografieren zu beseitigen, und andere verwenden KI, um unerwünschte Bewegungsverschmierungen zu entfernen In Bildern sind einige Unternehmen sogar die ersten, die den sogenannten „AI PC“-Standard veröffentlicht haben.


Dagegen wirkt NVIDIA, das sich zurückhält und leise arbeitet, etwas deplatziert. Um diese „Weingasse geht tiefer“-Situation zu ändern, hat NVIDIA in den letzten Jahren auch hart daran gearbeitet, seine Präsenzmöglichkeiten im KI-Bereich zu erhöhen und Wege zu finden, um mehr Benutzer neben der Spielegrafik auch auf die führende Technologie von NVIDIA aufmerksam zu machen Karten – 2024 Am 24. April veranstaltete NVIDIA in Shenzhen ein Offline-Austauschtreffen mit dem Titel „RTX For AI“, bei dem jeder aus erster Hand erfahren konnte, wie NVIDIA „die Hälfte der KI-Branche unterstützt“.



Bildquelle: Lei Technology


Obwohl NVIDIA nicht das erste Unternehmen ist, das das Konzept der KI vorschlägt, könnten aus Produkt- und Technologieperspektive viele historische Knotenpunkte in Computern, einschließlich KI, dahinter stecken weniger von NVIDIA unterstützt: Im Jahr 2008 veröffentlichte NVIDIA die GeForce 8800 GTX-Grafikkarte.


Natürlich ist die Leistung dieser Grafikkarte mittlerweile nicht mehr erwähnenswert, aber für diese Grafikkarte hat NVIDIA das Konzept von „CUDA“ (Unified Computing Architecture) vorgeschlagen. Das Aufkommen von CUDA ermöglicht es der GPU, nicht nur Grafikoperationen zu verarbeiten, sondern auch allgemeine Berechnungen auf Basis von CUDA durchzuführen und zu beschleunigen, was den Computer zu einem echten „universellen Werkzeug“ macht.



Bildquelle: Lei Technology


Neben CUDA hat NVIDIA 2018 auch die Rechenleistung der GPU weiter „verfeinert“ und die Konzepte RT Core und Tensor Core eingeführt, die Raytracing und spezialisiertes ML-Computing ermöglichen möglich gemacht – Tensor Core beschleunigt das Training und die Ausführung von KI-Modellen erheblich, indem es groß angelegte Matrixoperationen effizient durchführt. DLSS, das bei NVIDIA-Benutzern sehr beliebt ist und die FPS in Spielen erheblich verbessern kann, basiert auf Tensor Core. Man kann sagen, dass es sich um den frühesten „echten KI“-Anwendungsfall handelt, mit dem Gamer in Berührung gekommen sind.


Rechenleistung ist die Grundlage aller KI




Vor dem Aufkommen der KI-Ära begann NVIDIA, über Möglichkeiten nachzudenken, Tensor Core zur Implementierung von KI-Funktionen zu nutzen, was den Beginn der KI-Ära beschleunigte ; im Vergleich zu sich selbst vor 6 Jahren: Welche Technologiesprünge hat NVIDIA jetzt im Bereich KI erzielt?


Laut der Einführung von NVIDIA deckt RTX AI derzeit 10 verschiedene KI-Szenarien ab, nämlich: KI-Malerei, KI-Grafikdesign, KI-Videobearbeitung, KI-3D-Erstellung, KI-Videoerlebnis, KI-Konferenz und KI-Dokumentationsassistent, KI-Anwendungsentwicklung, KI-Spiele und KI-Spieleentwicklung.


Bildquelle: Lei Technology


Obwohl diese Top-Ten-Szenarien unterschiedlich sind, haben sie alle einen gemeinsamen Bedarf an Computern: Rechenleistung. Und exzellente Rechenleistung ist genau das bekannteste Merkmal der RTX-Hardware.



Bildquelle: Lei Technology


Es besteht kein Zweifel daran, dass die Leistung im Vergleich zur Veröffentlichung der RTX-Grafikkarte und der Einführung von Tensor Core vor 6 Jahren die einfachste Verbesserung für NVIDIA im Bereich KI darstellt. Am Beispiel des häufigsten T2I-Anwendungsfalls sollten Freunde, die versucht haben, Modelle wie StableDiffusion auf ihren eigenen Computern bereitzustellen, wissen, dass die meisten aktuellen Modelle mehr oder weniger Probleme mit der „niedrigen Trefferquote“ haben, was dazu führt, dass Benutzer denselben Satz verwenden müssen von Schlüsselwörtern, um wiederholt Bilder zu generieren, und verwenden Sie eine Methode, die dem Handyspiel „Karten ziehen“ ähnelt, um die gewünschten Bilder zu generieren. Bildquelle: Lei Technology , RTX 4090D Die schnellste StableDiffusion-Bilderzeugung kann mit 120 Bildern pro Sekunde erreicht werden.


Feine Kontrolle ist das Markenzeichen der KI-Produktivität


Ich weiß nicht, ob Sie in den oben genannten Top-Ten-Szenarien ein Detail entdeckt haben. NVIDIA unterscheidet KI-Malerei und KI-Grafikdesign.Dies liegt nicht daran, dass NVIDIA mehr Anwendungsfälle zur Unterstützung der Szene verwenden möchte, sondern daran, dass KI-Malerei und KI-Grafikdesign tatsächlich zwei unterschiedliche Stufen der KI-Technologie markieren:


Die von Wensheng Tu vertretene KI-Malerei hat eine niedrige Trefferquote, Benutzer brauchen kontinuierlich eine große Anzahl von Bildern zu generieren, um „Karten zu ziehen“, bevor sie das gewünschte fertige Produkt erhalten. Und diese „Unkontrollierbarkeit“ bedeutet, dass die Verwendung dieser AIGC-Werke sehr begrenzt ist: entweder zur Unterhaltung, um Inspiration für Designer zu finden oder als Materialien für das Training von KI.





Aber AIGC, das eigentlich für „Produktivität“ verwendet wird, kann diese „Unsicherheit“ nicht tolerieren. Schließlich möchte niemand AIGC verwenden, um Kunden die Wirkung von Modekleidung zu zeigen, und KI erzeugt drei Hände auf der Kleidung; oder dem Design Als der Lehrer dem Kunden den Einrichtungsstil mithilfe von KI erklärte, malte die KI das Dach eines Doppelhauses als Keller.


Mit anderen Worten: Der größte Unterschied zwischen „Entertainment AI“ und „Productivity AI“ besteht darin, ob eine präzise Steuerung von AIGC erreicht werden kann.





Wir wissen, dass „Unterhaltungs-KI“ hauptsächlich zur Verbesserung der Benutzererfahrung und Interaktivität eingesetzt wird. Beispielsweise wird KI in Bereichen wie Videospielen, sozialen Medien und Online-Unterhaltung eingesetzt, um Inhalte zu empfehlen, Musik zu generieren, Gespräche zu simulieren und mehr. Das Hauptziel dieser Art von KI besteht darin, Unterhaltung und Engagement zu verbessern, wobei der Schwerpunkt weniger auf der Genauigkeit und Vorhersehbarkeit der Ergebnisse liegt. Diese Art von KI-generierter Grafik oder Musik muss keine strengen Standards für kommerzielle Anwendungen erfüllen und ihre Kreativität und Neuheit sind wichtiger.


Im Gegensatz dazu wird „Produktivitäts-KI“ in strengeren und anspruchsvolleren kommerziellen und industriellen Umgebungen eingesetzt, beispielsweise in der Fertigung, in der Medizin, in der Finanzanalyse usw. In diesen Bereichen hat KI die Aufgabe, die Effizienz zu steigern, Kosten und Fehlerquoten zu senken und verlässliche Entscheidungsunterstützung zu bieten. Beispielsweise wird KI in der medizinischen Diagnostik eingesetzt, um Bilder zu analysieren und Krankheitsmuster zu identifizieren, was eine äußerst hohe Genauigkeit und Zuverlässigkeit erfordert. Bei diesen Anwendungen hängt die Feinsteuerung nicht nur mit der Wirksamkeit des KI-Systems zusammen, sondern auch mit der direkten Auswirkung seiner Entscheidungsqualität auf das menschliche Leben.



Bildquelle: Lei Technology


Bei der Sharing-Session demonstrierte NVIDIA auch, wie eine „Produktivitäts-KI“ aussehen sollte – Instant AI. Als KI-Anwendung für den Bereich Architekturdesign bietet Zhizhi AI eine Vielzahl vorab trainierter KI-Modelle, die für verschiedene Architekturstile und -szenarien geeignet sind. Gleichzeitig kann Zhizhi AI auf der Grundlage der leistungsstarken Leistung der RTX-Hardware gleichzeitig arbeiten Die KI generiert die importierten Skizzen oder gezeichneten Linien des Designers und erklärt den Kunden nahezu in Echtzeit das Außendesign und den Inneneinrichtungsstil.


Die Probleme, auf die KI stößt, sollten durch KI gelöst werden



Natürlich sind die gerade genannten Anwendungsfälle nur ein kleiner Teil der Anwendungen von NVIDIA RTX im Bereich KI. Von unterhaltungsorientiertem Wenshengtu und DLSS 3.5 über NVIDIA ACE und Sound Cloning, die die Art der Spielinteraktion verändern, bis hin zu KI-Videobearbeitung, die den Kreativmodus verändert, und Chat mit RTX, das den Arbeitsmodus verändert, egal ob es sich um Spiele oder Arbeit handelt, Die KI-Technologie ist bereits in jeden Aspekt unseres Lebens vorgedrungen.



Bildquelle: Lei Technology


Beim Teilen der spezifischen Anwendung von AIGC im Videoerstellungsprozess erwähnte das berühmte Video-Spezialeffektteam „Special Effects Brother Studio“ auch einen sehr interessanten Standpunkt – die Verwendung von KI Lösen Sie aufgetretene KI-Probleme. Ihren Angaben zufolge entschieden sie sich bei der Rekonstruktion der Tiefenschärfe von AIGC-Bildern nicht für die herkömmliche manuelle Markierung von Tiefenkarten, sondern übergaben die Bilder direkt an die KI, ließen die AIGC-Tiefenkarte zeichnen und ausgeben die Ergebnisse in ein anderes KI-Modell übertragen.



Bildquelle: Lei Technology


Diese Art von „Magie mit Magie besiegen“-Lösung ist meiner Meinung nach nicht nur ein Zeichen für die Industrialisierung und Formalisierung von AIGC, sondern auch eine der zukünftigen Entwicklungsrichtungen der KI.


Zuallererst erfordert das Training von KI-Modellen viele Rechenressourcen. Da die Erfassung hochwertiger Daten oft kostspielig und schwierig zu erreichen ist, ist der Einsatz synthetischer Datengenerierungstechniken wie Generative Adversarial Networks (GANs) erforderlich. kann eine große Menge realistischer Trainingsdaten erstellen, was wichtig ist Es ist sehr hilfreich, die Trainingseffizienz und -effektivität von KI-Systemen zu verbessern. Diese Technologie kann nicht nur zur Generierung von Bilddaten verwendet werden, sondern kann auch auf die Generierung von Text, Audio und sogar virtuellen Umgebungen ausgeweitet werden, wodurch Datenquellen erheblich bereichert werden und mehr Möglichkeiten für das KI-Training bereitgestellt werden.


Zweitens ist die Interpretierbarkeit von KI-Modellen auch eine wichtige technische Herausforderung, da viele effiziente Modelle wie tiefe neuronale Netze oft wie Black Boxes wirken und ihre interne Entscheidungslogik nur schwer zu verstehen ist.Durch die Entwicklung interpretierender KI-Technologie kann der Entscheidungsprozess des Modells transparenter gestaltet werden, was das Vertrauen der Benutzer erhöht und es Entwicklern erleichtert, Modellmängel zu finden und zu verbessern.



Bildquelle: Lei Technology


Langfristig gesehen erfordert die Lösung dieser technischen Herausforderungen nicht nur fortschrittlichere Algorithmen und Modelldesigns, sondern auch die Suche nach einem Gleichgewicht zwischen Datenverarbeitung, Modelltraining und praktischen Anwendungen. Dies wird der Schlüssel zur Förderung der zukünftigen Entwicklung der KI-Technologie sein. Wir erwarten, dass KI mehr Komfort bringt und wir erwarten, dass sie uns dabei hilft, alte Probleme auf neue Weise zu lösen.


Und wenn KI die menschliche Produktivität wirklich und vollständig freisetzt, werden Schöpfer und KI mit endloser Fantasie sicherlich noch mehr ungezügelte Ideen wahr werden lassen.

Das obige ist der detaillierte Inhalt vonWie kann die Popularisierung von KI-PCs beschleunigt werden? Nvidia sieht in RTX die ultimative Antwort. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!