Abgetaucht

Albert Hammond singt in einem seiner bekanntesten Songs „It never rains in Southern California“. Und so schien auch Ende März die warme Sonne über San Jose, wo Nvidia zu seiner Hauskonferenz GTC lud, um die neuesten Fortschritte bei den Grafikprozessoren vorzustellen. Zwar macht Nvidia noch immer mehr als die Hälfte des Umsatzes mit Grafikkarten für PC-Gamer, in den 500 Vorträgen ging es jedoch primär um die neuen Shooting-Stars im Silicon Valley: KI und Deep Learning.

Doch über der Branche ziehen dunkle Wolken auf: Nach den tödlichen Unfällen autonomer Fahrzeuge bei Uber und Tesla treten die Entwickler auf die Bremse. So gab Nvidia bekannt, dass man die Tests mit der eigenen Flotte autonomer Autos auf öffentlichen Straßen erst einmal einstellen werde. Uber trainiert seine KI wie nahezu alle großen Hersteller mit GPUs von Nvidia. Zwar nutzt Uber dazu seine eigene Software und nicht Nvidias Modelle, man will aber auf Nummer sicher gehen und das eigene System überprüfen. Der Aktienkurs von Nvidia brach daraufhin über zehn Prozent ein. Ubers Unfall bremst den bisherigen Höhenflug der gesamten Branche.

Virtuelle Fahrstunden

Die Hersteller von KI-Prozessoren und -Software stehen offenbar unter einem hohen Zeitdruck. Nvidia selbst unterhält nur eine kleine Testflotte von 20 autonom fahrenden Fahrzeugen in den USA, Japan und Deutschland. Doch auch wenn diese jährlich 1,6 Millionen Kilometer abreißen, geht das Danny Shapiro, Nvidias Senior Director of Automotive, zu langsam: „Bei dem gegenwärtigen Lerntempo erleben wir das selbstfahrende Auto nicht mehr.“ Die eigene Testflotte müsse laut Shapiro 1000 Jahre unterwegs sein, damit genügend Unfall-Situationen zusammenkommen, um aus den Daten Simulationsmodelle trainieren zu können.

Nvidia will jedoch nicht seine reale Flotte vergrößern, sondern der Auto-KI stattdessen in einer virtuellen Welt das Fahren beibringen. Das firmeneigene Drive-Constellation-System setzt dabei auf zwei GPU-Server. Im ersten werden Straßen und Autobahnen physikalisch korrekt nachgebaut, quasi wie in einem hyperrealistischen Videospiel. Dazu gehören Umgebungsinformationen, die ein echtes Auto mit Kameras, Radar und Lidar registrieren würde. Dabei werde nicht nur das in Liedern besungene schöne Wetter in Kalifornien simuliert, sondern auch Regen, Schneegestöber und eine tief stehende Sonne.

An diesen Umgebungsserver ist ein zweiter angeschlossen, auf dem Nvidias Drive-Pegasus-KI läuft. So ließen sich Beinahe-Unfälle und Schlechtwetterfahrten 24 Stunden am Tag simulieren, ohne reale Verkehrsteilnehmer zu gefährden. „10.000 Constellation-Systeme schaffen drei Milliarden gefahrene Meilen pro Jahr“, jubelte Nvidias Chef Jensen Huang. Derzeit arbeitet der Hersteller an einer Integration des Drive-Pegasus-Systems in einen kleineren Nachfolger namens Orin.

Server-Monster

Um den Hunger der KI-Branche nach mehr Rechenleistung für solche Simulationen zu stillen, stellte Nvidia eine neue Generation von Workstations namens DGX-2 vor und warf mit Zahlen der Superlative nur so um sich: Zwar basiert die DGX-2 noch auf der alten Prozessor-Architektur Tesla V100, Nvidia verdoppelt jedoch deren RAM auf 32 GByte und packt 16 GPUs in ein Gehäuse, die über 12 NVSwitch-Chips miteinander kommunizieren. Jeder dieser Switch-Chips bietet 18 NVLink-Ports mit einem Datendurchsatz von je 50 GByte/s, womit die DGX-2 insgesamt 10,8 TByte/s erreicht. Befeuert wird die GPU-Riege von zwei Xeon-Platinum-CPUs mit 1,5 TByte RAM. Als Massenspeicher kommen NVME-SSDs mit insgesamt 30 TByte zum Einsatz. Der 160 kg schwere Schrank soll mit über 80.000 CUDA-Kernen eine Tensor-Core-Leistung von rund 2 Petaflops erreichen und dabei nur 10 kW Leistung aufnehmen. Der Preis liegt bei 400.000 US-Dollar – dafür bekommt man im sonnigen San Jose mittlerweile kaum mehr als ein kleines Gartenhäuschen.

Laut Nvidia soll die DGX-2 rund zehn Mal schneller rechnen als die vor einem Jahr vorgestellte DGX-1. Benötigte letztere noch 15 Tage, um das neurale Netz FAIRSEQ zu trainieren, soll die DGX-2 die Aufgabe in 36 Stunden erledigen.

VR-Fernfahrer

Trotz dieser beeindruckenden Zahlen wird es wohl noch etwas länger dauern, bis autonome Autos tatsächlich sicher über reale Straßen fahren. In der Zwischenzeit könne man laut Nvidia jedoch schon mal den menschlichen Fahrer aus dem Fahrzeug verbannen. In einer Demo zeigte ein Nvidia-Mitarbeiter auf der GTC, wie er mit VR-Helm, Lenkrad- und Pedal-Controller ein Auto hinter dem Kongresszentrum lenkte. Seine Steuerimpulse wurden drahtlos an die Drive-Pegasus-KI übertragen und dann von dieser umgesetzt. Ob Fernfahrer ihren Job künftig in Heimarbeit erledigen?

Simulierte Sicherheit

Das Problem dieser technischen Lösungsansätze ist, dass die Fahrer-KI stets von den Daten abhängt, die die Fahrzeugsensoren liefern, wir auf Seite 74 genauer erläutern. Diese Sensoren haben jedoch das Problem, dass sie Objekte in ungewohnten Situationen, auf die die Simulationsmodelle nicht trainiert wurden, mitunter falsch interpretieren – mit zuweilen tödlichen Folgen. Und wenn man den Fahrer künftig sogar aus dem Fahrzeug entfernt, beraubt man ihn seiner Sinne. Denn selbst unter dem besten VR-Helm sieht und hört man nur ein elektronisch gefiltertes Abbild der Umgebung.

Nicht zuletzt spielt die Aufmerksamkeit des Fahrers eine entscheidende Rolle. Technisch „fast“ perfekte Assistenzsysteme können hier gefährlicher sein als gar keine Systeme, weil sie den Fahrer in einer falschen Sicherheit wiegen, sodass seine Aufmerksamkeit nachlässt. Blitzeis, verschneite Straßenschilder, besoffene Verkehrsteilnehmer, Drängler auf der Autobahn, unvorsichtige Kinder – um eine KI mit solchen Ausnahmesituationen zu trainieren, ohne Menschenleben zu gefährden, braucht es aufwendige Simulationen. Doch deren Entwicklung benötigt Zeit – zumal die Modelle mit Daten aus realen Verkehrssituationen gefüttert werden müssen.

Nvidias sonst so optimistischer Chef will denn auch erst in zwei Jahren über eine Serienreife der Drive-Architektur nachdenken: „Die Reise zum selbstfahrenden Auto wird eine lange sein – denn das ist eins der komplexesten Probleme überhaupt.“ (hag@ct.de)