【AI业界剧震】英伟达禁止数据中心使用GeForce做深度学习

简介: 英伟达最近悄然修改了用户许可协议(EULA),禁止在数据中心使用消费者级显卡GeForce做深度学习,这被认为是英伟达利用其市场主导地位,强推其高端处理器Tesla系列的举措,Tesla与GeForce架构类似,但价格是后者的十倍。

英伟达的CEO黄仁勋曾经说,他最喜欢三件事——游戏、GPU、深度学习。这三件事也是英伟达的命脉所在。5年前黄仁勋英明的判断将GPU从游戏转向深度学习成就了他自己和他的公司在深度学习界的地位。

不过,当一个市场被一家企业所主导,这家企业就可能采取各种措施,获取尽可能多的利润,甚至达到垄断的目的。

最近,日本公司Ubiquitous Entertainment总裁兼首席执行官清水亮撰文[1],指责英伟达悄然修改终端用户使用协议,禁止在数据中心使用GeForce软件,并称这一改动将会影响广大的深度学习研究者和开发人员。

一石激起千层浪,“英伟达全新EULA禁止在数据中心使用GeForce系列GPU做深度学习”,已经成为今日Reddit等网站头条。

货还是给你买,但在数据中心不能用于深度学习

英伟达更新后的EULA,并不是不允许在数据中心使用GeForce显卡,而是禁止在数据中心部署GeForce配套软件(不授权)。

596489b250c38705847460bcb6d542878f445c15

修改后的英伟达GeForce软件用户使用协议,No Datacenter Deployment,软件不能在数据中心使用。

软件不能用意味着什么?

货还是给你买,但是不准用作深度学习(但是用来挖矿可以,这个后面会细说)。

大家都知道,英伟达货卖得好,主要原因是配套的软件做得齐。正如清水亮在文章中指出的那样,在实践中,英伟达可以说是全世界唯一提供API和足够多运算函数来做深度学习的半导体公司。

英特尔和其他公司也在奋力追赶,但相比与英伟达的丰富资源和IP,目前这些公司仍然只能恨居追赶的位置。

GeForce vs Tesla:性能相差不大,但价格却天上地下

那么,GeForce和Tesla的区别又在哪里?

英伟达最初开发GPU是用于游戏的,产品线包括针对游戏的GeForce系列和用于高端处理器的Tesla系列。一组简单的数字:

GeForce GTX 1080: PASCAL; 2560 CUDA cores; 8 TFLOPS (single-prec); 8 GB GDDRX5 320 GB/s; max 180 W.
Tesla P100: PASCAL; 3584 CUDA cores; 9.3 TFLOPS (single-prec); 16 GB HBM2 732 GB/s; max 250 W.

这样看不直观。有人专门做了对比[2],下图展示了训练的平均时间。Tesla在基准测试中胜过了GeForce;但是,只有1.25倍的加速(或者说,训练时间减少了20%)。在MNIST基准上看,差异并不明显,可能是由于epoch速度太快。

18871e717eb071e9aba36536d309dd4f9984efc8

在DeepConvLSTM这个基准上,两者运行时的能耗和温度分别是:

6232447043021706d50206b01c2d015a1a2e6576

很显然,Tesla的处理性能和稳定性更高一些,但这两个系列都基于Pascal架构,硬件规格(specifications)也非常类似。

然而,在价格方面,Tesla却将近是GeForce的10倍

因此,那些对GPU使用,尤其是不需要持续运转,在稳定性方面要求没有那么高的用户,往往使用GeForce来代替Tesla,包括一些数据中心客户在内——毕竟,不是谁都那么财大气粗,用户的眼睛是雪亮的,有性价比更高的方案,谁会弃而不用呢?

英伟达在利用其垄断地位玩阴招?

因此,在英伟达更新EULA后,就如清水亮所说,“要在数据中心做深度学习项目,不管是商业的也好,学术的也罢,在日本也好,海外也罢,都必须购买高价的Tesla系列才行”,便宜又好用的GeForce系列就这样强制被罢黜了。

“这显然是英伟达(日本)在利用其垄断地位玩阴招。”清水亮这样说。

试想,为什么没有直接商业应用的学生实验或商业研究,要被迫支付合理成本的10倍?跟在游戏中使用的芯片几乎完全相同,仅仅因为放在数据中心里,价格就上涨了10倍。这里面难道没有猫腻?

作为一个《星球大战》迷,清水亮将英伟达的这一策略改动类比为“第一秩序”(First Order)的崛起。

如此热爱GPU、热爱深度学习,以及热爱《星球大战》的黄教主,竟被比作Kylo Ren?!

6af29851dc1472daebe58e479b2e1cc1ab04abef

嗯……题外话:Kylo Ren,《星球大战》电影系列中的一名虚构反派角色他拥有强大的原力,后堕落至原力黑暗面,渴望和外祖父黑武士达斯·维达一样强大。

清水亮说,深度学习社区让英伟达获得了创纪录的利润,而这家公司如何回报深度学习社区?这就好像在说:“如果你还想继续工作,那就付我们十倍的钱。”

文章发布后,清水亮的愤怒得到了很多共鸣和回应[3]。

树大招风

作为一家商业公司,英伟达要怎么限制和授权软件使用,完全是它的自由。

同时,英伟达仅仅限制在数据中心使用GeForce做深度学习,一般的高校和研究所这样的非商业用户,并不会受什么影响

再者,GeForce作为专门用做图形的显卡,做数据中心应用原本效率就不会太高,从数据中心这方面来说,原本购买GeForce做深度学习的可能性也不大。实际上,英伟达也一直在向数据中心客户推广稳定性更好的Tesla。

还有一种可能,就是英伟达懒得去优化GeForce做非图形应用的软件了。

不过,值得注意,英伟达的条款明确指出,虽然不准用GeForce在数据中心做深度学习,但挖矿除外,这一点可能是在针对AMD等对手,因为业界普遍认为后者在挖矿上的效率更高。

但最后,英伟达对“数据中心”也没有明确定义,企业的机房算“数据中心”吗?虽然互联网巨头看不上GeForece,但初创公司可能会用啊。

总之,这个新规定会波及不少成长当中的深度学习项目,这一点是毋庸置疑的。

还有,有时间你可以访问Reddit[3],反对(谴责)英伟达的、力挺英伟达的、怒其他芯片公司不争的……在深度学习领域,一个EULA的修改就能引发这样的波澜,除了英伟达还有几家?


原文发布时间为:2017-12-26

本文作者:闻菲

本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”微信公众号

原文链接:【AI业界剧震】英伟达禁止数据中心使用GeForce做深度学习

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
25天前
|
机器学习/深度学习 人工智能 安全
探索AI的未来:从机器学习到深度学习
【10月更文挑战第28天】本文将带你走进AI的世界,从机器学习的基本概念到深度学习的复杂应用,我们将一起探索AI的未来。你将了解到AI如何改变我们的生活,以及它在未来可能带来的影响。无论你是AI专家还是初学者,这篇文章都将为你提供新的视角和思考。让我们一起探索AI的奥秘,看看它将如何塑造我们的未来。
65 3
|
27天前
|
机器学习/深度学习 数据采集 人工智能
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】随着人工智能的发展,深度学习技术正逐步应用于教育领域,特别是个性化学习系统中。通过分析学生的学习数据,深度学习模型能够精准预测学生的学习表现,并为其推荐合适的学习资源和规划学习路径,从而提供更加高效、有趣和个性化的学习体验。
84 9
|
27天前
|
机器学习/深度学习 人工智能 算法
AI在医疗:深度学习在医学影像诊断中的最新进展
【10月更文挑战第27天】本文探讨了深度学习技术在医学影像诊断中的最新进展,特别是在卷积神经网络(CNN)的应用。文章介绍了深度学习在识别肿瘤、病变等方面的优势,并提供了一个简单的Python代码示例,展示如何准备医学影像数据集。同时强调了数据隐私和伦理的重要性,展望了AI在医疗领域的未来前景。
57 2
|
27天前
|
安全 搜索推荐 机器学习/深度学习
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】在人工智能的推动下,个性化学习系统逐渐成为教育领域的重要趋势。深度学习作为AI的核心技术,在构建个性化学习系统中发挥关键作用。本文探讨了深度学习在个性化推荐系统、智能辅导系统和学习行为分析中的应用,并提供了代码示例,展示了如何使用Keras构建模型预测学生对课程的兴趣。尽管面临数据隐私和模型可解释性等挑战,深度学习仍有望为教育带来更个性化和高效的学习体验。
72 0
|
27天前
|
机器学习/深度学习 数据采集 人工智能
AI在医疗:深度学习在医学影像诊断中的最新进展
【10月更文挑战第26天】近年来,深度学习技术在医学影像诊断中的应用日益广泛,通过训练大量医学影像数据,实现对疾病的准确诊断。例如,卷积神经网络(CNN)已成功用于识别肺癌、乳腺癌等疾病。深度学习不仅提高了诊断准确性,还缩短了诊断时间,提升了患者体验。然而,数据隐私、数据共享和算法透明性等问题仍需解决。未来,AI将在医学影像诊断中发挥更大作用,成为医生的得力助手。
78 0
|
2月前
|
机器学习/深度学习 数据采集 人工智能
数据驱动的AI技术:如何通过深度学习提升图像识别精度
【10月更文挑战第18天】 数据驱动的AI技术:如何通过深度学习提升图像识别精度
52 0
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的未来:深度学习与自然语言处理的融合
【9月更文挑战第22天】本文旨在探讨AI技术中深度学习与自然语言处理的结合,以及它们如何共同推动未来技术的发展。我们将通过实例和代码示例,深入理解这两种技术如何相互作用,以及它们如何影响我们的生活和工作。
51 4
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的奥秘:深度学习与神经网络
【9月更文挑战第11天】本文将深入探讨人工智能的核心领域——深度学习,以及其背后的神经网络技术。我们将从基础理论出发,逐步深入到实践应用,揭示这一领域的神秘面纱。无论你是AI领域的初学者,还是有一定基础的开发者,都能在这篇文章中获得新的启示和理解。让我们一起踏上这场探索之旅,揭开AI的神秘面纱,体验深度学习的魅力。
|
3月前
|
机器学习/深度学习 人工智能 搜索推荐
揭秘AI的魔法:深度学习如何改变世界
在这篇文章中,我们将一起探索深度学习——一种强大的人工智能技术。我们将从基础开始,了解什么是深度学习以及它如何工作。然后,我们会看到深度学习是如何影响我们日常生活的各个方面,从医疗到自动驾驶汽车,再到个性化推荐系统。最后,我们将讨论深度学习面临的挑战和未来的可能性。让我们一起揭开深度学习的神秘面纱,看看这个“魔法”是如何改变我们的世界的。
|
3月前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
67 0