\n<\/p>\n
Una mirada r\u00e1pida a SolidWorks, una aplicaci\u00f3n de dise\u00f1o 3D, demuestra claramente el lado de la frustraci\u00f3n de la ecuaci\u00f3n. Funcionando \u00fanicamente desde el Core i7-12700H de 2.7Ghz, el modelo gira a 14 fps dolorosamente torpes. Mientras tanto, una computadora port\u00e1til NVIDIA RTX 3070 es suave como la mantequilla a 118 fps. Eso puede sonar como algo puramente est\u00e9tico, pero cuando tiene que rotar repetidamente y construir modelos complejos en tiempo real, realmente puede optimizar su flujo de trabajo.<\/p>\n
\u201cImag\u00ednate tratar de dise\u00f1ar esto con una experiencia lenta y con fallas\u201d, dice Clayton. \u201cSimplemente no lo har\u00edas. O bajar\u00edas la vista a un proyecto menos complejo, o estar\u00edas atrapado en el laboratorio de computaci\u00f3n usando los sistemas de la universidad\u201d.<\/p>\n
Puede ver una brecha de rendimiento similar en MATLAB, donde una simulaci\u00f3n de propagaci\u00f3n de ondas 2D administra seis ciclos por segundo. El RTX 3070 administra 77 cada segundo, y realmente suma horas o incluso d\u00edas durante un per\u00edodo. \u201cLa pregunta aqu\u00ed para un estudiante es \u00bfquieres que tu tarea tome 12 veces m\u00e1s tiempo?\u201d pregunta Clayton.<\/p>\n
O podr\u00eda ser incluso m\u00e1s que eso. Me muestran un ejemplo m\u00e1s: 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. \u201cY esta es una red neuronal muy b\u00e1sica en un conjunto de datos de solo 60 000 im\u00e1genes\u201d, aclara Clayton. \u201cEn una red compleja con cientos de miles de im\u00e1genes, esto se traduce en horas de ahorro de tiempo\u201d.<\/p>\n
Obviamente, esto es para el RTX 3070 de gama alta, pero los modelos 3050 y 3060 de nivel de entrada tambi\u00e9n brindan un impulso sustancial sobre las computadoras port\u00e1tiles sin GPU, como muestra el gr\u00e1fico a continuaci\u00f3n. La RTX 3080 Ti de gama alta ofrece un rendimiento a\u00fan mejor para los estudiantes.<\/p>\n Claramente, ninguna universidad que valga la pena dejar\u00e1 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 computaci\u00f3n compartido, o a trav\u00e9s de un servidor remoto en la nube donde a cada estudiante se le asigna una cantidad limitada de cr\u00e9ditos (\u00abgeneralmente solo lo suficiente para hacer lo m\u00ednimo requerido para la tarea, y no explorar completamente el tema, \u201d se lamenta Clayton.) En otras palabras, el hardware es de calidad (\u201cpara inteligencia artificial y ciencia de datos, casi siempre es NVIDIA\u201d, seg\u00fan Clayton) pero el acceso no lo es.<\/p>\n<\/p><\/div>\n