<पी> जब लोग कृत्रिम बुद्धिमत्ता के बारे में सोचते हैं, तो वे जटिल मॉडल, डेटा सेंटर और क्लाउड सर्वर की कल्पना करते हैं। <पी> अधिकांश लोगों को इस बात का एहसास नहीं है कि इस एआई क्रांति के पीछे का असली इंजन एक ऐसी जगह से शुरू हुआ, जिसकी बहुत कम लोगों को उम्मीद थी:साधारण गेमिंग पीसी के अंदर। <पी> वही ग्राफिक्स कार्ड जो कभी सहज 3डी दृश्य प्रस्तुत करने के लिए बनाए गए थे, अब चैटबॉट्स, इमेज जेनरेटर और सेल्फ-ड्राइविंग सिस्टम को शक्ति प्रदान कर रहे हैं। पिक्सेल से भविष्यवाणियों तक की यात्रा आधुनिक कंप्यूटिंग में सबसे आकर्षक कहानियों में से एक है। सीपीयू युग और इसकी सीमाएं
<पी> मशीन लर्निंग के शुरुआती दिनों में, शोधकर्ता डेटा क्रंच करने के लिए सीपीयू पर निर्भर थे। <पी>
<पी> सीपीयू बहुमुखी थे और कार्यों की एक विस्तृत श्रृंखला को संभालने के लिए महान थे, लेकिन उनकी एक बड़ी सीमा थी:वे क्रम में समस्याओं पर काम करते थे। <पी> इसका मतलब है कि वे एक समय में केवल कुछ ही ऑपरेशन संसाधित कर सकते थे। छोटे मॉडलों के लिए, यह ठीक था। लेकिन जैसे-जैसे तंत्रिका नेटवर्क की जटिलता बढ़ती गई, उन्हें सीपीयू पर प्रशिक्षण देना बेहद धीमा हो गया। <पी> कल्पना कीजिए कि आप एक कंप्यूटर को छवियों को पहचानना सिखाने की कोशिश कर रहे हैं। एक तंत्रिका नेटवर्क में लाखों पैरामीटर हो सकते हैं, और प्रत्येक को प्रशिक्षण के दौरान बार-बार समायोजित करने की आवश्यकता होती है। <पी> सीपीयू पर, इसमें कई दिन या सप्ताह भी लग सकते हैं। शोधकर्ताओं को तुरंत एहसास हुआ कि अगर एआई को आगे बढ़ना है, तो उसे पूरी तरह से अलग तरह के हार्डवेयर की जरूरत है। GPUs ने चित्र में कैसे प्रवेश किया
<पी> ग्राफिक्स प्रोसेसिंग यूनिट या जीपीयू मूल रूप से वीडियो गेम में तेजी से चलने वाली छवियों को प्रस्तुत करने के लिए बनाए गए थे। वे एक ही समय में हजारों छोटी गणनाएँ निष्पादित करते हुए, समानता के लिए डिज़ाइन किए गए थे। <पी> <पी> जबकि एक सीपीयू में मुट्ठी भर कोर हो सकते हैं, एक जीपीयू में हजारों कोर होते हैं। इस आर्किटेक्चर ने जीपीयू को मशीन लर्निंग में उपयोग किए जाने वाले गणित के लिए आदर्श बना दिया, जहां एक ही ऑपरेशन को एक साथ बड़ी मात्रा में डेटा पर लागू करने की आवश्यकता होती है। <पी> एक तरह से, GPU गेम के लिए बनाया गया था लेकिन AI के लिए नियत किया गया था। प्रकाश प्रभाव को सहज बनाने और विस्फोटों को अधिक यथार्थवादी बनाने के लिए एक चिप के रूप में शुरू की गई चीज़ को जल्द ही एक दूसरा जीवन शक्ति देने वाला तंत्रिका नेटवर्क मिल गया। <पी> 2010 की शुरुआत में, शोधकर्ताओं ने जीपीयू पर गहन शिक्षण एल्गोरिदम चलाने का प्रयोग शुरू किया और परिणाम आश्चर्यजनक थे। प्रशिक्षण का समय हफ्तों से घट कर दिनों में आ गया और सटीकता में सुधार हुआ। <पी> यह दुनिया भर की अनुसंधान प्रयोगशालाओं में हो रही एक शांत क्रांति थी।प्रारंभिक एआई अनुसंधान में गेमिंग पीसी की भूमिका
<पी> यहां कहानी और भी दिलचस्प हो जाती है:एआई में शुरुआती सफलताएं बड़े पैमाने पर डेटा केंद्रों या महंगे सुपर कंप्यूटरों से नहीं आईं। वे उपभोक्ता-ग्रेड जीपीयू का उपयोग करने वाले शोधकर्ताओं से आए थे, जो अक्सर नियमित गेमिंग पीसी के अंदर बैठे होते थे। <पी> मनोरंजन के लिए बनाई गई ये मशीनें गहन शिक्षण प्रयोगों के लिए काफी शक्तिशाली साबित हुईं। <पी> NVIDIA के CUDA प्लेटफ़ॉर्म ने डेवलपर्स को ग्राफिक्स से परे कार्यों के लिए GPU प्रोग्राम करने की अनुमति देकर इसे संभव बनाया है। अचानक, एक गेमिंग जीपीयू जटिल वैज्ञानिक संगणनाओं को संभाल सकता है। <पी> शोधकर्ताओं ने भाषण, छवियों और पाठ को पहचानने वाले तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए अपने स्वयं के रिग्स का उपयोग किया, कभी-कभी उन्हीं कंप्यूटरों का उपयोग किया जिन पर वे रात में गेम खेलते थे। गेमिंग पीसी कृत्रिम बुद्धिमत्ता के भविष्य के लिए एक परीक्षण स्थल बन गया।टर्निंग पॉइंट:एलेक्सनेट और डीप लर्निंग बूम
<पी> 2012 में, एलेक्सनेट नामक एक तंत्रिका नेटवर्क ने इमेजनेट प्रतियोगिता जीतकर दुनिया को चौंका दिया, जो कंप्यूटर विज़न में एक प्रमुख बेंचमार्क था। <पी> जिस चीज़ ने एलेक्सनेट को खास बनाया वह सिर्फ इसकी वास्तुकला नहीं थी बल्कि इसके पीछे का हार्डवेयर भी था। यह दो NVIDIA GTX 580 GPU पर चलता है, हार्डवेयर जिसे आप अपने कम लागत वाले गेमिंग पीसी के लिए खरीद सकते हैं। वह जीत एक महत्वपूर्ण मोड़ साबित हुई। यह साबित हुआ कि जीपीयू केवल ग्राफिक्स प्रस्तुत करने के लिए नहीं थे - वे एआई को आगे बढ़ाने की कुंजी थे। <पी> उसके बाद, AI की दुनिया तेजी से बदल गई। प्रत्येक प्रमुख अनुसंधान प्रयोगशाला और तकनीकी कंपनी ने GPU क्लस्टर बनाना शुरू कर दिया। NVIDIA ने अवसर को भांपते हुए AI हार्डवेयर विकास की ओर रुख किया। <पी> वही कंपनी जो कभी मुख्य रूप से गेमर्स को सेवाएं देती थी, अब Google, OpenAI और Tesla को संचालित करती है। जो बेहतर दृश्यों के लिए एक उपकरण के रूप में शुरू हुआ वह मशीन इंटेलिजेंस की रीढ़ बन गया।जीपीयू AI में इतने अच्छे क्यों हैं
<पी> जीपीयू मैट्रिक्स गणित में उत्कृष्टता प्राप्त करते हैं, जिस प्रकार की गणना पर तंत्रिका नेटवर्क भरोसा करते हैं। <पी>
<पी> जब आप किसी मॉडल को प्रशिक्षित करते हैं, तो आप लगातार संख्याओं का गुणा और आव्यूह जोड़ते रहते हैं। जीपीयू इसे तेजी से करते हैं क्योंकि वे समानांतर में हजारों ऑपरेशन संभालते हैं। इन्हें उच्च मेमोरी बैंडविड्थ के साथ भी डिज़ाइन किया गया है, जिसका अर्थ है कि वे बड़ी मात्रा में डेटा को तेज़ी से अंदर और बाहर ले जा सकते हैं। <पी> यह आर्किटेक्चर गहन शिक्षण कार्यभार के साथ बिल्कुल फिट बैठता है। चाहे वह छवि पहचान हो या भाषा अनुवाद, GPU एक ही बार में डेटा के विशाल बैच को संसाधित कर सकता है। <पी> इसके विपरीत, सीपीयू अनुक्रमिक प्रसंस्करण से बाधित हो जाते हैं। प्रदर्शन में अंतर घर बनाने वाले एक अकेले कारीगर की तुलना एक साथ काम करने वाली हजारों लोगों की टीम से करने जैसा है। 
