GPU: jak karta do gier stała się mózgiem sztucznej inteligencji

Wojna o piksele: narodziny GPU w latach 90.

Na początku lat 90. karty graficzne były prostymi urządzeniami, które jedynie wyświetlały to, co obliczył procesor. Wszystko zmieniło się wraz z boomem na gry 3D. Firmy takie jak 3dfx (z legendarną serią Voodoo) i NVIDIA zaczęły projektować chipy, które same potrafiły liczyć trójkąty, tekstury i oświetlenie sceny - odciążając w ten sposób CPU.

Przełom nastąpił w 1999 roku, gdy NVIDIA wypuściła GeForce 256 i jako pierwsza użyła terminu GPU (Graphics Processing Unit). Marketingowe hasło szybko stało się nazwą całej kategorii sprzętu. Sekret tkwił w architekturze - podczas gdy procesor wykonuje zadania sekwencyjnie na kilku szybkich rdzeniach, GPU od początku projektowano do równoległego liczenia tysięcy pikseli naraz.

CUDA: moment, w którym karta graficzna przestała być tylko do gier

Ta sama architektura, która świetnie radzi sobie z milionami pikseli, okazała się idealna do każdego zadania, które można podzielić na tysiące niezależnych, prostych obliczeń - na przykład mnożenia macierzy, czyli matematycznego fundamentu uczenia maszynowego.

W 2006 roku NVIDIA wprowadziła CUDA - platformę programistyczną, która pozwoliła naukowcom i inżynierom pisać zwykły kod wykorzystujący moc GPU do zadań niezwiązanych z grafiką. To był ryzykowny zakład - firma inwestowała miliardy dolarów w technologię, na którą przez lata prawie nikt poza garstką akademików nie zwracał uwagi. Ówczesny rynek gamingowy nie potrzebował tej elastyczności, a analitycy pytali, po co karcie graficznej programowalność ogólnego przeznaczenia.

AlexNet 2012: eksperyment, który zmienił bieg historii IT

Zakład NVIDII zwrócił się w 2012 roku podczas konkursu rozpoznawania obrazów ImageNet. Zespół z Uniwersytetu w Toronto - Alex Krizhevsky, Ilya Sutskever i Geoffrey Hinton - zaprezentował sieć neuronową AlexNet, wytrenowaną na zaledwie dwóch kartach GeForce GTX 580. Model rozgromił konkurencję, redukując błąd klasyfikacji o kilkanaście punktów procentowych względem drugiego miejsca.

To był moment przełomowy dla całej branży. Okazało się, że głębokie uczenie, znane od dekad teoretycznie, w praktyce wymagało tylko jednego - odpowiednio dużej mocy obliczeniowej. GPU, dzięki tysiącom rdzeni liczących równolegle, dostarczyły tej mocy za ułamek ceny i czasu, jakiego wymagałyby klasyczne superkomputery oparte na CPU.

• AlexNet trenowano przez ok. 6 dni na dwóch kartach graficznych
• Na klasycznym CPU ten sam proces zająłby wiele tygodni
• Po 2012 roku niemal cała branża AI przeszła na trenowanie modeli na GPU

Od kart do gier po najcenniejszą firmę świata

Kolejna dekada to już historia znana z nagłówków gazet. Boom na duże modele językowe i generatywną AI (ChatGPT, Midjourney i inne) sprawił, że centra danych na całym świecie zaczęły skupować karty NVIDIA H100 i nowsze w tempie, jakiego rynek nigdy wcześniej nie widział. W 2023 i 2024 roku NVIDIA regularnie pojawiała się w gronie najcenniejszych spółek świata, wyprzedzając firmy działające dekady dłużej.

Warto pamiętać, że dziś GPU dzieli się na dwie odrębne linie produktowe - karty gamingowe (GeForce) oraz specjalistyczne akceleratory do centrów danych (np. seria H100/B200), które kosztują dziesiątki tysięcy dolarów za sztukę i praktycznie nie trafiają do sklepów detalicznych.

Co ten boom oznacza dla małych firm w Polsce

Popyt na GPU do zastosowań AI ma bardzo realne skutki dla zwykłych firm - i to niekoniecznie związane z samą sztuczną inteligencją. Producenci pamięci i procesorów kierują coraz większą część produkcji do klientów korporacyjnych budujących centra danych AI, co podbija ceny kart graficznych, pamięci RAM i dysków SSD również na rynku konsumenckim.

Dla MŚP oznacza to konkretne decyzje - czy inwestować we własny sprzęt pod lokalne modele AI, czy raczej korzystać z mocy obliczeniowej w chmurze, gdzie GPU wynajmuje się na godziny. Dobrze zaplanowana inwentaryzacja i strategia zakupowa sprzętu IT pozwala uniknąć kupowania na zapas w panice i realnie ocenić, czego firma faktycznie potrzebuje.