Bagaimana untuk mempercepatkan popularisasi AI PC? Nvidia melihat kepada RTX sebagai jawapan muktamad

Sepanjang dekad yang lalu, teknologi kecerdasan buatan (AI) telah beralih daripada penyelidikan teori dan aplikasi berskala kecil kepada revolusi teknologi global, mengubah sepenuhnya cara kita hidup dan bekerja. Sama ada pembantu suara pada telefon pintar atau analisis data yang kompleks dan barisan pengeluaran automatik, impak AI ada di mana-mana, dan peningkatan kecekapan serta pengurangan kos yang dibawanya memacu revolusi produktiviti yang tidak pernah berlaku sebelum ini.



Untuk merebut peluang produktiviti AI, banyak jenama telah cepat menghasilkan perkakasan AI mereka sendiri: sesetengah jenama telefon mudah alih menggunakan teknologi AI untuk menghapuskan motion smear semasa mengambil foto, dan sesetengahnya menggunakan AI untuk membuang motion smear yang tidak diingini. dalam elemen gambar, sesetengah syarikat adalah yang pertama mengeluarkan apa yang dipanggil standard "AI PC".


Sebagai perbandingan, NVIDIA, yang mengekalkan profil rendah dan berfungsi dengan senyap, nampaknya agak tidak kena pada tempatnya. Untuk mengubah situasi "lorong wain menjadi lebih dalam" ini, NVIDIA juga telah berusaha keras untuk meningkatkan peluang pendedahannya dalam bidang AI sejak beberapa tahun kebelakangan ini dan mencari cara untuk menyedarkan lebih ramai pengguna tentang teknologi terkemuka NVIDIA selain grafik permainan. kad - 2024 Pada 24 April, NVIDIA mengadakan mesyuarat pertukaran luar talian yang dipanggil RTX For AI di Shenzhen, membolehkan semua orang merasai sendiri bagaimana NVIDIA "menyokong separuh daripada industri AI."



Sumber imej: Lei Technology


Walaupun NVIDIA bukanlah syarikat pertama yang mencadangkan konsep AI, dari perspektif produk dan teknologi, banyak nod sejarah dalam komputer, termasuk AI, mungkin berada di belakangnya kurang disokong oleh NVIDIA: Pada tahun 2008, NVIDIA mengeluarkan kad grafik GeForce 8800 GTX.


Jelas sekali prestasi kad grafik ini tidak lagi patut disebut sekarang, tetapi pada kad grafik ini, NVIDIA mencadangkan konsep "CUDA" (Unified Computing Architecture). Kemunculan CUDA membolehkan GPU bukan sahaja memproses operasi grafik, tetapi juga untuk melaksanakan dan mempercepatkan pengiraan tujuan am berdasarkan CUDA, menjadikan komputer sebagai "alat universal" yang sebenar.



Sumber imej: Lei Technology


Selain CUDA, NVIDIA turut "memperhalusi" lagi kuasa pengkomputeran GPU pada 2018, memperkenalkan konsep Teras RT dan Teras Tensor, membenarkan pengesanan sinar dan pengkomputeran ML khusus dimungkinkan - Tensor Core mempercepatkan latihan dan pelaksanaan model AI dengan ketara dengan melaksanakan operasi matriks berskala besar dengan cekap. DLSS, yang sangat digemari oleh pengguna NVIDIA dan boleh meningkatkan FPS permainan dengan ketara, dilaksanakan berdasarkan Tensor Core Ia boleh dikatakan sebagai kes penggunaan "AI sebenar" terawal yang pernah disentuh oleh pemain.


Kuasa pengkomputeran adalah asas kepada semua AI




Sebelum kemunculan era AI, NVIDIA mula memikirkan cara untuk menggunakan Tensor Core untuk melaksanakan fungsi AI, mempercepatkan kedatangan era AI ; berbanding dengan dirinya sendiri 6 tahun lalu, Apakah lonjakan teknologi yang telah dicapai oleh NVIDIA dalam bidang AI sekarang?


Menurut pengenalan NVIDIA, RTX AI kini merangkumi 10 senario AI berbeza, iaitu: lukisan AI, reka bentuk grafik AI, penyuntingan video AI, penciptaan AI 3D, pengalaman video AI, persidangan AI, dan Pembantu dokumentasi AI, pembangunan aplikasi AI, Permainan AI dan pembangunan permainan AI.


Sumber imej: Lei Technology


Walaupun sepuluh senario teratas ini berbeza, semuanya mempunyai keperluan yang sama untuk komputer: kuasa pengkomputeran. Dan kuasa pengkomputeran yang sangat baik ialah ciri perkakasan RTX yang paling terkenal.



Sumber imej: Lei Technology


Tidak dinafikan berbanding semasa kad grafik RTX dikeluarkan dan Tensor Core diperkenalkan 6 tahun lalu, prestasi adalah peningkatan paling mudah untuk NVIDIA dalam bidang AI. Mengambil kes penggunaan T2I yang paling biasa sebagai contoh, rakan yang telah cuba menggunakan model seperti StableDiffusion pada komputer mereka sendiri harus tahu bahawa kebanyakan model semasa mempunyai lebih kurang masalah "kadar hit rendah", menyebabkan pengguna perlu Gunakan set yang sama kata kunci untuk menjana imej berulang kali dan menggunakan kaedah yang serupa dengan "kad lukisan" permainan mudah alih untuk menjana imej yang anda inginkan.



Sumber imej: Lei Technology


Sebagai tindak balas kepada senario "lukisan kad" ini, NVIDIA menunjukkan prestasi hebat kad grafik gred pengguna utamanya RTX 4090D pada mesyuarat perkongsian: Berdasarkan fungsi pecutan TensorRT , RTX 4090D Penjanaan imej StableDiffusion terpantas boleh dicapai pada 120fps.


Kawalan yang baik ialah ciri produktiviti AI



Saya tidak tahu sama ada anda telah menemui butiran Dalam sepuluh senario teratas yang baru disebut, NVIDIA membezakan lukisan AI dan reka bentuk grafik AI.Ini bukan kerana NVIDIA mahu menggunakan lebih banyak kes penggunaan untuk menyokong adegan, tetapi kerana lukisan AI dan reka bentuk grafik AI sebenarnya menandakan dua peringkat teknologi AI yang berbeza:


Lukisan AI yang diwakili oleh Wensheng Tu mempunyai kadar pukulan yang rendah, pengguna perlu untuk terus menjana sejumlah besar gambar untuk "melukis kad" sebelum mereka boleh mendapatkan produk siap yang mereka inginkan. Dan "tidak terkawal" ini bermakna penggunaan karya AIGC ini sangat terhad: sama ada untuk hiburan, untuk mencari inspirasi untuk pereka atau sebagai bahan untuk latihan AI.





Tetapi AIGC, yang benar-benar digunakan untuk "produktiviti", tidak boleh bertolak ansur dengan "ketidakpastian" seperti ini, tiada siapa yang mahu menggunakan AIGC untuk menunjukkan kesan pakaian fesyen kepada pelanggan tangan pada pakaian; atau reka bentuk Apabila guru menggunakan AI untuk menerangkan gaya hiasan dalaman kepada pelanggan, AI melukis bumbung rumah dupleks sebagai ruang bawah tanah.


Dalam erti kata lain, perbezaan terbesar antara "AI Hiburan" dan "AI Produktiviti" ialah sama ada kawalan tepat AIGC boleh dicapai.





Kami tahu bahawa "AI hiburan" digunakan terutamanya untuk meningkatkan pengalaman pengguna dan interaktiviti. Contohnya, dalam bidang seperti permainan video, media sosial dan hiburan dalam talian, AI digunakan untuk mengesyorkan kandungan, menjana muzik, mensimulasikan perbualan dan banyak lagi. Matlamat teras jenis AI ini adalah untuk meningkatkan hiburan dan penglibatan, dengan kurang fokus pada ketegasan dan kebolehramalan output. Jenis karya seni atau muzik yang dijana AI ini tidak perlu memenuhi piawaian aplikasi komersial yang ketat, dan kreativiti serta kebaharuannya adalah lebih penting.


Sebaliknya, "Produktiviti AI" digunakan dalam persekitaran komersil dan perindustrian yang lebih ketat dan menuntut, seperti pembuatan, perubatan, analisis kewangan, dsb. Dalam bidang ini, AI ditugaskan untuk meningkatkan kecekapan, mengurangkan kos dan kadar ralat, dan menyediakan sokongan keputusan yang boleh dipercayai. Sebagai contoh, AI digunakan dalam diagnosis perubatan untuk menganalisis imej dan mengenal pasti corak penyakit, yang memerlukan ketepatan dan kebolehpercayaan yang sangat tinggi. Dalam aplikasi ini, kawalan halus bukan sahaja berkaitan dengan keberkesanan sistem AI, tetapi juga dengan kesan langsung kualiti membuat keputusannya terhadap kehidupan manusia.



Sumber imej: Lei Technology


Semasa sesi perkongsian, NVIDIA turut menunjukkan rupa "produktiviti AI" - AI segera. Sebagai aplikasi AI untuk bidang reka bentuk seni bina, Zhizhi AI menyediakan pelbagai model AI terlatih yang sesuai untuk gaya dan senario seni bina yang berbeza Pada masa yang sama, berdasarkan prestasi berkuasa perkakasan RTX, Zhizhi AI boleh beroperasi pada a kelajuan hampir sifar kependaman lakaran atau garisan yang dihasilkan oleh AI yang dilukis oleh pereka bentuk digunakan untuk menerangkan reka bentuk luaran dan gaya hiasan dalaman bangunan kepada pelanggan dalam cara yang hampir masa nyata.


Masalah yang dihadapi oleh AI harus diselesaikan oleh AI



Sudah tentu, kes penggunaan yang disebut tadi hanyalah sebahagian kecil daripada aplikasi NVIDIA RTX dalam bidang AI. Daripada Wenshengtu dan DLSS 3.5 yang berorientasikan hiburan, kepada NVIDIA ACE dan pengklonan bunyi yang mengubah cara interaksi permainan, kepada pengeditan video AI yang mengubah mod kreatif, dan Sembang dengan RTX yang mengubah mod kerja, sama ada permainan atau kerja, Teknologi AI telah pun Menembusi setiap aspek kehidupan kita.



Sumber imej: Lei Technology


Apabila berkongsi aplikasi khusus AIGC dalam proses penciptaan video, pasukan kesan khas video terkenal "Special Effects Brother Studio" juga menyebut sudut pandangan yang sangat menarik - menggunakan AI untuk menyelesaikan masalah AI yang dihadapi. Menurut apa yang mereka kongsikan, apabila membina semula medan kedalaman imej AIGC, mereka tidak memilih untuk menggunakan penandaan manual tradisional bagi peta kedalaman Sebaliknya, mereka terus melemparkan imej tersebut kepada AI, biarkan AI melukis peta kedalaman AIGC dan output keputusan kepada model AI yang lain.



Sumber imej: Lei Technology


Penyelesaian "kalahkan sihir dengan sihir" ini, pada pendapat saya, bukan sahaja tanda pengindustrian dan pemformalkan AIGC, tetapi juga salah satu hala tuju pembangunan AI pada masa hadapan.


Pertama sekali, latihan model AI memerlukan banyak sumber pengkomputeran Memandangkan pemerolehan data berkualiti tinggi selalunya mahal dan sukar untuk dicapai, penggunaan teknik penjanaan data sintetik seperti rangkaian lawan generatif (GAN). boleh mencipta sejumlah besar data latihan yang realistik, yang penting untuk Ia sangat membantu untuk meningkatkan kecekapan latihan dan keberkesanan sistem AI. Teknologi ini bukan sahaja boleh digunakan untuk menjana data imej, tetapi juga boleh diperluaskan kepada penjanaan teks, audio dan juga persekitaran maya, memperkaya sumber data dan menyediakan lebih banyak kemungkinan untuk latihan AI.


Kedua, kebolehtafsiran model AI juga merupakan cabaran teknikal yang penting, kerana banyak model cekap seperti rangkaian saraf dalam selalunya seperti kotak hitam, dan sukar untuk memahami logik membuat keputusan dalaman mereka.Dengan membangunkan teknologi AI tafsiran, proses membuat keputusan model boleh dibuat lebih telus, meningkatkan kepercayaan pengguna, dan memudahkan pembangun mencari dan memperbaiki kekurangan model.



Sumber imej: Lei Technology


Dari perspektif jangka panjang, menyelesaikan cabaran teknikal ini bukan sahaja memerlukan algoritma yang lebih maju dan reka bentuk model, tetapi juga memerlukan mencari keseimbangan antara pemprosesan data, latihan model dan aplikasi praktikal. , yang akan menjadi kunci untuk mempromosikan pembangunan masa depan teknologi AI. Kami menjangkakan AI akan membawa lebih banyak kemudahan, dan kami juga mengharapkan ia membantu kami menyelesaikan masalah lama dengan cara baharu.


Dan apabila AI benar-benar dan sepenuhnya membebaskan produktiviti manusia, pencipta dan AI dengan imaginasi yang tidak berkesudahan pasti akan menjadikan lebih banyak idea yang tidak terkawal menjadi kenyataan.

Atas ialah kandungan terperinci Bagaimana untuk mempercepatkan popularisasi AI PC? Nvidia melihat kepada RTX sebagai jawapan muktamad. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!