211service.com
L'homme qui vend des pelles dans la ruée vers l'or de l'apprentissage automatique
Jen-Hsun Huang, PDG du fabricant de puces Nvidia, est soit très visionnaire, soit très chanceux. Son entreprise a été construite autour d'unités de traitement graphique (GPU) pour les jeux vidéo. Mais ces mêmes puces sont maintenant largement utilisées dans les projets d'intelligence artificielle tels que les efforts pour construire des voitures autonomes.
Les puces de Nvidia se sont avérées particulièrement efficaces pour former les réseaux de neurones utilisés dans une technique appelée apprentissage en profondeur qui a récemment rendu les logiciels beaucoup plus intelligents et poussé les géants de la technologie et les investisseurs à investir de l'argent dans la recherche sur l'apprentissage automatique. Cette semaine, la société a annoncé une nouvelle puce conçue spécifiquement pour cette tâche (voir Une puce de 2 milliards de dollars pour accélérer l'intelligence artificielle). Huang a parlé avec Will Knight, Examen de la technologie MIT rédacteur en chef pour l'IA et la robotique, lors de la conférence technologique annuelle de l'entreprise à San Jose cette semaine.
Selon vous, quel sera le prochain grand marché pour votre matériel ?
Je pense que la robotique va être énorme. La raison pour laquelle nous avons choisi [de fabriquer une puce pour] les voitures autonomes est que c'est le défi robotique le plus simple. L'apprentissage en profondeur nous a donné un algorithme qui peut enfin permettre aux robots d'apprendre par eux-mêmes, à partir d'objectifs de haut niveau, et par itération de découvrir par eux-mêmes. Je ne pense pas qu'il soit possible d'enseigner cela à un robot en écrivant des programmes.
L'apprentissage en profondeur a certes été un succès, mais ce n'est qu'une simulation très approximative de ce qui se passe dans le cerveau. Êtes-vous intéressé par le développement de matériel qui fonctionne davantage comme les fondements de l'intelligence biologique ?
Nous essayons de construire un meilleur avion plutôt que de comprendre comment fonctionne un oiseau. Certaines personnes le décrivent comme des neurones, mais l'analogie avec le cerveau est très vague. Pour nous, c'est tout un tas de mathématiques qui extrait les caractéristiques importantes des images, de la voix ou de l'action des capteurs. Toute analogie avec un cerveau n'est pas nécessairement si importante.
Le logiciel AlphaGo de Google DeepMind a récemment battu le meilleur joueur de go du monde . La recherche de pointe sur l'IA comme celle-ci façonnera-t-elle le futur matériel ?
Nous travaillons en étroite collaboration avec les gars de DeepMind, et il ne fait aucun doute qu'AlphaGo a été une étape importante dans l'entreprise humaine. C'est incroyable qu'une machine puisse apprendre l'intuition profonde nécessaire pour jouer. J'aimerais nous voir faire avancer ces nouvelles idées, qu'il s'agisse de la mémoire, de l'apprentissage par renforcement ou de l'apprentissage par transfert, l'apprentissage non supervisé. Tous ces domaines de recherche élargiront considérablement les capacités de cet outil appelé apprentissage en profondeur. Dès que j'apprends les défis des architectures d'aujourd'hui, je peux mettre ces idées dans la prochaine architecture.