Firma podwoiła swoją wartość w ciągu roku, notowane na NASDAQ akcje osiągnęły 10 maja najwyższy kurs w historii. Ale z kolei w 4Q 2017 udział w rynku GPU NVIDIA spadł z 72,8 do 66,3% na rzecz AMD. AMD radzi też sobie lepiej na rynku chipów do koparek kryptowalut. Google ogłosił Tensor Processing Unit 3.0, układ zorientowany na TensorFlow i wsparcie obliczeń neuronowych w swojej chmurze. Fakt jest jednak taki, że to konkurencja goni kanadyjską firmę, a nie odwrotnie.
Giganci technologiczni, jak Google, Microsoft, Facebook i Amazon, kupują coraz więcej chipów Nvidii do swoich centrów danych. Massachusetts General Hospital wykorzystuje układy Nvidia do wykrywania anomalii w obrazach medycznych, zwłaszcza tomografii komputerowej. Tesla instaluje procesory graficzne Nvidia w swoich samochodach autonomicznych. Chipy Nvidii znajdujemy w coraz większej ilości różnorodnych urządzeń brzegowych (Edge Computing). Dominacja Nvidii w sektorze GPU – do niedawna ponad 70% obecnie nieco poniżej – powiązana z ekspansją na te nowe rynki spowodowały gwałtowną zwyżkę notowań i wyceny.
Notowania Nvidia po publikacji rekordowych wyników za IQ 2018 osiągnęły najwyższy poziom w historii (260 USD), w ciągu ostatniego roku wzrastając o 100%.
https://finance.yahoo.com/news/nvidia-earnings-demolish-expectations-rocket-131100503.html
Anatomia sukcesu
Dwa przełomowe momenty zadecydowały o tym, że Nvidia dotarła do tego miejsca, na którym jest.
W 2010 roku Andrew Ng przekonuje Google do uruchomienia projektu Brain, skoncentrowanego na rozwijaniu i wykorzystywaniu m.in. zyskującej na popularności, ale wciąż pozbawionej spektakularnych sukcesów w przemyśle technologii uczenia głębokiego (deep learning). Sam Andrew Ng twierdzi, że jeszcze w roku 2008, kiedy rozpoczynał rozmowy z Google, popularność uczenia głębokiego była zdawkowa. Google Brain zapoczątkował prace, które w efekcie doprowadziły do powstania najpopularniejszego obecnie zestawu narzędzi deep learning – TensorFlow.
Podczas gdy Google uruchamia Google Brain, w 2012 roku Alex Krizhevsky, student i następnie doktorant Uniwersytetu w Toronto, prezentuje swoje wyniki badań w konkursie ImageNet, w którym zespoły z całego świata rywalizują w kategorii rozpoznawania obiektów i sceny na obrazach. Krizhewski do analizy 1,2 miliona obrazów wykorzystał głęboką sieć neuronową, ale uruchomił ją na…. dwóch kartach Nvidia GeForce, wykorzystując framework CUDA, wysokopoziomową bibliotekę rozwijaną przez Nvidia pozwalającą na łatwe programowanie GPU. Jego model był w stanie osiągnąć dokładność rozpoznawania obrazu nigdy wcześniej nie spotykaną, przy poziomie błędu zaledwie 15% – w porównaniu z poprzednim 25%. I znacznie szybciej. Nie tylko łatwo wygrał konkurs ImageNet, ale jego wyniki stały się również natychmiastowym hitem w środowisku akademickim. (Krizhewski dołączył następnie do Google. Jego promotorem na uczelni był – a jakże – Geoffrey Hinton)
Po takich wynikach głębokie uczenie zaczęło się dynamicznie rozprzestrzeniać, a wraz z nim zapotrzebowanie na GPU Nvidii. Poza Google projekty badawcze dotyczące głębokiego uczenia i szerzej AI, uruchomiły Microsoft, Facebook i Amazon. Decyzja Nvidii o długofalowej inwestycji w podstawowy ekosystem oprogramowania GPU za pomocą CUDA była kluczowym czynnikiem sukcesu. Dziś firma czerpie korzyści z niej wynikające pełnymi garściami.
Czytaj też: 46 razy szybsza biblioteka uczenia maszynowego.
Sukces i konkurenci
Sukces Nvidii nie pozostał niezauważony. Praktycznie każdy liczący się gracz na rynku chipów i półprzewodników chce obecnie gonić marzenie o AI. Pojawia się mnóstwo startupów z nowymi typami chipowej architektury. Niestety – wytwórcy układów nie są jedynymi zaangażowanymi w tym wyścigu. Głębokie uczenie jest tak ważne dla przyszłości biznesu technologicznego, że jeden z najważniejszych obecnie klientów Nvidii – który nigdy wcześniej nawet nie pomyślał o wytwarzaniu własnych chipów – jest teraz także jej konkurentem. Google. W tym miesiącu na dorocznej konferencji deweloperskiej firma ogłosiła, że wprowadza trzecią wersję chipu o nazwie Tensor Processor Unit (TPU 3.0), który jest dostosowany do TensorFlow. Google wyposaża nim swoje centra danych i oferuje w ramach Cloud Platform. Podobnie, inny klient Nvidii, Microsoft, tworzy teraz własne chipy dla swoich centrów danych: układy FPGA. Intel wydaje się szczególnie przerażony postępem, jaki robi Nvidia. Po tym, jak przespał rewolucję smartfonową, absolutnie nie może pozwolić sobie na aby przegapić kolejną zmianę technologiczną. Brak własnych badań nad sztuczną inteligencją skutkuje przejęciami w dziedzinie AI: Nervana, za 400 mln USD oraz Movidius. Za 16,7 mld USD przejął twórcę FPGA Altera.
Przyszłość
Nvidia na swojej dorocznej konferencji pod koniec marca dała jasno do zrozumienia, że stawia na sztuczną inteligencję i rewolucję z nią związaną. Poza ulepszeniami w znanych układach i nowymi chipami czy gotowymi urządzeniami na uwagę przede wszystkim zasługuje orientacja na rozwiązania enterprise, skalowalność i konteneryzację. Począwszy od kwietnia, według firmy, każda usługa zarządzana przez Kubernetes może oferować GPU jako usługę (GPU as a Service). Będzie to możliwe na Amazon Web Services, jak i Google Cloud Platform. Microsoft Azure czeka na certyfikację. Pomysł obsługi kontenera nie jest złożony i polega na rozpoznaniu przez Kubernetes układów GPU w systemie i przypisaniu im obciążeń. Nvidia planuje przekazać kod obsługi GPU na rzecz projektu Kubernetes, w ramach Cloud Native Computing Foundation.
Na świecie jest obecnie wg różnych szacunków ok 3 tys startupów w dziedzinie sztucznej inteligencji, wykorzystujących uczenie głębokie i GPU. 2 lata temu Marc Andreessen powiedział magazynowi Forbes, że w wewnętrznej, firmowej grze obstawiają spółki publiczne, w które zainwestowaliby będąc funduszem hedgingowym. Wszyscy obstawiali wtedy Nvidia. Wybór trafny – w ciągu 2 lat notowania wzrosły pięciokrotnie. Pytanie jednak, czy dziś rekomendowałby ‘trzymaj’, czy może nadchodzi czas realizacji zysków?
