آیا سایر استارتاپ‌‌ها می‌توانند جایگاه انویدیا را تهدید کنند؟ 

امروزه دسترسی به کارت های گرافیک برای توسعه قابلیت های هوش مصنوعی یک پیش نیاز مهم برای همه شرکت های توسعه است. به خصوص اگر این کارت ها توسط انویدیا ساخته شده باشند. برتری انویدیا باعث شده تا بسیاری از شرکت های کوچک و بزرگ در این زمینه شرایطی را برای ساخت و استقرار قطعات گرافیکی با عملکرد سریعتر و قیمت کمتر فراهم کنند. چنین رویکردی باعث می شود این شرکت ها روابط بهتری با مشتریان برقرار کنند. در نتیجه، کارت های بیشتری فروخته خواهد شد. در ادامه وضعیت و شرایط این شرکت ها را بررسی خواهیم کرد. تا پایان با دیجیاتو همراه باشید.

کارشناسان این بازار شرکت ها را بر اساس موجودی و کیفیت قطعاتشان طبقه بندی می کنند. در همین رده، دوباره نام انویدیا را در بالای جدول می بینیم. شرکتی که به ارزشی نزدیک به 3.3 تریلیون دلار رسید و توانست رتبه ای بالاتر از ردموندز و اپل داشته باشد. با ارزش ترین شرکت دنیا تو مالک آن هستی. علاوه بر این، فروش انویدیا در ماه گذشته نسبت به زمان مشابه در سال 2023، 262 درصد افزایش یافته است که نشان دهنده برتری مطلق هوانگ و تیمش در این بازار است.

چالش ها و راه حل های عملکرد GPU

برخلاف پردازنده‌های معمولی، کارت‌های گرافیک مجهز به تعداد زیادی هسته هستند که وظایف مختلفی را به طور همزمان انجام می‌دهند. همچنین تنظیم کدهای هوش مصنوعی روی کارت های گرافیک برای اجرای بهینه دستورات یکی از مهم ترین عوامل رشد فعلی هوش مصنوعی است. اما یکی از مهم ترین عوامل در سنجش عملکرد پردازنده ها سرعت انتقال اطلاعات آنهاست تا پردازش با بالاترین کیفیت ممکن انجام شود. هنگام آموزش مدل‌های زبان بزرگ، برخی از هسته‌های GPU ممکن است زمان زیادی را در انتظار رسیدن اطلاعات صرف کنند.

برای حل چنین مشکلی، کارشناسان سیریباس 900000 هسته را به همراه حافظه قابل توجه روی یک تراشه بزرگ قرار داده اند تا از تأثیر عوامل دیگر برای کاهش سرعت داده بکاهند. به عنوان مثال، تراشه CS-3 این شرکت، داده ها را صدها برابر سریعتر منتقل می کند و به دلیل نحوه اتصال هسته ها در مقایسه با قوی ترین تراشه انویدیا، حدود 50 درصد انرژی کمتری مصرف می کند.

اما Groq رویکرد متفاوتی در پیش گرفت و واحدهای پردازش اختصاصی (LPU) خود را برای مدیریت مدل‌های زبان بزرگ بهینه کرد. این تراشه ها به همراه حافظه مناسب، اطلاعات را بین دستگاه های متصل منتقل می کنند. از طرفی نرم افزار هوشمند مدیریت ماژول در نظر گرفته می شود که با هماهنگی کل سیستم باعث کاهش تاخیر زمانی در انتقال داده و تقویت کارایی دستگاه می شود. همچنین به گفته کارشناسان این شرکت، LPU های آنها می توانند دستورات را در مدل های زبانی ده برابر سریعتر از سایر مدل های موجود اجرا کنند.

یکی دیگر از استارت آپ ها در این زمینه MatX است که روش دیگری برای حل این مشکل دارد. به گفته راینر پوپ، یکی از بنیانگذاران این شرکت، پردازنده‌های گرافیکی مدارها و قابلیت‌هایی دارند که برای توسعه مدل‌های بزرگ زبان نیازی به آن‌ها نیست. با توجه به این رویکرد، واضح است که پردازنده های MatX وجود اجزای غیر ضروری را که با بهبود کیفیت اجزای اصلی عملکرد بهتری ارائه می دهند، حذف می کنند. شرکت آمریکایی Tenstorrent نیز از معماری متن باز RISC-V در توسعه تراشه استفاده می کند.

چالش های رقابت با انویدیا

تمرکز بیش از حد شرکت ها برای تخصص در عملکرد پردازنده، آنها را در تنگنا قرار داده است. به گفته کریستوس کوزیرکیس، دانشمند کامپیوتر در دانشگاه استنفورد، طراحی تراشه‌ها معمولاً دو تا سه سال طول می‌کشد که به دلیل سرعت بالای توسعه هوش مصنوعی، فرصت‌های دیگر را از تولیدکنندگان می‌گیرد. در نتیجه این شرکت ها با وجود ساخت تراشه هایی که گاه قدرتمندتر از محصولات انویدیا هستند، نمی توانند دوام بیاورند و به تولید خود ادامه دهند.

چالش دیگر چارچوب نرم‌افزاری انویدیا است که به نام CUDA شناخته می‌شود، که خود یک استاندارد صنعتی واقعی در نظر گرفته می‌شود. بنابراین سایر پردازنده‌های هوش مصنوعی تنها زمانی موفق خواهند شد که بتوانند برنامه‌نویسان را متقاعد کنند تا کد خود را با تراشه‌های جدید تطبیق دهند. اگرچه استارتاپ‌های فعال در این زمینه ابزارهای مختلفی را برای تسهیل این فرآیند و اطمینان از سازگاری با چارچوب‌های اصلی یادگیری ماشین ارائه می‌کنند، اما بهینه‌سازی سیستم نرم‌افزاری برای معماری جدید کار دشواری است و این مشکل انویدیا را چندین پله جلوتر از سایر سازندگان قرار می‌دهد.

مشتریان این بخش ها بیشتر شرکت های توسعه LLM مانند Anthropic و OpenAI و دیگر غول های فناوری مانند گوگل، متا، مایکروسافت و آمازون هستند. بنابراین ممکن است منطقی باشد که یکی از این شرکت‌های بزرگ، استارت‌آپ‌های هوش مصنوعی را بخرد تا با حفظ و توسعه فناوری‌های نرم‌افزاری از سایر رقبای خود جلوتر باشند.

نتیجه

مدیران شرکت های کوچکتر به حضور بازیگران برتر در بازار تراشه ها توجه دارند. به عنوان مثال، Rainer Popp امیدوار است که او و همکارانش در MatX بتوانند قطعات یا حتی سهام شرکت را به شرکت هایی مانند Google، OpenAI و Anthropic بفروشند. در حالی که آنها به روی سرمایه گذاران شرکت باز هستند، آنها معتقدند MatX پتانسیل موفقیت و فروش مستقل بیشتری را بدون نیاز به فروش سهام دارد. از سوی دیگر، مدیران سریباس نیز در حال آماده سازی شرایط برای عرضه اولیه سهام این شرکت هستند و سایر استارتاپ ها احتمالاً تمام یا حداقل بخشی از سهام خود را به فروش خواهند رساند.