В более широком смысле продавцы Nvidia смогли стимулировать беспрецедентный спрос, убеждая клиентов в том, что они должны активно инвестировать в генеративный ИИ или столкнуться с угрозой отставания от конкурентов. Сам Дженсен назвал ИИ "универсальным аппроксиматором функций", который может предсказывать будущее с разумной точностью. Это в равной степени относится как к "высокотехнологичным" областям, таким как компьютерное зрение, распознавание речи и системы рекомендаций, так и к "низкотехнологичным" задачам, например, исправлению грамматики или анализу финансовых данных. Он считает, что со временем это будет относиться "практически ко всему, что имеет структуру".
Лучший способ получить доступ к этому универсальному аппроксиматору функций, конечно же, был через технологии Nvidia. И в течение следующих четырех кварталов компания добилась одного из самых невероятных скачков доходов в истории технологий. В первом квартале 2024 финансового года ее бизнес по производству центров обработки данных вырос на 427 процентов по сравнению с предыдущим годом, до 22,6 миллиарда долларов, в основном благодаря спросу на чипы искусственного интеллекта. В отличие от программного обеспечения, которое легко масштабируется без дополнительных затрат, Nvidia производит и поставляет сложные высокотехнологичные продукты и системы искусственного интеллекта, некоторые из которых содержат до 35 000 деталей. Такого уровня роста аппаратного обеспечения в технологической компании такого размера, как Nvidia, еще не было.
Для тех, кто находится за пределами компании, стремительный взлет Nvidia кажется чудом. Однако те, кто находится внутри компании, считают это естественной эволюцией, говорит Джефф Фишер. Nvidia не повезло: она смогла уловить волну спроса на горизонте за много лет до этого и подготовилась к этому моменту. Она обратилась к своим партнерам-производителям - Foxconn, Wistron, TSMC и другим - чтобы помочь им нарастить производственные мощности. Nvidia направила к партнерам так называемые "тигриные команды", которые делали все возможное, чтобы помочь им стать более эффективными: покупали оборудование, добавляли заводские площади, автоматизировали тестирование и поставляли передовую упаковку для чипов.
В соответствии с моделью "грубого правосудия" Дженсена, Nvidia делала все это не только для того, чтобы сделать своих партнеров более эффективными в их текущих процессах. Она хотела быстрее создавать новые чипы, переходя от прежнего двухлетнего цикла выпуска продукции к годичному для своих чипов с искусственным интеллектом. В 1990-х годах Nvidia перешла на более быстрый цикл производства, выпуская новые видеокарты каждые шесть месяцев. Теперь она хочет сделать то же самое для чипов ИИ. "Чем масштабнее становится ИИ, тем больше решений потребуется, и тем быстрее мы будем соответствовать этим целям и ожиданиям", - сказала финансовый директор Nvidia Колетт Кресс. 3
Как правило, на заводах по производству аппаратного обеспечения среднее время цикла между этапами производственного процесса составляет от четырнадцати до восемнадцати недель. Производители закладывают буферное время между этими этапами на случай, если проблема на начальном этапе приведет к проблемам на последующих этапах. В результате станки, материалы и компоненты могут простаивать несколько дней. Команда Nvidia придумала, как добавить контроль качества на ранних этапах процесса, чтобы снизить риск возникновения непредвиденных проблем и устранить необходимость в буферном времени. По словам Джеффа Фишера, в подходе Nvidia "нет никакой магии". Это просто упорный труд и безжалостная эффективность, направленные на сохранение конкурентных преимуществ. И принять его должны все, кто работает с Nvidia, а не только ее внутренние команды. 4 Все, что делали команды "тигров", было дорогостоящим и приводило к снижению доходов . Однако Nvidia всегда была готова использовать свои финансовые ресурсы для инвестирования в критически важные части бизнеса - даже если это означало, что это касается других компаний.
У Nvidia есть ключевые преимущества перед другими производителями чипов с искусственным интеллектом. Как и в случае с iPhone от Apple, компания использует модель "полного стека", которая оптимизирует работу пользователя с аппаратным, программным и сетевым обеспечением. Большинство ее конкурентов просто производят чипы. И Nvidia двигается быстрее своих конкурентов.
Например, основной архитектурой, используемой в современных больших языковых моделях, является Transformer, представленный в 2017 году в работе ученых Google "Attention Is All You Need". Основным новшеством является самовнимание, которое позволяет модели оценивать важность различных слов в предложении и измерять дальние зависимости на основе их контекста. Механизм внимания позволяет модели фокусироваться на более важной информации, быстрее обучать модель ИИ и, таким образом, генерировать более качественные результаты по сравнению с предыдущими архитектурами глубокого обучения.