Amerika nyugati partján a világ legértékesebb társaságai próbálják okosabbá tenni a mesterséges intelligenciát. A Google és a Facebook több milliárd fotót és több ezer nagy teljesítményű processzort használó kísérletekkel dicsekedhet. A tavalyi év végén egy Tennessee keleti részén egy projekt csendben meghaladta bármely vállalati AI laboratórium méretét. És az Egyesült Államok kormánya irányította.
Az amerikai kormány szuperszámítógépe megsemmisíti a rekordokat
A rekordszámú projekt a világ legerősebb szuperszámítógépének, a Summit-nak az Oak Ridge Nemzeti Laboratóriumban vett részt. Ez az autó tavaly júniusban megnyerte a koronát, öt évvel később visszaküldte a címet az Egyesült Államoknak, amikor Kína tetején volt a listán. Az éghajlat-kutatási projekt részeként egy hatalmas számítógép elindította a gépi tanulási kísérletet, amely gyorsabb volt, mint valaha.
A csúcstalálkozó, amely két teniszpályával egyenértékű területet fed le, több mint 27 000 nagy teljesítményű GPU-t használt fel ebben a projektben. Az ő képességeikkel mélyreható tanulási algoritmusokat képezték ki, a technológiát, amely a fejlett mesterséges intelligencia alapját képezi. A mély tanulás során az algoritmusok gyakorlatokat végeznek egymilliárd milliárd művelettel másodpercenként, a szuperszámítógépes körökben exaflopként ismertek.
"A mély tanulás még soha nem érte el ezt a teljesítményszintet" - mondja Prabhat, a Lawrence Berkeley Nemzeti Laboratórium Nemzeti Energiakutató Központjának kutatócsoport vezetője. Csapata együttműködött a Summit központjában, az Oak Ridge Nemzeti Laboratórium kutatóival.
Mint gondolhatja, a világ legerősebb számítógépének AI képzése a világ egyik legnagyobb kihívására - az éghajlatváltozásra - összpontosított. A technikai társaságok algoritmusokat képeznek az arcok vagy útjelzők felismerésére; a kormány tudósai kiképezték őket az éghajlati modellek időjárási mintáinak, például ciklonok felismerésére, amelyek három órára tömörítik a Föld légkörének centenáriumi előrejelzéseit. (Nem világos azonban, hogy mekkora energiát igényelt a projekt, és mennyi szén került a levegőbe ebben a folyamatban).
Promóciós videó:
A csúcstalálkozó kísérlete kihatással van a mesterséges intelligencia és a klimatológia jövőjére. A projekt bemutatja a mély tanulásnak a szuperszámítógépekhez való adaptálásának tudományos potenciálját, amelyek hagyományosan szimulálják a fizikai és kémiai folyamatokat, például atomrobbanásokat, fekete lyukakat vagy új anyagokat. Ez azt is megmutatja, hogy a gépi tanulás haszonélvezője lehet a nagyobb számítási teljesítménynek - ha megtalálja -, és áttörést jelenthet a jövőben.
"Nem tudtuk, hogy ilyen méretűen meg lehet valósítani mindaddig, amíg meg nem csináltuk" - mondja Rajat Monga, a Google műszaki vezetője. Ő és más Google-alkalmazottak segítették a projektet azáltal, hogy a vállalat nyílt forráskódú TensorFlow gépi tanulási szoftvert hozzáigazították a Summit gigantikus skálájához.
A mélyreható tanulás méretezésével kapcsolatos munka nagy részét az internetes vállalatok adatközpontjain végezték el, ahol a szerverek a problémákkal együtt dolgoznak, elválasztva őket, mivel viszonylag el vannak osztva, nem pedig egy óriás számítógépbe vannak csomagolva. A szuperszámítógépek, mint például a Summit, eltérő architektúrával rendelkeznek, speciális nagysebességű kapcsolatokkal, amelyek processzorok ezreit egységes rendszerbe kötik, amely egészében képes működni. A közelmúltig viszonylag kevés munkát végeztek a gépi tanulásnak az ilyen típusú hardverekkel történő adaptálásában.
Monga szerint a TensorFlow csúcstalálkozóhoz történő hozzáigazítása támogatni fogja a Google arra irányuló erőfeszítéseit is, hogy kibővítse belső mesterséges intelligencia rendszereit. Az Nvidia mérnökei szintén részt vettek ebben a projektben, ügyelve arra, hogy a gépeken futó Nvidia GPU-k tízezrei akadály nélkül működjenek.
A technológia jelenlegi fejlesztésében alapvető fontosságú volt a mélyreható tanulási algoritmusokban a számítási teljesítmény fokozására való felkutatás. Ugyanaz a technológia, amelyet a Siri használ a hangfelismeréshez, és a Waymo autók az útjelző táblák olvasásához, 2012-ben vált hasznossá, miután a tudósok adaptálták az Nvidia GPU-k futására.
Az elon Musk által alapított san francisco kutatóintézet OpenAI, a májusban közzétett elemzésében a legnagyobb nyilvános gépi tanulási kísérletekben a számítási teljesítmény nagysága 2012 óta nagyjából megkétszereződött, 3,43 havonta; ez egyszeres növekedést jelent egy év alatt. Ez a haladás segített az Alphabet botnak legyőzni a bajnokokat a kihívásokkal teli társasjátékok és videojátékok terén, és jelentősen javította a Google fordítójának pontosságát.
A Google és más cégek jelenleg új típusú AI-kompatibilis chipeket készítenek ennek a trendnek a folytatására. A Google szerint a hüvelyek, amelyekben több ezer AI-chipek szorosan el vannak helyezve - duplikált tenzor processzorok vagy TPU-k - 100 petaflops feldolgozási teljesítményt tudnak biztosítani, ami a Summit által elért sebesség egytizedének felel meg.
A csúcstalálkozó hozzájárulása az éghajlattudományhoz megmutatja, hogy a gigantikus AI hogyan javíthatja a jövőbeli időjárási viszonyok megértését. Amikor a kutatók évszázados időjárási előrejelzéseket generálnak, az így kapott előrejelzés olvasása kihívást jelent. „Képzelje el, hogy van egy YouTube filmje, amelyet 100 éve futtatnak. Nincs mód arra, hogy a macskákat és kutyákat manuálisan megtalálja ebben a filmben”- mondja Prabhat. Általában a szoftvert használják ennek a folyamatnak a automatizálására, de ez nem tökéletes. A csúcstalálkozó eredményei azt mutatták, hogy a gépi tanulás ezt sokkal jobban meg tudja valósítani, ami segíthet a viharok, például az árvizek előrejelzésében.
Michael Pritchard, az Irvine-i kaliforniai egyetem professzora szerint a szuperszámítógépeken való mély tanulás elindítása viszonylag új ötlet, amely a klímakutatók számára megfelelő időben érkezett. A hagyományos processzorok fejlődésének lelassulása vezetett a mérnökökhez, hogy egyre több grafikus chipet szereljenek a szuperszámítógépekre a teljesítmény következetesebb javítása érdekében. "Eljött az az idő, amikor már nem szokásos módon növelni a feldolgozási teljesítményt" - mondja Pritchard.
Ez a váltás leállította a hagyományos modellezést, ezért alkalmazkodni kellett. Ez megnyitja az ajtót a mélyreható tanulás erejének kiaknázásához, amely természetesen alkalmas a grafikus chipek használatára. Talán világosabb képet kapunk éghajlatunk jövőjéről.
Ilya Khel