Ian Buck ist ein US-amerikanischer Informatiker und Vizepräsident bei NVIDIA, wo er die Initiativen des Unternehmens im Bereich beschleunigtes Rechnen und künstliche Intelligenz leitet. Er gilt weithin als Schöpfer von CUDA (Compute Unified Device Architecture), einer Plattform für paralleles Rechnen und einem Programmiermodell, das Grafikprozessoren (GPUs) von spezialisierter Grafikhardware zu Allzweckprozessoren für wissenschaftliche und KI-Workloads transformierte. Seine Arbeit legte das Fundament für den modernen Machine-Learning-Boom, da CUDA zur Standard-Schnittstelle für das Training von neuronalen Netzen auf GPUs wurde.
Buck begann seine Karriere im GPU-Computing während seines Studiums an der Stanford University, wo er unter Professor Pat Hanrahan arbeitete, einem Gewinner des Turing Awards und Mitbegründer von Pixar. In den frühen 2000er-Jahren entwickelte Buck die Programmiersprache Brook, eine frühe Hochsprachen-Abstraktion für allgemeines GPU-Computing, die zeigte, dass GPUs für nicht-grafische Aufgaben wie lineare Algebra und Physiksimulationen genutzt werden konnten. Diese Forschung beeinflusste direkt das Design von CUDA, das NVIDIA 2007 veröffentlichte.
Frühes Leben und Ausbildung
Ian Buck wurde Mitte der 1970er-Jahre in den Vereinigten Staaten geboren. Er erwarb 1997 seinen Bachelor of Science in Informatik am Massachusetts Institute of Technology (MIT), wo er sich mit parallelem Rechnen und Grafik beschäftigte. Anschließend promovierte er an der Stanford University und schloss seine Dissertation 2004 zum Thema „Stream Computing auf Grafikhardware" ab. Seine Doktorarbeit konzentrierte sich auf die Nutzung von GPUs als Stream-Prozessoren, ein Konzept, das der weit verbreiteten Einführung von GPU-Beschleunigung im Hochleistungsrechnen vorausging.
Während seiner Zeit in Stanford arbeitete Buck mit anderen Forschern zusammen, die später einflussreich wurden, darunter John Owens und David Kirk. Seine Arbeit an Brook wurde teilweise von der DARPA und Intel finanziert und erregte sowohl in der Wissenschaft als auch in der Industrie Aufmerksamkeit.
Karriere bei NVIDIA
Buck trat 2005 bei NVIDIA ein, vor der offiziellen Veröffentlichung von CUDA. Er war mit der Leitung der Entwicklung des CUDA-Programmiermodells beauftragt, was das Design der Spracheerweiterungen, des Compilers und der Laufzeitbibliotheken umfasste, die es Entwicklern ermöglichten, C-ähnlichen Code für GPUs zu schreiben. CUDA wurde 2007 mit der GeForce-8-Serie und der Tesla-Produktlinie für dedizierte Rechenprodukte eingeführt.
Unter Bucks Führung entwickelte sich CUDA von einem Nischenwerkzeug für Grafikprogrammierer zu einem umfassenden Ökosystem, das Bibliotheken wie cuBLAS, cuFFT und cuDNN sowie Frameworks wie TensorFlow und PyTorch umfasst, die CUDA für das Deep-Learning-Training integrieren. Er trieb auch die Einführung von CUDA im Hochleistungsrechnen voran und half 2012 beim Aufbau des Supercomputers Titan am Oak Ridge National Laboratory, dem ersten GPU-beschleunigten System, das eine Petaflop-Leistung erreichte.
In seiner aktuellen Rolle als Vizepräsident für beschleunigtes Rechnen verantwortet Buck die NVIDIA-Roadmap für GPU-Architekturen, einschließlich der Generationen Hopper und Blackwell, und arbeitet mit Partnern aus der Cloud-Computing- und Automobilindustrie zusammen. Er hat sich wiederholt für den Einsatz von GPUs beim Training großer Sprachmodelle ausgesprochen und betont, dass CUDA durch seine Programmierbarkeit und Leistung de facto zum Standard für KI-Infrastruktur geworden ist.
Auswirkungen auf KI und Hochleistungsrechnen
Bucks Beiträge zu CUDA hatten tiefgreifende Auswirkungen auf das Gebiet der künstlichen Intelligenz. Vor CUDA stützte sich die meiste KI-Forschung auf Zentraleinheiten (CPUs), die für die Matrixoperationen, die dem Training neuronaler Netze zugrunde liegen, langsamer und weniger effizient waren. Indem CUDA es ermöglichte, diese Workloads auf GPUs auszuführen, verkürzten sich die Trainingszeiten um Größenordnungen, was das Training größerer Modelle ermöglichte und zu Durchbrüchen im Deep Learning führte, wie etwa AlexNet im Jahr 2012 und dem anschließenden Aufstieg von generativen KI-Systemen.
CUDA wurde außerdem zu einem entscheidenden Unterscheidungsmerkmal für NVIDIA im Wettbewerb mit Rivalen wie AMD und Intel. Obwohl AMD und Intel eigene GPU-Computing-Frameworks (ROCm bzw. oneAPI) entwickelt haben, haben CUDA Reife und sein umfangreiches Software-Ökosystem dazu geführt, dass NVIDIA laut Branchenschätzungen im Jahr 2024 bei über 90 % der KI-Trainingsworkloads weltweit marktführend ist.
Über KI hinaus wurde CUDA auch in der wissenschaftlichen Datenverarbeitung, bei der Ölexploration, in der medizinischen Bildgebung und im Finanzwesen eingesetzt. Buck war zudem an der Förderung von GPU-Computing in der Bildung beteiligt und unterstützte Universitätskurse und Forschungsprogramme, die paralleles Programmieren lehren.
Anerkennung und Vermächtnis
Ian Buck hat für seine Arbeit zahlreiche Auszeichnungen erhalten, darunter den ACM Gordon Bell Prize im Jahr 2010 als Teil eines Teams, das GPUs zur Simulation der Quantenchromodynamik einsetzte. 2018 wurde er zum IEEE Fellow ernannt, in Anerkennung seiner Beiträge zum parallelen Rechnen. 2021 wurde er in die National Academy of Engineering aufgenommen, für seine Rolle bei der Schaffung von CUDA und der Weiterentwicklung des GPU-Computings.
Buck ist außerdem ein häufiger Redner auf Konferenzen wie SC und GTC, wo er über die Entwicklung von GPU-Architekturen und die Zukunft des beschleunigten Rechnens spricht. Er hält über 50 Patente im Zusammenhang mit paralleler Verarbeitung und Grafik.
Persönliches Leben
Über sein Privatleben ist Ian Buck öffentlich wenig bekannt. Er ist verheiratet und hat zwei Kinder. In seiner Freizeit wandert er gerne und fotografiert, Hobbys, von denen er sagt, dass sie ihm helfen, über komplexe technische Probleme nachzudenken. Er lebt im Großraum San Francisco, in der Nähe des NVIDIA-Hauptsitzes in Santa Clara, Kalifornien.
Stand 2024 leitet Buck weiterhin die Bemühungen von NVIDIA im Bereich beschleunigtes Rechnen und konzentriert sich auf die Integration von GPUs in die Inferenz großer Sprachmodelle und Edge-Computing. Seine Vision für die Zukunft umfasst die Demokratisierung des GPU-Computings durch Cloud-Dienste und Open-Source-Tools, um sicherzustellen, dass die Vorteile des beschleunigten Rechnens nicht auf große Konzerne beschränkt bleiben.