從數小時到幾秒：平行計算的短期示範顯示為何Nvidia是全球最有價值的公司
平行計算加速了數據處理的速度。原本需要數小時才能完成的項目，現在只需幾秒鐘。這是與先進半導體一起，促成AI繁榮的基本概念。隨著先進晶片的可用性提高，平行計算變得更加容易獲得。
在11月初於曼哈頓舉行的一場數據科學會議上，Nvidia的展位周圍始終圍繞著一群熱切的人們。他們並不是在尋找工作或拍照，而是熱衷於平行計算的可能性。
這一基本概念使Nvidia迅速躍升為全球最有價值的公司。在Pydata會議上，Nvidia的工程經理Rick Ratzel進行了一個簡短的示範，展示了這一技術的強大。
Nvidia生產的是圖形處理單元（GPU），這是一種能夠同時處理多個任務的計算機晶片，因此稱為平行計算。
大多數人熟悉的是中央處理單元（CPU），它們存在於你的筆記本電腦中，處理各種任務。雖然CPU運行速度快且效率高，但通常是按照預定的順序一次處理一個任務。
而GPU則非常適合進行大量數據計算，這是構建和運行AI模型（例如OpenAI的GPT-4，即ChatGPT背後的計算核心）所需的。
然而，在ChatGPT於2022年底出現之前，平行計算已經具備了加速數據科學的潛力，幫助提供相關的網絡廣告、優化供應鏈決策，並試圖檢測在線欺詐行為。
這就是為何Nvidia與Pydata的關係持續良好，Pydata是一個為使用Python編程語言進行數據分析的開發者舉辦的會議。
在今年的會議上，Ratzel介紹了一個新的軟件合作項目，旨在為使用常見開源數據管理工具的Python開發者提供支持。
他從一組電影評論和數字評分的數據集開始，目的是提供良好的推薦。Ratzel需要儘可能準確地匹配影評人的口味與一個人的喜好。雖然計算誰有相似口味的數學並不複雜，但涉及到的數據量卻非常龐大，達到330,000個用戶。
他表示：「這真的很龐大。」
在傳統的CPU計算機上運行初步分析需要兩小時，經過一些調整後縮短至一小時。
然後，Ratzel轉向GPU再次運行分析，結果不到兩秒鐘就完成了。這種速度來自於GPU所能實現的平行計算。
這一概念自1980年代以來就已存在，但直到最近，實際進行平行計算的能力仍然難以獲得。隨著雲服務提供商提供的GPU的可用性增加，熱衷的數據科學家們能夠在幾秒鐘內完成自己的項目，而不是幾小時。
節省的時間使研究人員能夠進行更多實驗並承擔更多項目。
Ratzel表示：「你可以看到這如何改變你的工作方式。現在我可以嘗試許多事情，進行大量實驗，並使用完全相同的數據和代碼。」
GPU所執行的計算，能夠支持生成式AI，遠比基於共同特徵和偏好來推薦電影的運算更為複雜和龐大。
這種計算量的巨大需求驅動了對Nvidia GPU的需求，反過來也使Nvidia的商業價值在投資者眼中大幅上升。
—
這篇文章讓我們看到平行計算的強大潛力，特別是在數據科學和AI領域。Nvidia憑藉其GPU的技術優勢，正在重新定義計算的速度和效率。值得注意的是，這種技術的普及不僅對數據科學家有利，還可能對各行各業的創新和決策過程產生深遠影響。隨著平行計算變得更加可及，未來我們或許能看到更多基於數據驅動的創新應用，這不僅能加速科技進步，還能促進生產力的提升。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
