Una mirada rápida a SolidWorks, una aplicación de diseño 3D, demuestra claramente el lado de la frustración de la ecuación. Funcionando únicamente desde el Core i7-12700H de 2.7Ghz, el modelo gira a 14 fps dolorosamente torpes. Mientras tanto, una computadora portátil NVIDIA RTX 3070 es suave como la mantequilla a 118 fps. Eso puede sonar como algo puramente estético, pero cuando tiene que rotar repetidamente y construir modelos complejos en tiempo real, realmente puede optimizar su flujo de trabajo.
“Imagínate tratar de diseñar esto con una experiencia lenta y con fallas”, dice Clayton. “Simplemente no lo harías. O bajarías la vista a un proyecto menos complejo, o estarías atrapado en el laboratorio de computación usando los sistemas de la universidad”.
Puede ver una brecha de rendimiento similar en MATLAB, donde una simulación de propagación de ondas 2D administra seis ciclos por segundo. El RTX 3070 administra 77 cada segundo, y realmente suma horas o incluso días durante un período. “La pregunta aquí para un estudiante es ¿quieres que tu tarea tome 12 veces más tiempo?” pregunta Clayton.
O podría ser incluso más que eso. Me muestran un ejemplo más: TensorFlow, donde entrenar una red en un conjunto de datos de imagen toma 16 minutos en la CPU i7, pero solo un minuto cuando entra en juego un RTX 3070. “Y esta es una red neuronal muy básica en un conjunto de datos de solo 60 000 imágenes”, aclara Clayton. “En una red compleja con cientos de miles de imágenes, esto se traduce en horas de ahorro de tiempo”.
Obviamente, esto es para el RTX 3070 de gama alta, pero los modelos 3050 y 3060 de nivel de entrada también brindan un impulso sustancial sobre las computadoras portátiles sin GPU, como muestra el gráfico a continuación. La RTX 3080 Ti de gama alta ofrece un rendimiento aún mejor para los estudiantes.
Claramente, ninguna universidad que valga la pena dejará que un estudiante se vaya sin las herramientas que necesita, y muchas proporcionan hardware para los estudiantes, pero hay una trampa. Por lo general, tiene la forma de un laboratorio de computación compartido, o a través de un servidor remoto en la nube donde a cada estudiante se le asigna una cantidad limitada de créditos («generalmente solo lo suficiente para hacer lo mínimo requerido para la tarea, y no explorar completamente el tema, ” se lamenta Clayton.) En otras palabras, el hardware es de calidad (“para inteligencia artificial y ciencia de datos, casi siempre es NVIDIA”, según Clayton) pero el acceso no lo es.