NVIDIA Spectrum-X: революционные решения в области пропускной способности сетей ИИ и Ethernet

Платформа Spectrum-X от NVIDIA нацелена на раскрытие производительности ИИ, предоставляя непревзойденные сетевые возможности с технологией Ethernet с ультравысокой пропускной способностью и низкой задержкой. Разработанная для центров обработки данных, Spectrum-X включает коммутаторы NVIDIA Spectrum-4 и DPU BlueField-3 для предоставления комплексного модульного решения для рабочих нагрузок ИИ. Архитектура отвечает растущим потребностям в эффективности обучения и вывода ИИ, одновременно перестраивая ограничения распределенных вычислительных бункеров в их пропеллерном нерве.

Что такое сетевая платформа NVIDIA Spectrum-X?

Понимание возможностей NVIDIA Spectrum-X

NVIDIA Spectrum-X нацелен на сетей Оптимизация для удовлетворения требований к пропускной способности и задержке рабочих нагрузок ИИ. Она включает в себя Ethernet-коммутаторы NVIDIA Spectrum-4 наряду с BlueField-3 DPU, которые были интегрированы для обеспечения бесперебойного перемещения данных между центрами обработки данных. Платформа добавляет масштаб и область действия для обеспечения бесперебойной поддержки сложных рабочих процессов обучения и вывода ИИ. Снимая многие сетевые ограничения, Spectrum-X ускоряет вычисления и повышает энергоэффективность в распределенных средах. 

Роль ИИ в Spectrum-X

ИИ значительно расширяет возможности Spectrum-X в плане автоматического принятия решений на уровне компонентов и автономно организованных рабочих процессов обработки данных. С помощью сложных методов машинного обучения Spectrum-X разумно перераспределяет ресурсы между удаленными центры обработки данных и адаптируются к различным уровням рабочей нагрузки. Такая адаптивность значительно снижает эксплуатационные расходы, повышает эффективность использования полосы пропускания и сокращает задержки за счет упреждающего управления трафиком.

Умный, ориентированный на ИИ сетевые технологии, например, встроенные в Spectrum-X, по оценкам, повышают эффективность пропускной способности на целых сорок процентов в крупномасштабных средах обучения ИИ. Он также включает модели машинного обучения, которые обеспечивают сложный анализ сетевых шаблонов, что необходимо для упреждающей диагностики неисправностей и предиктивного обслуживания. Это повышает эффективность за счет снижения количества часов простоя примерно на двадцать пять процентов, обеспечивая при этом бесперебойную передачу данных.

Благодаря этим интеллектуальным системам Spectrum-X меняет парадигму отрасли, когда дело касается эффективного управления экспоненциально растущей рабочей нагрузкой ИИ. Эти достижения также позиционируют Spectrum-X как флагманское решение для компаний, желающих автоматизировать бизнес-процессы и операции с использованием технологии ИИ на безграничном рынке.

Влияние пропускной способности на производительность сети

Производительность сети во многом зависит от пропускной способности, которая определяется как объем данных, которые могут быть переданы по сети в определенное время. Высокая пропускная способность позволяет одновременно передача данных, которая повышает эффективность сети за счет уменьшения задержки. Недостаточная пропускная способность может привести к серьезным задержкам в работе сети, особенно для критически важных операций. Наличие достаточной пропускной способности имеет решающее значение при обеспечении постоянного подключения в средах обработки больших объемов данных или связи в реальном времени.

Преимущества Spectrum-X для фабрик искусственного интеллекта

Spectrum-X с интеграцией ИИ

Spectrum-X повышает производительность и эффективность фабрик ИИ, предлагая индивидуальные, современные сетевые решения с низкой задержкой. Его интеграция с коммутаторами NVIDIA Spectrum, а также с DPU BlueField гарантирует, что акценты Agile и DevOps избегают узких мест и поддерживают обработку в реальном времени в центре обработки данных. Пропускная способность повышается, что гарантирует быстрое развертывание высококачественных обученных моделей ИИ. Фабрики ИИ обеспечивают пиковую производительность, поскольку подключение позволяет свободно функционировать Scale, Reliability and Efficiency (SRE).

Содействие генеративным моделям ИИ

Инновации и автоматизация во многих отраслях стали возможны благодаря возможности создания реалистичного контента для использования — задача, облегчаемая развитием генеративного ИИ. Сложная инфраструктура и передовые вычислительные фреймворки объединяются, чтобы позволить приложениям генеративного ИИ обрабатывать большие наборы данных с беспрецедентной точностью для генерации текста, изображений, аудио, симуляций и многого другого. Замечательные успехи, которых недавние генеративные состязательные сети (GAN) наряду с моделями на основе трансформаторов, такими как GPT и DALL-E, достигают в индустрии развлечений и дизайна, а также в здравоохранении и финансах, действительно захватывают дух.

⭐ Ожидается, что к 110 году рыночная стоимость генеративного ИИ превысит 2030 миллиардов долларов, поскольку он способен оптимизировать рабочие процессы и создавать масштабируемые результаты. Это решение для автоматизации предприятий повышает вовлеченность клиентов, основанную на ИИ-контенте, и сокращает время вывода на рынок новых продуктов. Фабрики ИИ должны интегрировать новые технологии, такие как коммутаторы NVIDIA Spectrum и DPU BlueField, для оптимальной маршрутизации данных и обучения в реальном времени, что имеет решающее значение для приложений IoT.

⭐ Многие отрасли уже используют эту технологию для гиперперсонализированного маркетинга, чтобы повысить показатели удержания клиентов более чем на 40%. Более того, исследователи теперь могут разрабатывать новые лекарства быстрее и более рентабельно благодаря достижениям генеративного ИИ в области открытия лекарств и медицинской визуализации. Кроме того, количество и качество общих интеграций ИИ открывает новую эру передовых вычислительных экосистем с расширенными решениями для подключения.

Роль Spectrum-X в гипермасштабируемом ИИ

Вклад Spectrum-X в принятие гипермасштабного ИИ обусловлен его обеспечивающими аппаратными и программными решениями, которые помогают в высокопроизводительной обработке и аналитике данных. Его инфраструктура дополнительно способствует эффективному выполнению чрезвычайно требовательных вычислительных задач, что ускоряет обучение моделей ИИ. Spectrum-X дополняет фирменную инфраструктуру подключения высокопроизводительными вычислениями для улучшения масштабируемости и эффективности генеративных приложений ИИ. Это помогает гарантировать, что организации достигают желаемых результатов с ИИ, не ограничиваясь ограничениями ресурсов.

Изучение возможностей Spectrum-X AI Ethernet

Интеграция сетей Ethernet в решения на основе искусственного интеллекта

Надежная и быстрая передача данных необходима для связи между системами ИИ, и сетевое взаимодействие Ethernet позволяет это сделать. Spectrum-X использует передовые технологии Ethernet для оптимизации подключения для рабочих нагрузок ИИ, минимизируя задержку и максимизируя пропускную способность. Это поддерживает легкую передачу данных, необходимую для обучения сложных моделей ИИ и использования генеративных систем ИИ. Spectrum-X способен эффективно удовлетворять растущие потребности секторов, ориентированных на ИИ, благодаря своей прочной архитектуре и масштабируемости Ethernet.

Важные характеристики коммутатора Spectrum-4 Ethernet

1. Высокие эксплуатационные характеристики: Исключительная пропускная способность и низкая задержка достигаются за счет высоких эксплуатационных расходов, что поддерживает рабочие нагрузки ИИ и HPC.
2. Масштаб: Разработанный для масштабного развертывания, он также обеспечивает поддержку расширения сетевой инфраструктуры.
3. Энергоэффективность: Избыточные эксплуатационные расходы на электроэнергию не оказывают отрицательного влияния на производительность, одновременно снижая эксплуатационные расходы.
4. Повышенная надежность: Бесперебойная работа сети гарантируется надежной системой переключения при сбоях, а отказоустойчивость обеспечивает бесперебойную работу сети.
5. Интегрированная поддержка сетей ИИ: Приложения с возможностями, ориентированными на ИИ, поддерживаются с помощью усовершенствованных оптимизаций потока данных. Это устройство создано специально для них. 
6. Простота управления: Благодаря интуитивно понятным инструментам управления возможна оптимизированная настройка и обслуживание.

Контроль управления задержками и перегрузками

Активный мониторинг задержки и контроль перегрузки являются центральными для современных сетей из-за их влияния на производительность системы и пользователя. Задержка относится к задержке между моментом отправки запроса и предоставлением ответа. Контроль перегрузки относится к профилактическим мерам, которые предотвращают чрезмерную перегрузку трафика в сети.

Современные методы, такие как Low-Latency Queuing (LLQ) и Dynamic Frequency Selection (DFS), используются для сокращения задержки. В LLQ часть пакетов данных откладывается в очереди для передачи. Часть для передачи определяется уровнем важности, назначенным трафику, тем самым с легкостью передавая конфиденциальную информацию, такую ​​как голосовые и видеопотоки. Внедрение Edge Computing может дополнительно минимизировать задержку, анализируя информацию как можно ближе к месту ее генерации, тем самым сокращая время передачи на централизованные серверы.

С другой стороны, смягчение сетевых ограничений за счет использования спутников, устройств модуляции и шлюзов требует специальных алгоритмов для обеспечения плавного потока трафика данных. Такие методы включают контроль перегрузки протокола управления передачей (TCP), где данные, отправляемые по сетевому соединению или сети, динамически ограничиваются в зависимости от текущих сетевых условий. Например, TCP CUBIC и TCP BIC — это протоколы, состоящие из двух классов. Первый класс создан для больших расстояний и пиковой скорости, а второй — для коротких расстояний и низкой задержки. Исследование, проведенное в 2005 году, показало, что CUBIC имеет на 20–30 % лучшую пропускную способность в условиях высокой задержки по сравнению с TCP Reno, который был преобладающим в более ранние времена.

Более того, стратегии Advanced Queue Management (AQM), такие как Random Early Detection (RED), включены для решения проблем перегрузки заранее. RED управляет ранними стадиями перегрузки, уведомляя устройства о необходимости снизить скорость передачи (чтобы избежать потери пакетов) и поддерживая постоянный поток пакетов в сети. Вместе с современными политиками распределения трафика, такими как Weighted Fair Queuing (WFQ), эти политики позволяют лучше управлять полосой пропускания и справедливостью в сети с различными типами трафика. 

Статистика использования в реальном мире показывает, насколько важны эти методы. Например, системы со сложными интегрированными алгоритмами контроля перегрузки сообщают о более чем 40-процентном снижении потери пакетов, а сети с поддержкой периферии и чувствительные к задержкам показывают до 50-процентного улучшения времени отклика. Эти цифры демонстрируют выигрыш, полученный от современных подходов к решению проблемы задержек и перегрузки в сложных сетях.

Каков подход NVIDIA Spectrum-X к поддержке масштабируемости в сетях? 

Внедрение адаптивной маршрутизации для эффективного масштабирования 

NVIDIA Spectrum-X оснащен адаптивной маршрутизацией, которая эффективно обеспечивает масштабируемость в сетях маршрутизации, выполняя балансировку нагрузки с использованием динамического выбора на основе данных в реальном времени о состоянии сети. Эта функция увеличивает использование полосы пропускания, снижает перегрузку и снижает задержку за счет смещения в соответствии с шаблонами трафика. Благодаря использованию сложной телеметрии и аналитики Spectrum-X способен надежно использовать увеличивающиеся сетевые ресурсы с растущими рабочими нагрузками, гранично и надежно. Spectrum-X отлично работает в самых разных нейтральных средах без ущерба для производительности и надежности. 

Важность эффективной пропускной способности для масштабируемости

По мере масштабирования сетей эффективная пропускная способность становится критически важной, поскольку ее отсутствие напрямую снижает производительность и может привести к краху системы. Эффективная пропускная способность гарантирует, что сеть не будет перегружена, предоставляя верхний предел передаваемым данным, что позволяет снизить задержку и предотвратить возникновение узких мест. Благодаря максимизации пропускной способности можно обрабатывать большие объемы данных и большие объемы пользователей без перегрева производительности. Благодаря расширенным функциям управления трафиком и балансировки нагрузки NVIDIA Spectrum-X обеспечивает превосходную эффективную пропускную способность при огромных объемах рабочих нагрузок. Для того чтобы сети масштабировались и становились более надежными и эффективными, правильная оптимизация имеет первостепенное значение.

Что отличает NVIDIA Spectrum-X от традиционного Ethernet?

Различия между Ethernet и Spectrum-X.

Традиционный Ethernet служит для общих целей. Он обеспечивает адекватную совместимость для множества устройств и сетевых систем, а также гарантирует базовую передачу данных. Он полезен для общих сетевых процессов, но часто оказывается неэффективным, когда дело доходит до высокопроизводительных задач из-за плохих систем управления перегрузкой и нестандартной производительности задержки.

Что касается Spectrum X от NVIDIA, он создан для решения задач современных центров обработки данных Atmosphere. Его современные функции, такие как расширенная адаптивная маршрутизация вместе с надлежащим контролем перегрузки, оптимизация рабочих нагрузок для приложений с интенсивным использованием данных и направленные перегрузки, позволяют ему выполнять задачи более эффективно. Кроме того, Spectrum-X обеспечивает предсказуемо низкую задержку, потерю пакетов и надежную масштабируемость. Его усовершенствования лучше всего подходят для высокопроизводительных сред, которым требуется максимальная скорость и исключительная надежность. 

Преимущества конвергентного Ethernet в реализациях ИИ

Поддержка конвергентного Ethernet предлагает несколько необходимых функций, которые одновременно повышают производительность систем ИИ и их масштабируемость. 

1. Улучшенная пропускная способность данных: Для рабочих нагрузок ИИ части соответствующих данных, хранящиеся в огромных наборах данных, обрабатываются с помощью Converged Ethernet. Он передает данные с высокой пропускной способностью, что обеспечивает надлежащую обработку данных большого масштаба. 
2. Низкая задержка: Он обеспечивает исключительно низкую задержку, что является необходимым условием для обработки данных в реальном времени, ускорения вычислений и общей поддержки ИИ.
3. Повышенная эффективность: Интеграция систем хранения и сетей в единую инфраструктуру трафика упрощает конфигурацию центра обработки данных, повышая эффективность работы.
4. Более широкий потенциал расширения: Масштабируемость модели ИИ и требования к рабочей нагрузке можно легко реализовать с помощью конвергентного Ethernet.
5. Сокращение расходов: Это сокращает количество необходимых специализированных сетей, тем самым снижая затраты на инфраструктуру.

Эти преимущества облегчают классификацию технологии конвергентного Ethernet с крупномасштабными, высокопроизводительными инфраструктурами выполнения ИИ.

Часто задаваемые вопросы (FAQ) 

В: Как Spectrum-X повышает производительность графических процессоров в рабочих нагрузках ИИ? 

A: С Spectrum-X графические процессоры имеют лучшую производительность благодаря исключительной пропускной способности сети, предоставляемой для задач, ориентированных на ИИ. Платформа позволяет передавать данные между графическими процессорами с ошеломляющей скоростью 51.2 терабита в секунду, что позволяет распределенным системам эффективно масштабировать модели ИИ. Устраняя узкие места в коммуникации между несколькими графическими процессорами, Spectrum-X обеспечивает более быструю и эффективную обработку сложных рабочих нагрузок ИИ, тем самым максимально используя возможности графических процессоров NVIDIA в центрах обработки данных. 

В: Чем отличается сетевая платформа Spectrum-X Ethernet от облачных развертываний ИИ? 

A: Сетевая платформа Spectrum-X Ethernet уникальна для развертывания облачных ИИ, поскольку стандартизация и высокая производительность обычно предлагаются специализированными фабриками, такими как InfiniBand. По словам NVIDIA, компания интегрирует свои самые современные сетевые коммутаторы с DPU BlueField-3, чтобы получить ускоренный Ethernet, способный эффективно обрабатывать массивную параллельную обработку миллионов графических процессоров. Архитектура решает проблему перемещения данных, принципиально необходимую для крупномасштабного обучения и вывода ИИ, что значительно упростит создание масштабируемых и экономически эффективных облаков ИИ без необходимости использования фирменных сетевых протоколов.

В: Какое максимальное количество графических процессоров можно интегрировать с продуктом Spectrum-X?  

A: Этот продукт способен подключать и управлять миллионами графических процессоров в колоссальных центрах обработки данных. Продвинутая сетевая архитектура Spectrum-X позволяет ему масштабировать вычислительные среды ИИ от небольших кластеров до гигантских распределенных систем, содержащих тысячи серверов. Коммутатор SN5600 вместе с DPU BlueField-3 и сетевыми компонентами на основе кремниевой фотоники, интегрированными в продукт Spectrum-X, создали эту возможность. Этот невероятный масштаб позволяет организациям интегрировать миллионы графических процессоров для создания суперкомпьютеров ИИ, что в свою очередь позволяет выполнять развертывание и обучение сложных моделей ИИ одновременно.  

В: Какие сетевые коммутаторы для масштабирования включены в экосистему Spectrum-X?  

A: Экосистема Spectrum-X состоит из следующих ключевых сетевых коммутаторов для эффективного масштабирования инфраструктуры ИИ: коммутатор NVIDIA SN5600, который в основе гарантирует 64 порта подключения 400 Гбит/с в одном коммутаторе. Это значительно увеличивает пропускную способность кластеров ИИ. Кроме того, коммутаторы Spectrum-X photonics Ethernet используют технологию кремниевой фотоники для включения соединений на большие расстояния. Они вместе с DPU BlueField-3 обеспечивают ускоренный RoCE (RDMA через конвергентный Ethernet), и, таким образом, эти наборы коммутаторов обеспечивают интегрированное масштабируемое решение, начиная от небольших развертываний до огромных центров обработки данных ИИ, способных вмещать миллионы одновременных операций.

В: Как сравниваются сетевая платформа Spectrum-X Ethernet и платформы NVIDIA Quantum-X Photonics InfiniBand?

A: Оба являются частью сетевого портфолио NVIDIA, но имеют разные функции. Сетевая платформа Spectrum-X Ethernet обеспечивает ускоренную производительность Ethernet, оптимизированную для пропускной способности Infiniand; однако она полностью совместима с инфраструктурой Ethernet, что делает ее удобной для организаций, работающих с существующими сетями Ethernet. С другой стороны, платформы Quantum-X Photonics InfiniBand имеют лучшую производительность и системы с наименьшей задержкой, но они подключены к специализированной инфраструктуре InfiniBand. NVIDIA рекламировала Spectrum X как привносящую производительность Infiniand в Ethernet, предлагая клиентам гибкость в отношении их потребностей в инфраструктуре и производительности.

В: Какую роль играют серверные графические процессоры во всей экосистеме Spectrum-X? 

A: Архитектура Spectrum-X служит структурной основой для серверного GPU. Вся структура этой платформы построена вокруг способности этих GPU эффективно взаимодействовать друг с другом. В вычислительных средах ИИ обмен данными между GPU является непрерывным. Любое ограничение этой передачи серьезно повлияет на эффективность системы. Эта оптимизация позволяет передавать данные независимо с использованием таких технологий, как GPUDirect RDMA. С помощью этой технологии данные могут передаваться напрямую между GPU, расположенными на разных серверах, без необходимости использования CPU. Такая архитектурная конструкция гарантирует, что ценные вычислительные ресурсы GPU тратят больше времени на обработку информации и меньше на ожидание предоставления информации, что делает вычислительные среды, ускоренные GPU, более эффективными с экономической и эксплуатационной точки зрения.

В: Каким образом NVIDIA Spectrum-X помогает модернизировать облачную инфраструктуру ИИ?

A: NVIDIA Spectrum-X модернизирует инфраструктуру облака ИИ, решая основные фундаментальные сетевые проблемы, которые ограничивают масштабирование ИИ. Перемещение все больших объемов данных, известное как «перемещение данных», становится проблемой, когда для размещения более сложных и больших моделей ИИ требуется все больше и больше графических процессоров. Фабрики ИИ, состоящие из коммутаторов с высокой пропускной способностью, ускоренных сетевых протоколов и специально разработанных DPU, создаются с помощью Spectrum-X, что позволяет эффективно распределять рабочую нагрузку по массивным кластерам GPU. Как обсуждалось в презентациях NVIDIA GTC, большие языковые модели, системы визуального распознавания и научное моделирование — это лишь некоторые из приложений, которые будут работать на облаках ИИ следующего поколения и потребуют сложной технологии ИИ. Эта платформа имеет решающее значение для обеспечения полномасштабной инфраструктуры ИИ.

В: Какие преимущества дает Spectrum-X организациям, создающим вычислительные кластеры для исследований в области ИИ?

A: Я бы ответил, что с Spectrum-X организации, создающие вычислительные кластеры для исследований ИИ, могут получить выгоду несколькими важными способами. Во-первых, он значительно повышает пропускную способность обучения за счет оптимизации перемещения данных вокруг графических процессоров, что означает, что более сложные модели могут быть обучены за меньшее время. Кроме того, он обеспечивает лучшее распределение ресурсов, так что дорогостоящее оборудование графического процессора не тратится впустую в ожидании обработки данных. Кроме того, он имеет масштабируемую архитектуру, которая может развиваться от небольших исследовательских кластеров до развертываний на уровне производства. Также следует отметить, что Spectrum-X полностью основан на стандартах, что позволяет организациям извлекать выгоду из обладания инфраструктурой Ethernet, не страдая от снижения производительности, которое возникает при попытке использовать общие сети вместо специализированных. Все эти преимущества в совокупности позволяют проводить исследования ИИ более эффективным и экономичным способом, позволяя преследовать все более мощные цели.

Справочные источники

1. Сравнительный анализ методов раскрашивания изображений в ближнем инфракрасном диапазоне для маломощных встраиваемых систем NVIDIA Jetson

• Авторы: Шэндун Ши и др.
• Опубликовано в: Границы в нейророботике
• Дата публикации: 24 апреля 2023
• Токен цитирования: (Ши и др., 2023)
• Резюме:
  • Цель: В данном исследовании анализируются несколько методов раскрашивания изображений в ближнем инфракрасном диапазоне (БИК) для маломощных встраиваемых систем NVIDIA Jetson, часто используемых в задачах реального времени. 
  • Методология: Авторы построили систему оценки, которая измеряла 11 различных методов раскрашивания изображений NIR с помощью метрик изображения, включая качество, занятость ресурсов, потребление энергии и т. д. Анализ проводился на трех конфигурациях плат NVIDIA Jetson. 
  • Ключевые результаты: Было обнаружено, что метод Pix2Pix является наилучшим, поскольку он может обрабатывать 27 кадров в секунду на Jetson Xavier NX. Такая производительность считается достаточной для приложений реального времени, что иллюстрирует способность систем NVIDIA Jetson обрабатывать изображения NIR. 

2. Оценка производительности и переносимости приложений и мини-приложений на графических процессорах AMD, Intel и NVIDIA

• Авторы: Джэхёк Квак и др.
• Опубликовано в: Международный семинар по производительности, переносимости и продуктивности в HPC
• Дата публикации: 1 ноября 2021
• Токен цитирования: (Квак и др., 2021 г., стр. 45–56.)
• Резюме:
  • Цель: В данной статье оценивается кросс-архитектурная переносимость производительности приложений и мини-приложений на различных конструкциях графических процессоров, таких как NVIDIA A100. 
  • Методология: Авторы проанализировали и рассчитали эффективность производительности для графических процессоров AMD, Intel и NVIDIA, используя модель производительности roofline. Они оценили несколько приложений, созданных с помощью различных моделей параллельного программирования, таких как SYCL, OpenMP и Kokkos, наряду с другими моделями. 
  • Ключевые результаты: Исследование предложило новый подход к измерению переносимости производительности путем ее количественной оценки с помощью метрики, определяемой как стандартное отклонение эффективности линии крыши. Результаты показывают дисперсию аспектов производительности на разных платформах, что указывает на то, что каждая архитектура GPU требует определенных усилий по оптимизации. 

3. Распознавание многодиапазонной технологии Sub-GHz на NVIDIA Jetson Nano

• Авторы: Джарон Фонтейн и др.
• Опубликовано в: Конференция IEEE по транспортным технологиям
• Дата публикации: 1 ноября 2020
• Токен цитирования: (Фонтейн и др., 2020, стр. 1–7)
• Резюме:
  • Цель: В данном исследовании предпринимается попытка реализовать распознавание различных беспроводных технологий на основе глубокого обучения с использованием NVIDIA Jetson Nano с упором на его энергоэффективные функции. 
  • Методология: Авторы предложили модель сверточной нейронной сети (CNN), интегрированную с программно-определяемыми радиостанциями для интеллектуального управления спектром. Система должна была функционировать в режиме, близком к реальному времени, воспринимая несколько технологий одновременно. 
  • Ключевые результаты: Достигнутые результаты составили точность около 99% с распознаванием технологий. Это на уровне самых развитых решений, которые предлагают низкие затраты на обработку. Этот прогресс имеет отношение к созданию интеллектуальных сетей, которые автономно реагируют на динамическую беспроводную среду без необходимости использования дорогостоящих физических компонентов. 

4. Блок обработки графики

5. Nvidia