Az Nvidia egy meglehetősen érdekes projektbe vágott, amelynek célja, az emberi agy tanulási folyamatának modellezése GPU alapú mesterséges neurális hálózat segítségével. Az Nvidia szakemberei a Standford Egyetem kutatócsoportjával léptek együttműködésébe, így elkészülhetett a világ legnagyobb mesterséges neurális hálózata. A számítógép-alapú mesterséges neurális hálózatok képesek "megtanulni", hogyan modellezzék az emberi agy viselkedését, azaz miként ismerjenek fel különböző tárgyakat, karaktereket hangokat és zenéket úgy, mint az emberek.
Az Nvidia Tesla gyorsítókártyái újabb területen tűntek fel
Nagyobb méretű, számítógép-alapú mesterséges neurális hálózatokat nem egyszerű létrehozni, ugyanis az ilyen hálózatok extrém módon számításigényesek. Például a Google nemrégiben egy nagyjából 1000 processzort, illetve 16000 processzormagot alkalmazó szerverpark segítségével alkotta meg saját mesterséges neurális hálózatát, amely megtanulta felismerni a macskákat egy sornyi YouTube videón. Ez a mesterséges neurális hálózat 1,7 milliárd paraméterrel rendelkezett, amelyek a neuronok közötti kapcsolatok virtuális megfelelőinek tekinthetőek.
Ehhez képest az Nvidia szakemberei és a Stanford Egyetem kutatói által készített mesterséges neurális hálózat hat és félszer nagyobb, mint a korábbi rekordtartó, a Google 2012-ben kifejlesztett mesterséges neurális hálózata.
A rekorder konfigurációt létrehozó csapat, amelynek vezetője Andrew Ng, az egyetem mesterséges intelligenciával foglalkozó laboratóriumának igazgatója, mindössze három szerver használatával is képes volt a Google-éhez hasonló nagyságú mesterséges neurális hálózat létrehozására. A szerverekben Nvidia GPU-k feleltek a hálózat által létrehozott hatalmas adatmennyiség feldolgozásának gyorsításáért. 16 darab Nvidia GPU gyorsítással ellátott szerverrel már egy 11,2 milliárd paramétert alkalmazó mesterséges neurális hálózat született, ami csakugyan hat és félszer nagyobb, mint a Google 2012-ben készített rendszere.
Mivel a GPU-k jelentősen nagyobb számítási teljesítményt kínálnak, mint a CPU-k, így a GPU alapú gyorsítókártyákkal ellátott rendszerek szélesebb kör számára teszik elérhetővé a nagyméretű mesterséges neurális hálózatok modellezésében rejlő lehetőségek kiaknázását. Nagyméretű mesterséges neurális hálózatok már néhány GPU gyorsítást alkalmazó szerverből is építhetőek, amelyekkel az élet minden területének problémái megoldhatóvá válnak a gépi tanulásnak, illetve a mesterséges intelligenciának köszönhetően.
A gépi tanulás a mesterséges intelligencia területének egy rendkívül gyorsan fejlődő csoportját képezi, amelynek lényege abban rejlik, hogy a számítógépek anélkül reagálnak bizonyos dolgokra, hogy azt konkrétan "beléjük programozták volna". Az elmúlt évtized folyamán a gépi tanulásnak köszönhetően létrejöttek a saját magukat vezető intelligens autók, hatékonyabbá vált a webes keresés, sőt, az emberi génállomány megértése felé is komoly lépések történtek. Több kutató is úgy véli, hogy ez a módszer, illetve a terület idővel elvezet az emberi szintű mesterséges intelligencia kifejlesztéséhez.
A Nuance egyike azoknak a vállalatoknak, akik ezen a területen GPU-alapú mesterséges neurális hálózatokkal dolgoznak. A cég vezető szerepet tölt be a beszédfelismerés és a természetes nyelvi technológiák területén. A Nuance szakemberei arra tanítják a cég mesterséges neurális hálózatát, hogy több terabájtnyi audió anyag felhasználásának segítségével megértse az emberi beszédet. A tanulási fázis végén a rendszer a megtanult mintákhoz társítva felismeri a kimondott szavakat.
A GPU alapú mesterséges neurális hálózatoknak azért van nagy jelentőségük, mert a GPU-k jóvoltából jelentősen felgyorsul a nagymennyiségű adat feldolgozása, így gyorsan feltérképezhetőek az új algoritmusok és az új tanítási technikák. Az így készített modellek minden területen nagyobb pontossággal dolgoznak, legyen szó a gyógyászati, az üzleti vagy akár mobil eszközök piacára szánt termékekről.
