Jak dział badawczy Nvidii stał się motorem napędowym ekspansji AI

Historia Nvidii to opowieść o strategicznej wizji i ewolucji, która wykracza poza początkowe ambicje firmy, by dostarczać układy graficzne dla gier wideo. Dziś Nvidia, wyceniana na biliony dolarów, jest siłą napędową rewolucji AI, a jej sukces w dużej mierze zawdzięcza rozwojowi wewnętrznego laboratorium badawczego. Początkowo niewielki zespół, liczący zaledwie kilkanaście osób, koncentrował się na technice ray tracing — kluczowym elemencie w grafice komputerowej. Dziś, zatrudniając ponad 400 naukowców, przekształcił się w centrum innowacji, które nie tylko napędza obecny boom na sztuczną inteligencję, ale również wyznacza nowe kierunki, w tym rozwój robotyki i AI fizycznej.

Od ray tracingu do AI: Wizja Billa Dally’ego

Kluczową postacią w tej transformacji jest Bill Dally, który dołączył do Nvidii w 2009 roku, obejmując kierownictwo nad laboratorium. Wcześniej, jako konsultant, a następnie jako szef wydziału informatyki na Uniwersytecie Stanforda, Dally już miał ugruntowaną pozycję w świecie akademickim. Jego przejście do Nvidii, będące wynikiem intensywnych zabiegów ze strony ówczesnego szefa laboratorium, Davida Kirka, oraz CEO Jensena Huanga, okazało się punktem zwrotnym. Dally wspomina to jako „idealne dopasowanie” do jego zainteresowań i talentów, wierząc, że w Nvidii może wnieść największy wkład w rozwój świata technologii.

Pod jego kierownictwem laboratorium szybko rozszerzyło swoje obszary badawcze, wykraczając poza ray tracing. Skupiono się na projektowaniu obwodów i integracji układów scalonych o bardzo dużej skali (VLSI) – technologii, która pozwala łączyć miliony tranzystorów na jednym chipie. To właśnie ta strategia, w połączeniu z wizją rynkową Huanga, zapoczątkowała prace nad układami GPU zoptymalizowanymi pod kątem AI już w 2010 roku, znacznie wcześniej niż obecna gorączka sztucznej inteligencji.

Decyzja Nvidii o zainwestowaniu w AI była śmiała. „Stwierdziliśmy, że to niesamowite, że to całkowicie zmieni świat” – powiedział Dally w rozmowie z TechCrunch. Firma zaczęła specjalizować swoje GPU, rozwijać oprogramowanie wspierające AI i angażować się w współpracę z badaczami z całego świata. Ta dalekowzroczność, długo przed tym, zanim AI stała się powszechnie uznawanym trendem, pozwoliła Nvidii zbudować dominującą pozycję na rynku procesorów graficznych dla sztucznej inteligencji.

Robotyka i AI fizyczna: Kolejny horyzont Nvidii

W obliczu ugruntowanej pozycji na rynku GPU, Nvidia, z Billem Dallym na czele, zwróciła się ku nowym obszarom. Obecnie głównym celem jest rozwijanie tzw. „AI fizycznej” i robotyki. Wizja Dally’ego jest jasna: „Myślę, że ostatecznie roboty będą ogromnym graczem na świecie, a my chcemy zasadniczo tworzyć mózgi wszystkich robotów”. To ambitny cel, ale Nvidia ma do niego solidne podstawy technologiczne.

Kluczową rolę w tym nowym kierunku odgrywa Sanja Fidler, wiceprezes ds. badań AI w Nvidii, która dołączyła do firmy w 2018 roku. Wcześniej, prowadząc badania nad modelami symulacji robotów na MIT, zwróciła uwagę Huanga. Jej praca w Nvidii zaowocowała stworzeniem laboratorium badawczego w Toronto, które, w ramach platformy Omniverse, skupia się na budowaniu symulacji dla AI fizycznej. Jak przyznaje Fidler, pierwsze wyzwanie stanowiło pozyskanie danych 3D, a także opracowanie technologii zdolnej do przekształcania obrazów w reprezentacje 3D, które mogą być wykorzystywane w symulatorach.

Rozwiązaniem okazała się technologia renderowania różniczkowego, która pozwala na odwrócenie procesu renderowania – zamiast tworzyć obraz z modelu 3D, pozwala wygenerować model 3D na podstawie obrazu. W 2021 roku Omniverse wydało pierwszą wersję swojego modelu przekształcającego obrazy w modele 3D, GANverse3D. Następnie skupiono się na rozszerzeniu tej możliwości na materiały wideo, wykorzystując nagrania z robotów i samochodów autonomicznych do tworzenia symulacji 3D za pomocą silnika Neuric Neural Reconstruction Engine, zaprezentowanego w 2022 roku.

Te technologie stanowią podstawę rodziny modeli AI Cosmos, które mają na celu przyspieszenie procesów symulacji. Dla robotów kluczowe jest to, by modele mogły działać z prędkością znacznie przewyższającą rzeczywisty czas, umożliwiając robotom „obserwowanie” świata 100 razy szybciej. Jak tłumaczy Fidler, takie przyspieszenie sprawi, że modele świata staną się niezwykle użyteczne w zastosowaniach robotycznych i w fizycznej sztucznej inteligencji. Niedawne zapowiedzi Nvidii na konferencji SIGGRAPH, dotyczące nowych modeli AI przeznaczonych do generowania danych syntetycznych dla trenowania robotów, potwierdzają, że firma nie zwalnia tempa.

Realizm w obliczu hype’u

Pomimo dynamicznego rozwoju i rosnącego hype’u wokół robotów, zwłaszcza humanoidalnych, zespół badawczy Nvidii zachowuje zdrowy rozsądek. Zarówno Dally, jak i Fidler podkreślają, że upłynie jeszcze kilka lat, zanim humanoidy na dobre zagoszczą w naszych domach, porównując obecną fazę rozwoju robotyki do sytuacji z samochodami autonomicznymi. Postęp jest jednak widoczny.

„Wielkie postępy poczyniono, a myślę, że AI naprawdę stała się tutaj kluczem” – podsumowuje Dally. Rozwiązania w zakresie AI wizyjnej dla percepcji robotów, a także generatywna AI, która jest niezwykle wartościowa dla planowania zadań i ruchu oraz manipulacji, to tylko niektóre z przykładów. W miarę rozwiązywania pojedynczych problemów i wzrostu dostępności danych do trenowania sieci neuronowych, roboty będą się rozwijać, stopniowo zbliżając się do spełnienia wizji Nvidii o dominacji w świecie AI fizycznej.