Αναδυόμενες Τεχνολογίες που Διαμορφώνουν το Μέλλον του Υλισμικού AI

Νέος Τύπος Υπολογισμού

Με τα τελευταία χρόνια εκθετικής προόδου στην τεχνολογία AI, οι κύριοι νικητές ήταν οι κατασκευαστές υλισμικού AI. Αυτό συμβαίνει επειδή η σύγχρονη AI, που χρησιμοποιεί κυρίως τεχνολογία νευρωνικών δικτύων, αξιοποιεί την υπολογιστική ισχύ με πολύ διαφορετικό τρόπο από τους κλασικούς υπολογιστές.

Αντί να εκτελούν πολύπλοκους υπολογισμούς με έναν ισχυρό επεξεργαστή (CPU), εκτελούν χιλιάδες ή εκατομμύρια απλούστερους υπολογισμούς παράλληλα.

(Μπορείτε να μάθετε περισσότερα για το πώς εφευρέθηκαν και λειτουργούν τα νευρωνικά δίκτυα στο “Επένδυση στα Επιτεύγματα του Βραβείου Νόμπελ – Τεχνητά Νευρωνικά Δίκτυα, η Βάση της AI”)

Μέχρι τώρα, οι κάρτες γραφικών, ή GPUs (Μονάδες Επεξεργασίας Γραφικών), ήταν το προτιμώμενο εργαλείο για την ανάπτυξη AI, ενισχύοντας δραματικά τα έσοδα και τα κέρδη των ηγετών του κλάδου όπως η Nvidia (NVDA ).

Η αγορά υλισμικού AI αναμένεται να συνεχίσει να αναπτύσσεται εξαιρετικά γρήγορα, με CAGR 31,2% από το 2025 έως το 2035.

Πηγή: Roots Analysis

Αυτή η περίοδος θα πρέπει επίσης να δει την εμφάνιση πολλών νέων τύπων υλισμικού AI, καθώς οι GPUs που επαναχρησιμοποιούνται για υπολογισμούς AI αντικαθίστανται σταδιακά από τσιπ σχεδιασμένα ειδικά για αυτήν την εφαρμογή.

Μακροπρόθεσμα, πιο εξωτικές μορφές υπολογισμού είναι πιθανό να βρουν τη θέση τους στην αγορά υλισμικού AI, από σχεδιασμούς ειδικών εφαρμογών μέχρι τσιπ μη-σιλικόν ή ακόμη και τη χρήση πραγματικών βιολογικών νευρώνων.

Πώς Λειτουργεί η Σκέψη της AI

Η θεμελιώδης διαφορά μεταξύ κλασικών υπερυπολογιστών και AI είναι ο τρόπος επεξεργασίας των δεδομένων. Αντί να λύνουν πολύπλοκους υπολογισμούς, τα νευρωνικά δίκτυα δημιουργούν εικονικούς κόμβους συνδεδεμένους σε ένα δίκτυο. Ενώ το αρχικό νευρωνικό δίκτυο περιείχε μόλις μερικές δεκάδες κόμβους, κάνοντας μερικές εκατοντάδες συνδέσεις, τα σύγχρονα νευρωνικά δίκτυα όπως αυτά που χρησιμοποιεί το ChatGPT χρησιμοποιούν τρισεκατομμύρια πιθανές συνδέσεις, φτάνοντας σε επίπεδα πολυπλοκότητας παρόμοια με τον ανθρώπινο εγκέφαλο.

Πηγή: Nobel Prize

Αυτή η διαφορετική μέθοδος λογισμού απαιτεί υλισμικό ικανό να εκτελεί εκατομμύρια λειτουργίες παράλληλα, ακόμη και αν η υπολογιστική ισχύς που αφιερώνεται σε κάθε μία είναι σχετικά μικρή.

Ευτυχώς, αυτό είναι ένας τύπος υλισμικού που λειτουργεί ήδη για πολλά χρόνια, όπως η γραφική απόδοση χρησιμοποιώντας GPUs, κυρίως για 3D προσομοιώσεις και βιντεοπαιχνίδια, και επίσης χρησιμοποιεί αυτό το είδος πολλών μικρών υπολογισμών παράλληλα.

Γι’ αυτόν τον λόγο, ο αρχικός (και τρέχων) νικητής του αγώνα για εξασφάλιση επαρκούς αριθμού τσιπ AI ήταν η Nvidia, η ηγέτιδα στην αγορά GPU.

Όλο και Πιο Γρήγοροι GPUs

Με την εφεύρεση πιο αποδοτικών αλγορίθμων και την ταχεία πρόοδο στην τεχνητή νοημοσύνη που δημιούργησαν, οι δυνητικές εφαρμογές της AI εκτοξεύτηκαν τη δεκαετία του 2020.

Αυτό οδήγησε σε έναν συνεχώς αυξανόμενο αγώνα για εξασφάλιση επαρκούς υλισμικού, ειδικά των GPU της Nvidia το 2023.

Παράλληλα, οι αυξανόμενες προσδοκίες από τις δυνητικές εφαρμογές της AI απαιτούν όλο και πιο έξυπνη AI, η οποία με τη σειρά της απαιτεί περισσότερη υπολογιστική ισχύ. Και ενώ η εξασφάλιση περισσότερων GPU ήταν μια λύση, χρειάζονταν επίσης καλύτερα GPU.

Η βιομηχανία ανταποκρίθηκε, με αύξηση της απόδοσης κατά 1.000 φορές σε λιγότερο από 8 χρόνια.

Πηγή: NVIDIA

Μπορεί να Διαρκέσει;

Υπάρχουν ενδείξεις ότι η πρόοδος στην απόδοση των GPU μπορεί σύντομα να επιβραδυνθεί. Πρώτον, όλες οι «εύκολες» βελτιώσεις, όπως η αύξηση του μεγέθους των GPU και η χρήση μικρότερων και πιο πυκνών τρανζίστορ, φτάνουν στο όριο. Έτσι, περαιτέρω βελτιώσεις πρέπει να προέρχονται από πιο ριζικές επανασχεδιάσεις και καινοτομίες.

Δευτερεύοντα προβλήματα επίσης εμφανίζονται στη βιομηχανία. Για παράδειγμα, τα πολύ πιο πυκνά και ισχυρά GPU παράγουν πολύ θερμότητα, στο σημείο που η περαιτέρω αύξηση θα λιώδεν τα τσιπ.

Αυτή η σπατάλη θερμότητας υποδηλώνει επίσης μεγάλη σπατάλη ενέργειας. Η εξασφάλιση επαρκούς παροχής σταθερής, βασικής ενέργειας γίνεται πρόβλημα για τις εταιρείες AI, με όλες τις μεγάλες τεχνολογικές εταιρείες να προσπαθούν να εξασφαλίσουν προμήθεια από πυρηνικά εργοστάσια.

Τέλος, η υπολογιστική AI γίνεται πιο εξειδικευμένη, με διαφορετικές μεθοδολογίες να εμφανίζονται σε διαφορετικές εταιρείες και για διαφορετικές εφαρμογές, κάθε μία με διαφορετικές απαιτήσεις όσον αφορά το υλισμικό της. Έτσι, πιθανότατα, η εποχή των γενικών GPU που χρησιμοποιούν όλες οι εταιρείες AI φτάνει στο τέλος της, ακόμη και αν αργά.

Η Εποχή των Super GPU

Μέχρι τώρα, τα περισσότερα κέντρα δεδομένων AI αποτελούνταν από τη σύνδεση χιλιάδων GPU σε αφιερωμένους διακομιστές.

Η άμεση λύση στο αυξανόμενο πρόβλημα υπερθέρμανσης και κατανάλωσης ενέργειας θα είναι η κατασκευή ενσωματωμένου υλισμικού που υπερβαίνει τη συγκέντρωση μεμονωμένων GPU.

“Στα σημερινά κέντρα δεδομένων, δεν μπορείτε να τοποθετήσετε τον ίδιο αριθμό διακομιστών NVIDIA H100 ή υπολογιστικών δίσκων GB200 Superchip σε ένα ντουλάπι όπως μπορούσατε με προηγούμενες γενιές GPU λόγω των υψηλότερων απαιτήσεων σε ισχύ και ψύξη.”

Ένα σημαντικό βήμα προς αυτή την κατεύθυνση είναι η πρόσφατη κυκλοφορία από τη Nvidia του GB200 NVL72. Αυτό το υλισμικό σχεδιάστηκε να λειτουργεί ως ένα ενιαίο τεράστιο GPU, καθιστώντας το πολύ πιο ισχυρό ακόμη και από το προηγούμενο ρεκόρ H100.

Η βελτιωμένη θερμική αποδοτικότητα και η εξοικονόμηση ενέργειας μας επιτρέπουν να είμαστε πιο γενναιόδωροι με το πόσα GPU μπορούμε να τοποθετήσουμε σε ένα ράφι — που σημαίνει περισσότερα GPU για τους πελάτες μας.

Αυτό θα πρέπει επίσης να είναι πολύ πιο ενεργειακά αποδοτικό, ένα κρίσιμο σημείο καθώς η βιομηχανία AI μπορεί να εξαντλήσει την ενέργεια πριν εξαντλήσει τα τσιπ, με την ταχύτητα με την οποία χτίζονται τα κέντρα δεδομένων AI. Και περισσότερη υπολογιστική & ενεργειακή αποδοτικότητα σημαίνει λιγότερη σπατάλη θερμότητας, που προσωρινά λύνει επίσης το πρόβλημα υπερθέρμανσης.

Πηγή: Nvidia

Αυτή τη στιγμή, Η CoreWeave έγινε ο πρώτος πάροχος cloud με γενικά διαθέσιμες στιγμές Nvidia GB200 NLV72 instances (CRWV ).

(Μπορείτε να διαβάσετε περισσότερα για τη CoreWeave και την παροχή υπολογιστικού νέφους AI σε εταιρείες που αναπτύσσουν λύσεις AI στο “CoreWeave: Ο Υπερ-Πάροχος Cloud AI”).

Μη-GPU Υλισμικό AI

Προγραμματιζόμενα Πεδίου Πύλες (FPGAs)

Ένας άλλος τύπος υλισμικού που χρησιμοποιείται για την ανάπτυξη AI είναι τα Προγραμματιζόμενα Πεδίου Πύλες (FPGAs). Τα FPGA είναι ολοκληρωμένα κυκλώματα που μπορούν να επαναπρογραμματιστούν για την εκτέλεση συγκεκριμένων εργασιών με μεγαλύτερη αποδοτικότητα. Λειτουργούν με ρυθμιζόμενες συνδέσεις μεταξύ των στοιχείων τους.

Πηγή: Microcontrollers Labs

Αυτό μπορεί να κάνει τα FPGA πιο ευέλικτα από τα GPU και να έχουν μεγαλύτερο δυναμικό βελτιστοποίησης για συγκεκριμένους τύπους υπολογισμών.

Τα FPGA είναι επίσης πιο αποδοτικά σε κατανάλωση ενέργειας από τα GPU. Η χαμηλή καθυστέρηση (γρήγορη αντίδραση) τα καθιστά πολύ αποδοτικά για πραγματικές εφαρμογές που απαιτούν γρήγορες αντιδράσεις.

Ωστόσο, τα FPGA είναι επίσης λιγότερο ικανά να διαχειριστούν πολύ απαιτητικούς υπολογισμούς που απαιτούν πολλή ισχύ.

Ένα άλλο ζήτημα είναι ότι ενώ τα FPGA είναι επαναπρογραμματιζόμενα, αυτή η διαδικασία μπορεί να είναι χρονοβόρα και απαιτεί εργασία. Έτσι, μπορεί να είναι πολύ πιο αργά στο σχεδιασμό, την κατασκευή και τον προγραμματισμό. Αυτό μπορεί να αποτελεί σοβαρό πρόβλημα σε έναν τομέα που κάνει επαναστατική πρόοδο κάθε 6 μήνες.

Αυτό σημαίνει ότι μέχρι τώρα, οι περιπτώσεις χρήσης των FPGA έχουν συγκεντρωθεί σε συγκεκριμένες εφαρμογές AI, με τη γενική ανάπτυξη να εξακολουθεί να βασίζεται σε λιγότερο αποδοτικά, αλλά γενικού σκοπού GPU:

• Επεξεργασία σε πραγματικό χρόνο: Όταν τα εισερχόμενα δεδομένα πρέπει να επεξεργαστούν γρήγορα, όπως για ψηφιακή επεξεργασία σήματος, συστήματα ραντάρ, αυτόνομα οχήματα και τηλεπικοινωνίες.
• Προσαρμοσμένη επιτάχυνση υλισμικού: Τα ρυθμιζόμενα FPGA μπορούν να βελτιστοποιηθούν για την επιτάχυνση συγκεκριμένων εργασιών deep learning και συστοιχιών HPC, βελτιστοποιώντας για συγκεκριμένους τύπους δεδομένων ή αλγορίθμους.

• Έτσι, τα σύγχρονα κέντρα δεδομένων AI μπορεί σταδιακά να γίνουν ένα μείγμα GPU και FPGA, με κάθε υλισμικό αφιερωμένο στα υπο-έργα που μπορεί να εκτελέσει καλύτερα.
  • Edge computing: Η μεταφορά υπολογιστικών και αποθηκευτικών δυνατοτήτων πιο κοντά στον τελικό χρήστη, π.χ. απευθείας σε ένα αυτοκίνητο ή ένα drone. Σε αυτές τις περιπτώσεις, η χαμηλή κατανάλωση ενέργειας και το μικρό μέγεθος των FPGA είναι πλεονεκτήματα.

Ειδικά Ενσωματωμένα Κυκλώματα (ASICs)

Τα συστήματα ASIC κατασκευάζονται για συγκεκριμένους τύπους υπολογισμών και μπορούν να εκτελούν μόνο αυτούς. Έτσι δεν είναι τόσο πολύ ένας υπολογιστικός τσιπ όσο ένα καθαρό ενσωματωμένο κύκλωμα· τα FPGA μερικές φορές αποκαλούνται επίσης προγραμματιζόμενα ASIC.

Ο λόγος χρήσης ASIC αντί FPGA ή GPU είναι ότι τα ASIC είναι πολύ πιο γρήγορα από οποιαδήποτε άλλη λογική συσκευή. Είναι επίσης πιο ενεργειακά αποδοτικά και μικρότερα σε μέγεθος.

Γι’ αυτό, για παράδειγμα, τα ASIC miners χρησιμοποιούνται στην εξόρυξη κρυπτονομισμάτων, με το σχεδιασμό βελτιστοποιημένο για την εκτέλεση του συγκεκριμένου τύπου υπολογισμού που απαιτείται.

Πηγή: Wevolver

Ωστόσο, τα ASIC είναι επίσης πολύ πιο πολύπλοκα στο σχεδιασμό, οπότε έχει νόημα να αναπτυχθεί ένα μόνο για μια εργασία που θα επαναλαμβάνεται αρκετά ώστε να καλύψει το κόστος σχεδίασης. Συνολικά, τα ASIC έχουν οικονομικό νόημα μόνο όταν θεωρούνται για μαζική παραγωγή.

Οι προσαρμοσμένες σχεδιάσεις απαιτούν επίσης εξειδικευμένη γνώση, και οι ευρέως χρησιμοποιούμενες γλώσσες προγραμματισμού και βιβλιοθήκες ενδέχεται να μην είναι χρησιμοποιήσιμες.

Αυτή η ανάγκη για προσαρμοσμένο σχεδιασμό μπορεί, ωστόσο, να είναι και πλεονέκτημα, καθώς δημιουργεί πρόσθετη προστασία πνευματικής ιδιοκτησίας (IP).

Οι περιπτώσεις χρήσης των ASIC είναι παρόμοιες με τα FPGA: edge computing, αναγνώριση εικόνας, τηλεπικοινωνίες και επεξεργασία σήματος, αλλά ακόμη περισσότερο από τα FPGA απαιτούν συχνά επαναλαμβανόμενους υπολογισμούς.

Επειδή δεν είναι ευέλικτα, είναι επίσης απίθανο να είναι επαρκή από μόνα τους για οποιεσδήποτε σύνθετες εργασίες AI. Ωστόσο, μπορεί να ενσωματωθούν σε ένα σύστημα υλισμικού AI για να του προσφέρουν μεγαλύτερη αποδοτικότητα και ταχύτητα.

Σημαντικό είναι ότι εταιρείες όπως η Etched αναπτύσσουν ASIC ειδικά σχεδιασμένα για την εκτέλεση υπολογισμών transformers (το “T” στο chatGPT).

Πηγή: Etched

Νευρομορφικά Τσιπ

Πέρα από τη βελτίωση των GPU ή την κατασκευή πιο αποδοτικών ASIC, άλλες έννοιες εξετάζουν την πλήρη αλλαγή του τρόπου εκτέλεσης υπολογισμών.

Μια ιδέα είναι ότι αν σχεδιάζουμε ένα νευρωνικό δίκτυο, θα πρέπει να έχουμε μια αρχιτεκτονική τσιπ που το αντικατοπτρίζει.

Αυτή είναι η ιδέα των νευρομορφικών τσιπ, που λειτουργούν όπως διασυνδεδεμένοι νευρώνες σε επίπεδο υλισμικού αντί να το προσομοιώνουν μέσω σύνθετων μαθηματικών εξισώσεων και εκατομμυρίων παράλληλων υπολογισμών.

Αυτές οι συσκευές ονομάζονται επίσης NPUs (Μονάδα Νευρωνικής Επεξεργασίας), συνήθως συνδυάζοντας πολλούς διαφορετικούς τύπους στοιχείων σε μία μονάδα.

Τα νευρομορφικά τσιπ συχνά χρησιμοποιούν σύνθετα ηλεκτρικά σήματα, πιο κοντά σε αναλογικά δεδομένα. Αυτό διαφέρει από τους «κανονικούς» υπολογιστές που χρησιμοποιούν σχεδίαση Von Neumann με δυαδικά σήματα (0 & 1).

Πηγή: Tech Target

Πολλές μέθοδοι εξετάζονται αυτή τη στιγμή για τη δημιουργία νευρομορφικών τσιπ:

• Εκμετάλλευση της αρχικής φεροηλεκτρικότητας, ένα ακόμη κακό κατανοητό φαινόμενο.
• Ενεργό υπόστρωμα χρησιμοποιώντας βανάδιο ή τιτάνιο.
• Χρήση memristors, ένα νέο τύπο ηλεκτρονικού στοιχείου, που μπορεί να εκτελεί εργασίες AI με 1/800^thτης κανονικής κατανάλωσης ενέργειας.

Φωτονικά Τσιπ

Μια άλλη επιλογή για να παρακάμψουμε πολλές από τις τρέχουσες περιορισμούς του πυριτικού υλισμικού είναι η μετάβαση σε φωτονικούς υπολογιστές. Αντί για ηλεκτρόνια που μεταφέρουν την πληροφορία, είναι τα φωτόνια από λέιζερ που το κάνουν.

Αυτή η μέθοδος προσφέρει το πλεονέκτημα ότι είναι πολύ λιγότερο ευάλωτη στην υπερθέρμανση και το φως είναι το πιο γρήγορο πράγμα στο Σύμπαν.

Προς το παρόν, η ανθεκτικότητα των φωτονικών στοιχείων, ιδιαίτερα της μνήμης, αποτελεί πρόβλημα, αλλά αυτό αλλάζει γρήγορα.

Άλλες πρόσφατες προόδους στη φωτονική περιλαμβάνουν:

• Φεροηλεκτρικό Υψηλής Κινητικότητας Ηλεκτρονικό Τρανζίστορ (FeHEMT), μικραίνοντας τις συσκευές επικοινωνίας σε smartphones.
• Περοβσκίτες, πιο συγκεκριμένα CsPbBr3 (σελήνιο-μαγνήσιο-βρωμίδιο) κρυστάλλους, συνδυάζοντας φωτονική με «κανονικό» πυρίτιο και υποστρώματα γαλλίου-αργύρου.
• Υπερ-γρήγορη εγγραφή λέιζερ, για το σχεδιασμό φωτονικών στοιχείων με νανο-χαραγμένο.
• Μέθοδος κατασκευής πολυεπίπεδων πυριτικών φωτονικών.
• Χρήση μαγνητίτη για τη δημιουργία υπολογιστών spintronics-φωτονικών

Χρήση Πραγματικών Νευρώνων

Ένας άλλος τρόπος για να προωθήσουμε περαιτέρω την AI ώστε να φτάσει σε απόδοση παρόμοια με τον πραγματικό εγκέφαλο είναι ίσως απλώς η χρήση εγκεφάλων από την αρχή.

Τελικά, αν ένα νευρωνικό δίκτυο που αποτελείται από πραγματικούς νευρώνες μπορεί να είναι εξαιρετικά προσαρμοστικό και να διαπρέπει στην αναγνώριση προτύπων στη φύση, γιατί δεν θα λειτουργούσε και σε πιο τεχνητό πλαίσιο;

Τον Μάρτιο του 2025, αυτή η έννοια προχώρησε περαιτέρω με την κυκλοφορία από την Cortical Labs του CL1, του πρώτου Συνθετικού Βιολογικού Νοημοσύνης (SBI).

Πηγή: Cortical Labs

Πραγματικοί νευρώνες καλλιεργούνται μέσα σε ένα θρεπτικό διάλυμα, παρέχοντάς τους όλα όσα χρειάζονται για να είναι υγιείς. Αναπτύσσονται πάνω από ένα πυριτικό τσιπ, το οποίο στέλνει και λαμβάνει ηλεκτρικά ερεθίσματα στη νευρωνική δομή.

Ενσωματώνουμε τους νευρώνες στο biOS με ένα μείγμα σκληρού πυριτίου και μαλακού ιστού. Μπορείτε να συνδεθείτε απευθείας με αυτούς τους νευρώνες. Αναπτύξτε κώδικα απευθείας στους πραγματικούς νευρώνες και λύστε τις πιο δύσκολες προκλήσεις του σήμερα.

Ο νευρώνας είναι αυτό-προγραμματιζόμενος, άπειρα ευέλικτος, και το αποτέλεσμα τεσσάρων δισεκατομμυρίων ετών εξέλιξης. Αυτό που τα ψηφιακά μοντέλα AI ξοδεύουν τεράστιους πόρους προσπαθώντας να μιμηθούν, το ξεκινάμε από το μηδέν.

Αυτό θα μπορούσε να είναι μια πραγματική επανάσταση εάν κάποιες θεωρίες που θεωρούν τον ανθρώπινο εγκέφαλο περισσότερο ως κβαντικό υπολογιστή παρά ως ηλεκτρικό σύστημα αποδειχθούν αληθινές.

Παρόλο που εξακολουθεί να είναι μια αναδυόμενη τεχνολογία, θα μπορούσε να λάβει ώθηση με την πρόοδο σε συναφή πεδία, όπως η 3D εκτύπωση ανθρώπινων οργάνων, συμπεριλαμβανομένης της λειτουργικής εκτύπωσης εγκεφαλικού ιστού, καθώς και η παραγωγή οργανοειδών (mini-brains) από εταιρείες όπως η Final Spark και η BiologIC.

Διεπαφή Εγκεφάλου-Υπολογιστή

Ένας άλλος τρόπος για να ενισχύσουμε το υλισμικό AI θα μπορούσε να είναι η άμεση διεπαφή του με έναν άλλο τύπο βιολογικού υπερυπολογιστή: τον εγκέφαλο που βρίσκεται ήδη μέσα στο κρατήρα μας και κάνει τη σκέψη μας.

Αρχικά, οι Διεπαφές Εγκεφάλου-Υπολογιστή (BCI) πιθανότατα θα χρησιμοποιηθούν κυρίως για να βοηθήσουν άτομα που υποφέρουν από νευρολογικές παθήσεις.

Νέες μέθοδοι για να γίνουν τα εμφυτεύματα πιο ανθεκτικά και λιγότερο επεμβατικά θα βοηθήσουν επίσης.

Μακροπρόθεσμα, αυτό επίσης θα μπορούσε να θολώσει τη γραμμή μεταξύ μηχανής και ανθρώπινης νοημοσύνης. Αν σκέφτεστε κάτι με τη βοήθεια AI σε άμεση αλληλεπίδραση μαζί μας μέσω BCI, ποιος σκέφτηκε ακριβώς;

Ωστόσο, λόγω ηθικών και ασφαλιστικών ανησυχιών, αυτή είναι πιθανότατα μία από τις πιο απομακρυσμένες τεχνολογίες, παρά την προσμονή που δημιουργούν έργα επιστημονικής φαντασίας όπως το Altered Carbon, το Neuromancer ή το Cyberpunk 2077.

(Καλύψαμε τις πιο σημαντικές εταιρείες στον τομέα στο “5 Καλύτερες Εταιρείες Διεπαφής Εγκεφάλου-Υπολογιστή (BCI)”).

Πόση Υπολογιστική Ισχύς Χρειάζεται Πραγματικά;

DeepSeek

Για πολλά χρόνια, κάθε εταιρεία AI αγωνιζόταν να προσθέσει όσο το δυνατόν περισσότερη υπολογιστική ισχύ όσο πιο γρήγορα, υποθέτοντας ότι περισσότερο είναι πάντα καλύτερο.

Αυτό αμφισβητήθηκε από την βίαιη άφιξη της κινεζικής εταιρείας AI DeepSeek. Με ένα μοντέλο 10-100 φορές πιο αποδοτικό από τους ανταγωνιστές της, και κόστος μόνο 3%-5% για ισοδύναμη ή ανώτερη απόδοση, η DeepSeek αμφισβήτησε την ανάγκη για περισσότερη υπολογιστική ισχύ για την κατασκευή καλύτερων AI.

Ένας μεγάλος λόγος για τον οποίο η DeepSeek εστίασε τόσο πολύ στην αποδοτικότητα του μοντέλου ήταν η περιορισμένη πρόσβαση των κινεζικών εταιρειών AI σε τσιπ AI. Αυτό έγινε σαφές όταν λίγο μετά την κυκλοφορία αποκαλύφθηκε ότι τα μοντέλα AI από άλλες κινεζικές εταιρείες αποδίδουν εξίσου εντυπωσιακά: το Qwen της Alibaba, το Kimi της Moonshot AI, το Doubao της ByteDance ή το Ernie Bot της Baidu.

Όπως λέει το ρητό, «Η ανάγκη είναι η μητέρα της εφεύρεσης».

Πιθανότατα τα επόμενα χρόνια, μια διπλή εστίαση στην καλύτερη απόδοση και στην μεγαλύτερη αποδοτικότητα θα κυριαρχήσει τη βιομηχανία AI.

Ωστόσο, αυτό δεν σημαίνει ότι η μεγαλύτερη υπολογιστική ισχύ δεν θα προσφέρει καλύτερα αποτελέσματα. Απλώς, αυτό δεν είναι η μόνη διαδρομή προς την επιτυχία στη βιομηχανία AI, και πολύ καλά χρηματοδοτημένες εταιρείες όπως η OpenAI μπορεί να ήταν λίγο απρόσεκτες με τις δαπάνες τους.

Προς το παρόν, τα περισσότερα AI είναι έργα σε εξέλιξη και πειραματικούς σχεδιασμούς με περιορισμένες εφαρμογές. Όσο περισσότερο ενσωματώνονται στη ροή εργασίας εκατομμυρίων εταιρειών παγκοσμίως, τόσο περισσότερη υπολογιστική ισχύ AI θα απαιτηθεί.

Και όσο περισσότερη υπολογιστική ισχύ απαιτείται, τόσο μεγαλύτερη η ζήτηση για πιο αποδοτικό και λιγότερο ενεργειακά απαιτητικό υλισμικό.

Έτσι, όπως και για την παραδοσιακή υπολογιστική, μπορούμε να υποθέσουμε ότι η αγορά θα συνεχίσει να απαιτεί συνεχώς βελτιωμένα τσιπ, ειδικά καθώς η AI μπορεί σύντομα να γίνει ένας από τους μεγαλύτερους καταναλωτές ενέργειας στον κόσμο.

EdgeAI & AI PCs

Ένα άλλο αποτέλεσμα της εμφάνισης της DeepSeek και άλλων κινεζικών μοντέλων AI με λιγότερες απαιτήσεις υπολογιστικής ισχύς είναι ότι τα μοντέλα AI, ειδικά τα «distilled», μπορούν τώρα να τρέξουν σε υψηλής τεχνολογίας ατομικές μηχανές, αντί σε τεράστια κέντρα δεδομένων AI κλίμακας gigawatts.

Αυτό επικυρώνει τους υποστηρικτές του EdgeAI, υποστηρίζοντας ότι μεγάλο μέρος της υπολογιστικής AI πρέπει να γίνεται «επιτόπου», αντί μόνο στο cloud.

Καθώς η DeepSeek είναι ένα μοντέλο ανοιχτού κώδικα, αυτό ανοίγει το δρόμο για πολλές ατομικές πειραματικές εφαρμογές με υπολογιστές AI: αρκετά ισχυρούς για να τρέχουν μοντέλα AI, αλλά φθηνούς και μικρούς ώστε να μπορούν να αγοραστούν από άτομα. Συνολικά, αυτό δεν οδηγεί τόσο σε μειωμένη ζήτηση υπολογιστικής AI, αλλά ίσως σε μια πιο αποκεντρωμένη διαδικασία ανάπτυξης και χρήσης εφαρμογών AI.

Έτσι, οι AI PCs είναι πιθανό να γίνουν η νέα μεγάλη τάση στην κατασκευή PC, με την εξειδικευμένη εφημερίδα να συζητά λεπτομερώς το ερώτημα και ποια μάρκα είναι η καλύτερη ειδικά καθώς η AI ενσωματώνεται στις περισσότερες τεχνολογικές εταιρείες, συμπεριλαμβανομένης της Microsoft (MSFT ), όπου το Copilot γίνεται σχεδόν πανταχού παρόν στα Windows OS και σε άλλα λογισμικά της εταιρείας.

Συμπέρασμα

Από τις GPU gaming, το υλισμικό για AI εξελίσσεται γρήγορα. Ξεκίνησε με GPU σχεδιασμένες για AI και εξελίσσεται με «super GPU» σχεδιασμένες από την αρχή για να ταιριάζουν σε κέντρα δεδομένων AI με χαμηλότερη κατανάλωση ενέργειας και παραγωγή θερμότητας.

Το επόμενο βήμα είναι πιθανό να είναι η περαιτέρω ενσωμάτωση γενικών GPU με ASIC και τσιπ FPGA για την εκτέλεση συγκεκριμένων εργασιών AI με λιγότερη ενέργεια και απαιτήσεις χώρου.

Προχωρώντας πιο μακριά, τα στοιχήματα είναι για το ποια τεχνολογία θα κερδίσει στην υπολογιστική AI: νευρομορφικά τσιπ, φωτονικά, spintronics ή ακόμη και πραγματικούς βιολογικούς νευρώνες εκπαιδευμένους να αλληλεπιδρούν με πυριτικά υποστρώματα, και ίσως AI που αλληλεπιδρά άμεσα με τους δικούς μας εγκεφάλους μέσω άμεσων διεπαφών.

Για όλες αυτές τις τεχνολογίες, είναι βέβαιο ότι η εκρηκτική αύξηση της ικανότητας της AI και η συνακόλουθη εκρηκτική αύξηση των εφαρμογών θα διατηρήσει τη ζήτηση για περισσότερο και καλύτερο υλισμικό AI.

Έτσι, ακόμη και αν εμφανιστούν πιο αποδοτικά μοντέλα AI στην αγορά, όπως η DeepSeek, η ξαφνική αύξηση της ζήτησης για AI PCs θα μπορούσε να είναι ένας καλός δείκτης ότι το υλισμικό AI πιθανότατα θα παραμείνει κάπως περιορισμένο σε σχέση με τη ζήτηση τα επόμενα χρόνια.

Ένας Ηγέτης στο Υλισμικό AI

Nvidia

Η NVIDIA εξελίχθηκε από μια εξειδικευμένη εταιρεία ημιαγωγών που ειδικεύεται σε κάρτες γραφικών σε έναν τεχνολογικό γίγαντα στην αιχμή της επανάστασης AI και της τεράστιας ποσότητας υλισμικού που χρειάζεται.

Αυτό επιτεύχθηκε μέσω της ανάπτυξης του CUDA, μιας γενικής διεπαφής προγραμματισμού για τις GPU της NVIDIA, ανοίγοντας το δρόμο για χρήσεις πέρα από το gaming.

«Οι ερευνητές συνειδητοποίησαν ότι αγοράζοντας αυτήν την κάρτα gaming που ονομάζεται GeForce, την προσθέτετε στον υπολογιστή σας και ουσιαστικά έχετε έναν προσωπικό υπερυπολογιστή. Μοριακή δυναμική, σεισμική επεξεργασία, ανακατασκευή CT, επεξεργασία εικόνας — μια σειρά από διαφορετικές εφαρμογές.»Jensen Huang, in an interview with Sequoia

Αυτή η ευρύτερη υιοθέτηση των GPU, και πιο συγκεκριμένα του υλισμικού NVIDIA, δημιούργησε έναν θετικό κύκλο ανάδρασης βασισμένο σε network effects: όσο περισσότερες χρήσεις, τόσο περισσότεροι τελικοί χρήστες και προγραμματιστές εξοικειώνονται με αυτό, τόσο περισσότερες πωλήσεις, τόσο μεγαλύτερος προϋπολογισμός R&D, τόσο μεγαλύτερη επιτάχυνση στην ταχύτητα υπολογισμού, τόσο περισσότερες χρήσεις κ.λπ.

Πηγή: Nvidia

Σήμερα, η εγκατεστημένη βάση περιλαμβάνει εκατοντάδες εκατομμύρια GPU με CUDA.

Ένα ακόμη αξιοσημείωτο πράγμα σχετικά με την εξέλιξη της υπολογιστικής ισχύος AI είναι ότι ακολουθεί έναν εκθετικό νόμο αντί του πιο γραμμικού Νόμου του Moore για τις CPU. Αυτό συμβαίνει επειδή όχι μόνο το υλισμικό GPU βελτιώνεται, αλλά η απαιτούμενη επεξεργαστική ισχύς έχει μειωθεί λόγω ριζικών βελτιώσεων στον τρόπο εκπαίδευσης των νευρωνικών δικτύων.

Ενώ είναι ηγέτης σε GPU και AI, η NVIDIA είναι επίσης πολύ ενεργή στην ανάπτυξη κβαντικού υπολογισμού ως νέο μοχλό ανάπτυξης.

Παρόμοια με το πώς ανέπτυξε το CUDA για εφαρμογές νευρωνικών δικτύων, η Nvidia έχει κυκλοφορήσει το CUDA-Q για κβαντικό υπολογισμό, προσφέροντας ένα κβαντικό cloud σύστημα όπου μπορείτε να νοικιάσετε την κβαντική υπολογιστική ισχύ της NVIDIA μέσω μιας υπηρεσίας cloud.

Πηγή: NVIDIA

Αυτό περιλαμβάνει επίσης τεχνολογίες όπως το cuQuantum της NVIDIA για ερευνητές να προσομοιώνουν κβαντικούς υπολογιστές, το cuPQC για κβαντική κρυπτογράφηση, και το DGX Quantum για την ενσωμάτωση τόσο κλασικού όσο και κβαντικού υπολογισμού.

Πηγή: NVidia

Με ισχυρή θέση στην AI, την κρυπτο-εξόρυξη, και ίσως σύντομα στον κβαντικό υπολογισμό, η Nvidia βρίσκεται σε πολύ καλή θέση να είναι μία από τις κυρίαρχες εταιρείες υλισμικού υπολογιστών την επόμενη δεκαετία.

Μπορείτε να διαβάσετε περισσότερα για το ιστορικό της Nvidia, το επιχειρηματικό μοντέλο και τις καινοτομίες της στο “NVIDIA (NVDA) Spotlight: Από Γίγαντα Γραφικών σε Τιτάνα AI“.

Τελευταία Ειδήσεις για τη NVIDIA