Was ist NVIDIA CUDA?

NVIDIA CUDA, oder einfach CUDA (Compute Unified Device Architecture), stellt eine parallele Computing-Plattform und ein Programmiermodell dar. Entwickelt von NVIDIA, ermöglicht es das direkte Schreiben von C-ähnlichem Code (Noch kein Beitrag über C aber dennoch macht es aufgrund der Syntax Sinn, meinen Beitrag über C++ hier zu verlinken) für NVIDIA Grafikprozessoren (GPUs), sodass diese bei allgemeinen Rechenoperationen außerhalb der Grafikberechnung effizient eingesetzt werden können.

Die Geschichte von CUDA

Die Entstehung geht auf das Jahr 2006 zurück, als NVIDIA erkannte, dass ihre GPUs weit mehr Potenzial besitzen, als nur 3D-Grafiken zu rendern. NVIDIA hatte das Ziel, ihre GPUs für eine Vielzahl von rechenintensiven Aufgaben einsetzbar zu machen. Daher entwickelten sie es als Lösung, um Entwicklern den Zugriff auf die massive parallele Verarbeitungsleistung von NVIDIA-GPUs zu ermöglichen.

NVIDIA CUDA richtig einsetzen

Die Implementierung in ein Projekt kann den Unterschied ausmachen, wenn es um die Geschwindigkeit und Effizienz der Verarbeitung geht. Hier einige Schritte und Tipps zur Einrichtung:

1. Systemanforderungen prüfen: Es benötigt logischerweise eine NVIDIA-GPU und das passende Treiberpaket.
2. CUDA Toolkit installieren: Das Toolkit stellt notwendige Bibliotheken und Header-Dateien bereit. Es enthält auch den nvcc-Compiler, mit dem der Code kompiliert wird.
3. Einfache Algorithmen wählen: Beim Einstieg empfiehlt es sich, mit einfachen Algorithmen zu beginnen, um ein Gefühl für die Parallelität und die Struktur zu bekommen. Zum Beispiel lässt sich das Matrixmultiplikations-Problem gut parallelisieren und in CUDA umsetzen.
4. Optimieren und Profilen: NVIDIA bietet Profiling-Tools wie den NVIDIA Visual Profiler. Dieses Tool hilft dabei, Flaschenhälse im Code zu identifizieren und die Performance zu optimieren.
5. Vermeiden von Speicherengpässen: Einer der häufigsten Fallstricke in CUDA ist der ineffiziente Zugriff auf den GPU-Speicher. Es gilt, den Datenverkehr zwischen dem Host (CPU) und der Device (GPU) zu minimieren und den gemeinsamen Speicher der GPU effizient zu nutzen.

Beispiel Matrixmultiplikation:

Ein gutes Beispiel für den Einsatz ist die Matrixmultiplikation. In einem typischen C-Programm könnten zwei Matrizen in einem verschachtelten For-Loop multipliziert werden. In CUDA kann jeder dieser Berechnungsschritte jedoch parallel auf verschiedenen GPU-Threads durchgeführt werden. Dies erhöht die Geschwindigkeit und Effizienz der Operation erheblich.

Beispiel-Code Matrixmultiplikation:

#include <cuda_runtime.h>
#include <iostream>

const int N = 16;  // Matrixdimension (N x N)

__global__ void matrixMul(int *a, int *b, int *c) {
    int row = blockIdx.y * blockDim.y + threadIdx.y;
    int col = blockIdx.x * blockDim.x + threadIdx.x;

    int sum = 0;
    for (int k = 0; k < N; k++) {
        sum += a[row * N + k] * b[k * N + col];
    }

    c[row * N + col] = sum;
}

int main() {
    int a[N*N], b[N*N], c[N*N];
    int *d_a, *d_b, *d_c;
    int size = N*N * sizeof(int);

    cudaMalloc((void**)&d_a, size);
    cudaMalloc((void**)&d_b, size);
    cudaMalloc((void**)&d_c, size);

    // Initialisiere a und b mit Werten
    for (int i = 0; i < N*N; i++) {
        a[i] = 1;
        b[i] = 2;
    }

    cudaMemcpy(d_a, a, size, cudaMemcpyHostToDevice);
    cudaMemcpy(d_b, b, size, cudaMemcpyHostToDevice);

    dim3 threadsPerBlock(N, N);
    dim3 blocksPerGrid(1, 1);
    if (N*N > 512){
        threadsPerBlock.x = 512;
        threadsPerBlock.y = 512;
        blocksPerGrid.x = ceil(double(N)/double(threadsPerBlock.x));
        blocksPerGrid.y = ceil(double(N)/double(threadsPerBlock.y));
    }

    matrixMul<<<blocksPerGrid,threadsPerBlock>>>(d_a, d_b, d_c);

    cudaMemcpy(c, d_c, size, cudaMemcpyDeviceToHost);

    cudaFree(d_a); 
    cudaFree(d_b); 
    cudaFree(d_c);

    // Hier kann man c ausgeben, um das Ergebnis zu überprüfen.
    for(int i=0; i<N; i++){
        for(int j=0; j<N; j++){
            std::cout << c[i*N + j] << " ";
        }
        std::cout << "\n";
    }

    return 0;
}

Dieses Beispiel illustriert eine grundlegende Implementierung der Matrixmultiplikation. In realen Anwendungen muss man den Code weiter optimieren, beispielsweise durch den Einsatz von geteiltem Speicher oder durch die Minimierung von Speicherzugriffen, um die Performance zu maximieren.

Fazit

NVIDIA CUDA hat die Landschaft des High-Performance Computing verändert. Es bietet Entwicklern eine leistungsstarke Plattform, um die Rechenleistung von NVIDIA-GPUs voll auszuschöpfen. Mit den richtigen Tools, Kenntnissen und Best Practices kann jeder Entwickler von der Geschwindigkeit und Effizienz von CUDA profitieren. neben NVIDIA’s CUDA gibt es auch Technologien anderer Hersteller, die ähnliche Funktionen für paralleles Computing und GPU-Programmierung bieten. Das bekannteste „Pendant“ dazu ist OpenCL (Open Computing Language). Darüber schreibe ich dann aber einen separaten Beitrag.

Der Beitrag NVIDIA CUDA – GPU Computing erschien zuerst auf CEOsBay.

Kurze Zeitreise

Die Geschichte des Raspberry Pi geht zurück auf das Jahr 2006. Als ein Team von Wissenschaftlern und Technikern am Computer Laboratory der University of Cambridge, darunter Eben Upton, Rob Mullins, Jack Lang, Alan Mycroft und Pete Lomas, eine wachsende Besorgnis über den Rückgang der Informatikkenntnisse unter britischen Schülern feststellten. Die Anzahl der Schüler, die Informatik auf Universitätsebene studierten, nahm ab. Hinzu kam, dass die Schüler weniger praktische Programmiererfahrungen hatten, als in den Jahren vorher.

Als Hauptursache des Rückgangs identifizierten sie die Unzugänglichkeit von erschwinglichen, programmierbaren Computern für junge Menschen. In den 80er Jahren hatten Heimcomputer wie der BBC-Micro und der Commodore 64 eine Generation von Technikbegeisterten inspiriert. Dies ermöglichte auch vielen von ihnen Programmierkenntnisse zu erwerben. Doch die Komplexität der Computer steigerte sich im Laufe der Zeit. Vor allem stiegen damit auch die Anschaffungskosten, wodurch sie für viele unzugänglich geworden sind, insbesondere im Kontext der Bildung.

Um dieses Problem zu lösen, arbeitete das Team an der Entwicklung eines kleinen, erschwinglichen und benutzerfreundlichen Einplatinencomputers. Dieser sollte den Schülern ermöglichen, Programmieren und Computertechnik auf spielerische Weise zu erlernen. Die Idee, ein Gerät zu schaffen, dass in der Lage ist, grundlegende Programmieraufgaben auszuführen. Dies zu einem Bruchteil der Kosten eines herkömmlichen Computers. Dieses Projekt führte zur Entstehung des kleinen Alleskönners.

Entstehung der Raspberry Pi Foundation

Man gründete im Jahr 2009 die Raspberry Pi Foundation, eine gemeinnützige Organisation, um die Entwicklung des Geräts voranzutreiben und Bildungsressourcen bereitzustellen, die auf dem Raspberry Pi basierten. Im Februar 2012 kam dann die erste Version, das Model B, auf den Markt. Die Nachfrage nach dem Gerät, enorm. Und innerhalb weniger Jahre gingen Millionen von Raspberry Pi-Einheiten weltweit über die Ladentheke.

Seitdem hat die Raspberry Pi Foundation verschiedene Modelle und Generationen des Geräts veröffentlicht, die jeweils verbesserte Hardware und Funktionalität bieten. Weiterhin mit der Aufgabe, das Erlernen von Programmierkenntnissen und Computertechnik für Menschen aller Altersgruppen und Fähigkeiten zugänglich und erschwinglich zu machen. Der kleine Alleskönner hat inzwischen eine große und leidenschaftliche Gemeinde. Bestehend aus Bastlern, Entwicklern und Technikbegeisterten und man nutzt es für eine Vielzahl von Projekten und Anwendungen.

Modelle und technische Daten

Seit der ersten Version gibt es mehrere Modelle mit unterschiedlichen Spezifikationen. Hier sind einige der bekanntesten Modelle:

1. Raspberry Pi 1 Model B (2012): Das ursprüngliche Modell mit einem 700 MHz Single-Core-Prozessor, 512 MB RAM und 2 USB-Anschlüssen.

2. Raspberry Pi 2 Model B (2015): Eine Verbesserung des ursprünglichen Modells mit einem 900 MHz Quad-Core-Prozessor und 1 GB RAM.

3. Raspberry Pi 3 Model B (2016): Das erste Modell mit integriertem Wi-Fi und Bluetooth, ausgestattet mit einem 1,2 GHz Quad-Core-Prozessor und 1 GB RAM.

4. Raspberry Pi 4 Model B (2019): Das bisher leistungsstärkste Modell mit einem 1,5 GHz Quad-Core-Prozessor, bis zu 8 GB RAM und Unterstützung für Dual-4K-Displays.

(Hier sei noch zu erwähnen, dass es auch alternative Geräte gibt, die wesentlich leistungsstärker sind. Doch darüber schreibe ich noch einen gesonderten Beitrag.)

Raspberry Pi Zero (2015) und Zero W (2017): Kleinere und kostengünstigere Modelle, die sich gut für einfache Projekte eignen.

Anwendungen und Projekte

Die Vielseitigkeit des kleinen Alleskönners hat dazu geführt, dass man es in einer Vielzahl von Projekten und Anwendungen einsetzen kann. Einige Beispiele hierfür sind:

• Heimautomatisierung: Die Verwendung des kleinen Alleskönners, um die eigenen smarten Geräte zu steuern oder um das gesamte Zuhause zu automatisieren.
• Retro-Gaming: Mit Emulatoren wie RetroPie kann man eine Vielzahl von klassischen Spielen aus verschiedenen Konsolen-Generationen genießen.
• Media Center: Man kann den kleinen Alleskönner als Media Center nutzen, indem man Kodi oder Plex installiert und Lieblingsfilme sowie Serien streamen.
• Lern- und Bildungsplattform: Um Programmieren zu lernen oder eigene Anwendungen zu entwickeln, um anderen dabei zu helfen, neue Fähigkeiten zu erlernen.
• Wetterstation: Benutzerdefinierte Wetterstation, um die Umgebungsinformationen wie Temperatur, Luftfeuchtigkeit und Luftdruck zu überwachen.
• Internet der Dinge (IoT) Projekte: Integration in ein IoT-Netzwerk, um Sensoren und Aktoren über das Internet zu steuern und um Daten zu sammeln.
• Robotik: Als Gehirn des eigenen Roboters, der in der Lage ist, verschiedene Aufgaben auszuführen, wie z.B. automatisiertes Fahren, Objektverfolgung und mehr.
• Sicherheit und Überwachung: Als kostengünstiges Sicherheitssystem mit Bewegungsmeldern, Kameras und Alarmen.
• Webserver: Als eigenen Webserver, um Websites oder Webanwendungen zu hosten.
• Künstliche Intelligenz und maschinelles Lernen: Experimente mit AI-Frameworks wie TensorFlow oder PyTorch, um Machine-Learning-Modelle auf dem Raspberry Pi zu erstellen oder auszuführen. Wobei sich hier auch NVIDIA’s Jetson anbietet und auch von der Performance her wahrscheinlich bei weitem besser aufgestellt ist 😉

Raspberry Pi Ressourcen und Community

Eine der größten Stärken des Raspberry Pi ist die riesige und engagierte Community. Die Raspberry Pi Community bietet unzählige Ressourcen, Tutorials und Foren, um Fragen zu beantworten und bei der Lösung von Problemen zu helfen. Einige empfehlenswerte Ressourcen sind:

Die offizielle Website: Hier findet man Neuigkeiten, Projekte und Lernressourcen direkt von der Raspberry Pi Foundation.

Raspberry Pi Forums: Eine aktive Community, in der man Fragen stellen, Antworten finden und sich mit anderen Enthusiasten austauschen kann.

Hackster.io: Eine Plattform für Bastler und Entwickler, um Raspberry Pi-Projekte mit detaillierten Anleitungen zu teilen und um neue Ideen zu entdecken.

Instructables: Eine weitere hervorragende Quelle für Schritt-für-Schritt-Anleitungen und Projekte, die auf dem Raspberry Pi basieren.

GitHub: Auf GitHub findet man zahlreiche Repositories, die Software, Tools und Projekte für den Kleinen enthalten. Einen Beitrag über GitHub selbst gibt es hier 😉

Fazit

Der Raspberry Pi hat die Welt der Heimcomputer und Bastler revolutioniert und ist ein Paradebeispiel dafür, wie ein kleines, kostengünstiges Gerät großen Einfluss haben kann. Seine Vielseitigkeit, einfache Handhabung und große Community haben dazu geführt, dass man es heute in einer Vielzahl von Projekten und Anwendungen einsetzen kann. Leider sind die Preise aufgrund der Pandemie und den damit verbundenen Lieferengpässen wesentlich gestiegen. Ansonsten bietet sich der kleine Alleskönner an, spannende unzählige Möglichkeiten zu entdecken. Man kann es kaufen, verschenken und auch spenden. In der Regel kann man damit nichts falsch machen.

Der Beitrag Raspberry Pi – Der Kleine mit großem Potential erschien zuerst auf CEOsBay.

Kurze Zeitreise

Project Jupyter entstand 2014 als Ausgliederung, aus dem von Fernando Pérez initiierten Projekts IPython. Wobei IPython nach wie vor existiert. Lediglich eher bekannt als Python Shell und Kernel für Jupyter, während das Notebook und andere sprachunabhängige Teile nun unter dem Namen Jupyter weiterentwickelt werden. Jupyter ist sprachenunabhängig und unterstützt die Ausführung vieler verschiedener Sprachen wie Julia, R, Haskell, Ruby und Python.

Im Jahr 2015 gaben GitHub und das Project Jupyter bekannt, dass das Dateiformat des Jupyter Notebooks auf der GitHub-Plattform unterstützt wird.

Ich selbst kam zwar bereits im Jahr 2015 als Producer mit Jupyter in Berührung, doch dies ist eine andere Geschichte. Wirklich gearbeitet, habe ich mit Jupyter Notebook in Bezug auf die künstliche Intelligenz bzw. dem maschinellen Lernen und dem NVIDIA Jetson bzw. dem Xavier und TX1 in Selbstregie. An dieser Stelle mein herzliches Dankeschön an Fernando Pérez und seinem unermüdlichen Einsatz für die Wissenschaft und der Open Source Szene und natürlich an NVIDIA, für die zur Verfügungstellung der DevKits (Development Kits). Wobei ich an dieser Stelle nicht garantieren kann, ob es in Ordnung ist, diese beiden im Zusammenhang zu erwähnen. Falls nicht, möchte ich mich bereits jetzt dafür entschuldigen.

Jupyter Notebook

Jupyter Notebook (früher IPython Notebooks) ist eine web-basierte interaktive Umgebung, mit der Jupyter-Notebook-Dokumente erstellt werden können. Ein Jupyter-Notebook-Dokument ist ein JSON-Dokument mit einem versionierten Schema, dass aus einer Liste von Eingabe- und Ausgabezellen besteht, die jeweils Code, Text und Plots enthalten können. Die Dateinamensendung ist „.ipynb“. Ein Jupyter Notebook kann aus der Browseroberfläche heraus in verschiedene Formate konvertiert werden (HTML, PDF, LaTeX und Folien für Präsentationen). Es bietet im Browser eine Schleife aus Eingabe, Ausführung/Ausgabe und baut dabei auf weit verbreitete Open-Source-Bibliotheken wie IPython, ZeroMQ, Tornado, Python, jQuery, Bootstrap und MathJax.

Jupyter Notebook kann verschiedene Kernels aufrufen, um die Programmierung bzw. interaktive Ausführung von Anweisungen in verschiedenen Sprachen zu unterstützen.

Jupyter Kernel

Der Kernel ist ein Programm, dass verschiedene Arten von Anfragen bearbeitet. Da Kernels über ZeroMQ kommunizieren, können sie auf der gleichen Maschine oder auf anderen Maschinen im Netzwerk in Betrieb genommen werden. Kernels erkennen nicht, mit welchem Dokument sie verbunden sind, und können von vielen Clients gleichzeitig aufgerufen werden. In der Regel ist ein Kernel für eine Programmiersprache ausgelegt. Der Kernel für Python wird mit ausgeliefert. Die Menge an Kernels mit der Unterstützung verschiedenster Programmiersprachen nimmt stetig zu.

JupyterHub

JupyterHub bringt die Leistungsfähigkeit von Notebooks zu Benutzergruppen und ist als Multi-User-Server zu sehen. Es gibt den Nutzern Zugang zu Rechenumgebungen und Ressourcen, ohne sie mit Installations- und Wartungsaufgaben zu belasten. Benutzer – einschließlich Studenten, Forscher und Datenwissenschaftler – können ihre Arbeit in ihren eigenen Arbeitsbereichen auf gemeinsam genutzten Ressourcen erledigen, die von Systemadministratoren effizient verwaltet werden können.

JupyterHub läuft in der Cloud oder auf der eigenen Hardware und ermöglicht es, jedem Benutzer auf der Welt eine vorkonfigurierte Data-Science-Umgebung zur Verfügung zu stellen. Es ist anpassbar und skalierbar und eignet sich für kleine und große Teams, akademische Kurse und groß angelegte Infrastrukturen.

JupyterLab

JupyterLab ist die webbasierte interaktive Entwicklungsumgebung für Notebooks, Code und Daten und damit das Nachfolgeprodukt für die GUI (Benutzeroberfläche). Mit der flexiblen Oberfläche können Benutzer Arbeitsabläufe in den Bereichen Datenwissenschaft, wissenschaftliche Berechnungen, Computerjournalismus und maschinelles Lernen konfigurieren und gestalten.

Fazit

Ein objektives Fazit fällt mir an dieser Stelle schwer, da ich die Lösungen nur für mich und allein verwendet habe. Interessant wäre es gewesen, dies in einem Team zu machen. Ich kann mir vorstellen, dass es bei der Versionierung durchaus einige Herausforderungen geben kann. Auch beim Mergen (Zusammenführen) von Code, kann sich dieses Unterfangen wahrscheinlich etwas komplizierter gestalten. Daher enthalte ich mich in diesem Fall bis auf Weiteres. Ich bin davon überzeugt, dass ich auch in Zukunft Berührungspunkte damit habe und diesen Artikel dementsprechend erweitere oder zumindest auf neue Artikel verweise.

Der Beitrag Projekt Jupyter – Plattform für interaktive Datenanalyse und kollaboratives Arbeiten erschien zuerst auf CEOsBay.

Die Kids sind in Roblox unterwegs und bauen sich ihre eigenen Spielwelten auf. Facebook nennt sich nur noch Meta. Microsoft bastelt an Mesh & Co.. Und aus der Blockchain-Ecke sprießen weiterhin die Projekte nach wie vor aus dem Boden, die sich mit dem Begriff „Metaverse“ rühmen und ihre NFTs teilweise mit horrenden Preisen zum Verkauf anbieten. Ja, selbst meine Kollegen und ich arbeiten derzeit an einer Blockchain bzw. Metaverse Anwendung.

Doch viele kommen ins Stottern, wenn es um die Definition oder um eine Erklärung des Metaverse geht. Oder aber jeder hat eine andere Vorstellung und Erwartungshaltung. Befürworter von Nischen-Startups bis hin zu Tech-Giganten argumentieren, dass dieser Mangel an Kohärenz darauf zurückzuführen ist, dass sich das Metaverse noch im Aufbau befindet. Und möglicherweise haben sie recht und es ist zu „neu“, um es zu definieren oder erklären zu können. Das Internet gibt es auch schon seit den 70er Jahren. Aber nicht jede Vorstellung davon, wie es einmal funktionieren und aussehen sollte, hat sich bewahrheitet. Klar ist, heute ist es mächtiger denn je und eine Welt ohne Internet ist nicht mehr vorstellbar. Auf der anderen Seite wird die Idee des Metaverse mit viel Marketing, Hype und Geld vermarktet.

Was ist das Metaverse?

Im Prinzip kann man sich unter dem Begriff Metaverse eine Art Cyberspace vorstellen. Ein Cyberspace bei der eine Verschmelzung der Realität mit virtuellen Umgebungen, Welten, Assets bzw. Gütern stattfindet.

Persistent

Gekennzeichnet durch persistente virtuelle Welten, die auch dann weiterbestehen, wenn man nicht gerade online ist bzw. sich nicht in der Metaverse befindet.

In der Informatik versteht man Persistent die Eigenschaft eines Systems, den Zustand seiner Daten, seines Objektmodells und/oder seiner logischen Verbindungen über lange Zeit – insbesondere über einen geplanten oder ungeplanten Programmabbruch oder Beendigung hinaus – bereitzuhalten bzw. beizubehalten.

Bildlich dargestellt, stellt man in einer virtuellen Anwendung mit seinem Avatar zu einem bestimmten Zeitpunkt einen Becher, gefüllt mit einem Getränk, auf einen Tisch und verlässt das Metaverse. Man geht seinem Alltag in der Realität nach. Und wenn man sich wieder einloggt, ist der Becher immer noch auf dem Tisch. Lediglich ist der Inhalt zu 50 % aufgebraucht, da sich in der Zwischenzeit die Freundin eingeloggt und den Durst ihres Avatars mit diesem spezifischen Becher gestillt hat.

Dies schließt auch den Einsatz weiterer Technologien nicht aus. Neben Virtual- und Augmented-Reality können auch andere Hardwarekomponenten zum Einsatz kommen, die eine intensivere Immersion ermöglichen.

Dies können Anzüge oder Peripheriegeräte sein, die eine Erfahrung durch haptische Feedbacks, Gerüche oder andere Sinneswahrnehmungen erweitern können. Man kann sich darunter auch eine Art digitaler Wirtschaft vorstellen, in der Benutzer Waren herstellen, kaufen und verkaufen. Und im Best-Case ist das Metaverse interoperabel. Folglich kauft oder erstellt man virtuelle Gegenstände, wie Kleidung oder Autos auf einer Plattform. Diese kann man dann auf eine andere transferieren und dort ebenfalls benutzen. Hierzu muss sich dies alles selbstverständlich im selben Universum/Multiversum zutragen – In unserem Fall – In der Metaverse.

Im kleineren Maßstab funktioniert dies bereits ganz gut. Aus eigener Erfahrung kann ich bestätigen, dass der Kauf eines NFT-Profilbildes, welches auf einer spezifischen Plattform als Avatar Einsatz findet, gleichzeitig durch eine Kooperation mit einem anderen Spielestudio bzw. in einem Spieleprojekt als Avatar eingesetzt werden kann. Bis auf die Tatsache, dass die Game-Assetssowohl für die eine als auch für die andere Plattform separat und individuell erstellt werden müssen, um die Entitäten gleichermaßen in verschiedenen Plattformen bzw. Umgebungen nutzen zu können. Eine krasse Inkompatibilität kann z.B. sein, dass während die eine Plattform den NFT Avatar in 2D nutzt, die andere Plattform einen 3D Avatar benötigt.

Um eine Plattformunabhängige, persistente Interoperabilität zu gewährleisten, braucht es globale Standards, die nicht nur die Schnittstellen bedienen. Es müssen auch alle Assets und die Art und Weise der Kommunikation sowie Dateiformate vereinheitlicht werden. Dies Bedarf noch einiges an Engagement und Arbeit seitens der Industrie als auch von den individuellen Entwicklern. Realistisch betrachtet ist dies allein aufgrund der Finanzierungsaspekte und Profitabsichten der Unternehmer vorerst ein Ding der Unmöglichkeit. Aber was noch nicht ist, kann ja noch werden.

Für viele ist es schlicht schwierig, sich darunter etwas fassbares vorzustellen. Vor allem, weil die große Masse noch keine Vorstellung davon hat, was die Virtuelle- oder Augmentierte-Realität eigentlich ist, solange sie noch keine VR- oder AR-Brille benutzt haben. Zumal sich selbst diese Technologien noch nicht ausreichend in die breite Masse haben etablieren lassen.

Dies mag an der unkonventionellen Art liegen, wie man die Brillen bzw. Hauben zu benutzen hat oder aber auch an den nicht so ganz erschwinglichen Preisen der Brillen selbst. Auch für die Systeme, die für einen reibungslosen Ablauf erforderlich sind, erfordern eine saftige Initialinvestition. Und selbst wenn Menschen die Erfahrung in AR oder VR gemacht haben, fehlt den meisten die Vorstellungskraft, wie diese Technologien eingesetzt werden und noch weiterentwickelt werden könnten. Bereits jetzt sind enorm effektive Einsatzmöglichkeiten und Potentiale gegeben und nicht vollkommen ausgeschöpft.

Glücklicherweise arbeiten viele Tech-Giganten wie Microsoft und Meta an der Entwicklung von Technologien für die Interaktion mit virtuellen Welten. Damit sind sie auch nicht die Einzigen. Viele andere große Unternehmen, darunter auch NVIDIA, Epic, Unity und Roblox, sowie eine Vielzahl vieler kleinerer Unternehmen und Start-ups bauen die Infrastruktur mit auf. Um in der Zukunft bessere virtuelle Welten zu schaffen, die unserem realen Leben immer ähnlicher werden.

Darunter fällt auch das umstrittene Spielprojekt Star Citizen von Roberts Space Industries. Welches ich durchaus in einem der kommenden Beiträge thematisieren werde. Epic hat beispielsweise auch eine Reihe von Unternehmen übernommen bzw. aufgekauft, die bei der Erstellung oder Verbreitung digitaler Inhalte helfen. Um damit natürlich auch die leistungsstarke Unreal Engine weiter zu stärken.

Unreal ist zwar eine Game-Engine, wird mittlerweile aber auch in der Film- und herstellenden Industrie verwendet. Beispielweise für virtuelle Studios und/oder Konzepte, sowie für die Produktion. Ich selbst habe als Unternehmer einen Konfigurator und eine Virtual Reality Applikation darin und damit programmiert.

Die Tatsache, dass die Erstellung von Anwendungen durch diverse Game-Engines immer einfacher wird, kann den Einstieg neuer Entwickler und Content Producer in Zukunft begünstigen. Folglich werden daraus mehr virtuelle Erfahrungen geschaffen. Ganz unabhängig davon, ob es sich in oder außerhalb der Metaverse abspielt. Es gibt durchaus greifbare und aufregende Entwicklungen im Bereich des Aufbaus digitaler Welten.

Trotzdem ist die Idee eines einzigen, einheitlichen Ortes, der als „Metaverse“ bezeichnet wird, ähnlich wie bei dem Film „Ready Player One“, der in diesem Zusammenhang gerne genannt wird, immer noch nicht ganz umsetzbar. Das liegt neben den fehlenden Standards und Normen zum Teil auch daran, dass eine solche Welt von den Unternehmen eine nahtlose Zusammenarbeit erfordert. Dies ist nach dem heutigen Kenntnisstand der Menschen nicht profitabel oder wünschenswert.

Fortnite verfolgt beispielsweise keine Ambitionen, den Spielern ein Portal zu bieten, über den die Nutzer zu Roblox, GTA oder World of Warcraft springen können. Selbst wenn eine Umsetzung verhältnismäßig einfach wäre. Diese unangenehme Tatsache hat zu einer leicht veränderten Terminologie geführt. Heute bezeichnen viele Unternehmen oder Befürworter daher ein einzelnes Spiel oder eine Plattform als „Metaverse“.

Nach dieser Definition würde alles, von einer VR-Konzert-App bis zu einem Videospiel, als „Metaverse“ definiert werden können. Manche gehen noch weiter und bezeichnen die Sammlung verschiedener Metaversen als „Multiversum“. Ich persönlich glaube ja, dass wenn heute jeder einfach darauf los entwickelt und immer mehr Menschen daran teilnehmen bzw. teilhaben, ein solches Vorhaben durchaus Raum für Kollaborationen und Synergien schaffen kann. Die wiederum können, wie auch beim Internet oder bei Open Source geschehen, später zu einem weitaus bedeutenderen und fundamentalen Resultat führen.

Es gibt jedoch Grenzen, die derzeit möglicherweise nicht zu überwinden sind. Wenn Technologieunternehmen wie Microsoft oder Meta fiktionalisierte Videos ihrer Zukunftsvisionen zeigen, neigen sie häufig dazu, zu beschönigen, wie die Menschen mit dem Metaverse interagieren werden. VR-Headsets sind immer noch sehr klobig und die meisten Menschen leiden unter Motion-Sickness (Kann vorkommen, wenn die Bewegung, die man sieht, sich von dem unterscheidet, was das Innenohr wahrnimmt) oder körperlichen Schmerzen, wenn sie sie zu lange tragen.

Mein längster Aufenthalt in Virtual Reality im Selbsttest beträgt ca. 14 Stunden. Glücklicherweise ohne Neben- oder Nachwirkungen ;). Augmented-Reality-Brillen haben ein ähnliches Problem, ganz zu schweigen von der nicht unerheblichen Tatsache, wie dies bzgl. des Datenschutzes gehandhabt werden wird. Zumal die Brille zu jedem Zeitpunkt die Umgebung analysieren und hierfür permanent Bilddaten von dem, was man sieht, übertragen werden müssen.

Wie sieht das Metaverse im Moment aus?

Das Paradoxe an der ganzen Sache ist, dass wir bereits MMORPGs haben, die im Grunde ganze virtuelle Welten sind. Digitale Konzerte, Videogespräche mit Menschen aus der ganzen Welt, Online-Avatare, Kriege und Handelsplattformen.

Was bedeutet MMORPG

Die Abkürzung MMORPG steht für Massively Multiplayer Online Roleplaying Games und ist die bekannteste Variante von MMOs. In diesen Online-Rollenspielen erkundet man mit einem Avatar/Charakter eine virtuelle Welt, in der man auf andere Spieler oder NPCs trifft, die entweder der eigenen oder einer feindlichen Fraktion angehören.

Was sind NPCs

Der Nicht-Spieler-Charakter, auf Deutsch (NSC) oder oft englisch Non-Player-Character (NPC) ist eine Klasse von Spielfiguren. Die aus dem Englischen entlehnte Bezeichnung Nicht-Spieler-Figur. Der Begriff findet sich primär im Bereich der Rollenspiele, fasst aber grundsätzlich alle in Spielen vorkommenden Figuren zusammen, die nicht unmittelbar von einem Spieler geführt bzw. bespielt werden.

Schlusswort

Dies sind an sich alles Dinge, die wir bereits heute nutzen können. Hierzu aber bei zukünftigen Beiträgen mehr.

Der Beitrag Metaverse – Vision einer neuen virtuellen Realität erschien zuerst auf CEOsBay.