Reserch
活動+

智慧硬體擴張為生態系

  • 徐宏民

NVIDIA由單純的垂直領域內的硬體提供者,深耕客戶的痛點,與策略夥伴合作,嘗試建構生態系、新服務。NVIDIA

硬體產業如何擴張?怎樣跨足到毛利相對高的軟體或是新興產業?這是台灣許多資通訊業所關心的議題。似乎不少人選擇跨足到與本業不同的全新領域,但這是唯一做法嗎?

筆者一直覺得NVIDIA相似於台灣許多公司,有很多可以參考的角度。前陣子參加舉辦在矽谷的GTC 2019,有一些觀察。三大主要產品線——遊戲及動畫、AI及高效能電腦(HPC)、機器人,前兩項產品線,發現NVIDIA由單純的垂直領域內的硬體提供者,深耕客戶的痛點,與策略夥伴合作,嘗試建構生態系、新服務。有好幾個有趣的範例。

GPU已在使用者等級的顯示卡上達到即時高畫質擬真的效果,除了晶片速度提升之外,還利用智能運算,提供有效率的高畫質呈現。這樣的技術嘉惠了電玩以及電影製作產業。不滿足於單機版的電玩客戶,跟上行動端串連遊戲逐漸普及,他們順勢推出GeForce Now提供更廣泛的虛擬實境內容及遊戲串流平台,更與日本SoftBank、南韓LG U+電信業者進行合作,結合高效能運算以及電玩產業經驗。

在電影產業,推出全新的服務Omniverse——跨公司、跨地點的電影共同編輯以及特效平台,支援多個電影產業工具如Autodesk Maya、Unreal Engine、Substance等。他們宣稱這是首次為電影產業提供類似Google Docs的雲端共編服務。原因很簡單、既然已是電影產業的關鍵技術供應者,所以就以中性的角度,聯合其他夥伴來串接整個生態系,提升電影製作的效率、生產力。

在AI+HPC的主軸上,企圖由支援角色的GPU晶片,逐漸擴展到整個資料中心的組成伺服器。 目前跨伺服器間的資料傳輸非常大,似乎想以破壞性的方式解決這些瓶頸,這就是為什麼買下Mellanox來解決底層的IO問題。此外,不滿足於熟悉的高效能運算,也開始嘗試資料中心大規模伺服器群(hyperscale server),用以服務大量用戶的伺服器架構。

在機器學習運算上,不以深度學習計算為滿足。更首次推出解決資料科學(data science)大數據運算所需的各種功能,加速資料處理、清除、支援圖形(graph)資料架構、視覺化等,還支援業界時常使用的Hadoop、Spark平台、SQL資料查詢加速。同時推出新的資料科學工作站,水平擴張,嘗試他們之前未涉獵的龐大資料運算需求。

這樣的脈絡在這家公司並不是第一次。之前為了提升遊戲的體驗,開始開發CUDA;在賠錢好幾年的情況下,堅持開發科學運算;以及察覺學界早期機器學習需求,及早支援深度學習運算,之後才能銜接意想不到的深度學習浪潮。他們似乎習慣默默在市場上拉出長長的高牆,將競爭者排除在外。

另外,終端運算、機器手臂、自駕車等歸類到機器人產品線。可以想見在技術發展上還有許多不確定性,所以還在探索各種技術的突破。Nano倒是吸引了很多人的眼光,小型化的GPU終端平台、低耗能設計、支援多個感測器,而且直接支援各種深度學習開發架構(如大家常使用的PyTorch)。可以想像致力於高效能後端訓練的NVIDIA也嗅到終端的需求了。

聆聽垂直市場的需求,聯合其他合作夥伴,不滿足於硬體提供者的角色,察覺市場的早起機會,由硬體的領先者逐漸建構生態系。這些觀察,什麼是我們的資通產業可以受惠的?

徐宏民(Winston Hsu)現任台大資工系教授及NVIDIA AI Lab計畫主持人。哥倫比亞大學電機博士,專精於機器學習、大規模影像視訊搜尋與辨識、前瞻技術商業模式等領域。為訊連科技研發團隊創始成員,曾任IBM華生研究中心客座研究員、美國微軟研究院客座研究員。習慣從學術及產業界的角度檢驗技術發展的機會;十餘年產學合作及新創經驗,近年與國內外企業合作,將深度學習技術落實到產品,並協助成立深度學習(人工智慧)團隊。曾獲ACM MM 2014 Grand Challenge Multimodal Award、傑出資訊人才獎、吳大猷先生紀念獎等國內外大獎。