我们对SIGGRAPH这种顶会的三个印象是：图形，图形和图形。NVIDIA作为SIGGRAPH的常客，那当然一点都不意外。这家公司至少Gaming（游戏）和Professional Visualization（专业视觉）业务跟图形技术强相关。图形加速卡和“真正的”GPU，不都是围绕着“图形”技术的吗？
即便现在NVIDIA最春风得意的业务方向是AI加速，SIGGRAPH这种图形技术顶会，NVIDIA总该以图形和元宇宙为主，多聊聊AI之外的东西了吧？
实际情况是，在这场以图形技术为主场的主题演讲里，黄仁勋提到“generative AI”和“generative model”的次数多达55次——也就是说这场1小时20分钟的演讲，平均1分半钟，黄仁勋就得提一次生成式AI。这是在借着SIGGRAPH的场子，宣传AI啊？实际情况可能比这还是要复杂很多的，先来看一个例子。
大部分关注NVIDIA和元宇宙话题的读者，对于Omniverse应该很熟了——电子工程专辑以往也写了不少Omniverse相关话题的文章。简单来说，在Omniverse世界里，可以构建各种现实世界的数字孪生（digital twin）——比如一个机器人、一辆汽车、一座工厂、一个城市，甚至是整个地球。
把现实世界的东西，以符合物理规则的方式，放进Omniverse虚拟世界中，构成元宇宙。不过Omniverse的另一个职能是设计协作：Omniverse把各种设计工具，包括作图的、3D建模的、做动画的等不同工具串联起来——来自全球各地不同位置的设计师、创作者、开发者，都可以在这个虚拟世界里，协作完成设计。
所以我们说，Omniverse是图形强相关的产品，需要图形技术加持。今年春季GTC黄仁勋当时主题演讲对Omniverse的介绍只用了20分钟，前1小时都是在谈AI——毕竟ChatGPT、Midjourney之类的生成式AI现在那么火。
那在SIGGRAPH上大谈AI，是不是又要把图形和Omniverse给冷落了？黄仁勋这场演讲的主题，在我们看来应该是AI如何赋能图形技术，或者说NVIDIA Omniverse + NVIDIA AI如何一起发挥作用。当然，我们都知道Omniverse模拟世界里训练汽车和机器人的DRIVE Sim、Isaac Sim多少都 和AI有关，但生成式AI呢？为此，NVIDIA展示了这样一个demo：
高效规划工厂、仓库之类的工业场所，是相当冗长、复杂的工程。从规划概念，到工厂最终落地，还要考虑后期扩容之类的问题，其中有着无数的坑。NVIDIA展示从一个PDF文件开始，将2D CAD平面图，转为3D模型，加入光照、纹理各类效果，到形成工厂的数字孪生，并与资方做分享。
关注Omniverse的同学对这个流程应该不陌生，Omniverse本来就擅长干这活儿——它把各种设计工具串联起来。即便如此，这套流程都仍然相当复杂——它要求专业、经验丰富的设计师、工程师，及多方沟通协作。而这次，NVIDIA在全流程用上了生成式AI，所以情况就变成了这样：
首先借助Omniverse里的一个扩展，名为“SyncTwin”将二维CAD平面图，转成3D的OpenUSD格式模型。NVIDIA在演示里，是通过对话的方式，给了AI一份PDF文件，并输入（prompt）“我有张2D平面图，能转成3D的吗”——就像我们用ChatGPT和Midjourney时那样对话。
再用这次NVIDIA新发布的DeepSearch（3D搜索服务）对OpenUSD资产内容做进一步的填充；随后用BlenderGPT，再次以对话请求的方式，生成光照内容——也是在文本框里写句话的事情；接下来用Adobe Firefly——又一个生成式AI，生成仓库地面材料——演示中输入的关键词有“warehouse floor”（仓库地面），“realistic”（写实风格），“hd”（高清），“worn”（有磨损），“industrial”（工业）；
工厂顶盖部分则用Blockade Labs打造——Blockade Labs也是个text-to-3D的生成式AI渲染工具。搞定以后的空间内容，就可以添加到现有工厂数字孪生里面了——然后通过Omniverse Cloud GDN一键发布，分享给投资人、股东，或者其他设计者、建筑工程师看，在不同的设备上就能做可交互的浏览。
从一份PDF文档，最终构建起了3D虚拟工厂。当然具体实施的时候，相信还存在不少需求细节化调整的部分，不过大方向就依托于Omniverse这个平台，和各种生成式AI，借助人与AI对话的方式，把2D平面图，转成了完整的数字孪生。是不是还挺神奇的？
其实在今年GTC上，就生成式AI在内容和多媒体创作方向上的应用，NVIDIA就提到过，元宇宙虚拟世界是基于物理规律的，生成式AI加速了虚拟世界的创建过程。此过程里，“生成式”这个词就体现得相当到位了，元宇宙里的内容填充不就需要“生成”吗，显然AI是填充这些内容的优异助力。
怪不得SIGGRAPH这种图形顶会上，NVIDIA也能大谈生成式AI——以前我们对图形与AI的结合还停留在DLSS这类AI超分技术上。而上面这个例子，不就是图形与生成式AI的结合典型吗？这次SIGGRAPH上发布的几个比较关键的生成式AI，包括ChatUSD、RunUSD、DeepSearch等服务（或API），都和“USD”有关。
USD（Universal Scene Description）也在我们此前介绍Omniverse的文章里详细谈过。USD相对于3D图形，可类比为HTML相对于web。我们理解的USD是3D数据表达的某种标准。USD较早由Pixar提出，并广泛应用于3D动画、CG之类的领域。今年8月初OpenUSD联盟（AOUSD）组建，初始成员包括了Pixar、Adobe、苹果、Autodesk、NVIDIA，还有Linux基金会JDF等——黄仁勋称这个联盟的存在让USD生态获得了“turbo charge”。
OpenUSD的存在，应该说是Omniverse能够串联起来自不同厂商的设计工具的基础——毕竟大家有了相同的数据标准和框架，才谈得上互通与协作。而现在，OpenUSD显然又成为生成式AI应用于图形设计的基础。前面列举的从PDF文件到虚拟工厂的例子，全流程都依托于OpenUSD。
现阶段USD生态的发展情况还不错，实现原生USD支持的工具已经有50款，包含“来自100家企业170个contributor”。NVIDIA现在对于5年前自己选择USD还是非常认可，并且相当坚定的。
随着生成式AI发展的进一步白热化，NVIDIA应该会更积极地促成OpenUSD生态的发展。因为唯有更多的图形相关技术企业、创作者、开发者加入进来，这套生成式AI的方案才有机会推而广之，也就能加速Omniverse的构建过程。相对的，基于OpenUSD的这些生成式AI，本身也旨在加速OpenUSD生态的扩张。
比如说这次发布的ChatUSD，是个text-to-Python-USD的API。也就是说和ChatUSD说话，就能按照要求生成USD Python代码，也就是生成3D场景中的对象、在场景中的摆放等。ChatUSD本身是基于NVIDIA的NeMo框架，训练内容包括一众USD文档，和NVIDIA自己的USD代码。
再比如RunUSD，可用于检查开发者所写USD内容的兼容性、可用性；DeepSearch则如前所述，可以理解为基于语义的3D内容搜索服务，输入文字或者图片，搜索数据库里不带标签的资产数据。这三者皆以Omniverse Cloud API的方式提供服务。
那么USD现在肯定不只是用在3D动画这么简单：从NVIDIA列举的合作示例来看，汽车、建筑、仓储、机器人、工业制造都囊括在OpenUSD的推广蓝图中。
当然说到底，这还是NVIDIA元宇宙和AI技术的推广，毕竟工业数字化，是个潜在50万亿美金产值的大蛋糕。“Omniverse和生成式AI一起，能够帮助全球的重工业，做到工作流的数字化。”“现在完全机械化的东西，全流程都可以实现数字化，用OpenUSD融合进来。”“在物理实现落地之前，就以数字的方式降低能耗、减少浪费、减少错误的发生。”黄仁勋说。
所以无论如何，以OpenUSD为格式与框架标准，图形与生成式AI都变得强相关了。这次NVIDIA在SIGGRAPH上发布的GPU，仍然应该分两部分来看：Hopper架构的GPU，和Ada Lovelace架构的GPU。
前者用于HPC和AI，没有多少图形单元堆料——基于我们前文探讨的，它现在也能放到SIGGRAPH这种图形顶会上来讲了；后者是NVIDIA标准的图形RTX GPU，只不过它也能追逐生成式AI。
GH200的新闻这几天霸屏，想必大部分同学都已经看到了。其实Hopper架构GPU的发布，是早于生成式AI这股旋风正式席卷全球的：即便Transformer引擎很显然已经为生成式AI的发展铺了路，GH200的发布仍然不令人意外。因为生成式AI和LLM大模型的特点，决定了对大内存、高带宽更进一步的需求。
GH200 Grace Hopper Superchip
所以Grace Hopper 超级芯片组合了Grace CPU与Hopper GPU，配上141GB内存容量、5TB/s带宽的HBM3e，相比于H100达成1.7倍的片上存储容量和1.5倍带宽的提升——显然就是主要冲着生成式AI去的。
更有趣的其实是GH200构成的系统。两个Grace Hopper 超级芯片（基于NVLink连接）构成一个计算节点……借助各种networking芯片和设备（包括DPU、NIC、交换机等），基于节点、计算模块组成SuperPOD总共256颗Grace Hopper芯片，理论总算力1 ExaFLOPS，144TB HBM存储容量。
黄仁勋称这套系统为“全球最大的GPU”， 256颗GPU就如一颗GPU那样工作。“这是一颗当代的GPU（this is a modern GPU）。”上面这张图基本展示了系统的实际尺寸（注意中间黄仁勋的剪影，对比其尺寸）。如果将GH200 SuperPOD称为一颗完整的GPU，那么和5年前Turing架构GPU拿在手上的样子差别就真的很大了。
黄仁勋还真的在介绍GH200系统之前，掏出了一张2018年发布的Turing显卡做展示，大概就是为了对比这些年AI加速卡形态的演化之剧烈。对比Turing，而非更早架构的原因，黄仁勋在开场时也提了，就是Turing是首次将计算机图形学和AI做了统一的架构。
Turing架构时期的Tensor core最初的AI，应当还未曾特别着眼于生成式AI，当时的典型应用如DLSS。而现在Hopper架构的AI，谈论的更多的已经在LLM和生成式AI上了。这5年显然是NVIDIA做AI技术储备最重要的5年：GPU架构、互联技术、networking方案、AI生态与软件等等……
“有人曾说过，我相信在场的各位可能也听过。”大概是本场主题演讲被黄仁勋玩了3、4次的梗，“我也不知道是谁说的，‘买得越多，省得越多’（the more you buy, the more you save）。”这是在对比GH200构成的计算集群与x86 CPU计算集群的成本、功耗、算力时说的。
这句黄仁勋讲了多年的经典名言，也令主题演讲现场的观众普遍的会心一笑——只不过是从当年更纯粹的图形渲染，发展到CUDA通用计算，以及现在的生成式AI加速。
除了Hopper架构GPU更新外，Ada Lovelace架构图形卡这次也做了更新，包括RTX 5000、4500、4000，以及L40S。有所不同的是，NVIDIA刻意强调了这些图形卡LLM推理性能。
比如宣传新款RTX 5000，就不光是说图形渲染性能提升，还特别强调相比于Ampere架构1.5倍的生成式AI推理性能增强。还有搭载4张RTX 6000的新款工作站，针对GPT3-40B模型的fine-tune，在8.6亿token的情况下耗时大约15小时，SDXL（Stable Diffusion XL）推理每分钟出40张图，比GeForce RTX 4090快5倍。
以及配非常多8张L40S的新款OVX服务器相比上一代用A100的老款，fine tune性能提升1.7倍，SDXL每分钟出图80张……你看现在针对RTX显卡的宣传画风，都已经在往生成式AI靠了，果然此时的GPU，已经不是彼时的GPU了…
自去年到今年生成式AI爆发以来，数千份相关的研究paper、120亿美元输入给了做生成式AI技术初创企业，大量现有企业争先恐后地渴望引入生成式AI。行业要发展的肯定不会只是ChatGPT、Midjourney这种面向个人的服务。
生成式AI市场“爆发”的根本，还是要将其引入到更多的行业，并最终落地——就像前文列举工业市场的应用。去年“生成式AI”这个词还没火的时候，NVIDIA发布的NeMo，就是将大模型适用到特定领域的工具。比如ChatGPT虽然特能聊，但无法直接套用到零售机器人身上的——还需要为GPT模型提供特定的上下文、数据、“例子”；将大模型真正融入到不同行业、不同企业的业务中去，对大模型进行所谓的“guardrail”和“fine tune”。
这次针对生成式AI的普及，NVIDIA所做的发布主要包括三个项目。（1）和全球最大的开源AI模型社区Hugging Face合作，基于NVIDIA做AI模型定制和部署的全流程工具，包括NeMo，社区模型以后可以直接在DGX Cloud上训练和调整。换句话说，NVIDIA的AI云训练平台直接对接了全球最大的AI模型社区。
（2）发布名为AI Workbench的新工具——这项服务的目标是“让每个使用GPU的人都成为生成式AI创作者”。在任何位置，都能进行生成式AI相关的操作，包括云、数据中心、PC与工作站。
这套工具的本质是把一些对AI模型做fine tune和guardrail，或者优化所需的、有依赖的runtime和库都自动打包好，“一键将全部工程迁移到不同的平台”。
NVIDIA在demo中列举的一个典型用例是首先把AI Workbench装到一台GeForce RTX 4090的笔记本上，在这台设备上尝试做一个SDXL项目。随项目变得复杂，要求更高的算力和存储资源，那么用AI Workbench就能把它迁移到RTX 6000工作站上——迁移过程里，AI Workbench会自动创建项目环境，构建所有依赖；最终为容纳更大的模型，或寻求更大范围的模型定制，将项目扩展到数据中心…
除此之外（3）NVIDIA AI Enterprise全栈也更新到了4.0，这应该也是AI Workbench实现的基础之一。掌握从底层芯片到AI应用的全栈复杂性，是NVIDIA能够将AI真正部署到任意位置，并快速扩展其覆盖范围的关键能力。而上述AI生态相关新的发布、合作或更新，显然是为了AI能够更快地普及和落地。
不管是不是为了建设元宇宙，或者用于图形创作、数字孪生吧…既然是在SIGGRAPH发的，那就当做是为元宇宙和图形技术而作…虽然我们都认为生成式AI未来是要普及到千行百业的，远不限于现在看到的这些。
用黄仁勋的话来说是：“AI并不是某个具有特定能力的小插件，而是软件未来的方向，是计算未来的方向。它将存在于每个应用，跑在每个数据中心、每台计算机，无论是边缘还是云。”元宇宙在此大概成为了AI技术普及的一个载体。
最后聊点儿可能有些多余的话题。从2018年NVIDIA首次展示Turing架构GPU，演示星球大战的光追demo，“这个演示可能大约包含了50万多边形，每像素2条光线（2 rays/pixel），每条光线少量几次的反射。”
“我们为之加入了环境光遮蔽、区域光源、镜面反射，整体是光栅化与光线追踪混合的一个demo。”黄仁勋说，“以720p 30fps渲染，再用DLSS超分到4K。这个演示在当时看来是非常惊艳的。”
而今年，NVIDIA GTC上展示的Racer RTX——就是那个玩具赛车demo，“2.5亿多边形、10光线/像素，每条光线大约10次反射。”“整个场景是完完全全的光线路径追踪（path traced），没有用光栅化。并且以1080p 30fps渲染，再借助DLSS技术——每8个像素，就只有1个是渲染出来的，达成4K 30fps。”
之所以说这部分多余，是因为这篇文章还是借着图形的外衣，内里聊生成式AI。而逻辑上，至少我们看到，就现阶段来看生成式AI还没有对图形技术发展产生多大的帮助作用——即便DLSS之类的AI技术是起到了作用的。
但5年期的这种变化，从光追技术开始商用，到普及和实时流畅运行，不都是电子科技产业的写照吗？生成式AI也是从GPU的发展里衍生出来的。5年前应该都还没人预料到生成式AI在今天的火热，以及在数字化进程中，它对行业和社会造就的价值。
文章来自：https://www.eet-china.com/
