黄仁勋SIGGRAPH演讲：GH200、L40S显卡、ChatUSD轮番登场
微信号
KTV115116
财联社
北京时间周二晚间，英伟达联合创始人兼CEO黄仁勋时隔5年再度登上SIGGRAPH的舞台发表主旨演讲，期间提及一系列与生成式AI浪潮息息相关的硬件和软件服务。
SIGGRAPH由ACM SIGGRAPH（计算机协会计算机图形图像特别兴趣小组）举办，是计算机图形学的年度顶级会议。
对于再度登上SIGGRAPH的舞台，黄仁勋也是颇为感慨。他回忆称，2018年正是在SIGGRAPH的舞台上，他发布了能够在实时渲染中完成光线追踪的RTX平台，那也是英伟达的“赌命时刻”。时过境迁，当年发布显卡时他可以把显卡拿在手上展示，现在由Grace Hopper芯片组成的产品只能放在台子上展示了。
“买得越多、赚得越多”的GH200
黄仁勋也再度提到今年5月台北电脑展上发布的GH200系统，同时通过动画展示了如何使用NVLink等技术，将Grace Hopper超级芯片与HBM3e高速连接，并构建出一整套为生成式人工智能打造的超级计算机。
顺便一提，最后的图片是按照实物大小展示，中间那个影子就是黄仁勋。这套系统能够无缝连接256个Grace Hopper超级芯片——对应的是1 EFLOPS的AI算力和144TB的高速存储。
黄仁勋还顺便解释了一下GH200“买得越多、赚得越多”这件事情。作为比较，同样使用1亿美元打造数据中心，可以买下8800个x86的CPU或2500套GH200，但后者的AI算力是前者的12倍，同时能耗也更低。
反过来算，只需要花800万美元采购210套GH200，就能达到与1亿美元CPU数据中心同等的AI算力。
Omniverse
Omniverse是Nvidia创建的实时3D图形协作平台，主要的功能就是创建“数字孪生”，在虚拟世界中模拟现实。
在周二的演讲中，黄仁勋也拿世界最大广告公司WPP和比亚迪（腾势汽车），作为Omniverse云和生成式AI的使用案例。WPP通过Omniverse为腾势N7打造了一个实时、囊括各种外观配置的汽车“数字孪生”，并能够通过Adobe等提供的AIGC功能修改宣传材料的图像背景。
Hugging Face
在这一轮AI浪潮中脱颖而出的共享机器学习模型和数据集平台Hugging Face（俗称“抱抱脸”）也出现在周二的舞台上。黄仁勋宣布，英伟达已经与Hugging Face达成合作协议，帮助该社区推出一项AI模型训练服务，背后自然有英伟达DGX云的支持。
AI 工作台
随着各种模型的开发变得日常工作，开发者也有在不同设备间同时开发大模型的需求。一个统一，且能调用不同算力、同步微调结果的“AI工作台”应运而生。通过AI工作台，开发人员能够在PC或工作站上快速创建、测试和自定义预训练的生成式AI模型，然后将其扩展到几乎任何数据中心或者公共云上。
另外，英伟达也发布了最新版本的企业软件平台NVIDIA AI Enterprise 4.0，为企业用户提供生成式人工智能所需的工具。
L40S显卡、新工作站和服务器
对于那些想要配置本地算力资源的个人和创业公司而言，英伟达也在周二发布了新的工作站产品，每个工作站最多可以塞进去四张NVIDIA RTX 6000显卡，对应的参数为5，828 TFLOPS AI算力和192GB显存。黄仁勋介绍称，用这台机器，微调400亿参数的GPT-3大概只需要15个小时。
在这里，黄仁勋再一次强调“买得越多、赚得越多”，直言像这样的工作站，用来开发大模型，几个月就能把本金赚回来了。
英伟达也在周二发布了基于Ada Lovelace架构的新显卡L40S。官方数据介绍称，与A100相比，L40S的生成式AI推理性能提高最多1.2倍，训练性能提高最多1.7倍。L40S 包含 18，176 个CUDA内核，单精度浮点 （FP32） 性能是A100的近5倍。
随后，黄仁勋也把遮在台上的黑布揭开，展示了一系列新的OVX服务器产品。新的OVX系统最多可以装8张L40S显卡，每张显卡拥有48GB的显存。黄仁勋也强调，这些服务器设计时的用途，并不是用来训练最尖端的大模型（例如GPT-4），而是用来运行从“抱抱脸”上下载的主流大模型。
与前面提到的工作站相比，这些服务器微调400亿参数的GPT-3大概只需要7个小时。
通用场景描述
通用场景描述（OpenUSD）是一种高性能3D场景描述技术，对于3D交互而言，类似于超文本标记语言（HTML）与2D网页之间的关系。这项技术最早在2015年由皮克斯动画工作室创造，并在2016年开源。英伟达的Omniverse也正是以OpenUSD作为基础，以成为连接各类3D制作工具的平台为愿景来开发。
黄仁勋在周二宣布，英伟达将为开发者和公司提供广泛的框架、资源和API服务，以加速OpenUSD的采用，并推出ChatUSD来帮助开发者利用自然语言实现一系列场景的调整。
