AI PC 대중화를 가속화하려면? Nvidia는 RTX를 궁극적인 해답으로 보고 있습니다.

지난 10년 동안 인공지능(AI) 기술은 이론적 연구와 소규모 응용에서 글로벌 기술 혁명으로 옮겨가며 우리가 살고 일하는 방식을 완전히 바꿔 놓았습니다. 스마트폰의 음성 비서든, 복잡한 데이터 분석과 자동화된 생산 라인이든, AI의 영향은 어디에나 있으며, AI가 가져오는 효율성 향상과 비용 절감은 전례 없는 생산성 혁명을 주도하고 있습니다.



AI 생산성의 기회를 잡기 위해 많은 브랜드가 신속하게 자체 AI 하드웨어를 내놓았습니다. 일부 휴대폰 브랜드는 AI 기술을 사용하여 사진 촬영 시 모션 스미어를 제거하고 일부 브랜드는 AI를 사용하여 원치 않는 모션 스미어를 제거합니다. 사진에서 일부 회사는 소위 "AI PC" 표준을 최초로 출시했습니다.


비교하면, 눈에 띄지 않고 조용하게 일하는 NVIDIA는 조금 엉뚱해 보입니다. 이런 '와인 골목이 깊어진다'는 상황을 바꾸기 위해 엔비디아도 최근 몇 년간 AI 분야에 노출 기회를 늘리고, 게임 그래픽 외에도 엔비디아의 선도적인 기술을 더 많은 사용자에게 알릴 수 있는 방법을 찾기 위해 노력해 왔다. 카드 - 2024 엔비디아는 지난 4월 24일 심천에서 RTX For AI라는 오프라인 교류회를 개최해 엔비디아가 "AI 산업의 절반을 지원"하는 방법을 모두가 직접 경험할 수 있도록 했습니다.



이미지 출처: Lei Technology


NVIDIA가 AI 개념을 제안한 최초의 회사는 아니지만 제품 및 기술 관점에서 AI를 포함한 컴퓨터의 많은 역사적 노드가 그 뒤에 있을 수 있습니다. NVIDIA의 지원 감소: 2008년 NVIDIA는 GeForce 8800 GTX 그래픽 카드를 출시했습니다.


분명히 이 그래픽 카드의 성능은 이제 더 이상 언급할 가치가 없지만, NVIDIA는 이 그래픽 카드에서 "CUDA"(Unified Computing Architecture) 개념을 제안했습니다. CUDA의 출현으로 GPU는 그래픽 작업을 처리할 수 있을 뿐만 아니라 CUDA를 기반으로 범용 계산을 수행하고 가속화할 수 있어 컴퓨터가 진정한 "만능 도구"가 되었습니다.



이미지 출처: Lei Technology


NVIDIA는 2018년에 CUDA 외에도 GPU의 컴퓨팅 성능을 더욱 "정제"하여 RT Core 및 Tensor Core 개념을 도입하여 레이 트레이싱 및 전문적인 ML 컴퓨팅이 가능하도록 했습니다. 가능해졌습니다 - Tensor Core는 대규모 매트릭스 작업을 효율적으로 수행하여 AI 모델의 훈련 및 실행 속도를 크게 향상시킵니다. NVIDIA 사용자들에게 큰 사랑을 받고 있으며 게임 FPS를 크게 향상시킬 수 있는 DLSS는 Tensor Core를 기반으로 구현되었습니다. 이는 게이머가 접한 최초의 "진짜 AI" 사용 사례라고 할 수 있습니다.


컴퓨팅 파워는 모든 AI의 기본입니다




AI 시대가 도래하기 전부터 NVIDIA는 Tensor Core를 사용하여 AI 기능을 구현하는 방법을 고민하기 시작했고, AI 시대 도래를 앞당겼습니다. ; 6년 전과 비교해 현재 엔비디아는 AI 분야에서 어떤 기술적 도약을 이루었나요?


NVIDIA의 소개에 따르면 RTX AI는 현재 10가지 AI 시나리오, 즉 AI 페인팅, AI 그래픽 디자인, AI 비디오 편집, AI 3D 생성, AI 비디오 경험, AI 컨퍼런스 및 AI 문서 보조자, AI 애플리케이션 개발, AI 게임과 AI 게임 개발.


이미지 출처: Lei Technology


이러한 상위 10개 시나리오는 서로 다르지만 모두 컴퓨터에 대한 공통된 요구 사항, 즉 컴퓨팅 성능을 갖고 있습니다. 뛰어난 컴퓨팅 성능은 바로 RTX 하드웨어의 가장 잘 알려진 기능입니다.



이미지 출처: Lei Technology


6년 전 RTX 그래픽 카드가 출시되고 Tensor Core가 출시되었을 때와 비교하면 AI 분야에서 NVIDIA가 가장 쉽게 개선할 수 있는 부분은 성능이라는 점에는 의심의 여지가 없습니다. 가장 일반적인 T2I 사용 사례를 예로 들면, 자신의 컴퓨터에 StableDiffusion과 같은 모델을 배포하려고 시도한 친구는 대부분의 최신 모델에 다소 "낮은 적중률" 문제가 있어 사용자가 동일한 세트를 사용해야 한다는 점을 알아야 합니다. 키워드를 조합하여 반복적으로 이미지를 생성하고, 모바일 게임의 '드로잉 카드'와 유사한 방식을 사용하여 원하는 이미지를 생성합니다.



이미지 출처: Lei Technology


이 "카드 그리기" 시나리오에 대응하여 NVIDIA는 공유 회의에서 자사의 주력 소비자급 그래픽 카드 RTX 4090D의 강력한 성능을 시연했습니다. TensorRT의 가속 기능을 기반으로 합니다. , RTX 4090D 가장 빠른 StableDiffusion 이미지 생성은 120fps에서 달성할 수 있습니다.


미세한 제어는 AI 생산성의 특징



방금 언급한 상위 10가지 시나리오에서 NVIDIA는 AI 페인팅과 AI 그래픽 디자인을 구분합니다.이는 NVIDIA가 장면을 지원하기 위해 더 많은 사용 사례를 사용하기를 원하기 때문이 아니라 AI 페인팅과 AI 그래픽 디자인이 실제로 AI 기술의 두 가지 다른 단계를 표시하기 때문입니다.


Wensheng Tu가 대표하는 AI 페인팅은 적중률이 낮습니다. 원하는 완제품을 얻기 전에 "카드 뽑기"를 위해 지속적으로 많은 수의 사진을 생성합니다. 그리고 이러한 "통제 불가능성"은 이러한 AIGC 작품의 사용이 매우 제한적이라는 것을 의미합니다. 오락용, 디자이너를 위한 영감 찾기 또는 AI 교육용 자료로 사용됩니다.





그러나 실제로 "생산성"을 위해 사용되는 AIGC는 이러한 "불확실성"을 용납할 수 없습니다. 결국 AIGC를 사용하여 고객에게 패션 의류의 효과를 보여주고 싶어하는 사람은 아무도 없으며 AI는 세 개의 손을 생성합니다. 옷이나 디자인에; 선생님이 고객에게 실내 장식 스타일을 설명하기 위해 AI를 사용했을 때 AI는 복층 맨션의 지붕을 지하실로 칠했습니다.


즉, 'Entertainment AI'와 'Productivity AI'의 가장 큰 차이점은 AIGC의 정밀한 제어가 가능하느냐 하는 것입니다.





우리는 "엔터테인먼트 AI"가 주로 사용자 경험과 상호작용성을 개선하는 데 사용된다는 것을 알고 있습니다. 예를 들어, 비디오 게임, 소셜 미디어, 온라인 엔터테인먼트와 같은 영역에서 AI는 콘텐츠 추천, 음악 생성, 대화 시뮬레이션 등을 수행하는 데 사용됩니다. 이러한 유형의 AI의 핵심 목표는 출력의 엄격함과 예측 가능성에 덜 초점을 두고 엔터테인먼트와 참여를 향상시키는 것입니다. 이러한 유형의 AI로 생성된 예술 작품이나 음악은 엄격한 상업적 응용 표준을 충족할 필요가 없으며 창의성과 참신함이 더 중요합니다.


반면 "생산성 AI"는 제조, 의료, 재무 분석 등 더욱 엄격하고 까다로운 상업 및 산업 환경에서 사용됩니다. 이러한 영역에서 AI는 효율성을 높이고 비용과 오류율을 줄이며 안정적인 의사 결정 지원을 제공하는 임무를 맡고 있습니다. 예를 들어 AI는 의료 진단에 사용되어 이미지를 분석하고 질병 패턴을 식별하므로 매우 높은 정확성과 신뢰성이 요구됩니다. 이러한 응용 분야에서 정밀한 제어는 AI 시스템의 효율성뿐만 아니라 의사 결정 품질이 인간의 삶에 미치는 직접적인 영향과도 관련이 있습니다.



이미지 출처: Lei Technology


공유 세션에서 NVIDIA는 "생산성 AI"가 어떤 모습이어야 하는지 즉석 AI도 시연했습니다. 건축 설계 분야의 AI 애플리케이션인 Zhizhi AI는 다양한 건축 스타일과 시나리오에 적합한 다양한 사전 훈련된 AI 모델을 제공하는 동시에 RTX 하드웨어의 강력한 성능을 기반으로 한 방식으로 작동할 수 있습니다. AI는 디자이너가 가져온 스케치나 그려진 선을 생성하고 건물의 외부 디자인과 실내 장식 스타일을 거의 실시간으로 고객에게 설명합니다.


AI가 직면한 문제는 AI가 해결해야 합니다



물론 방금 언급한 사용 사례는 AI 분야에서 NVIDIA RTX를 적용한 사례 중 극히 일부일 뿐입니다. 엔터테인먼트 중심의 Wenshengtu와 DLSS 3.5부터 게임 상호작용 방식을 바꾸는 NVIDIA ACE와 사운드 복제, 크리에이티브 모드를 바꾸는 AI 영상 편집, 게임이든 업무이든 작업 모드를 바꾸는 Chat with RTX까지, AI 기술은 이미 우리 삶의 모든 면에 침투하고 있습니다.



이미지 출처: Lei Technology


영상 제작 과정에서 AIGC의 구체적인 적용을 공유할 때, 유명한 영상 특수 효과 팀 "Special Effects Brother Studio"도 매우 흥미로운 관점을 언급했습니다. 발생한 AI 문제를 해결합니다. 그들이 공유한 내용에 따르면 AIGC 이미지의 피사계 심도를 재구성할 때 깊이 맵의 전통적인 수동 표시를 사용하는 대신 AI가 AIGC의 깊이 맵을 그리도록 하고 출력하도록 했습니다. 결과를 다른 AI 모델로 보냅니다.



이미지 출처: Lei Technology


이런 "마법으로 마법을 물리치는" 솔루션은 AIGC 산업화와 형식화의 신호일 뿐만 아니라 AI의 미래 발전 방향 중 하나라고 생각합니다.


우선, AI 모델을 훈련하려면 많은 컴퓨팅 리소스가 필요합니다. 고품질 데이터를 획득하는 데는 비용이 많이 들고 달성하기 어렵기 때문에 생성적 적대 네트워크(GAN)와 같은 합성 데이터 생성 기술을 사용합니다. AI 시스템의 훈련 효율성과 효율성을 향상시키는 데 매우 도움이 되는 실제적인 훈련 데이터를 대량으로 생성할 수 있습니다. 이 기술은 이미지 데이터를 생성하는 데 사용될 수 있을 뿐만 아니라 텍스트, 오디오 및 가상 환경 생성까지 확장될 수 있어 데이터 소스를 크게 풍부하게 하고 AI 훈련에 더 많은 가능성을 제공합니다.


두 번째로, 심층 신경망과 같은 많은 효율적인 모델은 종종 블랙박스와 같고 내부 의사 결정 논리를 이해하기 어렵기 때문에 AI 모델의 해석 가능성도 중요한 기술적 과제입니다.해석적 AI 기술을 개발하면 모델의 의사결정 프로세스가 더욱 투명해지며 사용자 신뢰도가 높아지고 개발자가 모델의 결함을 더 쉽게 찾아 개선할 수 있습니다.



이미지 출처: Lei Technology


장기적인 관점에서 이러한 기술적 문제를 해결하려면 고급 알고리즘과 모델 설계가 필요할 뿐만 아니라 데이터 처리, 모델 교육 및 실제 적용 간의 균형을 찾아야 합니다. 이는 향후 AI 기술 발전을 촉진하는 열쇠가 될 것이다. 우리는 AI가 더 많은 편리함을 가져다 줄 것으로 기대하고, 오래된 문제를 새로운 방식으로 해결하는 데 도움이 될 것으로 기대합니다.


그리고 AI가 인간의 생산성을 진정으로 완전하게 해방시킬 때, 끝없는 상상력을 가진 창작자와 AI는 반드시 더 자유로운 아이디어를 실현할 것입니다.

위 내용은 AI PC 대중화를 가속화하려면? Nvidia는 RTX를 궁극적인 해답으로 보고 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!