Art-lg.ru

Журнал Автомобилиста
1 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Российский сотрудник Nvidia проболтался о финансовых махинациях компании

Инвесторы Nvidia обвинили компанию в предоставлении неверных сведений о продажах видеокарт на базе ее процессоров в период бума криптовалют. В ответ на дезинформацию инвесторы подали на нее в суд.

Речь идет о 2017 г., когда курсы криптовалют, в особенности биткоина, демонстрировали стремительный рост, что и привлекало желающих заработать на этом. К примеру, в декабре 2017 г. стоимость биткоина достигла отметки $20 тыс. – это стало рекордно высоким показателем за всю историю данного токена.

Как пишет ресурс WCCFTech, суть спора заключается в том, что после спада интереса к криптовалюте и последовавшем за ним снижении продаж видеокарт Nvidia указала неверные данные о размере прибыли с карт, реализованных майнерам. Также она не сообщила истинные сведения о том, как сильно на тот период времени ее финансовые показатели зависели от людей, стремящихся обогатиться за счет добычи криптовалюты и скупающих для этого видеокарты.

В качестве доказательств обвинений в иске приведены показания пяти экс-сотрудников Nvidia. В их число вошли старший менеджер по работе с клиентами в китайском представительстве компании, старший директор по продуктам из офиса в Калифорнии, старший директор по потребительскому маркетингу в представительстве Nvidia Латинской Америке, а также комьюнити-менеджер из московского офиса (у Nvidia два офиса в России – в Москве и Нижнем Новгороде).

Эти четыре человека ушли из компании не позднее 2017 г. Пятым свидетелем, на чьи показания опираются инвесторы Nvidia – это глава отдела потребительского маркетинга Nvidia в Южной Азии, который занимал эту должность до 2019 г. Имена этих людей не раскрываются, и на вопросы CNews о бывшем российском сотруднике Nvidia представители компании на момент публикации материала ответить не смогли.

Nvidia – это один из двух крупнейших производителей графических процессоров для видеокарт. Ее основной и единственный конкурент – компания AMD, занимающаяся производством GPU с момента покупки компании Ati в 2006 г. За I квартал финансового 2021 года, закончившегося для Nvidia 27 апреля 2020 г., ее выручка составила $3,08 млрд. В сравнении с аналогичным периодом финансового 2020 года этот показатель вырос на 39%.

Чтобы понять перспективы бизнеса Nvidia, нужно сначала разобраться в продукте, который она производит. Это графические процессоры — чипы, которые обрабатывают вычисления и создают изображения на компьютере, ноутбуке, смартфоне и игровых консолях.

Если сложить вместе потенциальный объем рынков, где будут востребованы графические процессоры, получится около 80 млрд долларов к 2024 году и 103 млрд к 2026 году. Благодаря росту рынка бизнес Nvidia может кратно вырасти за семь лет. Есть не так много отраслей, которые могут ежегодно расти на 30% с учетом сложного процента.

Я разберу подробно каждый сегмент и оценю перспективы рынка.

Графические процессоры

  • NV1 — первая видеокарта от NVIDIA.
  • RIVA 128 и RIVA 128ZX — поддерживает DirectX 5 и OpenGL 1. Первая видеокарта от NVIDIA, совместимая с DirectX.
  • RIVA TNT, RIVA TNT2 — поддерживает DirectX 6 и OpenGL 1. Эта серия сделала NVIDIA лидером рынка.
  • GeForce (решения для игроков и пользователей домашних компьютеров) —
    • Серия GeForce 256 — поддерживает Direct3D 7, OpenGL 1.
    • Серия GeForce 2 — поддерживает Direct3D 7, OpenGL 1.
    • Серия GeForce 3 — поддерживает Direct3D 8, OpenGL 1.5.
    • Серия GeForce 4 — поддерживает Direct3D 8.1 (частично), OpenGL 1.5.
    • Серия GeForce FX — поддерживает Direct3D 9, OpenGL 1.5.
    • Серия GeForce 6 — поддерживает Direct3D 9.0c, OpenGL 2.0.
    • Серия GeForce 7 — поддерживает Direct3D 9.0c, OpenGL 2.0.
    • Серия GeForce 8 — поддерживает Direct3D 10, OpenGL 3.3.
    • Серия GeForce 9 — поддерживает Direct3D 10, OpenGL 3.3.
    • Серия GeForce 200 — поддерживает Direct3D 10, OpenGL 3.3.
    • Серия GeForce 400 — поддерживает Direct3D 11, OpenGL 4.5.
    • Серия GeForce 500 — поддерживает Direct3D 11, OpenGL 4.5.
    • Серия GeForce 600 — поддерживает Direct3D 11.1, OpenGL 4.5.
    • Серия GeForce 700 — поддерживает Direct3D 11.1, OpenGL 4.5.
    • Серия GeForce 800M — поддерживает Direct3D 11.1 и частично Direct3D 12.0, OpenGL 4.5.
    • Серия GeForce 900 — поддержка Direct3D 12.0 и OpenGL 2015 ARB [4] .
    • Серия GeForce 10 — поддержка Direct3D 12.1, OpenGL 4.6 и Vulkan 1.1
    • Серия GeForce 20 — поддержка Direct3D 12.1, OpenGL 4.6 и Vulkan 1.2
  • Quadro (решения для профессионалов, работающих с 2D- и 3D-приложениями) — аппаратная поддержка OpenGL и DirectX.

    • Quadro FX 370, Quadro FX570, Quadro FX 1700, Quadro FX 3700, Quadro FX 4800, Quadro FX 5800, Quadro FX 4700X2.
    • Quadro NVS 280 PCI, Quadro NVS 290 PCIE 1X и 16X, Quadro NVS 440 PCIE 1X и 16X, Quadro NVS 450 PCIE 16X.
    • Quadro Plex 2100 D4 (на 2x Quadro FX 4700X2), 2200 D4 (на 2× Quadro FX 5800), 2100 S4 (сервер на 4× Quadro FX5600), 2200 S4 (сервер на 4× Quadro FX5800).
    • Quadro CX для Adobe CS4 ПО.
  • GoForce — для PDA и мобильных телефонов.
  • Nvidia Tesla — для кластерных вычислений с одинарной и двойной точностью.

NVIDIA CUDA

Это технология для параллельных вычислений, используя мощности графического чипа. Это позволяет получить мощный вычислительный инструмент для экономических прогнозов, предсказания погоды, математических вычислений, расчета физики и т.д. GPU будет справляться с этими задачами лучше, чем CPU за счет большого количества вычислительных блоков.

Для этого надо специальным образом оптимизировать приложение для аппаратного ускорения CUDA.

Сотрудник компьютерной фирмы Nvidia создаёт суперкар

Графические процессоры, или GPU, используются в различных сферах – майнинг криптовалют, анализ данных и рендеринг. Одно из применений видеокарт – тренировка нейросетей с помощью технологий глубокого обучения. Предлагаем разобраться, как именно GPU используются для Machine Learning и какие видеокарты подходят для тренировки нейросетей.

Как видеокарты применяются в машинном обучении?

Сегодня машинное обучение нейросетей широко используется, так как стали доступны большие объемы данных, а их обработка стала эффективнее – в этом помогли вычисления на GPU.

В сфере машинного обучения GPU позволяют классифицировать изображения, распознавать речь и обрабатывать тексты.

GPU тренируют нейронные сети, используя крупные обучающие последовательности в течение короткого времени. Видеокарты также способны воспроизводить учебные модели машинного обучения, чтобы выполнять задачи классификации.

Преимущества графических процессоров для глубокого обучения

GPU обладают высокой производительностью – благодаря архитектуре своего ядра, графические процессоры эффективно справляются с большим количеством несложных однотипных задач. В этом заключается одно из отличий видеокарт от CPU.

Обучение нейронных сетей на CPU занимает месяцы, а видеокарты справятся с задачей за несколько дней. Однако при этом они потребляют меньше энергии за счет меньшей инфраструктуры.

Кроме этого, графические процессоры используют преимущества параллелизма. В свою очередь, нейронные сети – параллельные алгоритмы, поэтому GPU хорошо подходят для машинного обучения.

Также видеокарты оптимизированы для матричных операций и ускоряют их – они необходимы нейронным сетям для получения результата.

Какую видеокарту выбрать, чтобы обучить нейросеть?

Так как разные видеокарты нацелены на разные задачи, чтобы обучить нейросеть эффективно, необходимо подобрать графический процессор, подходящий для Machine и Deep Learning.

  • GeForce GTX 1080 Ti

Видеокарты GeForce GTX 1080 Ti от NVIDIA – эффективное решение для машинного обучения. Согласно сайту производителя, GPU обладает памятью нового поколения GDDR5X и пропускной способностью 11 Гб/с.

По словам производителя, GeForce GTX 1080 Ti – самая быстрая из всех выпущенных видеокарт NVIDIA. Такой графический процессор показывает производительность на 35% выше, чем модель GeForce GTX 1080.

Видеокарта даже быстрее старшей модели NVIDIA Titan X Pascal, предназначенной для машинного обучения и систем ИИ.

  • GeForce GTX Titan X

Этот графический процессор от компании NVIDIA разработан специально для быстрого обучения глубоких нейронных сетей.

Он обладает памятью в 12 Гб и 3072 ядрами – так, видеокарта производит эффективные вычисления одинарной точности.

  • Tesla P100
Читать еще:  Канадец сделал Хаммер своими руками у себя в гараже

Графический процессор Tesla P100 от NVIDIA подойдет в том случае, если для машинного обучения необходим большой объем памяти – на видеокарте доступно 16 Гб.

Процессор используют для вычислительной одинарной и двойной точности. Среди распространенных применений – финансовые вычисления и CFD-моделирование.

Видеокарты значительно ускоряют процесс глубокого обучения нейросетей – их вычислительная мощность позволяет эффективно работать с большими данными, при этом сокращая потребление энергии.

Технологии машинного обучения обсудят на AI Conference в Москве.

Глава исследований Google по компьютерному зрению Витторио Феррари: «Компьютеры смогут видеть, но никогда не смогут функционировать, как люди»

Компьютерное зрение уже помогает пасти коров, искать преступников и подбирать мебель для дома. Камеры наблюдения с функцией распознавания лиц уже работают в метро и продуктовых магазинах, а беспилотные автомобили колесят по дорогам Калифорнии (и обещают совершить революцию на рынке транспорта). Технология буквально преобразила мир в последние несколько лет. На конференции Machines Can See, организованной VisionLabs при поддержке Сбербанка и Sistema_VC, руководитель отдела исследований Google в области компьютерного зрения Витторио Феррари рассказал Inc., насколько хорошо машины видят сегодня, какие стартапы покупает Google и почему роботы никогда не смогут достичь уровня мышления человека.

Кусок компьютерного пирога

— Чему вы сейчас учите компьютеры? Какие последние успехи?

— В последние 2 года я руковожу группами по изучению компьютерного зрения, одной — в Google, другой — в университете Эдинбурга. Примерно половина моей работы относится к развитию и обучению моделей компьютерного зрения с минимальным использованием ручной разметки данных, Transfer Learning и взаимодействию человека с компьютером (human-machine collaboration). Еще я работаю над видеосегментацией, обучаю нейросеть распознавать объекты на видео. Я очень много работаю над контекстом — чтобы создать алгоритмы для полного описания сцены, которую компьютер «видит» на картинке. Скажем, когда мы видим телефон, мы понимаем, что это телефон, не только по форме предмета, но и по другим предметам и обстановке вокруг него, — и я пытаюсь научить этому компьютер.

— Что компьютеры уже могут легко распознавать с помощью машинного зрения, а над чем еще работать и работать?

— Все упирается в то, что мы имеем в виду под зрением. Представьте, что идеальное компьютерное зрение — это пирог. Если взять все, что человек имеет в виду под словом вижу, то современные модели компьютерного зрения — лишь маленький, тонюсенький кусочек этого пирога. Сегодня хорошо работает распознавание лиц, нахождение людей (когда нужно посчитать, сколько человек на том или ином изображении), все, что связано с конкретными объектами, — например, компьютер легко может распознать одно и то же здание с разных точек или найти его изображение в большой базе данных. Кроме того, хорошо работает распознавание базовых категорий объектов — например, автомобилей или пешеходов на улицах — по категориям. Но стоит выйти за пределы четко структурированной задачи — и распознавание уже едва работает. Попросите компьютер четко и осмысленно описать каждый предмет на картинке и то, как он соотносится с окружающими объектами. Не просто: это чашка, а на ней какая-то железяка и непонятное пятно, — а со смыслом: фарфоровую чашку держит за ручку человеческая рука, а на блюдце возле чашки лежит металлическая ложка, — это намного превосходит сегодняшние возможности компьютеров.

— Что мы приобретем, если компьютеры научатся этому?

— Можно будет узнавать по фотографии свойства объекта — например эластичность покрытия стадиона, по которому бежит Усэйн Болт. Мы ведь видим, как движется поверхность, от которой отталкивается его нога, — значит, сможем определить, что это за материал и каковы его свойства.

Следующий уровень — это, например, когда компьютер будет понимать по выражению лица, что человек внимательно слушает (а это уже не столько зрение, сколько понимание культурных особенностей). Или, если на картинке человек держит перед лицом карандаш, компьютер разберется, что он не собирается его съесть, а скорее всего, собирается что-то написать.

Но для решения таких задач уже нужна логика и здравый смысл. С каждым последующим уровнем пирога мы отдаляемся непосредственно от зрения и заходим на территорию искусственного интеллекта.

— Какие проблемы можно было бы решить с помощью компьютерного зрения, если бы оно было развито до такой степени?

— Если речь идет о конкретных приложениях — поиск по пейзажу или бэкграунду фотографии в Google Photos, например. Говоришь компьютеру: выбери фотографии, где я на пляже. Следующий шаг — когда ты уточняешь условия поиска: я на пляже с собакой и в красном купальнике. Это сразу усложняет поиск по картинкам — ни один продукт сегодня с таким не справляется. Поиск нескольких объектов на фото в определенном заданном контексте — всё это компьютер пока плохо понимает. Еще более сложный уровень: я кормлю собаку печеньем на пляже. Чтобы найти фотографию, на которой это изображено, компьютер должен построить отношения между твоей рукой, печеньем и собакой и распознать бэкграунд в виде пляжа. Процесс поиска по Google Images практически так и устроен, но условия поиска и тип вопросов, которые вы можете задать, ограничивает его возможности. Базовый продукт у нас есть, но он пока не научился удовлетворять сложным условиям поиска.

7 ярких стартапов со всего мира, которые используют компьютерное зрение

Стартап из Кремниевой долины разработал и выпустил дрон S1, который оснащен сразу 13-ю камерами и способен летать автономно благодаря компьютерному зрению. Управлять дроном можно через приложение, а его стоимость в продаже — $2,499. Skydio привлек $70 млн венчурных инвестиций, а среди инвесторов — венчурные фонды Andreessen Horowitz, Accel Partners и компания-производитель видеокарт Nvidia.

Парижский стартап Prophesee, до недавнего времени известный как Chronocam, на технические достижения вдохновила биология: компания разработала технологию компьютерного зрения, которая позволяет компьютеру имитировать человеческий глаз и мозг. Технология способна обрабатывать 100 тыс. видеокадров в секунду и может применяться в роботике, промышленной автоматизации и беспилотных автомобилях. Компания привлекла $37,3 млн инвестиций, в нее вложились, среди прочих, Intel, Renault и Cargill.

Компания Cainthus нашла особенно узкую нишу для применения технологии распознавания лиц: она использует ее в качестве виртуального пастуха для коров. Дублинский стартап работает над тем, чтобы компьютеры могли удаленно мониторить стадо коров и посылать уведомления, когда требуются действия, — например, когда животным нужна вода или еда. Кроме того, продукт может определять, что животное захворало и требует внимания ветеринара.

Компьютерное зрение применяется в том числе в фэшн и в электронной коммерции: сингапурский стартап ViSenze делает продукт, который позволяет пользователям искать предметы одежды, интерьера или украшения по картинкам, а его алгоритмы автоматически добавляют к ним тэги, чтобы упростить поиск. Компания уже привлекла $14 млн инвестиций.

VisionLabs — пожалуй, самый крупный российский стартап, который зарабатывает на компьютерном зрении. Продукты компании позволяют анализировать фото и видео онлайн, находить в них лица людей и сравнивать их с базами данных, создавать 3D-модели лиц, а также компания ведет исследования в этой области. Среди клиентов — Mail.Ru и другие компании. В июле 2016 года АФК «Система» купила 25%-ную долю в VisionLabs за 350 млн рублей при оценке компании в 1,4 млрд рублей.

Продукты гонконгской компании SenseTime на основе компьютерного зрения помогают решать целый ряд проблем — от поиска преступников (с 2017 года система помогла — благодаря сравнению фоторобота с базой данных — идентифицировать более 2 тыс. подозреваемых в Гуанчжоу) до умения делать удачные селфи (компания продала свой продукт SensePhoto, который распознает лица и делает их красивее, крупнейшей китайской социальной платформе Weibo). Стартап уже собрал $637 млн инвестиций, в том числе от таких гигантов, как Alibaba и Qualcomm.

Читать еще:  Индонезиец в сарае изготавливает суперкары

Три бывших военнослужащих израильской армии основали в Тель-Авиве стартап D-ID, чтобы защищать персональные данные в банках и госучрежениях от хакеров. Они разработали технологию, которая как бы смазывает изображения лиц таким образом, что компьютерное зрение больше не может их распознать, — при этом изменения остаются незаметными для человеческого глаза. На счету у основателей — $4 млн венчурных инвестиций и программа в престижном акселераторе Y Combinator.

Почему компьютер не умеет принимать разумные решения (и если научится, то еще не скоро)

— Сегодня множество компаний пытаются разрабатывать продукты на основе распознавания изображений. Есть ли свободные ниши на этом рынке?

— Думаю, что вопрос не в наличии свободных ниш. Количество стартапов на рынке не должно ограничивать потенциал конкретной компании. Google, Microsoft и Apple уже выпустили ряд продуктов на основе компьютерного зрения, то есть рынок уже частично насыщен. Но вместо того чтобы думать, а есть ли там свободные ниши, стартапу надо быть креативным и пытаться создать свою собственную нишу. В конечном счете все упирается в человеческие нужды — нужно найти потребность людей и придумать, как ее удовлетворить. Люди покупают машины, ходят в кино, и т.д. Вместо того чтобы размышлять, к какой сфере лучше приложить компьютерное зрение, стоит задать себе вопрос, в какой сфере потребности людей не удовлетворены. Может быть, речь идет о конкретной группе людей, например о российских мужчинах до 25 лет. И уже когда определитесь с проблемой, искать технологию, которая сработает для ее решения.

— В каком направлении стоит двигаться?

— Стоит смотреть на искусственный интеллект в целом — это намного более широкая сфера, чем компьютерное зрение. Cистемы построения логических выводов (reasoning systems, или программы, которые обучаются принимать сложные решения на основе методов дедукции и индукции) тоже пока еще слабо развиты. Компьютерное зрение неплохо развивается, но вот после того, как компьютер распознает изображение, он почти ничего не может сделать. Сейчас нет продуктов, которые позволяли бы сказать виртуальному помощнику в телефоне: хочу поехать в один классный ресторан в Италии, забыл название, но вот фотография оттуда, — и чтобы компьютер не просто определил, что это за ресторан, но и нашел в твоем календаре свободный вечер, заказал самый дешевый авиабилет до Италии на эту дату, забронировал столик и сверил расписание с твоей женой. Робот может по картинке распознать, что это за ресторан, но не может поставить его в контекст других твоих запросов. Уровень AI Reasoning вообще практически не развит — а значит, во всем, что происходит после распознавания картинки, огромное пространство для действий.

— Недавно беспилотный автомобиль в Калифорнии сбил пешехода. Могло ли компьютерное зрение помочь избежать такой ситуации?

— Если вы про тот случай в Калифорнии, когда велосипедист выскочил прямо из-за угла, то не думаю, что это проблема компьютерного зрения. Он вылетел реально быстро, и система контроля в автомобиле распознала его за долю секунды до столкновения. Можно ли возлагать вину за эту аварию на систему управления беспилотником? Возможно, надо приделать к автомобилю ракету, которая молниеносно поднимала бы его в воздух в таких случаях, но давайте посмотрим правде в глаза: если бы я был в тот момент за рулем, я бы сам врезался в человека. К сожалению, есть определенные пределы того, на что способна технология. Главный вопрос, который мы должны себе задавать, — произошла бы эта катастрофа, если бы за рулем сидел живой водитель? Если да, то никакое улучшение компьютерного зрения и ИИ не позволит предотвращать такие ситуации. Это уже область за пределами человеческих способностей. Компьютер, как и человек, может только увеличить скорость реакции во много раз, но не предвидеть опасность. Так что этот инцидент совершенно не означает провала ИИ. К сожалению, мы не можем уйти от реальности, в которой иногда происходят трагедии.

Лучшие производители видеокарт

Хотя особых отличий у видеокарт разных производителей не так много (именно у тех кто выпускает по референсному дизайну), стоит покупать видеокарты у лидеров рынка, таких как:

ASUS является ведущей компанией в области компьютерной электроники, которая известна во всем мире и не нуждается в представлении. Они производят: материнские платы, видеокарты, комплектующие, смартфоны, планшеты, ноутбуки, наушники, маршрутизаторы, модемы и многое другое. Asus известна своим высоким качеством и надежными продуктами.

Asus производит видеокарты для Nvidia и AMD. Занимает весь рынок, в сегментах бюджетных, средних и высокопроизводительных графических карт.

У Asus также есть игровой бренд ROG. Марка ROG состоит из всех высокопроизводительного и качественного железа для игр. Видеокарты Asus ROG STRIX считаются одними из лучших видеокарт с точки зрения игровой производительности. Видеокарты Asus немного дороже по сравнению с другими брендами.

MSI или Micro-Star International — производит видеокарты для Nvidia и AMD. Топовые видеокарты MSI поставляются с охлаждением TWIN FROZR VI, которое работает очень тихо и обеспечивает отличное охлаждение видеокарты. Цены на видеокарты MSI близки к ценам на Asus.

Gigabyte

Gigabyte — еще один хороший бренд, который производит различные компоненты для компьютера, например, материнскую плату, видеокарту, ноутбук и другие устройства. Gigabyte выпускают как видеокарты Nvidia, так и AMD. Как правило, видеокарты Gigabyte являются более экономичные и стоят немного дешевле, чем видеокарты Asus и MSI. Gigabyte недавно выпустила AORUS, чтобы конкурировать с линейкой графических карт Asus ROG STRIX.

Видеокарты EVGA очень популярны в Америке, в СНГ их продажи заметно ниже. EVGA — американский производитель компьютерного оборудования, производящий видеокарты, блоки питания, компьютерные компоненты и периферийные устройства. EVGA производит высококачественные видеокарты Nvidia, но из-за слабой популярности у нас — лучше обойти этот бренд стороной.

Zotac

Zotac — компания известная недорогими видеокартами и мини-ПК. Zotac делает графические карты только для Nvidia и их видеокарты по цене дешевле, чем у Asus, MSI, Gigabyte и EVGA. Zotac предлагает видеокарты из любого сегмента, будь то бюджетные, средние или топовые видеокарты. Хоть Zotac — бренд с небольшим производством, но они делают отличные видеокарты.

PNY — американская компания, которая производит видеокарты, флэш-карты, флэш-накопители, зарядные устройства, адаптеры и другие аксессуары. PNY производит видеокарты для игр и рабочих станций от Nvidia. Это официальный лицензированный партнер Nvidia по производству видеокарт для профессиональных или рабочих станций. Игровые видеокарты PNY по хорошей цене, но они не очень популярны.

Амеркианский производитель GeForce, причем использует отборные чипы с минимальными утечками тока (высокий коэффициент ASIQ), что гарантирует помимо высокого заводского разгона еще и дополнительный ручной (серия Kingpin).

Palit

Palit — производитель видеокарт, который в основном производит видеокарты Nvidia. Это довольно популярный бренд и слабо ориентируется на дешевые видеокарты.

PowerColor

PowerColor — производитель видеокарт AMD Radeon из Тайваня. Это хороший бренд, и если вы ищете видеокарту AMD, то PowerColor — один из лучших.

Sapphire

Sapphire также производит видеокарты AMD. Он предлагает видеокарты AMD Radeon всего диапазона цен, включая бюджетные, средние и топовые видеокарты. Sapphire — один из самых популярных брендов для видеокарт AMD Radeon.

Inno3D

Inno3D — китайский производитель видеокарт Nvidia.

HIS — производитель видеокарт, выпускающий видеокарты AMD Radeon. В продаже уже не встретишь.

Хотя рекомендовать определенного производителя довольно сложно, все зависит от конкретной модели и ее ценового класса.

Нужно понимать, что дорогие видеокарты mid-end или high-end класса, выпускаются на одном заводе. Производители видеокарт клеят на них наклейки со своим логотип, меняют стандартное охлаждение на более эффективно и менее шумное. Так что кроме цены, упаковки и охлаждения разницы между ними нет, ну и возможно гарантийным сроком.

Читать еще:  Большая Берта Майкла Лидса

Чтобы привлечь покупателя к своей продукции, производители слегка «разгоняют» видеокарты. Такие видеокарты маркируются аббревиатурой OC (overcloced), но не всегда. Производительность разогнанных видеокарт зачастую не превышает 10 процентов и проделанная работа будет входить в стоимость видеокарт.

После разгона видеокарты начинают сильнее греться и производители ставят свои системы охлаждения на замену стандартных. Конечно, они решили проблему с перегревом, но пользователь получит повышенную шумность, хотя если будет установленная качественная система охлаждения, то она может работать тише стандартной. В подробных характеристиках на сайтах производителя можно узнать шумность видеокарты.

Глава Nvidia рассказал о том, чем компания намерена заниматься в будущем

Поделитесь в соцсетях:

  • Нажмите, чтобы поделиться на Twitter (Открывается в новом окне)
  • Нажмите здесь, чтобы поделиться контентом на Facebook. (Открывается в новом окне)
  • Нажмите, чтобы поделиться на LinkedIn (Открывается в новом окне)
  • Нажмите, чтобы поделиться записями на Pocket (Открывается в новом окне)
  • Нажмите, чтобы поделиться в Telegram (Открывается в новом окне)

Компания Nvidia опубликовала финансовые результаты деятельности за третий квартал текущего года. Как сообщается в отчете, этот квартал стал для компании весьма успешным: по итогам трехмесячного отчетного периода, завершившегося 29 октября 2017 года, выручка Nvidia достигла $2,64 млрд, увеличившись на 31,5% в сравнении с аналогичным отрезком времени прошлого года. Чистая прибыль выросла на 54,6% до $838 млн ($1,33 в расчете на одну акцию компании).

Одним из главных драйверов роста финансовых показателей Nvidia стали решения для дата-центров, реализация которых удвоилась в годовом исчислении и превысила $501 млн. Ранее аналитики прогнозировали выручку от этих продуктов в размере $474,2 млн.

Объем игрового бизнеса Nvidia возрос на четверть до $1,56 млрд, что соответствует примерно 60% выручки. И здесь аналитики ожидали менее высокий показатель — $1,31 млрд.

В августе-октябре 2017 года в подразделении, специализирующемся на выпуске профессиональных графических адаптеров Quadro, доходы Nvidia повысились до 239 млн долларов с 207 млн долларов годом ранее. Объем автомобильного бизнеса подрос на 13,3%, до 144 млн долларов, что правда, меньше, чем ожидали аналитики (149,8 млн долларов).

А вот доход от продажи продуктов, используемых для майнинга криптовалют, составил около $70 млн, что в два раза ниже соответствующего показателя по итогам предыдущего квартала ($150 млн). По мнению финансового директора компании Колетт Кресс, это связано со значительной волатильностью криптовалютного рынка. Вместе с тем, замедление темпов роста выручки от продаж видеокарт для майнинга в целом не сказалось негативно на курсе акций Nvidia.

На графике изображена динамика курса акций NVIDIA Corporation.

В интервью изданию Venture Beat президент и сооснователь Nvidia Хуан Жэньсюнь рассказал о том, чем компания намерена заниматься в будущем — видеоиграми, дата-центрами, беспилотными технологиями и ИИ.

О беспилотных автомобилях

«Пройдет не более четырех лет, прежде чем полноценные беспилотные автомобили появятся на дорогах», — говорит Хуан.

При этом он не делает прогнозов, когда феномен станет массовым. Но очевидно, что это произойдет при активном участии самой Nvidia. Пару недель назад компания представила новый автомобильный суперкомпьютер Pegasus. Он сможет обеспечить автомобилю автономность 5-го уровня. Это значит, что человек за рулем постепенно становится ненужен.

Хуан говорит, что отлично понимает состояние сегодняшнего рынка автопилотов. Nvidia сотрудничает с 250 компаниями в деле создания беспилотного автомобиля. Среди них GM, Audi, Toyota, более мелкие производители, а также множество различных райдершеринговых сервисов.

«Nvidia находится в центре всех разработок», — утверждает глава компании.

По его словам, всем автопроизводителям необходимы вычислительные мощности Nvidia, так что она может позволить себе выбирать партнеров.

«Причина, по которой я верю, что беспилотные автомобили появятся в течение трех лет, в том, что я работаю над большим их количеством. 225 проектов используют сейчас наш автомобильный суперкомпьютер Drive PX. Это стартапы. Это производители комплексного оборудования. Это топовые компании. Они создают автомобили, автобусы, грузовики, минивэны и системы доставки пиццы.

Очевидно, что в течение пары лет в специальных георазмеченных зонах уже появятся беспилотные сервисы. Через 3 или 4 года будут регионы, где водители легковых автомобилей смогут полностью передать управление автопилоту. Это должно снизить количество ДТП, поэтому мы верим в будущее этой технологии», — утверждает Хуан.

В компании отмечают, что технологии автономного вождения требуют особого внимания, поскольку чипы для них сильно отличаются от традиционной продукции. Они должны обеспечивать глубокое и сложное обучение. Не каждый сможет изготовить такие, зато многие могут делать чипы для развлекательных и мультимедийных систем автомобиля, сказал Хуан. Видимо, это была отсылка к Intel.

Глава Nvidia очень гордится тем, что его компания занимается созданием чипов, которые будут служить «мозгом» беспилотных автомобилей. С прошлого года часть бизнеса, посвященная беспилотникам, выросла на 19%, говорит он.

О видеоиграх, ИИ и дата-центрах

Когда главу Nvidia спросили о том, могут ли видеоигры перестать быть основным направлением бизнеса компании, он ответил, что на этот счет испытывает противоречивые чувства.

«Раньше я считал, что видеоигры будут самым массовым развлечением. По той причине, что видеоигра может трансформироваться во что угодно. Вы можете стать кем угодно и делать все, что найдете нужным, в виртуальной реальности. Технически игры так и развиваются. Сегодня в мире сотни миллионов геймеров. Я уверен, что впоследствии их будут миллиарды. Рынок видеоигр продолжит расти, а геймерские технологии продолжат развиваться.

С другой стороны, наш бизнес дата-центров становится все больше. Это первый квартал, когда мы получили более $500 млн выручки за построенные дата-центры. Этот сегмент вырос на 109% по сравнению с прошлым годом. Также я верю в ИИ. Это будет нечто огромное в масштабах мировой экономики. Я считаю, что все, что движется, будет однажды автоматизировано.

Все это — великолепные возможности, быстрорастущие рынки. Поэтому я не могу дать ответ на этот вопрос», — отметил Хуан.

Интересно, что, когда СЕО Nvidia спросили о том, что ждет его конкурентов в лице AMD после того, как глава Radeon Technologies Group Раджи Кодури перешел в Intel, он заявил, что «для AMD это большая потеря».

«Их планы по будущим поколениям продуктов сейчас под вопросом», — заявил Хуан, добавив, что это никоим образом не отразится на планах Nvidia, которая «продолжит держать нос по ветру».

О криптовалютах

Что касается криптовалют, то глава Nvidia, по всей видимости, утратил оптимизм по отношению к ним.

«По сравнению с видеокартами и вопреки прогнозам многих людей, рынок криптовалют для нас не очень важен: выручка Nvidia от продажи графических процессоров для майнинга составила за квартал только $70 млн», — пессимистично заявил Хуан.

Вместе с тем, он полагает, что у этого рынка есть перспективы.

«Тот, кто создаст полноценный алгоритм для ASIC-чипов, специально предназначенных для майнинга криптовалют, застолбит рынок, и все перейдут на новую валюту, — говорит он. — Таким образом, нельзя сказать, что криптовалюты для нас совсем неинтересны. Они не исчезнут, но, скорее всего, так и останутся лишь небольшой толикой нашего бизнеса».

Электромобиль побил рекорд скорости

Автомобили с электрическими двигателями уже умеют не просто далеко ездить, но и делать это быстро. Подтверждением этому является достижение электрокара Genovation GXE, сумевшего разогнаться до скорости 340,8 км/ч.

Это произошло во время испытательных заездов в США на территории Космического центра им. Кеннеди. Интересно, что авто обновляет уже третий раз собственное же достижение.

В следующем году планируют выпустить 75 таких моделей с двигателями мощностью 800 л.с. В качестве базы для этой машины использован Chevrolet Corvette C7.

Ссылка на основную публикацию
ВсеИнструменты
Adblock
detector