Kunstig intelligens

Fremspirende teknologier, der former fremtiden for AI-hardware

mm
Udgivet den
Opdateret den
Føj Securities.io til dine foretrukne kilder på Google
Oplysning: Securities.io kan modtage betaling, når du bruger links til produkter, vi anmelder. Det påvirker ikke vores redaktionelle vurderinger. Vi er ikke registreret investeringsrådgiver; dette er ikke investeringsrådgivning. Læs vores affiliateoplysning.

En ny type beregning

I de seneste år med eksponentiel fremgang inden for AI-teknologi har de store vindere været dem, der bygger AI-hardware. Dette skyldes, at moderne AI, som for det meste bruger neurale netværk, udnytter beregningskraft på en meget anderledes måde end klassiske computere.

I stedet for at udføre komplekse beregninger med en kraftfuld CPU, udfører de i stedet tusinder eller millioner af enklere beregninger parallelt.

(Du kan lære mere om, hvordan neurale netværk blev opfundet og fungerer i “Investering i Nobelpristildelinger – Kunstige neurale netværk, grundlaget for AI”)

Indtil nu har grafikkort, eller GPU’er (Graphics Processing Units), været det foretrukne værktøj til at udvikle AI, hvilket har øget omsætningen og overskuddet markant for sektorreder som Nvidia (NVDA ).

Markedet for AI-hardware forventes at fortsætte med at vokse usædvanligt hurtigt, med en årlig vækstrate på 31,2 % fra 2025 til 2035.

Denne periode vil også se fremkomsten af mange nye typer AI-hardware, da de GPU’er, der er omstillet til AI-beregning, gradvist erstattes af chips, der er specifikt designet til dette formål.

På længere sigt er det sandsynligt, at mere eksotiske former for beregning vil finde vej ind på AI-hardwaremarkedet, fra applikationsspecifikke design til ikke-silikon chips eller endda ved brug af faktiske biologiske neuroner.

Hvordan AI-tænkning fungerer

Den grundlæggende forskel mellem klassiske supercomputere og AI’er er, hvordan data behandles. I stedet for at løse komplekse beregninger skaber neurale netværk virtuelle noder, der er forbundet i et netværk. Mens det oprindelige neurale netværk kun indeholdt få dusin noder med et par hundrede forbindelser, bruger moderne neurale netværk som dem, der anvendes af ChatGPT, billioner af mulige forbindelser og når et kompleksitetsniveau, der ikke er så forskelligt fra den menneskelige hjerne.

 

Kilde: Nobel Prize

Denne alternative beregningsmetode kræver hardware, der kan udføre millioner af operationer parallelt, selvom den beregningskraft, der er dedikeret til hver enkelt, er relativt lille.

Heldigvis er dette en type hardware, der allerede har været i brug i mange år, såsom grafisk rendering ved hjælp af GPU’er, primært til 3D-simulering og videospil, og som også bruger denne form for mange små beregninger parallelt.

Dette er grunden til, at den oprindelige (og nuværende) vinder af kapløbet om at sikre nok AI-chips har været Nvidia, lederen på GPU-markedet.

Altid hurtigere GPU’er

Med opfindelsen af mere effektive algoritmer og den hurtige fremgang inden for kunstig intelligens, som de skabte, eksploderede de potentielle anvendelser af AI i 2020’erne.

Dette førte til et stadigt stigende kapløb om at sikre nok hardware, især Nvidia GPU i 2023.

Parallelt med dette kræver de stigende forventninger til AI’s potentielle anvendelser stadig smartere AI, som igen kræver mere beregningskraft. Og mens sikring af flere GPU’er var en løsning, var bedre GPU’er også nødvendige.

Industrien leverede, med en 1.000‑gange vækst i ydeevne på mindre end 8 år.

Kilde: NVIDIA

Kan det holde?

Der er tegn på, at fremskridtet i GPU-ydelser snart kan bremse. For det første er alle de “lette” forbedringer, som at gøre GPU’er større og med mindre og tættere transistorer, nået deres grænse. Så yderligere forbedringer skal komme fra mere radikale redesigns og innovationer.

Sekundære problemer sniger sig også ind i industrien. For eksempel producerer meget tættere og kraftigere GPU’er en masse spildvarme, så meget at flere af dem blot ville smelte chipsene.

Denne spildvarme indikerer også en stor mængde spildt energi. At sikre en tilstrækkelig forsyning af stabil, grundlæggende strøm bliver et problem for AI-virksomheder, med alle Big Tech-virksomheder, der skynder sig at sikre forsyning fra atomkraftværker.

Endelig bliver AI-beregning mere specialiseret, med forskellige metoder, der opstår i forskellige virksomheder og for forskellige anvendelser, hver med forskellige hardwarekrav. Så sandsynligvis er æraen med alsidige GPU’er, der bruges af alle AI-virksomheder, ved at gå på hæld, selvom det sker langsomt.

Super-GPU-æraen

Indtil nu har de fleste AI-datacentre bestået af at forbinde tusindvis af GPU’er i dedikerede servere.

Den umiddelbare løsning på det voksende overophednings- og strømforbrugsproblem vil være opbygningen af integreret hardware, der går ud over blot at samle individuelle GPU’er.

“I datacentre i dag kan du ikke placere det samme antal NVIDIA H100-servere eller GB200 Superchip-compute-trays i et kabinet som du kunne med tidligere GPU-generationer på grund af de højere strøm- og kølekrav.”

Et vigtigt skridt i den retning er den seneste udgivelse fra Nvidia af GB200 NVL72. Denne hardware er designet til at fungere som en enkelt enorm GPU, hvilket gør den langt mere kraftfuld end selv den tidligere rekordbrydende H100-model.

Den forbedrede termiske effektivitet og energibesparelser gør det muligt for os at være mere generøse med, hvor mange GPU’er vi kan placere i et rack – hvilket betyder flere GPU’er til vores kunder.

Dette bør også være meget mere energieffektivt, et afgørende punkt, da AI-industrien måske løber tør for energi, før den løber tør for chips i den hastighed, som AI-datacentre bygges i. Og mere beregning og energieffektivitet betyder mindre spildvarme, hvilket midlertidigt løser overopvarmningsproblemet også.

Kilde: Nvidia

I øjeblikket CoreWeave er blevet den første cloud-udbyder med generelt tilgængelige Nvidia GB200 NLV72-instansser (CRWV ).

(Du kan læse mere om CoreWeave og deres levering af AI-cloud computing til virksomheder, der udvikler AI-løsninger i “CoreWeave: Cloud AI-hyperskaler”.

AI-hardware uden GPU

Field Programmable Gate Arrays (FPGAs)

En anden type hardware, der bruges til AI-udvikling, er Field-Programmable Gate Arrays. FPGA’er er integrerede kredsløb, der kan omprogrammeres til at udføre specifikke opgaver mere effektivt. De fungerer ved at have konfigurerbare forbindelser mellem deres komponenter.

Dette kan gøre FPGA’er mere fleksible end GPU’er og give større potentiale for optimering ved specifikke typer beregninger.

FPGA’er er også mere strøm-effektive end GPU’er. Deres lave latency (hurtige reaktionstid) gør dem også meget effektive til virkelige applikationer, der kræver hurtige reaktioner.

Dog er FPGA’er også mindre i stand til at håndtere meget krævende beregninger, der kræver meget strøm.

Et andet problem er, at selvom FPGA’er er omprogrammerbare, kan dette være en tids- og arbejdskrævende proces. Så de kan være meget langsommere at designe, bygge og programmere. Dette kan være et alvorligt problem i et felt, der gør revolutionerende fremskridt hver sjette måned.

Dette betyder, at hidtil FGPA-brugssager har været koncentreret om visse AI-applikationer, med generel udvikling, der stadig er afhængig af mindre effektive, men alsidige GPU’er:

  • Real-time behandling: Når indkommende data skal behandles hurtigt, som ved digital signalbehandling, radarsystemer, autonome køretøjer og telekommunikation.
  • Tilpasset hardwareacceleration: Konfigurerbare FPGA’er kan finjusteres til at accelerere specifikke deep learning-opgaver og HPC-klynger ved at optimere for specifikke datatyper eller algoritmer.
  • Så moderne AI-datacentre kan gradvist blive en blanding af GPU’er og FPGA’er, med hver hardware dedikeret til de delopgaver, den kan udføre bedst.
    • Edge computing: Dette flytter beregnings- og lagringskapaciteter tættere på slutbrugeren, for eksempel direkte i en bil eller en drone. I disse tilfælde er FPGA’ers lave strømforbrug og kompakte størrelse fordele.

Application-Specific Integrated Circuits (ASICs)

ASIC-systemer er bygget til specifikke beregningstyper og kan kun udføre disse. Så det er ikke så meget en computerchip som en ren integreret kredsløb; FPGA’er kaldes nogle gange også programmerbare ASIC’er.

Grunden til at bruge ASIC’er i stedet for FPGA’er eller GPU’er er, at ASIC’er er meget hurtigere end enhver anden logisk enhed. De er også mere energieffektive og mindre i størrelse.

Dette er grunden til, at for eksempel ASIC-minere bruges i kryptovaluta-mining, hvor designet er optimeret til at udføre den specifikke beregning, der kræves.

Kilde: Wevolver

Dog er ASIC’er også meget mere komplekse at designe, så det kun giver mening at udvikle en til en opgave, der vil blive gentaget ofte nok til at dække designomkostningerne. Overordnet set giver ASIC’er økonomisk mening kun, når de overvejes til masseproduktion.

Specialdesign kræver også ekspertviden, og bredt anvendte programmeringssprog og biblioteker er potentielt ikke anvendelige.

Dette behov for specialdesign kan dog også være en fordel, da det skaber yderligere intellektuel ejendomsbeskyttelse (IP).

Brugssagerne for ASIC’er ligner dem for FPGA’er: edge computing, billedgenkendelse, telekommunikation og signalbehandling, men endnu mere end FPGA’er kræver de ofte gentagne beregninger.

Fordi de ikke er fleksible, er de sandsynligvis heller ikke tilstrækkelige alene til komplekse AI-opgaver. De kan dog integreres i et AI-hardware-system for at give det mere effektivitet og hastighed.

Bemærkelsesværdigt udvikler virksomheder som Etched ASIC’er, der er specifikt designet til at udføre transformer-beregninger (det “T” i chatGPT).

Kilde: Etched

Neuromorfe chips

Udover blot at forbedre GPU’er eller bygge mere effektive ASIC’er, ser andre koncepter på at ændre helt, hvordan beregning udføres.

En idé er, at hvis vi designer et neuralt netværk, bør vi have en chip-arkitektur, der afspejler det.

Dette er idéen om neuromorfe chips, som fungerer som sammenkoblede neuroner på hardware-niveau i stedet for at simulere det gennem komplekse matematiske ligninger og millioner af parallelle beregninger.

Disse enheder kaldes også nogle gange NPUs (Neural Processing Unit), som typisk kombinerer mange forskellige typer komponenter i én enhed.

Neuromorfe chips bruger ofte komplekse elektriske signaler, tættere på analog data. Dette adskiller sig fra “normale” computere, der bruger en Von Neumann-arkitektur med binære signaler (0 & 1).

Kilde: Tech Target

Mange metoder udforskes i øjeblikket for at skabe neuromorfe chips:

Photonik-chips

En anden mulighed for at omgå mange af de nuværende begrænsninger i silikonehardware er at skifte til photonik-computere. I stedet for at elektroner bærer informationen, er det fotoner fra lasere, der gør det.

Denne metode har den fordel, at den er langt mindre sårbar over for overophedning, og at lys er den hurtigst bevægende ting i universet.

Indtil videre har holdbarheden af fotonik-komponenter, især hukommelse, været et problem, men dette ændrer sig hurtigt.

Brug af faktiske neuroner

En anden måde at skubbe AI yderligere for at nå en ydeevne, der svarer til den faktiske hjerne, er måske simpelthen at bruge rigtige hjerner fra starten.

Når alt kommer til alt, hvis et neuralt netværk lavet af faktiske neuroner kan være meget tilpasningsdygtigt og udmærke sig i mønstergenkendelse i naturen, hvorfor skulle det så ikke fungere i en mere kunstig kontekst?

I marts 2025 gik dette koncept videre med udgivelsen fra Cortical Labs af CL1, den første syntetiske biologiske intelligens (SBI).

Reelle neuroner dyrkes i en næringsrig opløsning, som giver dem alt, hvad de behøver for at være sunde. De vokser over et siliciumchip, som sender og modtager elektriske impulser til den neurale struktur.

Dette slører virkelig grænsen mellem kunstig og naturlig intelligens. Er en computer lavet af faktiske neuroner stadig kunstig?

Vi integrerer neuronerne i biOS med en blanding af hårdt silicium og blødt væv. Du kan forbinde direkte til disse neuroner. Udrul kode direkte til de reelle neuroner og løse dagens mest udfordrende problemer.

Neuronen er selvprogrammerende, uendeligt fleksibel og resultatet af fire milliarder års evolution. Hvad digitale AI-modeller bruger enorme ressourcer på at efterligne, starter vi med.

Dette kunne være et sandt gennembrud hvis nogle teorier, der betragter den menneskelige hjerne som mere en kvantecomputer end et elektrisk system, viser sig at være sande.

Selvom det stadig er en meget ny teknologi, kan det få et løft gennem fremskridt inden for tilstødende felter, som 3D-printning af menneskelige organer, inklusive funktionelt hjernevæv, samt produktion af organoider (mini-hjerner) fra virksomheder som Final Spark og BiologIC.

Brain-Computer Interface

En anden måde at styrke AI-hardware på kunne være at bruge den i direkte grænseflade med en anden type biologisk supercomputer: hjernen, som allerede er i vores kranium og udfører vores tænkning.

I første omgang vil Brain-Computer Interfaces (BCI) sandsynligvis være mest brugt til at hjælpe personer, der lider af neurologiske tilstande.

Nye metoder til at gøre implantaterne mere holdbare og mindre invasive bør også hjælpe.

På længere sigt kan dette også sløre grænsen mellem maskine og menneskelig intelligens. Hvis du tænker på noget med assistance fra en AI i direkte interaktion med os gennem BCI, hvem tænkte så præcis?

Dog er dette sandsynligvis en af de mest fjerne teknologier på grund af etiske og sikkerhedsmæssige bekymringer, på trods af forventningerne fra science fiction-værker som Altered Carbon, Neuromancer, eller Cyberpunk 2077.

(Vi dækkede de mest fremtrædende virksomheder inden for feltet i “5 bedste Brain-Computer Interface (BCI) virksomheder”).

Hvor meget beregning er der virkelig brug for?

DeepSeek

I mange år har hver AI-virksomhed løbet i kapløb om at tilføje så meget beregning som muligt så hurtigt som muligt, i antagelsen om at mere altid er bedre.

Dette er blevet udfordret af den brutale ankomst af det kinesiske AI-firma DeepSeek. Med en model, der er 10‑100 gange mere effektiv end sine konkurrenter, og som kun koster 3‑5 % for tilsvarende eller overlegen ydeevne, har DeepSeek udfordret kravet om mere beregningskraft for at bygge bedre AI’er.

En stor grund til, at DeepSeek fokuserede så meget på model-effektivitet, var den begrænsede adgang, kinesiske AI-virksomheder havde til AI-chips. Dette blev tydeligt, da kort efter lanceringen afslørede, at AI-modeller fra andre kinesiske firmaer præsterede imponerende: Alibabas Qwen, Moonshot AI’s Kimi, ByteDances Doubao eller Baidus Ernie Bot.

Som ordsproget siger, “Nødvendighed er opfindsomhedens mor”.

Det er sandsynligt, at i de kommende år vil et dobbelt fokus på bedre ydeevne og større effektivitet dominere AI-industrien.

Dette betyder dog ikke, at mere beregning ikke vil levere bedre resultater. Simpelthen er dette ikke den eneste vej til succes i AI-industrien, og meget velfinansierede virksomheder som OpenAI kan have været lidt sløsende med deres udgifter.

Indtil videre har de fleste AI’er været i udviklingsfasen og eksperimentelle design med kun begrænsede anvendelser. Jo mere de integreres i arbejdsprocesserne hos millioner af virksomheder verden over, jo mere AI-beregning vil der være brug for.

Og jo mere beregning der er brug for, jo større bliver efterspørgslen efter mere effektiv og mindre energikrævende hardware.

Så ligesom ved traditionel beregning kan vi antage, at markedet fortsat vil efterspørge stadigt forbedrede chips, især da AI snart kan blive en af verdens største energiforbrugere.

EdgeAI & AI-PC’er

En anden effekt af fremkomsten af DeepSeek og andre kinesiske AI-modeller med lavere beregningskrav er, at AI-modeller, især “destillerede” modeller, nu kan køre på high-end individuelle maskiner i stedet for gigawatt-skala gigantiske AI-datacentre.

Dette bekræfter tilhængerne af EdgeAI, som argumenterer for, at en stor del af AI-beregning skal udføres “lokalt”, i stedet for kun i skyen.

Da DeepSeek er en open-source model, åbner dette også vejen for mange individuelle eksperimenter med AI-computere: kraftige nok til at køre AI-modeller, men billige og små nok til at blive købt af enkeltpersoner. Samlet set fører dette ikke så meget til mindre efterspørgsel efter AI-beregning, men måske til en mere decentraliseret proces for udvikling og brug af AI-applikationer.

Så AI-PC’er vil sandsynligvis blive den nye store trend inden for PC-byggning, med den specialiserede presse, der allerede diskuterer spørgsmålet i detaljer og hvilket mærke der er bedst især da AI gør sit indtog i de fleste teknologivirksomheders tilbud, inklusive Microsoft (MSFT ), hvor Copilot bliver næsten allestedsnærværende i Windows OS og anden software fra virksomheden.

Konklusion

Fra gaming-GPU’er udvikler AI-hardware sig hurtigt. Det startede med GPU’er designet til AI og udvikler sig nu med “super-GPU’er” designet fra bunden til at passe ind i AI-datacentre med lavere energiforbrug og varmeproduktion.

Det næste skridt vil sandsynligvis være yderligere integration af generelle GPU’er med ASIC- og FPGA-chips for at udføre specifikke AI-opgaver med mindre strøm- og pladsbehov.

Længere frem er væddemålene på, hvilken teknologi der vil vinde inden for AI-beregning: neuromorfe chips, fotonik, spintronik eller endda faktiske biologiske neuroner, der er trænet til at interagere med siliciumsubstrater, og måske AI, der interagerer direkte med vores egne hjerner gennem direkte grænseflader.

For alle disse teknologier er det sikkert, at den eksplosive vækst i AI’s kapacitet og den tilhørende eksplosive vækst i anvendelser vil holde efterspørgslen efter mere og bedre AI-hardware i vækst.

Så selvom mere effektive AI-modeller kommer på markedet, som DeepSeek, kan den pludselige efterspørgselsrush efter AI-PC’er være en god indikator på, at AI-hardware sandsynligvis vil forblive noget knap i forhold til efterspørgslen i de kommende år.

En leder inden for AI-hardware

Nvidia

NVDA Prisdiagram

NVIDIA har udviklet sig fra en niche-semiconductorvirksomhed, der specialiserer sig i grafikkort, til en teknologigigant i spidsen for AI-revolutionen og den enorme mængde hardware, den har brug for.

Dette blev opnået gennem udviklingen af CUDA, et generelt programmeringsinterface for NVIDIAs GPU’er, som åbnede døren for anvendelser ud over gaming.

“Forskere indså, at ved at købe dette gamingkort kaldet GeForce, tilføjer du det til din computer, og du har i bund og grund en personlig supercomputer. Molekylær dynamik, seismisk behandling, CT-rekonstruktion, billedbehandling – en hel række forskellige ting.” Jensen Huang, i et interview med Sequoia

Denne bredere adoption af GPU’er, og mere specifikt NVIDIA-hardware, skabte en positiv feedback-loop baseret på netværkseffekter: jo flere anvendelser, jo flere slutbrugere og programmører, der er fortrolige med den, jo flere salg, jo større R&D-budget, jo hurtigere acceleration i beregningshastighed, jo flere anvendelser osv.

Kilde: Nvidia

I dag omfatter den installerede base hundredvis af millioner af CUDA GPU’er.

En anden bemærkelsesværdig ting ved udviklingen af AI-beregningskraft er, at den følger en eksponentiel lov i stedet for den mere lineære Moores lov for CPU’er. Dette skyldes, at ikke kun GPU-hardware bliver bedre, men også den nødvendige behandlingskraft er faldet på grund af radikale forbedringer i, hvordan neurale netværk trænes.

Mens NVIDIA er en leder inden for GPU og AI, NVIDIA er også meget aktiv i at udvikle kvantecomputing som en ny vækstmotor.

Ligesom det implementerede CUDA til neurale netværksapplikationer, har Nvidia frigivet CUDA-Q til kvantecomputing, som tilbyder et kvante-cloud-system, hvor du kan leje NVIDIAs kvantecomputingkapacitet via en cloud-tjeneste.

Kilde: NVIDIA

Dette inkluderer også teknologi som NVIDIAs cuQuantum til forskere, der vil emulere kvantecomputere, cuPQC til kvantekryptering og DGX Quantum til integration af både klassisk og kvantecomputing.

Samlet set er NVIDIA i frontlinjen med at bygge et kvantecomputing-økosystem, der udnytter sin position som leder inden for AI og AI-hardware.

Kilde: NVidia

Med en stærk position inden for AI, kryptomining og måske snart kvantecomputing er Nvidia meget godt placeret til at blive et af de dominerende computerehardwarevirksomheder i det kommende årti.

Du kan læse mere om Nvidias historie, forretningsmodel og innovationer i “NVIDIA (NVDA) Spotlight: Fra grafikgigant til AI-titan“.

Seneste om NVIDIA

mm

Jonathan er en tidligere biokemisk forsker, der arbejdede med genetisk analyse og kliniske forsøg. Han er nu aktieanalytiker og finansskribent med fokus på innovation, markedscyklusser og geopolitik i sin publikation 'The Eurasian Century'.