Ein kurzer Blick auf SolidWorks – eine 3D-Konstruktionsanwendung – zeigt deutlich die frustrierende Seite der Gleichung. Das Modell läuft ausschließlich mit dem 2,7-GHz-Core i7-12700H und dreht sich mit schmerzhaft klobigen 14 fps. Ein NVIDIA RTX 3070-Laptop hingegen ist mit 118 fps butterweich. Das mag nach einer rein ästhetischen Sache klingen, aber wenn Sie komplexe Modelle wiederholt in Echtzeit drehen und aufbauen müssen, kann dies Ihren Arbeitsablauf wirklich optimieren.
„Stellen Sie sich vor, Sie versuchen, dies mit einem fehlerhaften, verzögerten Erlebnis zu gestalten“, sagt Clayton. „Du würdest es einfach nicht tun. Sie würden entweder Ihr Augenmerk auf ein weniger komplexes Projekt richten, oder Sie würden im Computerraum mit den Universitätssystemen stecken bleiben.“
Sie können eine ähnliche Leistungslücke in MATLAB erkennen, wo eine 2D-Wellenausbreitungssimulation sechs Zyklen pro Sekunde schafft. Die RTX 3070 schafft 77 pro Sekunde, und das summiert sich über einen Zeitraum wirklich auf Stunden oder sogar Tage. “Die Frage hier für einen Schüler ist, möchten Sie, dass Ihre Hausaufgaben 12-mal so lange dauern?” fragt Clayton.
Oder es könnte sogar noch mehr sein. Mir wird ein weiteres Beispiel gezeigt: TensorFlow, wo das Training eines Netzwerks auf einem Bilddatensatz auf der i7-CPU 16 Minuten dauert, aber etwas mehr als eine Minute, wenn eine RTX 3070 ins Spiel kommt. „Und das ist ein sehr einfaches neuronales Netzwerk auf einem Datensatz von nur 60.000 Bildern“, stellt Clayton klar. „In einem komplexen Netzwerk mit Hunderttausenden von Bildern bedeutet dies Stunden an Zeitersparnis.“
Offensichtlich gilt dies für die High-End-RTX 3070, aber die Einstiegsmodelle 3050 und 3060 bieten auch einen erheblichen Schub gegenüber Laptops ohne GPU, wie die folgende Grafik zeigt. Das Spitzenmodell RTX 3080 Ti bietet eine noch bessere Leistung für Studenten.
Natürlich wird kein College, das sein Geld wert ist, einen Studenten ohne die Werkzeuge gehen lassen, die er benötigt, und viele liefern Hardware für Studenten – aber es gibt einen Haken. Dies erfolgt normalerweise in Form eines gemeinsam genutzten Computerraums oder über einen Remote-Cloud-Server, auf dem jedem Schüler eine begrenzte Anzahl von Credits zugewiesen wird („normalerweise nur genug, um das für die Aufgabe erforderliche Minimum zu erledigen, und das Thema nicht vollständig zu erforschen, “ beklagt Clayton.) Mit anderen Worten, die Hardware ist hochwertig („für KI und Data Science ist es laut Clayton so ziemlich immer NVIDIA“), aber der Zugriff ist es nicht.