Las supercomputadoras se usan actualmente para modelar, por ejemplo, los fenómenos climáticos, que retan las ideas de cómo se define el clima y las circunstancias atmosféricas, y por ello, se requiere de máquinas muy poderosas que hagan un enorme cantidad de cálculos.

También se usan las supermáquinas para hacer inteligencia artificial, particularmente en redes neuronales profundas, las cuales funcionan mostrándole a la computadora una gran cantidad de ejemplos de algo para que el software pueda extrapolar resultados.

Pero las supercomputadoras son muy costosas. Hablamos de millones de dólares. Por ello, saber que se puede comprar una supercomputadora por unos 129 mil dólares suena como a una ganga.

NVIDIA ha desarrollado su supercomputadora DGX-1, la cual está diseñada particularmente para modelos de aprendizaje profundo y que es mucho más rápida que los sistemas que hoy en día se usan para estas tareas. La compañía llama a su sistema: «una supercomputadora de inteligencia artificial en una caja».

Los primeros clientes de la DGX-1 dicen que el hardware de Nvidia combina el software de aprendizaje con ocho de las unidades de procesamiento de los más importantes fabricantes de chips. Esto le permite entrenar sus modelos de manera más rápida pudiendo hacer más experimentos en menos tiempos, lo que podría facilitar los desarrollos en ciencias, salud y servicios financieros.

Desde hace unos años, los científicos han empezado a poner más unidades de procesamiento para poder acelerar el aprendizaje profundo, que es una técnica que usan las redes neuronales para emular las capacidades del cerebro humano. Pero los sistemas disponibles limitan las posibilidades y es aquí donde NVIDIA parece haber dado en el clavo con su nuevo hardware, que promete hacer de estos algoritmos de aprendizaje más poderosos y así correr modelos de aprendizaje profundo que en el pasado simplemente era imposible de hacer.

La DGX-1 es una interesante solución pero no es para todas las empresas. Tiene una cantidad fija de memoria y tarjeta con GPUs. De hecho, por 129 mil dólares probablemente más de una empresa (con ingenieros de hardware) podría crear algo parecido, pero NVIDIA tiene la ventaja porque las partes relevantes del hardware y su conectividad, que es mucho más rápida que en los sistemas tradicionales, es lo que le da más posibilidades.

NVIDIA dice que su DGX-1 es más fácil de echar a andar y que es más rápida analizando datos que sistemas anteriores. Es más, la recepción de esta máquina ha sido buena, atrayendo a mucha gente que hace redes neuronales profundas. No existe, de acuerdo a NVIDIA, otra máquina de esta naturaleza en el mercado al precio que la da este fabricante. Y si esto no fuese suficiente, la compañía y socios han dicho que tendrán una nueva versión de su supercomputadora para principios de 2017.

Ya poco menos de 100 compañías y organizaciones han comprado un sistema DGX-1. Algunos de estos clientes, como BenevolentBio, una empresa de Londres que trabaja en salud y que ha indicado que su equipo de ciencias ha modelado y entrenado sistemas desde el primer día que se instaló. Se pudieron hacer modelos de gran escala diseñados para identificar moléculas específicas para ciertas drogas, lo cual ocurrió en unas ocho semanas de usar este sistema. De acuerdo a los primeros clientes, la DGX-1 modela de tres a cuatro veces más rápido que en cualquier otro sistema en la actualidad.

DGX-1 parece ser un parteaguas en la investigación de inteligencia artificial, sobre todo ahora que se usan redes neuronales profundas para muchos temas. Desde luego que ya algunas universidades como la de Nueva York, Stanford y Toronto, están empezando a usar este nuevo sistema de NVIDIA. Sin embargo, hay quienes piensan que el costo del sistema pudiese ser usado en esquemas alternativos. Por ejemplo, con ese dinero se podrían rentar los servicios de Amazon Web para aparejarse al desempeño del DGX-1 en un año de renta. Otros piensan que el costo del DGX-1 es alto, pero refleja el trabajo de configuración y el soporte que provee NVIDIA.

En cualquier caso, lo importante es que por una parte, se empiezan a crear sistemas (hardware incluido) que prometen un incremento en el desempeño de los programas y de las soluciones a problemas específicos. Por otra parte, la competencia no se hará esperar y es probable que pronto surjan otros fabricantes con sistemas muy parecidos a menor precio. Ya veremos, pero la investigación en inteligencia artificial debe estar de plácemes.

Referencias: Technology Review (MIT)