آیا استارت آپ های دیگر می توانند موقعیت انویدیا را تهدید کنند؟

این استارتاپ‌ها امیدوارند تا فروش بیشتر قطعات یا عرضه سهام شرکت به غول‌‌های حوزه فناوری، به جایگاه بالاتری دست یابند.

امروزه دسترسی به کاٰرت‌های گرافیکی به‌منظور توسعه قابلیت‌های AI پیش‌نیاز مهمی در عموم شرکت‌های توسعه‌دهنده است؛ مخصوصاً اگر آن کارت‌ها ساخت انویدیا باشند. برتری انویدیا موجب شده بسیاری از شرکت‌های کوچک و بزرگ این حوزه شرایط ساخت و اجرای قطعات گرافیکی را با عملکرد سریع‌تر و قیمت ارزان‌تر فراهم کنند. چنین رویکردی موجب می‌شود این شرکت‌ها با مشتری‌ها ارتباط بهتری برقرار کنند؛ در نتیجه کارت‌‌های بیشتری فروخته شود. در ادامه، وضعیت و شرایط این شرکت‌ها را بیشتر بررسی می‌کنیم. تا انتها همراه دیجیاتو باشید. 

کارشناسان این بازار شرکت‌ها را براساس موجودی و کیفیت قطعاتشان طبقه‌بندی می‌کنند. در همین دسته‌بندی، بار دیگر نام انویدیا را در صدر جدول می‌بینیم؛‌ شرکتی که به ارزشی نزدیک به ۳.۳ تریلیون دلار دست پیدا کرد و توانست بالاتر از ردموندی‌ها و اپل، عنوان باارزش‌ترین شرکت دنیا را از آن خود کند. همچنین در ماه میلادی گذشته، فروش انویدیا در مقایسه با زمان مشابه در ۲۰۲۳، با رشد ۲۶۲ درصدی مواجه شده که خبر از برتری مطلق هوانگ و تیمش در این بازار می‌دهد.

چالش‌های عملکردی GPU و راهکارها 

برخلاف پردازنده‌های معمولی، کارت‌های گرافیکی مجهز‌ به تعداد زیادی هسته‌اند که تسک‌های مختلف را هم‌زمان اجرا می‌کنند؛ همچنین تنظیم کدهای هوش مصنوعی روی کارت‌های گرافیکی برای اجرای بهینه دستورات از مهم‌ترین عوامل رشد فعلی هوش مصنوعی بوده است. بااین‌حال، یکی از مهم‌ترین فاکتورها برای سنجش عملکرد پردازشگرها سرعت آن‌ها در انتقال داده‌هاست تا پردازش با بالاترین کیفیت ممکن انجام شود. در زمان آموزش مدل‌های زبانی بزرگ،‌ ممکن است برخی هسته‌های GPU زمان زیادی را در انتظار رسیدن داده‌ها بی‌حرکت بمانند. 

برای حل چنین مشکلی، متخصصان سریباس ۹۰۰ هزار هسته را همراه حافظه قابل‌توجهی روی یک تراشه بزرگ قرار داده‌اند تا تأثیر سایر عوامل را در کاهش سرعت داده‌ها کمتر کنند؛ برای مثال تراشه CS-3 این شرکت در مقایسه با قوی‌ترین تراشه انویدیا، به‌دلیل نوع اتصال هسته‌ها داده‌ها را صدها برابر سریع‌تر انتقال می‌دهد و حدوداً ۵۰ درصد انرژی کمتری مصرف می‌کند. 

اما شرکت Groq رویکرد متفاوتی را در پیش گرفته و واحدهای پردازشی اختصاصی‌اش (LPU) را برای اجرای مدل‌های زبانی بزرگ بهینه کرده‌ است. این تراشه‌ها در کنار حافظه مناسب،‌ داده‌ها را بین واحدهای متصل به‌ هم انتقال می‌دهند. از طرفی نرم‌افزاری هوشمند برای کنترل واحدها در نظر گرفته شده که تأخیر زمانی را در انتقال داده‌ها کاهش می‌دهد و با هماهنگی کل سیستم کارآمدی دستگاه را تقویت می‌کند. همچنین طبق ادعای کارشناسان شرکت، LPUهای آن‌ها می‌توانند دستورات را در مدل‌های زبانی ده برابر سریع‌تر از سایر مدل‌های موجود اجرا کنند. 

یکی دیگر از استارتاپ‌های این حوزه MatX است که روش دیگری را برای حل این مشکل دارند. طبق گفته «رینر پوپ»، یکی از بنیان‌گذاران این شرکت، پردازشگرهای گرافیکی مدارها و قابلیت‌هایی دارند که حضورشان برای توسعه مدل‌های زبانی بزرگ چندان ضروری نیست. باتوجه‌به این رویکرد، واضح است که در پردازشگرهای MatX از حضور اجزای غیرضروری صرف‌نظر شده که با بهبود کیفیت قطعات اصلی، عملکرد بهتری ارائه می‌دهند. شرکت آمریکایی Tenstorrent نیز معماری متن‌باز RISC-V را در ساخت و توسعه تراشه‌ها به‌ کار می‌گیرد. 

چالش‌های رقابت با انویدیا

تمرکز بیش از حد شرکت‌ها برای اختصاصی‌کردن عملکرد پردازشگرها آن‌ها را با موانعی مواجه کرده است. طبق گفته «کریستوس کوزیرکیس»، دانشمند حوزه کامپیوتر در دانشگاه استنفورد، طراحی تراشه معمولاً دو تا سه سال طول می‌کشد که باتوجه‌به سرعت بالای پیشرفت هوش مصنوعی، سایر فرصت‌ها را از سازندگان می‌گیرد؛ در نتیجه باوجود ساخت تراشه‌های بعضاً قوی‌تر از محصولات انویدیا، این شرکت‌ها نتوانستند به دوام و تولید خود ادامه بدهند. 

چالش دیگر ساختار نرم‌افزاری انویدیا موسوم به CUDA است که در نوع خود یک استاندارد صنعتی واقعی تلقی می‌شود؛ بنابراین سایر پردازشگرهای هوش مصنوعی فقط درصورتی موفق خواهند بود که بتوانند برنامه‌نویسان را متقاعد کنند کدهایشان را روی تراشه‌های جدید تنظیم کنند. اگرچه استارتاپ‌های فعال در این حوزه ابزارهای مختلفی برای تسهیل این فرایند و اطمینان از سازگاری با چهارچوب‌‌های اصلی یادگیری ماشین ارائه می‌دهند، بهینه‌سازی سیستم نرم‌افزاری برای معماری جدید کار سختی است و این موضوع انویدیا را چند گام جلوتر از سایر سازندگان قرار می‌دهد. 

مشتریان این قطعات اغلب شرکت‌های توسعه‌دهنده LLM مانند آنتروپیک و OpenAI و سایر غول‌های فناوری ازجمله گوگل، متا، مایکروسافت و آمازون هستند؛ بنابراین شاید منطقی باشد که یکی از این شرکت‌های بزرگ استارتاپ‌های فعال در حوزه هوش مصنوعی را بخرد تا با نگهداری و توسعه فناوری‌های نرم‌افزاری، از سایر رقبا پیشی بگیرد. 

نتیجه‌گیری

مدیران شرکت‌های کوچک‌تر حضور میان برترین‌های بازار تراشه را در سر دارند؛ برای مثال، رینر پوپ امیدوار است همراه همکارانش در MatX بتوانند قطعات یا حتی سهام شرکت را به شرکت‌هایی، مانند گوگل، OpenAI و آنتروپیک، بفروشند. اگرچه آن‌ها برای حضور سرمایه‌گذاران در شرکت آماده‌اند، معتقدند MatX پتانسیل موفقیت و فروش بیشتر را به‌صورت مستقل و بدون نیاز به فروش سهام دارد. از طرفی سران سریباس نیز در حال آماده‌سازی شرایطی برای عرضه اولیه و عمومی سهام شرکت است و احتمال می‌رود سایر استارتاپ‌ها نیز به فروش کل یا حداقل بخشی از سهامشان روی بیاورند.