Как китайский чип стал «убийцей Nvidia»: история одного громкого заголовка

Разбираем публикацию в журнале Science: исследование о моделировании человеческого мозга неожиданно превратилось в историю о «конце Nvidia». Что произошло на самом деле?

За последние несколько дней десятки изданий сообщили, что китайские учёные создали чип, который оказался до 478 раз быстрее Nvidia A100. Вслед за первыми публикациями появились и громкие выводы: Китай создал «убийцу Nvidia» и доказал, что способен обойти американские ограничения.

Но если открыть саму публикацию в журнале Science, окажется, что исследование было посвящено совсем другой задаче - моделированию человеческого мозга.

Именно здесь история делает неожиданный поворот.

Работа, опубликованная исследователями Пекинского университета и Китайской академии наук в журнале Science, посвящена совсем другой задаче - быстрому моделированию нейродинамических процессов.

Если совсем просто, учёные пытались создать чип, который сможет быстрее воспроизводить поведение больших групп нейронов человеческого мозга. Такие модели используют не для запуска чат-ботов и не для обучения нейросетей, а для сложных научных расчётов, где приходится обрабатывать огромное количество взаимосвязанных сигналов.

И именно здесь возникает проблема. Современные процессоры становятся всё мощнее, но значительная часть времени уходит вовсе не на вычисления.

Большинство современных компьютеров работает по архитектуре фон Неймана. Процессор выполняет вычисления, а память хранит данные. Чтобы решить задачу, процессору приходится постоянно обращаться к памяти, получать очередную порцию информации, обрабатывать её и снова отправлять обратно.

Представьте, что ваше рабочее место находится в спальне, а все документы лежат на кухне.

Чтобы написать одно письмо, нужно сходить за папкой. Потом вернуться. Потом снова идти за следующими документами. Потом опять обратно.

Постепенно оказывается, что времени на ходьбу уходит больше, чем на саму работу.

С компьютерами происходит примерно то же самое. При очень больших объёмах вычислений постоянная передача данных между памятью и процессором становится одним из главных ограничений скорости.

Китайские исследователи решили не ускорять эти «походы на кухню».

Они попробовали вообще отказаться от них.

Вместо привычной схемы исследователи использовали архитектуру Computing-in-Memory - вычисления в памяти.

Если продолжить бытовую аналогию, они просто перенесли документы на рабочий стол. Теперь данные не приходится постоянно переносить из памяти в процессор и обратно - значительная часть вычислений выполняется там же, где они хранятся.

Но и это ещё не самая интересная часть исследования.

В подобных чипах существует эффект, который инженеры обычно считают недостатком. Со временем электрические характеристики памяти немного изменяются. Для большинства разработчиков это проблема, с которой приходится бороться.

Авторы исследования сделали противоположное.

Они не стали устранять этот эффект, а превратили его в часть вычислительной модели. То, что десятилетиями считалось помехой, оказалось полезным инструментом для моделирования нейродинамических процессов.

Именно эта инженерная идея, а не громкие заголовки про Nvidia, на мой взгляд, стала главным открытием всей работы.

Цифра «до 478 раз быстрее» действительно есть в научной статье. И именно она за несколько дней облетела десятки технологических изданий.

Но важно понимать, что именно сравнивали авторы.

Они не пытались выяснить, какой процессор «лучше вообще». Они сравнили свою разработку с Nvidia A100 только в той задаче, для которой новый чип и создавался.

Именно здесь история снова начинает расходиться с тем, что появилось в заголовках СМИ…

Nvidia A100 появилась в научной статье не случайно. Это один из самых распространённых ускорителей для научных вычислений, поэтому исследователи выбрали его как понятный ориентир.

Но сравнивали не два универсальных процессора.

Авторы проверяли, насколько эффективно их специализированный чип справляется с той задачей, для которой он создавался.

Представьте, что появился инструмент, который в десять раз быстрее закручивает один определённый тип винтов. Это впечатляющий результат. Но из этого не следует, что он лучше любого шуруповёрта.

С новым чипом произошло примерно то же самое. Высокий результат был получен в специализированной задаче, и именно эта цифра стала главным героем большинства публикаций.

Главный вывод этой работы - не рекорд скорости сам по себе.

Исследователи показали, что заметного прироста производительности можно добиться не только за счёт совершенствования производства микросхем, но и благодаря новому подходу к вычислениям.

Если подобные архитектуры получат развитие, они могут найти применение там, где важны высокая скорость обработки данных и низкое энергопотребление: в научных расчётах, робототехнике, нейроморфных системах и других специализированных вычислениях.

Именно в этом и заключается настоящая ценность исследования. Оно напоминает, что большие шаги вперёд иногда начинаются не с более мощного оборудования, а с новой инженерной идеи.