AI PCの普及をどう加速させるか？ Nvidia は RTX を究極の答えとして期待しています

過去 10 年間で、人工知能 (AI) テクノロジーは理論研究や小規模な応用から世界的な技術革命へと移行し、私たちの生活や働き方を完全に変えました。スマートフォンの音声アシスタントであれ、複雑なデータ分析や自動化された生産ラインであれ、AI の影響はあらゆるところにあり、AI がもたらす効率の向上とコスト削減により、前例のない生産性革命が推進されています。



AI の生産性のチャンスをつかむために、多くのブランドが独自の AI ハードウェアをすぐに開発しました。一部の携帯電話ブランドは、写真撮影時のモーション スミアを排除するために AI テクノロジーを使用しています。 AI を使用して写真から不要な要素を削除しており、いわゆる「AI PC」規格を初めて公開した企業もあります。


それに比べて、目立たず静かに動作する NVIDIA は、少し場違いに思えます。この「ワイン街はさらに奥へ」という状況を変えるため、NVIDIA は近年 AI 分野での露出機会を増やし、ゲーム グラフィックスだけでなく NVIDIA の最先端テクノロジーをより多くのユーザーに知ってもらう方法を模索することにも懸命に取り組んでいます。カード - 2024 4 月 24 日、NVIDIA は深センで RTX For AI と呼ばれるオフライン交流会を開催し、NVIDIA がどのように「AI 業界の半分を支えている」かを誰もが直接体験できるようにしました。



画像出典: Lei Technology


NVIDIA は AI の概念を提案した最初の企業ではありませんが、製品とテクノロジーの観点から見てください。 AI を含むコンピューティングにおける歴史的なノードの多くは、多かれ少なかれ NVIDIA によってサポートされています。2008 年に、NVIDIA は GeForce 8800 GTX グラフィックス カードをリリースしました。


このグラフィックス カードのパフォーマンスについては、今更言及するまでもありませんが、このグラフィックス カードに関して、NVIDIA は「CUDA」(Unified Computing Architecture) という概念を提案しました。 CUDA の登場により、GPU はグラフィックス操作を処理するだけでなく、CUDA に基づいて汎用計算を実行および高速化できるようになり、コンピューターが真の「万能ツール」になります。



画像出典: Lei Technology


CUDA に加えて、NVIDIA は 2018 年に GPU のコンピューティング能力をさらに「洗練」しました。 RT コアと Tensor コアは、レイ トレーシングと特殊な ML 計算を可能にするために導入されました。Tensor コアは、大規模な行列演算を効率的に実行することにより、AI モデルのトレーニングと実行を大幅に高速化します。 NVIDIA ユーザーに深く愛され、ゲームの FPS を大幅に向上させることができる DLSS は、Tensor Core に基づいて実装されており、ゲーマーが最初に触れた「本物の AI」のユースケースと言えます。


コンピューティング能力はすべての AI の基礎です




AI 時代が到来する前に、NVIDIA は AI を活用する方法を考え始めました。 AI 機能を実装し加速する Tensor コア AI 時代の到来、6 年前と比較して、NVIDIA は現在、AI 分野でどのような技術的飛躍を遂げていますか?


NVIDIA によると、RTX AI は現在 10 の異なる AI シナリオをカバーしています。つまり、AI ペインティング、AI グラフィック デザイン、AI ビデオ編集、AI 3D 作成、AI ビデオ エクスペリエンス、AI カンファレンス、AI ドキュメント アシスタントです。 、AIアプリケーション開発、AIゲーム、AIゲーム開発。


画像出典: Lei Technology


これら 10 のシナリオはそれぞれ異なりますが、いずれもコンピュータに対する共通のニーズ、つまりコンピューティング能力を必要としています。そして、優れたコンピューティング能力はまさに RTX ハードウェアの最もよく知られた機能です。



画像出典: Lei Technology


RTX グラフィックス カードがリリースされたばかりの 6 年前と Tensor Core と比較すると、間違いなく優れています。 AI の分野における NVIDIA のパフォーマンスの向上が最も簡単に確認できます。最も一般的な T2I の使用例を例に挙げると、StableDiffusion などのモデルを自分のコンピューターに導入しようとした友人は、現在のほとんどのモデルに多かれ少なかれ「ヒット率が低い」問題があり、ユーザーが同じセットを使用する必要があることを知っているはずです。キーワードを入力して繰り返し画像を生成し、モバイルゲームの「カードを引く」ような方法で希望の画像を生成します。



画像出典: Lei Technology


この「カード描画」シナリオを考慮して、NVIDIA は共有ミーティングで主力製品の消費を実証しました。 RTX 4090D グラフィックス カードのパフォーマンス: TensorRT のアクセラレーション機能に基づいて、RTX 4090D は最速 120fps で StableDiffusion 画像生成を実現できます。


微細な制御は AI の生産性の特徴です。



NVIDIA は、先ほど挙げたトップ 10 のシナリオの詳細を見つけたかどうかわかりません。 put AIペインティングとAIグラフィックデザインは区別されます。これは、NVIDIA がシーンをサポートするためにより多くのユースケースを使用したいためではなく、AI ペインティングと AI グラフィック デザインが実際に AI テクノロジーの 2 つの異なる段階を示すためです。


AI ペインティングは Vincent Tu によって代表されています。ヒット率が低いため、ユーザーは希望する完成品を得る前に、「カードを引く」ために大量の画像を継続的に生成する必要があります。そして、この「制御不可能性」は、これらの AIGC 作品の用途が、エンターテイメント、デザイナーのインスピレーションを見つけるため、または AI のトレーニング用の素材として非常に限定されていることを意味します。





しかし、実際には「生産性」のために使用される AIGC は、この種の「不確実性」を許容できません。結局のところ、誰も使いたくありません。 AIGC が顧客に見せる ファッション効果に関して言えば、AI は衣服に 3 つの手を加えます。また、デザイナーが AI を使用して顧客にインテリアのスタイルを説明する場合、AI はデュプレックス マンションの屋根を地下室にペイントします。


つまり、「エンターテイメントAI」と「生産性AI」の最大の違いは、AIGCを緻密に制御できるかどうかということになります。





「エンターテイメント AI」は主にユーザー エクスペリエンスとインタラクティブ性を向上させるために使用されることがわかっています。たとえば、ビデオ ゲーム、ソーシャル メディア、オンライン エンターテイメントなどの分野では、コンテンツの推奨、音楽の生成、会話のシミュレーションなどに AI が使用されます。このタイプの AI の中心的な目標は、出力の厳密性や予測可能性にはあまり重点を置くことなく、エンターテインメントとエンゲージメントを強化することです。このタイプの AI によって生成されたアートワークや音楽は、厳密な商用アプリケーション基準を満たす必要はなく、その創造性と新規性がより重要です。


対照的に、「生産性 AI」は、製造、医療、財務分析など、より厳格で要求の厳しい商業および産業環境で使用されます。これらの分野では、AI は効率を高め、コストとエラー率を削減し、信頼性の高い意思決定サポートを提供するという使命を担っています。例えば、医療診断ではAIが画像解析や疾患パターンの特定などに活用されており、非常に高い精度と信頼性が求められます。これらのアプリケーションでは、微細な制御は AI システムの有効性だけでなく、その意思決定の質が人命に与える直接的な影響にも関係します。



画像出典: Lei Technology


共有ミーティングで、NVIDIA はまた、「生産性 AI」がどのようなものであるべきかをデモンストレーションしました。 AIへ。 Zhizhi AI は、建築設計分野向けの AI アプリケーションとして、さまざまな建築スタイルやシナリオに適したさまざまな事前トレーニング済み AI モデルを提供します。同時に、Zhizhi AI は、RTX ハードウェアの強力なパフォーマンスに基づいて、高いパフォーマンスで動作できます。 AI は、設計者がインポートしたスケッチや描画した線を生成し、ほぼリアルタイムで建物の外観デザインと内装スタイルを顧客に説明します。


AI が遭遇する問題は AI によって解決されるべきです



もちろん、今述べたユースケースは AI における NVIDIA RTX のアプリケーションにすぎません。フィールドの小さな部分。エンターテイメント指向の文生図や DLSS 3.5 から、ゲーム インタラクションの方法を変える NVIDIA ACE やサウンド クローン、クリエイティブ モードを変える AI ビデオ編集、作業モードを変える RTX とのチャットまで、AI テクノロジーはすでに浸透しています。私たちの生活のあらゆる側面。



画像出典: Lei Technology


ビデオ作成プロセスにおける AIGC の具体的なアプリケーションを共有するとき、有名なビデオ特殊効果チーム「スペシャル」 Effects Studio" 」 彼はまた、AI が遭遇する問題を AI を使用して解決するという非常に興味深い点についても言及しました。彼らが共有した内容によると、AIGC 画像の被写界深度を再構成する際に、従来の手動による深度マップのマーキングを使用することを選択せず​​、代わりに画像を A​​I に直接投げ、AI に AIGC の深度マップを描画させて出力したとのことです。結果を別の AI モデルに送信します。



画像出典: Lei Technology


この種の「魔法で魔法を倒す」ソリューションは、AIGC だけのものではないと私は思います。業界の正式化の兆しであり、AI の将来の発展方向の 1 つでもあります。


まず第一に、AI モデルのトレーニングには多くのコンピューティング リソースが必要です。高品質のデータの取得にはコストがかかり、達成するのが難しいことが多いため、次のような合成データ生成技術を使用します。敵対的生成ネットワーク (GAN) は、現実的なトレーニング データを大量に作成できます。これは、トレーニングの効率と AI システムの効果を向上させるのに非常に役立ちます。このテクノロジーは画像データの生成に使用できるだけでなく、テキスト、音声、さらには仮想環境の生成にも拡張でき、データ ソースを大幅に強化し、AI トレーニングの可能性をさらに高めます。


第二に、AI モデルの解釈可能性も重要な技術的課題です。ディープ ニューラル ネットワークなどの効率的なモデルの多くはブラック ボックスのようなものであり、内部の意思決定ロジックを理解することが難しいためです。 。解釈型 AI テクノロジーを開発することで、モデルの意思決定プロセスの透明性が高まり、ユーザーの信頼が高まり、開発者がモデルの欠陥を見つけて改善することが容易になります。



画像出典: Lei Technology


長期的な観点から見ると、これらの技術的課題を解決するには、より高度なアルゴリズムとモデル設計が必要であるだけでなく、データ処理、モデルのトレーニング、実用化のバランスを見つける必要があり、これが今後の AI 技術の発展を促進する鍵となります。私たちは AI がさらなる利便性をもたらすことを期待しており、また、AI が古い問題を新しい方法で解決するのに役立つことも期待しています。


そして、AI が人間の生産性を真に完全に解放するとき、無限の想像力を持つクリエイターと AI は、きっとさらに自由なアイデアを実現するでしょう。

以上がAI PCの普及をどう加速させるか？ Nvidia は RTX を究極の答えとして期待していますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。