CIENCIA

Nvidia construyó una de las supercomputadoras de IA más potentes en 3 semanas

Vehículos autónomos: no son perfectos y a veces matan gente. Pero también encierran la promesa de un transporte más seguro y muchos menos puestos de trabajo en un futuro relativamente cercano. Para ayudar a estos vehículos a mejorar su inteligencia de causar accidentes fatales a prevenirlos, Nvidia creó el DGX SuperPod, una supercomputadora optimizada para inteligencia artificial que puede ayudar a diseñar un mejor auto sin conductor.

Nvidia lo hizo muy claro quiere estar entre los líderes en inteligencia artificial y decidió construir una supercomputadora para demostrarlo. La empresa solo tardó tres semanas en construir conectando 96 Nvidia DGX-2H supercomputadoras con Tecnología de interconexión Mellanox. De hecho, también puede comprarlo, si la novedad de su sexto yate se ha agotado y tiene $ 435,000 quemando un agujero en su bolsillo. Eso es cuanto uno DGX-2H costos a precio de lista. El DGX SuperPod usa 96 de ellos. Si desea fabricar un automóvil autónomo, parece que Nvidia cree que comenzar con el mejor hardware costará en algún lugar en el estadio de béisbol de $ 41,760,000. Claramente, estos sistemas fueron diseñados para grandes corporaciones.

NVIDIA DGX SuperPOD

Crédito de la imagen: NVIDIA

Con 1.536 GPU Nvidia V100 Tensor Core, el SuperPod tiene mucha potencia para un sistema relativamente pequeño (según los estándares de las supercomputadoras). Sin embargo, si desea que la gente invierta en algo tan caro, es posible que desee demostrar que está a la altura de las tareas más difíciles. Es por eso que Nvidia decidió hacer que la compilación de su SuperPod ayudara a resolver uno de los problemas más difíciles de la IA.

Los vehículos autónomos requieren una enorme cantidad de datos de entrenamiento en comparación con tecnologías que utilizan modelos de clasificación de imágenes similares para otros fines (por ejemplo, medicina de diagnóstico). La IA en un automóvil autónomo no busca algo específico y necesita considerar todo su entorno y comprenderlo lo suficientemente bien como para funcionar de manera segura. Eso equivale a aproximadamente un terabyte de datos por vehículo por hora y la IA que impulsa a los vehículos autónomos necesita capacitarse continuamente a lo largo del tiempo utilizando datos de una flota completa. Nvidia decidió demostrar cómo su SuperPod puede ayudar a acelerar el procesamiento de datos de entrenamiento medidos en petabytes:

El sistema trabaja arduamente las 24 horas del día, optimizando el software de conducción autónoma y reentrenando las redes neuronales en un tiempo de respuesta mucho más rápido de lo que era posible anteriormente. Por ejemplo, la plataforma de hardware y software DGX SuperPod tarda menos de dos minutos en entrenar ResNet-50. Cuando este modelo de IA salió a la luz en 2015, tomó 25 días entrenar en el entonces sistema de última generación, una sola GPU Nvidia K80. DGX SuperPOD ofrece resultados 18.000 veces más rápidos. Mientras que otros sistemas TOP500 con niveles de rendimiento similares se construyen a partir de miles de servidores, DGX SuperPOD ocupa una fracción del espacio, aproximadamente 400 veces más pequeño que sus vecinos clasificados.

Mientras que el DGX-2H pasa a funcionan mejor con ResNet-50, esos números seguirían siendo impresionantes cuando se escalaran para casi cualquier modelo de clasificación de imágenes. Debería esperar un rendimiento impresionante de un sistema multimillonario, pero lograrlo en un tamaño tan pequeño (relativo) es evidente por qué Nvidia sigue dominando el mercado de hardware de IA.

¿A qué tipo de avances podría conducir un hardware tan capaz? Nvidia demostró eso también con un método nuevo y más preciso para calcular la distancia a los objetos en un espacio tridimensional para que los vehículos autónomos puedan prevenir colisiones más fácilmente.

Nvidia explica Algunas de las áreas clave en las que este nuevo enfoque ayuda a mejorar la seguridad:

[W]e uso redes neuronales convolucionales y datos de una sola cámara frontal. El DNN está capacitado para predecir la distancia a los objetos utilizando radar y lidar datos del sensor como información de verdad del terreno. Los ingenieros saben que esta información es precisa porque los reflejos directos de las señales de radar y lidar transmitidas proporcionan información precisa de la distancia al objeto, independientemente de la topología de la carretera. Al entrenar las redes neuronales en datos de radar y lidar en lugar de confiar en la suposición de terreno plano, permitimos que el DNN estime la distancia a los objetos desde una sola cámara, incluso cuando el vehículo sube o baja una colina.

Parece que Nvidia tiene nuevos avances en inteligencia artificial casi todas las semanas, incluso si es solo un método más eficiente para convertir a su perro en un león. Quizás se deba a que la empresa puede construir una de las supercomputadoras más potentes del mundo en tres semanas. Cuando no tiene que esperar mucho para procesar una enorme cantidad de datos, puede probar rápidamente nuevas ideas y encontrar la solución óptima mucho más rápido. Solo necesita alrededor de $ 40 millones de dólares para comenzar.

Crédito de la imagen superior: Nvidia

Publicaciones relacionadas

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba
Cerrar
Cerrar