Сьогодні NVIDIA - це вже далеко не просто виробник ігрових відеокарт. Її продукти використовуються в різних областях, а завдяки зростанню попиту на машинне навчання і хмарні обчислення прискорювачі компанії стали активно використовуватися і в серверах в останні роки. Днями NVIDIA розповіла про шість нових рекордів за швидкістю обчислень у завданнях, пов'язаних з ШІ - поставлені вони були завдяки виходу першого в індустрії широкого набору бенчмарків MLPerf для завдань штучного інтелекту.
MLPerf, у створенні якого беруть участь компанії Google, Baidu, Intel, NVIDIA і десятки інших лідерів індустрії, вимірює широкий спектр навантажень у завданнях глибинного навчання. Перший в індустрії пакет, як вважається, видає об'єктивну оцінку швидкості обчислень в таких областях ШІ, як машинний зір, мовний переклад, персональні рекомендації та навчання з підкріпленням.
Продукти NVIDIA показали найкращу продуктивність у шести тестах MLPerf, що охоплюють різні навантаження і масштаб систем: від 16 GPU на вузол до 640 GPU на 80 вузлів. Мова йде про наступні шість категорій: класифікація зображень, сегментація об'єктів, розпізнавання об'єктів, нерекурентний переклад, рекурентний переклад і системи рекомендацій. Ключовим бенчмарком, в якому технології NVIDIA показали особливо хороший результат, стала категорія мовного перекладу - на навчання нейромережі Transformer пішло всього 6,2 хвилини.
Ці результати NVIDIA отримала на системах DGX, включаючи DGX-2, яка заснована на 16 з'єднаних між собою прискорювачах V100, оснащених тензорними ядрами, і є сьогодні чи не найпотужнішою системою для завдань штучного інтелекту.
NVIDIA підкреслила, що виступає єдиною компанією, якій вдалося відзначитися відразу в шести категоріях - це показує універсальність графічних прискорювачів V100 в широкому спектрі завдань для ШІ. У сьомій категорії тестового пакету (навчання з підкріпленням) поки не використовуються переваги GPU-прискорення, так що NVIDIA просто не могла перемогти.
Для високої продуктивності в складних і різноманітних обчислювальних завданнях потрібні не тільки прискорювачі з просунутими можливостями прискорювача, але і ціла інфраструктура. У NVIDIA вона є і включає тензорні ядра, NVLink, NVSwitch, системи DGX, CUDA, cuDNN, NCCL, оптимізовані контейнери фреймворків глибинного навчання та набори програмних інструментів n З виходом відеокарт сімейства Turing (RTX) прискорені обчислення з тензорними ядрами стали доступні і в настільних ПК.
