ג'נסן הואנג: החזון של מנכ"ל NVIDIA לעתיד

"כל מה שזז יהיה רובוטי יום אחד — וזה יקרה בקרוב." — ג'נסן הואנג

ג'נסן הואנג, מנכ"ל NVIDIA, אחראי במידה רבה לפיצוץ הנוכחי ב-AI, ברובוטיקה, במשחקים וברכבים אוטונומיים — כמעט כל אחד מהם נשען על שבבים ותוכנה שהחברה שלו תכננה. בשיחה עם קלאו אברם, במסגרת "Huge Conversations", הוא לא מדבר על רבעונים או על ניהול, אלא על שאלה אחת: איך הגענו לרגע הזה — ולאן הוא הולך.

הרעיון שהוליד את NVIDIA: 10% מהקוד, 99% מהעבודה

בתחילת שנות ה-90 שם הואנג לב לדבר מוזר: בכל תוכנה, בערך 10% מהקוד מבצע 99% מהעיבוד — ואת החלק הזה אפשר להריץ במקביל. שאר 90% מהקוד חייבים לרוץ בזה אחר זה, טורית. המסקנה: המחשב המושלם אינו זה שיודע רק אחד מהשניים, אלא זה שיודע גם עיבוד טורי וגם עיבוד מקבילי.

זה בדיוק ההבדל בין מעבד רגיל (CPU) לבין מעבד גרפי (GPU). אברם מציגה סרטון ישן מערוץ היוטיוב של NVIDIA, שבו צוות "Mythbusters" ממחיש זאת: רובוט אחד יורה כדור צבע אחרי כדור — כמו מעבד טורי שפותר בעיה אחת בכל פעם; ואז מגיע רובוט ענק שיורה את כל הכדורים בבת אחת ומצייר תמונה שלמה — זה עיבוד מקבילי.

למה דווקא משחקים? כי גרפיקה תלת-ממדית זקוקה לעיבוד מקבילי, כי הצוות פשוט אהב את התחום — "מי לא רוצה עולמות וירטואליים?" — ובעיקר כי המשחקים היו השוק הגדול ביותר בבידור. שוק ענק פירושו תקציב מחקר ופיתוח ענק, שממנו נולדת טכנולוגיה חדשה, שמגדילה עוד את השוק. גלגל התנופה הזה, בין שוק לטכנולוגיה, הוא שהפך את NVIDIA לאחת מחברות הטכנולוגיה החשובות בעולם. הכול התחיל ממשחקי מחשב.

ה-GPU כמכונת זמן

הרעיון שהכי מסקרן את הואנג הוא שה-GPU הוא מעין מכונת זמן — הוא מאפשר לראות את העתיד מוקדם יותר. הוא מספר על מדען בכימיה קוונטית שאמר לו: "ג'נסן, בזכות העבודה של NVIDIA אני יכול לעשות את מפעל חיי בתוך חיי." המדען הצליח לבצע חישוב שהיה אמור לחרוג מתוחלת חייו — בתוך חייו — פשוט מפני שהמכונות הריצו אותו הרבה יותר מהר. וזה נכון לכל תחום: חיזוי מזג אוויר או הרצת מכונית אוטונומית בעיר וירטואלית הם, במובן הזה, מסע בזמן.

כדי לפתוח את הכוח הזה לכולם, בנתה NVIDIA באמצע העשור הראשון של שנות ה-2000 פלטפורמה בשם CUDA, שאפשרה למתכנתים להנחות את ה-GPU בשפות שהם כבר הכירו. ההימור היה עקרוני: מכיוון ששוק המשחקים כה גדול, ה-GPU יהיה המעבד המקבילי הנפוץ ביותר בעולם — ולכן החומרה תגיע להמון אנשים.

"אם תבנה את זה — אולי הם לא יבואו. אבל אם לא תבנה את זה — הם לא יכולים לבוא. ככה אנחנו מסתכלים על העולם."

2012: כשהמכונות התחילו ללמוד

הרגע המכונן הגיע ב-2012. שלושה חוקרים מאוניברסיטת טורונטו — איליה סוצקבר, אלכס קריז'בסקי וג'פרי הינטון — אימנו רשת נוירונים בשם AlexNet על כרטיס מסך של NVIDIA, והיא ניצחה בענק בתחרות לזיהוי תמונות. פתאום, כרטיסי המסך לא היו רק דרך להאיץ מחשבים — הם הפכו למנועים של דרך חדשה לגמרי לחשב: במקום להורות למחשב צעד-אחר-צעד מה לעשות, מתחילים לאמן אותו ללמוד על ידי הצגת מספר עצום של דוגמאות.

כשראתה NVIDIA את AlexNet, היא לא שאלה רק "מה זה עושה", אלא "עד כמה זה יכול להגיע?". אם למידה עמוקה יכולה לפתור זיהוי תמונות, ואם היא ניתנת להרחבה — היא עשויה לשנות את כל תעשיית המחשוב. התובנה הזו הובילה את החברה לתכנן מחדש את כל שכבות המחשוב, שכבה אחר שכבה. "אחרי 65 שנה שבהן ה-IBM System 360 הגדיר את המחשוב הכללי, המצאנו מחדש את המחשוב כפי שהכרנו אותו," אומר הואנג. אחת אחרי השנייה, בעיות שנחשבו בלתי פתירות — ראייה ממוחשבת, זיהוי דיבור, הבנת שפה — נפתרו.

"בסוף אתה חייב להאמין במשהו"

בין 2012 לרגע שבו כולם התחילו לדבר על AI חלף עשור שלם. אברם שואלת איך הרגיש אמצע העשור הזה — כשהימרת בגדול והראיות עדיין לא הגיעו. תשובתו של הואנג היא שיעור בחשיבה עקרונית.

"קודם צריך להחזיק באמונות ליבה. אתה מנמק מעקרונות ראשוניים — פיזיקה, הבנה עמוקה של התעשייה או של המדע. ובסופו של דבר, אתה חייב להאמין במשהו."

אם העקרונות וההנחות אינם משתנים, הוא מסביר, אין סיבה לשנות את אמונות הליבה — ולכן ממשיכים. "השאלה למה נשארנו מחויבים כל כך הרבה זמן — התשובה היא בעצם ההפך: לא הייתה שום סיבה לא להיות מחויבים, כי האמנו בזה." NVIDIA השקיעה עשרות מיליארדים לפני שזה באמת קרה. "היו אלה עשר שנים ארוכות. אבל היה כיף בדרך."

שתי אמונות הליבה שלו: ראשית, שעיבוד מקבילי מואץ עדיף על מחשוב כללי בלבד. שנית, שרשתות נוירונים עמוקות יודעות ללמוד יותר ויותר ככל שהן גדֵלות — וכל עוד לא נמצא גבול פיזיקלי, מתמטי או ארכיטקטוני, אפשר להמשיך להגדיל אותן. הנתונים, לדבריו, הם "גרסאות דיגיטליות של הניסיון האנושי", וה-AI למד כבר לתרגם כמעט בין כל צורות המידע: מטקסט לטקסט (סיכום או תרגום), מטקסט לתמונה, מתמונה לטקסט, ואפילו מרצף חומצות אמינו למבנה של חלבון. "אם אפשר ללכת ממילים לווידאו," הוא שואל, "למה שלא נלך ממילים ל'אסימוני פעולה' של רובוט?".

כל מה שזז יהיה רובוט

כאן מגיע העתיד הקרוב, שהואנג מכנה "AI פיזי": רובוטים — לא רק הומנואידים, אלא גם מכוניות אוטונומיות, מבנים חכמים ומחסנים. עד לאחרונה היה צריך לאמן רובוט בעולם האמיתי, שבו הוא נשחק וניזוק, או ממקורות מוגבלים. הפריצה: לאמן אותם בעולמות דיגיטליים — הרבה יותר חזרות ביום, הרבה יותר תנאים, למידה מהירה בהרבה.

הואנג משווה זאת ל-ChatGPT. Cosmos, הוא מסביר, הוא "מודל עולם" — בדיוק כפי ש-ChatGPT הוא מודל שפה — שמבין כוח כבידה, חיכוך, התמדה וקביעות עצמים (שהחפץ נשאר קיים גם כשמפנים ממנו מבט). וכדי לעגן אותו באמת, NVIDIA מזינה אותו בסימולציות פיזיקליות מ-Omniverse, שמבוססות על חוקי הפיזיקה הניוטונית המוכרים. השילוב מייצר אינסוף "סיפורי עתיד" אפשריים, מעוגנים בפיזיקה, שמהם הרובוטים לומדים — לפני שהם יוצאים למציאות.

"עתיד שבו אתה פשוט מוקף ברובוטים הוא ודאי. הרעיון שתדחוף מכסחת דשא כבר נשמע מגוחך."

בהמשך לחיבתה של אברם ל"מסע בין כוכבים" ולספרי אסימוב, הואנג חולם על אר2-די2 משלו — עוזר AI שמלווה אותך כל החיים, לפעמים במשקפיים חכמים, לפעמים בטלפון, ברכב או בבית. הוא גם לא מתחמק מהסיכונים: הטיה, רעילות, "הזיות", התחזות, ובעיות בטיחות אמיתיות. הפתרון, לדבריו, הוא הנדסה — יתירוּת משולשת כמו במחשבי טיסה, ומערכות בטיחות שנבנות כקהילה שלמה סביב ה-AI.

איך AI הופך אותנו ל"סופרמן"

השאלה שאברם חוזרת אליה היא מה כל זה אומר עלינו. תשובתו של הואנג אופטימית. הוא מזכיר שהוא עצמו מוקף באנשים "על-אנושיים" — הטובים בעולם בתחומם, שעושים דברים טוב ממנו בהרבה — ומעולם זה לא גרם לו להרגיש מיותר. להפך: זה מעצים אותו ונותן לו ביטחון לקחת על עצמו דברים שאפתניים יותר.

"נהפוך לסופרמן — לא כי יהיו לנו כוחות-על, אלא כי יהיו לנו כלי AI-על."

עצתו המעשית פשוטה: "אם יש דבר אחד שהייתי ממליץ לכולם — השיגו לעצמכם חונך AI כבר עכשיו." הוא ממחיש זאת דרך כרטיס המסך החדש: מתוך כ-8 מיליון פיקסלים במסך 4K, החומרה מחשבת רק כ-500 אלף — ואת השאר ה-AI מנחש בצורה מושלמת. אותו עיקרון חל על החיים: נעביר את המשימות הטכניות ל-AI, ונרכז את הזמן והאנרגיה שלנו בדברים היקרים באמת.

ולסטודנטים? כמו שהדור שלו היה הראשון שנאלץ לשאול "איך אשתמש במחשב כדי לעשות את עבודתי טוב יותר", הדור הבא חייב לשאול: "איך אשתמש ב-AI כדי לעשות את עבודתי טוב יותר?" — ולא משנה אם אתה עורך דין, רופא, כימאי או ביולוג. וזו, לדבריו, הטכנולוגיה הראשונה בהיסטוריה שמלמדת אותך איך להשתמש בה: פשוט הקלד "אני לא יודע איך להשתמש בזה, תסביר לי".

מה לוקחים מזה

• המהפכה הגדולה התחילה בפינה צדדית. עיבוד מקבילי למשחקי מחשב הפך למנוע של כל ה-AI. תובנה קטנה בשוק גדול, בתוספת גלגל תנופה של השקעה, יכולה לשנות תעשייה שלמה.
• אמונה עקרונית קודמת לראיות. NVIDIA נמנקה מעקרונות ראשוניים והשקיעה עשור ומיליארדים לפני שההצלחה הגיעה. אם ההנחות שלך נכונות ולא השתנו — אין סיבה לפרוש.
• המכונות עברו מ"הוראות" ל"למידה". מ-2012 ואילך, במקום לתכנת צעד-אחר-צעד, מאמנים מודלים על דוגמאות — וזה מה שפתח את שער ה-AI.
• הכלי החשוב ביותר זמין כבר היום — חונך AI. לא צריך להיות מהנדס. השאלה שכל אחד צריך לשאול היא "איך AI יהפוך אותי לטוב יותר במה שאני עושה".

• #ג'נסן הואנג
• #NVIDIA
• #בינה מלאכותית
• #רובוטיקה
• #שבבים
• #עתיד הטכנולוגיה