பேட்டி Jensen Huang

Acquired நிகழ்ச்சியின் தொகுப்பாளர்களான Ben Gilbert மற்றும் David Rosenthal, 500+ மணிநேர Nvidia ஆராய்ச்சியை விவரித்த பிறகு, CEO Jensen Huang உடன் அமர்ந்து, புரிதலின் புதிய பரிமாணத்தைக் கண்டறிந்தது, அந்த மனிதருக்கே ஒரு சான்றாகும். நிறுவனத்தை உருவாக்குவதில் ஒரு மாஸ்டர் கிளாஸ் மற்றும் கம்ப்யூட்டிங்கின் எதிர்காலம் குறித்த ஆழமான ஆய்வு என இரு அம்சங்களையும் சம அளவில் கொண்ட ஒரு உரையாடலில், Huang, Nvidia-வின் பயணத்தின் அடுக்குகளை உரித்தார். தைரியமான பந்தயங்கள், இடைவிடாத தொலைநோக்கு பார்வை மற்றும் அவர்களின் சில்லுகளைப் போலவே புதுமையான ஒரு நிறுவன அமைப்பு ஆகியவற்றின் தத்துவத்தை அவர் வெளிப்படுத்தினார்.

குறைபாடற்றதன் துணிச்சல்: ஒரு "குறைபாடற்ற சிப்" மீது நிறுவனத்தின் பந்தயம்

பல பெரிய நிறுவனங்களைப் போலவே, Nvidia-வின் பயணமும் அழிவின் விளிம்பில் இருந்து தொடங்கியது. 1997 இல் ஒரு ஸ்டார்ட்அப் நிறுவனத்தை கற்பனை செய்து பாருங்கள், ஆறு மாதங்கள் மட்டுமே பணத்துடன், 30 போட்டியாளர்களை எதிர்கொண்டது. அவர்களின் முந்தைய கட்டமைப்பு பந்தயங்கள் தவறாக நிரூபிக்கப்பட்டன, மேலும் Microsoft-இன் DirectX, அவர்களின் தற்போதைய வடிவமைப்பிற்கு அடிப்படையில் பொருந்தவில்லை. உலகின் முதல் முழு 3D-அதிவேக கிராபிக்ஸ் பைப்பாயினாக வடிவமைக்கப்பட்ட Reva 128 சிப்பிற்கு இது ஒரு முக்கியமான திருப்புமுனை. வாழ்வா சாவா என்ற நெருக்கடியை எதிர்கொண்டபோது, Jensen Huang ஒரு நினைத்துக்கூட பார்க்க முடியாத முடிவை எடுத்தார்: இயற்பியல் முன்மாதிரி உருவாக்கத்தை (physical prototyping) கைவிட்டு, முழு உற்பத்தியையும் சிமுலேஷன் (simulation) அடிப்படையில் மட்டுமே மேற்கொள்ள உத்தரவிட்டார்.

அணி கணினி மூலமாக சிப்பை முன்மாதிரி செய்தது, ஒற்றை பிரேமை ரெண்டர் செய்ய ஒரு மணிநேரம் எடுத்த ஒரு எமுலேட்டரில் (emulator) ஒவ்வொரு மென்பொருளையும் விளையாட்டையும் இயக்கினர். இந்த கடினமான செயல்முறை கிட்டத்தட்ட பகுத்தறிவுக்கு அப்பாற்பட்ட ஒரு நம்பிக்கைக்கு வழிவகுத்தது. Huang நினைவு கூர்ந்தபடி, சிப் எப்படி சரியாக இருக்கும் என்று அவருக்கு எப்படித் தெரியும் என்று கேட்கப்பட்டபோது, அவர் எளிமையாகக் கூறினார்: "அது சரியாக இருக்கும் என்று எனக்குத் தெரியும், ஏனென்றால் இல்லையென்றால் நாங்கள் வணிகத்தை விட்டு வெளியேறிவிடுவோம்." எதிர்கால அபாயங்களின் முழுமையான சிமுலேஷன் மூலம் இயக்கப்படும் இந்த மிகவும் ஆபத்தான அணுகுமுறை, சிப்பை உற்பத்திக்குத் தயார் செய்து (tape out) உடனடியாக ஒரு சந்தைப்படுத்தல் மற்றும் உற்பத்தித் தாக்குதலைத் தொடங்க அனுமதித்தது. இந்த பந்தயம் பலனளித்தது, அதிர்ஷ்டத்தால் அல்ல, மாறாக எதிர்காலம் முன்கூட்டியே மிகத் துல்லியமாக சிமுலேட் செய்யப்பட்டதால்.

முக்கிய கற்றுக்கொண்ட பாடங்கள்:

• எதிர்காலத்தை உருவகப்படுத்துங்கள் (Simulate): முயற்சி செய்வதற்கு முன்பே, சாத்தியமான அனைத்து எதிர்கால அபாயங்களையும் அறியப்படாதவற்றையும் முன்கூட்டியே அடையாளம் கண்டு தீர்க்கவும்.
• ஒரே வாய்ப்பு, அதை குறைபாடற்றதாக்குங்கள்: ஆபத்து அதிகமாக இருக்கும்போது, ஒரு "குறைபாடற்ற விளைவுக்காக" மிக நுணுக்கமாகத் தயாராவது பந்தயத்தின் உண்மையான ஆபத்தைக் குறைக்கிறது.
• ஆர்வம் மிக்க சந்தைகள்: தொழில்நுட்பம் "போதும் என்று சொல்லப்படாத" பிரிவுகளை அடையாளம் கண்டு, தொடர்ச்சியான புதுமைகளுக்கான நிலையான வாய்ப்பை உறுதி செய்யுங்கள்.

எதிர்காலத்தை எதிர்பார்த்தல்: கிராபிக்ஸ் முதல் ஒரு உலகளாவிய செயல்பாட்டு தோராயப்படுத்தி வரை (Universal Function Approximator)

2010களின் ஆரம்பத்தில், நுகர்வோர் கிராபிக்ஸில் ஒரு தலைவரான Nvidia, டீப் லேர்னிங் (deep learning) தோற்றத்துடன் மற்றொரு முக்கியமான தருணத்தை அடைந்தது. பெரும்பாலான பொதுவான தொழில்நுட்ப உலகில் AlexNet போன்ற கண்டுபிடிப்புகளை "அறிவியல் திட்டங்களாக" பலர் கருதியபோது, Jensen Huang ஒரு பெரிய மாற்றத்தை உணர்ந்தார். Nvidia ஏற்கனவே CUDA இல் பெருமளவில் முதலீடு செய்திருந்தது, இது பல்வேறு அறிவியல் துறைகளில் உள்ள ஆராய்ச்சியாளர்களுக்கு சூப்பர் கம்ப்யூட்டிங்கை ஜனநாயகப்படுத்திய ஒரு தளமாகும். கல்வி சமூகத்துடன் ஏற்கனவே இருந்த இந்த உறவு ஒரு முக்கியமான பின்னூட்ட சுழற்சியாக மாறியது.

Huang மற்றும் அவரது அணி இந்த தொலைநோக்கு பார்வையுடன் கேட்டனர்: "இந்த விஷயம் இவ்வளவு வெற்றிகரமாக இருக்க காரணம் என்ன?" மற்றும் "இது அளவிடக்கூடியதா (scalable)?" அவர்களின் பகுத்தறிவு ஒரு ஆழமான உணர்தலுக்கு வழிவகுத்தது: டீப் லேர்னிங் ஒரு "உலகளாவிய செயல்பாட்டு தோராயப்படுத்தியை" (universal function approximator) கண்டறிந்துள்ளது. இதன் பொருள், நுகர்வோர் விருப்பங்களை கணிப்பதில் இருந்து வானிலை வடிவங்களை கணிப்பது வரை பல நிஜ உலகப் பிரச்சனைகளுக்கு காரண காரியங்களை (causality) புரிந்துகொள்வது தேவையில்லை, மாறாக கணிக்கக்கூடிய தன்மை (predictability) மட்டுமே தேவை. ஒரு அமைப்பு உதாரணங்களில் இருந்து கற்றுக்கொண்டு கணிப்புகளைச் செய்ய முடிந்தால், அதன் பயன்பாடுகள் "மிகப் பெரியதாக" இருக்கும். Ilya Sutskever மற்றும் Andrew Ng போன்ற ஆராய்ச்சியாளர்களுடன் ஆழமான தொடர்பில் இருந்து பிறந்த இந்த நம்பிக்கை, AI அதன் பெரும் வளர்ச்சிக்கு பல ஆண்டுகளுக்கு முன்பே, அதில் அசைக்க முடியாத முதலீட்டிற்கு வழிவகுத்தது.

முக்கிய மாற்றங்கள்:

• காரண காரியத்திலிருந்து கணிக்கக்கூடிய தன்மைக்கான மாதிரி மாற்றம்: பல பிரச்சனைகள் அடிப்படைக் காரணங்களைப் புரிந்துகொள்வதை விட வடிவ அங்கீகாரத்தால் (pattern recognition) நன்மை பெறுகின்றன என்பதை அங்கீகரித்தல்.
• சூப்பர் கம்ப்யூட்டிங்கை ஜனநாயகப்படுத்துதல்: CUDA தளத்தை உருவாக்குவது, டீப் லேர்னிங் போன்ற புதிய கணக்கீட்டு மாதிரிகளை நோக்கி இயல்பாக ஈர்க்கப்பட்ட ஒரு சமூகத்தை வளர்த்தது.
• ஆரம்பகால பயனர்களை ஈடுபடுத்துதல்: முன்னோடி ஆராய்ச்சியாளர்களுடன் இணைந்து பணியாற்றுவது, நீண்டகால முதலீடுகளுக்கான முக்கியமான நுண்ணறிவுகளையும் சரிபார்ப்பையும் வழங்கியது.

கண்ணுக்குத் தெரியாத உள்கட்டமைப்பு: நாளைய தரவு மையத்தை உருவாக்குதல்

இன்றைய AI வெடிப்புக்கு சக்தி அளிப்பதற்கான Nvidia-வின் பயணம், கேமிங் GPU-க்களிலிருந்து பெரிய தரவு மையங்களுக்கு நேரடியாக ஒரு பாய்ச்சலாக இருக்கவில்லை. இது ஒரு மூலோபாய, பல தசாப்த கால மாற்றமாகும், இது சுமார் 17 ஆண்டுகளுக்கு முன்பு ஒரு எளிய கேள்வியுடன் தொடங்கியது: நமது வாய்ப்புகளை எது கட்டுப்படுத்துகிறது? பதில்: GPU-க்களை ஒரு டெஸ்க்டாப் கணினியுடன் இயற்பியல் ரீதியாக இணைப்பது. கணக்கீடு, காட்சிப்படுத்தும் சாதனத்திலிருந்து பிரிக்கப்பட்ட ஒரு எதிர்காலத்தை Jensen கற்பனை செய்தார். இது அவர்களின் முதல் கிளவுட் தயாரிப்பான GeForce Now (GFN)-க்கு வழிவகுத்தது, பின்னர் என்டர்பிரைஸ் ரிமோட் கிராபிக்ஸ்.

தரவு மையங்களுக்குள் இந்த படிப்படியான, திட்டமிட்ட விரிவாக்கம், விநியோகிக்கப்பட்ட கணக்கீட்டின் நுணுக்கங்களைக் கற்றுக்கொண்டு, லேட்டன்சி (latency) சவால்களை சமாளித்தது, AI-க்கு அடித்தளத்தை அமைத்தது. "நீங்கள் எதிர்கால வாய்ப்புகளுக்கு வழி வகுக்க வேண்டும்; வாய்ப்பு உங்கள் முன்னால் வந்து காத்திருக்கும் வரை நீங்கள் காத்திருக்க முடியாது." இந்த கொள்கை, Mellanox என்ற உயர் செயல்திறன் கொண்ட நெட்வொர்க்கிங் நிறுவனத்தை தைரியமாக கையகப்படுத்துவதில் உச்சத்தை அடைந்தது, இது அந்த நேரத்தில் "எல்லோருக்கும் ஆச்சரியமாக" இருந்தது. AI-க்கான தரவு மையங்கள் ஹைப்பர்ஸ்கேல் (hyperscale) கிளவுட்டை விட அடிப்படையில் வேறுபட்டவை என்பதை Huang உணர்ந்தார், மேலும் லட்சக்கணக்கான ப்ராசசர்கள் முழுவதும் மாதிரிகளை பிரிப்பதற்கு (shard models) "ஹைப்பர்ஸ்கேலின் தலைகீழ்" (inverse of hyperscale) நெட்வொர்க்கிங் தேவை என்று அவர் கருதினார். Mellanox முக்கியமான InfiniBand தொழில்நுட்பத்தை வழங்கியது, இந்த கையகப்படுத்துதலை "நான் எடுத்த சிறந்த மூலோபாய முடிவுகளில் ஒன்று" என்று அவர் கூறினார்.

முக்கிய நடைமுறைகள்:

• நீண்டகாலக் கட்டுப்பாடுகளை முன்கூட்டியே கண்டறிதல்: எதிர்கால வளர்ச்சி மற்றும் சந்தை வாய்ப்புகளைக் கட்டுப்படுத்தக்கூடிய தடைகளை அடையாளம் கண்டு முறையாக அகற்றவும்.
• மூலோபாய முன்-நிலைப்படுத்தல்: அடிப்படைக் கட்டுமான தொழில்நுட்பங்கள் மற்றும் திறன்களில் முதலீடு செய்யுங்கள், அவை "நிறுவனத்தை வாய்ப்புகளுக்கு அருகில் நிலைநிறுத்தும்" – அவற்றின் சரியான வடிவம் தெளிவாக இல்லாவிட்டாலும் கூட.
• தலைகீழ் சிந்தனை: ஒரு புதிய சந்தை (AI தரவு மையங்கள் போன்றவை) ஏற்கனவே உள்ள மாதிரிகளை (ஹைப்பர்ஸ்கேல் கிளவுட் போன்றவை) விட முற்றிலும் மாறுபட்ட கட்டமைப்பு அணுகுமுறையை எப்போது கோருகிறது என்பதை உணருங்கள்.

கட்டமைப்பு ஒரு மூலோபாயமாக: "பணிதான் முதலாளி" அமைப்பு

Jensen Huang-இன் தனித்துவமான தலைமைத்துவ பாணி Nvidia-வின் நிறுவன அமைப்புக்கும் பொருந்துகிறது. அவர் 40-க்கும் மேற்பட்ட நேரடி அறிக்கையாளர்களுடன் (direct reports) செயல்படுகிறார், "ஒரு இராணுவம்" போன்ற பாரம்பரிய படிநிலை மாதிரிகளைத் தவிர்த்து. மாறாக, அவர் Nvidia-வை ஒரு "கம்ப்யூட்டிங் ஸ்டாக்" (Computing stack) ஆகப் பார்க்கிறார், அங்கு தனிநபர்கள் வெவ்வேறு "மாட்யூல்ஸ்" (modules) அல்லது செயல்பாடுகளை நிர்வகிக்கிறார்கள். பதவிக்கு நிபுணத்துவம் இரண்டாம் பட்சமானது, மேலும் "அந்த மாட்யூலை சிறப்பாக நடத்தும்" நபர் "முக்கிய பொறுப்பாளர்" ஆவார்.

"பணிதான் முதலாளி" என்ற இந்த தட்டையான, அதிக விநியோகிக்கப்பட்ட தகவல் கட்டமைப்பு, முக்கியமான தகவல்கள் "மிக விரைவாக பலதரப்பட்ட நபர்களுக்கு" பரப்பப்படுவதை அர்த்தப்படுத்துகிறது, பெரும்பாலும் குழு மட்டத்தில், புதிய கல்லூரி பட்டதாரிகளுக்கும் கூட. இது அனைவரும் ஒரே நேரத்தில் கற்றுக்கொள்வதை உறுதி செய்கிறது, சிறப்புத் தகவல் அணுகலை விட, பகுத்தறிந்து பங்களிக்கும் திறனின் அடிப்படையில் தனிநபர்களுக்கு அதிகாரம் அளிக்கிறது. பணியின் அடிப்படையில் அணிகள் இணையும் இந்த இயல்பான, நியூரல் நெட்வொர்க் (neural network) போன்ற அணுகுமுறை, தீவிர சுறுசுறுப்பு மற்றும் விரைவான செயல்பாட்டை அனுமதிக்கிறது, ஒரு ஆண்டில் இரண்டு முக்கிய தயாரிப்பு சுழற்சிகளை வெளியிடுவது போன்ற – மற்ற பெரிய தொழில்நுட்ப நிறுவனங்களுக்கு நினைத்துப் பார்க்க முடியாத ஒரு சாதனை இது.

முக்கிய நுண்ணறிவுகள்:

• ஒரு கம்ப்யூட்டிங் ஸ்டாக் ஆக நிறுவனம்: நிறுவனத்தின் கட்டமைப்பை, பொதுவான படிநிலை மாதிரியாக இல்லாமல், உருவாக்கப்படும் தயாரிப்பைப் பிரதிபலிக்கும் வகையில் வடிவமைக்கவும்.
• பணிதான் வழிகாட்டும் கொள்கை: குறிப்பிட்ட பணிகளைச் சுற்றி ஒருங்கிணைக்க குறுக்கு-செயல்பாட்டு அணிகளுக்கு அதிகாரம் அளியுங்கள், இறுக்கமான துறைசார் பிரிவுகளுக்கு வெளியே ஒத்துழைப்பை வளர்த்துக் கொள்ளுங்கள்.
• ஜனநாயகப்படுத்தப்பட்ட தகவல்: அதிகார சமநிலையின்மையை குறைக்கவும், வேகமான, கூட்டு முடிவெடுப்பை செயல்படுத்தவும் முக்கியமான தகவல்களை பரவலாகவும் விரைவாகவும் பரப்புங்கள்.

"நீங்கள் வாய்ப்புகளுக்கு அருகில் உங்களை நிலைநிறுத்திக் கொள்ள வேண்டும், நீங்கள் அவ்வளவு குறைபாடற்றவராக இருக்க வேண்டியதில்லை. நீங்கள் மரத்திற்கு அருகில் உங்களை நிலைநிறுத்திக் கொள்ள வேண்டும், ஆப்பிள் தரையில் விழுவதற்கு முன் அதைப் பிடிக்காவிட்டாலும், அதை முதலில் எடுக்கும் நபராக நீங்கள் இருந்தால் போதும். இப்போதே வாய்ப்புகளுக்கு நெருக்கமாக உங்களை நிலைநிறுத்திக் கொள்ளுங்கள்." - Jensen Huang