Tekoäly
Nousevat teknologiat, jotka muovaavat tekoälylaitteistojen tulevaisuutta
Lisää Securities.io suosikkilähteisiisi Google-palvelussa
Uusi laskentatyyppi
Viimeisten vuosien eksponentiaalisen edistyksen myötä tekoälyteknologiassa suurimpia voittajia ovat olleet tekoälylaitteiston rakentajat. Tämä johtuu siitä, että nykyaikainen tekoäly, joka käyttää enimmäkseen neuroverkko-teknologiaa, hyödyntää laskentatehoa hyvin eri tavalla kuin perinteiset tietokoneet.
Sen sijaan, että ne tekisivät monimutkaisia laskelmia tehokkaalla suoritin (CPU), ne suorittavat rinnakkain tuhansia tai miljoonia yksinkertaisempia laskelmia.
(Voit lukea lisää siitä, miten neuroverkot keksittiin ja toimivat “Sijoittaminen Nobel-palkinnon saavutuksiin – Keinotekoiset neuroverkot, tekoälyn perusta”)
Tähän mennessä grafiikkakortit, eli GPU:t (Graphics processing units), ovat olleet suosituin työkalu tekoälyn kehittämiseen, nostattaen dramaattisesti alan johtajien, kuten Nvidia, liikevaihtoa ja voittoja (NVDA ).
Tekoälylaitteistojen markkinoiden odotetaan kasvavan poikkeuksellisen nopeasti, 31,2 % CAGR:lla vuosina 2025–2035.
Lähde: Roots Analysis
Tällä ajanjaksolla tulisi myös syntyä monia uusia tekoälylaitteistotyyppejä, kun AI-laskentaan uudelleenkäytetyt GPU:t korvautuvat vähitellen erityisesti tähän sovellukseen suunnitelluilla siruilla.
Pitkällä aikavälillä todennäköisesti eksotiisemmat laskentamuodot pääsevät tekoälylaitteistomarkkinoille, aina sovelluskohtaisista suunnitelmista ei-silikonisiruihin tai jopa käyttämällä todellisia biologisia neuroneja.
Miten tekoälyn ajattelu toimii
Keskeinen ero perinteisten supertietokoneiden ja tekoälyjen välillä on tiedon käsittelytapa. Sen sijaan, että ratkaistaisiin monimutkaisia laskelmia, neuroverkot luovat virtuaalisia solmuja, jotka on yhdistetty verkkoon. Alkuperäinen neuroverkko sisälsi vain muutaman kymmenen solmua ja muutaman sadan yhteyden, kun taas nykyaikaiset neuroverkot, kuten ChatGPT:n käyttämät, hyödyntävät biljoonia mahdollisia yhteyksiä, saavuttaen monimutkaisuuden tason, joka ei ole kaukana ihmisaivoista.
Lähde: Nobel Prize
Tämä erilainen laskentamenetelmä vaatii laitteistoa, joka pystyy suorittamaan miljoonia operaatioita rinnakkain, vaikka kunkin varattu laskentateho onkin suhteellisen pieni.
Onneksi kyseessä on laitteistotyyppi, joka on ollut käytössä jo vuosia, kuten grafiikkarenderöinti GPU:illa, pääasiassa 3D-simulaatioissa ja videopeleissä, ja se käyttää myös tätä monien pienten laskelmien rinnakkaisuutta.
Tämän vuoksi alkuperäinen (ja nykyinen) kilpailun voittaja riittävän määrän AI-siruja hankkimisessa on ollut Nvidia, GPU-markkinoiden johtaja.
Entistä nopeammat GPU:t
Kun kehitettiin tehokkaampia algoritmeja ja tekoälyn nopea kehitys edisti, AI:n mahdolliset sovellukset räjähdyksellisesti laajenivat 2020-luvulla.
Tämä johti yhä kasvavaan kilpailuun riittävän laitteiston, erityisesti Nvidia GPU:n, varmistamiseksi vuonna 2023.
Samanaikaisesti kasvavat odotukset AI:n mahdollisista sovelluksista edellyttävät yhä älykkäämpää tekoälyä, mikä puolestaan vaatii enemmän laskentatehoa. Vaikka enemmän GPU:ita hankkiminen oli ratkaisu, myös parempia GPU:ita tarvittiin.
Teollisuus vastasi tähän, saavuttaen 1 000‑kertaisen suorituskyvyn kasvun alle kahdeksassa vuodessa.
Lähde: NVIDIA
Voiko se kestää?
On merkkejä siitä, että GPU:n suorituskyvyn kehitys saattaa pian hidastua. Ensinnäkin kaikki “helppot” parannukset, kuten GPU:iden suurentaminen ja pienempien sekä tiheämpien transistorien käyttö, ovat lähestymässä rajojaan. Joten jatkokehitys täytyy tulla radikaaleista uudelleensuunnitteluista ja innovaatioista.
Toissijaisia ongelmia alkaa myös ilmetä. Esimerkiksi paljon tiheämmät ja tehokkaammat GPU:t tuottavat paljon hukkilämpöä, niin että lisää samanlaisia siruja sulattaisi sirut.
Tämä hukkilämpö osoittaa myös suuren määrän hukkatettua energiaa. Riittävän vakaan peruskuorman sähkön saanti on nouseva ongelma AI-yrityksille, kaikkien Big Tech -yritysten kiirehtiessä varmistamaan sähkönsaantia ydinvoimaloista.
Lopuksi AI-laskenta muuttuu yhä erikoistuneemmaksi, kun eri yritykset ja sovellukset kehittävät omia menetelmiään, joilla on erilaiset laitteistovaatimukset. Siksi todennäköisesti kaikkien AI-yritysten käyttämien yleiskäyttöisten GPU:iden aikakausi on päättymässä, vaikka hitaasti.
Super-GPU-aikakausi
Tähän asti suurin osa AI-datakeskuksista on koostunut tuhansien GPU:iden liittämisestä omistettuina palvelimina.
Välitön ratkaisu kasvavaan ylikuumenemiseen ja energian kulutukseen on integroidun laitteiston rakentaminen, joka ylittää pelkkien yksittäisten GPU:iden kertymän.
Merkittävä askel tässä suunnassa on Nvidian äskettäin julkaisema GB200 NVL72. Tämä laitteisto on suunniteltu toimimaan yhtenä massiivisena GPU:nä, tehden siitä paljon voimakkaamman kuin edes aiemmin ennätyksellisen H100-malli.
Tämän tulisi myös olla paljon energiatehokkaampi, mikä on ratkaisevaa, sillä AI-teollisuus saattaa kohdata energian puutetta ennen kuin sirujen puute tulee vastaan AI-datakeskusten nopean rakentamisen myötä. Lisää laskentatehoa ja energiatehokkuutta tarkoittaa vähemmän hukkilämpöä, mikä tilapäisesti ratkaisee ylikuumenemisongelman.
Lähde: Nvidia
Currently, CoreWeave on tullut ensimmäiseksi pilvipalveluntarjoajaksi, jolla on yleisesti saatavilla Nvidia GB200 NLV72 -instansseja (CRWV ).
(Voit lukea lisää CoreWeavesta ja sen tarjoamasta AI-pilvilaskennasta yrityksille, jotka kehittävät AI-ratkaisuja “CoreWeave: Pilvipohjainen AI-hyperskaaleri”.)
Ei-GPU AI-laitteisto
Kenttäohjelmoitavat porttialgoritmit (FPGAs)
Toinen AI-kehityksessä käytetty laitteistotyyppi on Field-Programmable Gate Arrays. FPGA:t ovat integroituja piirejä, joita voidaan uudelleenohjelmoida suorittamaan tiettyjä tehtäviä tehokkaammin. Ne toimivat konfiguroitavien komponenttien välisten yhteyksien avulla.
Lähde: Microcontrollers Labs
Tämä voi tehdä FPGA:ista joustavampia kuin GPU:t ja tarjota enemmän optimointipotentiaalia tietyntyyppisissä laskelmissa.
FPGA:t ovat myös energiatehokkaampia kuin GPU:t. Niiden alhainen latenssi (nopea reagointiaika) tekee niistä erittäin tehokkaita reaalimaailman sovelluksissa, jotka vaativat nopeita reaktioita.
Kuitenkin FPGA:t eivät pysty käsittelemään yhtä hyvin erittäin vaativia, paljon energiaa vaativia laskelmia.
Toinen ongelma on, että vaikka FPGA:t ovat uudelleenkoodattavissa, prosessi voi olla aikaa ja työvoimaa vievä. Näin ollen niiden suunnittelu, rakentaminen ja ohjelmointi voi olla paljon hitaampaa. Tämä voi olla vakava haaste alalla, joka tekee mullistavaa edistystä kuuden kuukauden välein.
Tämä tarkoittaa, että tähän mennessä FGPA:n käyttötapaukset ovat tähän mennessä keskittyneet tiettyihin AI-sovelluksiin, with general development still relying on less efficient, but all-purpose GPUs:
- Reaaliaikainen käsittely: Kun saapuva data täytyy käsitellä nopeasti, esimerkiksi digitaalisen signaalinkäsittelyn, tutkajärjestelmien, autonomisten ajoneuvojen ja telekommunikaation yhteydessä.
- Mukautettu laitteistokiihdytys: Konfiguroitavia FPGA:ita voidaan hienosäätää nopeuttamaan tiettyjä syväoppimistehtäviä ja HPC-klustereita optimoimalla tiettyihin datatyyppeihin tai algoritmeihin.
- Nykyiset AI-datakeskukset saattavat vähitellen muuttua GPU- ja FPGA-yhdistelmäksi, jossa kukin laitteisto on omistettu parhaiten suoriutuville alitehtäville.
- Reunalaskenta: Tämä siirtää laskenta- ja tallennuskapasiteetit lähemmäs loppukäyttäjää, esimerkiksi suoraan autoon tai droneen. Näissä tapauksissa FPGA:n alhainen virrankulutus ja kompakti koko ovat etuja.
Sovelluskohtaiset integroidut piirit (ASICs)
ASIC-järjestelmät on rakennettu tiettyjä laskentatyyppejä varten, eikä ne pysty suorittamaan muuta. Näin ollen ne eivät ole niin paljon tietokonesiruja kuin puhtaita integroituja piirejä; FPGA:ita kutsutaan joskus myös ohjelmoitaviksi ASIC:eiksi.
Syynä käyttää ASIC:eja FPGA:iden tai GPU:iden sijaan on se, että ASIC:t ovat paljon nopeampia kuin mikään muu logiikkalaite. Ne ovat myös energiatehokkaampia ja pienempiä kooltaan.
Tämän vuoksi esimerkiksi ASIC-kaivurit käytetään kryptovaluutan louhinnassa, sillä niiden suunnittelu on optimoitu suorittamaan vaadittu laskentatyyppi.
Lähde: Wevolver
Kuitenkin ASIC:eja on paljon monimutkaisempi suunnitella, joten niiden kehittäminen on järkevää vain tehtävälle, jota toistetaan riittävän usein kattamaan suunnittelukustannukset. Kaiken kaikkiaan ASIC:eja on taloudellisesti järkevää vain massatuotannossa.
Mukautetut suunnitelmat vaativat myös asiantuntijatietoa, ja laajasti käytetyt ohjelmointikielet ja kirjastot eivät välttämättä ole käyttökelpoisia.
Tämä räätälöidyn suunnittelun tarve voi kuitenkin olla myös etu, sillä se luo lisäimmateriaalioikeussuojaa (IP).
ASIC:eiden käyttötapaukset ovat samankaltaisia kuin FPGA:iden: reunalaskenta, kuvantunnistus, telekommunikaatio ja signaalinkäsittely, mutta ne vaativat usein toistuvaa laskentaa vielä enemmän kuin FPGA:t.
Koska ne eivät ole joustavia, ne eivät todennäköisesti riitä yksinään monimutkaisiin AI-tehtäviin. Ne voidaan kuitenkin integroida AI-laitteistoon, jotta se saa lisää tehokkuutta ja nopeutta.
Erityisesti yritykset kuten Etched kehittävät ASIC:eja, jotka on erityisesti suunniteltu suorittamaan transformer-laskentaa (chatGPT:n “T”).
Lähde: Etched
Neuromorfiset sirut
Pelkkien GPU:iden parantamisen tai tehokkaampien ASIC:ien rakentamisen lisäksi muut konseptit pyrkivät täysin muuttamaan laskennan tapaa.
Yksi ajatus on, että jos suunnittelemme neuroverkkoa, siruarkkitehtuurin tulisi heijastaa sitä.
Tämä on neuromorfisten sirujen idea, jotka toimivat kuin toisiinsa kytketyt neuronit laitteistotasolla sen sijaan, että ne simuloitaisiin monimutkaisten matemaattisten yhtälöiden ja miljoonien rinnakkaislaskelmien avulla.
Näitä laitteita kutsutaan joskus myös NPUs (Neural Processing Unit), yleensä yhdistämällä monia erilaisia komponentteja yhdeksi yksiköksi.
Neuromorfiset sirut käyttävät usein monimutkaisia sähköisiä signaaleja, lähellä analogista dataa. Tämä eroaa “normaaleista” tietokoneista, jotka käyttävät Von Neumann -arkkitehtuuria binäärisignaaleilla (0 ja 1).
Lähde: Tech Target
Monia menetelmiä tutkitaan parhaillaan neuromorfisten sirujen luomiseksi:
- Hyödyntää alkavaa ferroelektrisyyttä, edelleen heikosti ymmärretty ilmiö.
- Aktiivinen alusta, jossa käytetään vanadia tai titaania.
- Memristorien käyttö, uusi tyyppinen elektroninen komponentti, joka suorittaa AI-tehtäviä 1/800‑osalla normaalista energiankulutuksesta.
Photonics-sirut
Toinen vaihtoehto kiertää monia nykyisiä piisirun rajoituksia on siirtyä photonics-tietokoneisiin. Sen sijaan, että elektronit kantaisivat tietoa, valoa aallonpituudet laserista tekevät sen.
Tämä menetelmä tarjoaa etuna, että se on paljon vähemmän altis ylikuumenemiselle, ja valo on nopein liikkeessä oleva asia universumissa.
Toistaiseksi photonics-komponenttien, erityisesti muistin, kestävyys on ollut ongelma, mutta tämä muuttuu nopeasti.
Viimeaikaiset edistysaskeleet photonicsissa sisältävät:
- Ferroelectric High Electron Mobility Transistor (FeHEMT), pienentää älypuhelimien viestintälaitteita.
- Perovskiitit, tarkemmin CsPbBr3 (cesium-lyijy-bromidi) kiteet, sekoittaen photonicsia “normaaliin” piiriin ja gallium-arsenidiin.
- Ultra-nopea laserkirjoitus, suunnittelemaan photonics-komponentteja nano-ukomisella.
- Monikerroksinen piisilaserikomponenttien valmistusmenetelmä.
- Magnetiitin käyttö spintroniikka-photonics-tietokoneiden luomiseen.
Todellisten neuronien käyttö
Toinen tapa viedä AI lähemmäs aivojen kaltaista suorituskykyä on ehkä yksinkertaisesti käyttää aivoja alun perin.
Lopulta, jos todellisista neuroneista koostuva neuroverkko on erittäin mukautuva ja loistaa mallintunnistuksessa luonnossa, miksi se ei toimisi keinotekoisemmassa kontekstissa?
Maaliskuussa 2025 tämä konsepti eteni edelleen Cortical Labs julkaisemalla CL1, ensimmäinen synteettinen biologinen älykkyys (SBI).
Lähde: Cortical Labs
Todellisia neuroneja viljellään ravinteikkaassa liuoksessa, joka tarjoaa niille kaiken tarvittavan terveyden ylläpitämiseksi. Ne kasvavat piisirun yli, joka lähettää ja vastaanottaa sähköimpulsseja neurorakenteeseen.
Tämä todella hämärtää rajan keinotekoisen ja luonnollisen älykkyyden välillä. Onko todellisista neuroneista koostuva tietokone edelleen keinotekoinen?
Integroimme neuronit biOS:iin kovien piisirujen ja pehmeän kudoksen seoksella. Voit yhdistää suoraan näihin neuroneihin. Aja koodia suoraan todellisiin neuroneihin ja ratkaise tämän päivän vaikeimmat haasteet.
Neuroni on itseohjelmoitu, äärettömän joustava, ja se on neljän miljardin vuoden evoluution tulos. Mitä digitaaliset AI-mallit käyttävät valtavia resursseja jäljitelläkseen, me aloitamme siitä.
Vaikka se on vielä vahvasti kehittyvä teknologia, se voisi saada lisäpotkua edistymisestä afferenttialoilla, kuten 3D-tulostus ihmisen elimistä, mukaan lukien toiminnallinen aivokudos, sekä organoidien tuotanto (mini-brains) yrityksiltä kuten Final Spark ja BiologIC.
Aivo-tietokone -rajapinta
Toinen tapa tehostaa AI-laitteistoa voisi olla sen käyttö suoraan yhteydessä toiseen biologiseen supertietokoneeseen: aivoihin, jotka ovat jo kallossamme ja tekevät ajattelumme.
Aluksi, aivo-tietokone -rajapinnat (BCI) ovat todennäköisesti pääasiassa käytetty auttamaan neurologisista sairauksista kärsiviä ihmisiä.
Uudet menetelmät implantit kestävämmiksi ja vähemmän invasiivisiksi auttavat myös.
Pitkällä aikavälillä tämäkin voi hämärtää rajan koneen ja ihmisen älykkyyden välillä. Jos ajat jotain AI:n avustuksella suoran vuorovaikutuksen kautta BCI:n kautta, kuka tarkalleen otti ajatuksen?
Kuitenkin eettisten ja turvallisuushuolien vuoksi tämä on todennäköisesti yksi kaukaisimmista teknologioista, huolimatta tieteiskirjallisuuden, kuten Altered Carbon, Neuromancer, tai Cyberpunk 2077, odotuksista.
(Käsittelimme alan merkittävimmät yritykset “5 parasta aivo-tietokone -rajapintaa (BCI) yritystä”.)
Kuinka paljon laskentatehoa todella tarvitaan?
DeepSeek
Monien vuosien ajan jokainen AI-yritys on kilpaillut lisätä mahdollisimman paljon laskentatehoa mahdollisimman nopeasti, olettaen että enemmän on aina parempi.
Tämä on haastanut kiinalaisen AI-yrityksen DeepSeekin brutaali saapuminen. Mallin ollessa 10–100‑kerta tehokkaampi kuin kilpailijat ja maksamalla vain 3–5 % vastaavasta tai paremmasta suorituskyvystä, DeepSeek on haastanut tarpeen lisätä laskentatehoa parempien AI:iden rakentamiseksi.
Suuri syy siihen, miksi DeepSeek keskittyi niin paljon mallin tehokkuuteen, oli kiinalaisten AI-yritysten rajallinen pääsy AI-siruja. Tämä tuli selväksi pian lanseerauksen jälkeen, kun havaittiin, että muiden kiinalaisten yritysten AI-mallit suoriutuivat yhtä vaikuttavasti: Alibaban Qwen, Moonshot AI:n Kimi, ByteDancen Doubao tai Baidun Ernie Bot.
Kuten sanonta kuuluu, “Tarve on keksinnön äiti”.
On todennäköistä, että tulevina vuosina kaksinkertainen painotus parempaan suorituskykyyn ja tehokkuuteen hallitsee AI-teollisuutta.
Kuitenkin tämä ei tarkoita, että enemmän laskentatehoa ei antaisi parempia tuloksia. Yksinkertaisesti, tämä ei ole ainoa tie menestykseen AI-teollisuudessa, ja hyvin rahoitetut yritykset kuten OpenAI ovat saattaneet olla hieman löysästi kuluttaneet varojaan.
Tällä hetkellä suurin osa AI:ista on keskeneräisiä ja kokeellisia suunnitelmia, joilla on vain rajalliset sovellukset. Mitä enemmän ne integroidaan miljoonien yritysten työnkulkuun maailmanlaajuisesti, sitä enemmän AI-laskentaa tarvitaan.
Ja mitä enemmän laskentaa tarvitaan, sitä suurempi on kysyntä tehokkaammille ja vähemmän energiaa kuluttaville laitteistoille.
Joten kuten perinteisessä laskennassa, voimme olettaa, että markkinat jatkavat yhä parempien sirujen kysymistä, erityisesti kun AI saattaa pian tulla yhdeksi maailman suurimmista energiankuluttajista.
EdgeAI & AI-PC:t
Toinen DeepSeekin ja muiden vähäisempää laskentaa vaativien kiinalaisten AI-mallien nousun vaikutus on, että AI-mallit, erityisesti “tiivistetyt” mallit, voivat nyt toimia huippuluokan yksittäisillä koneilla gigawattiasteisten valtavien AI-datakeskusten sijaan.
Tämä vahvistaa EdgeAI:n kannattajien väitteen, että suuri osa AI-laskennasta tulisi tehdä “paikallisesti”, eikä pelkästään pilvessä.
Koska DeepSeek on avoimen lähdekoodin malli, tämä avaa myös mahdollisuuden monille yksittäisille kokeiluille AI-tietokoneilla: tarpeeksi tehokkaita AI-mallien suorittamiseen, mutta riittävän edullisia ja pieniä yksityishenkilöiden ostettaviksi. Kaiken kaikkiaan tämä ei johda vähemmän AI-laskentakysyntään, vaan mahdollisesti hajautetumpaan prosessiin AI-sovellusten kehittämisessä ja käytössä.
Joten AI-PC:t todennäköisesti tulevat uudeksi suureksi trendiksi PC-rakentamisessa, erikoistuneen median jo käsittelevän yksityiskohtaisesti kysymystä ja parasta merkkiä erityisesti kun AI on läpäissyt suurimman osan teknologiayritysten tarjontaa, mukaan lukien Microsoft (MSFT ), Copilotista, joka on lähes kaikkialla Windows OS:ssä ja muissa yrityksen ohjelmistoissa.
Yhteenveto
Pelaamiseen suunnitelluista GPU:ista tekoälylaitteisto kehittyy nopeasti. Tämä alkoi AI:lle suunnitelluista GPU:ista ja kehittyy “super-GPU:iksi”, jotka on suunniteltu alusta alkaen sopimaan AI-datakeskuksiin alhaisemmalla energiankulutuksella ja lämmöntuotannolla.
Seuraava askel on todennäköisesti yleiskäyttöisten GPU:iden, ASIC:ien ja FPGA-sirujen entistä tiiviimpi yhdistäminen, jotta voidaan suorittaa erityisiä AI-tehtäviä vähemmällä energialla ja tilavaatimuksilla.
Tulevaisuudessa panokset kohdistuvat siihen, mikä teknologia voittaa AI-laskennassa: neuromorfiset sirut, photonics, spintroniikka tai jopa todelliset biologiset neuronit, jotka on koulutettu vuorovaikuttamaan piisirujen kanssa, ja ehkä AI, joka on vuorovaikutuksessa suoraan omien aivojemme kanssa suoran liitännän kautta.
Kaikille näille teknologioille on varmaa, että tekoälyn kapasiteetin räjähdysmäinen kasvu ja siihen liittyvä sovellusten räjähdysmäinen kasvu pitävät kysynnän yhä suurempaan ja parempaan AI-laitteistoon kasvavana.
Joten vaikka markkinoille tulisi tehokkaampia AI-malleja, kuten DeepSeek, AI-PC:iden äkillinen kysyntävoitto voi olla hyvä indikaattori siitä, että AI-laitteisto saattaa pysyä jonkin verran niukassa tarjonnassa verrattuna kysyntään tulevina vuosina.
Johtaja AI-laitteistossa
Nvidia
NVDA Hintakaavio
NVIDIA on kehittynyt kapean erikoistuneen puolijohdeyrityksen, joka keskittyi grafiikkakortteihin, teknologiajättiläiseksi, joka on tekoälyvallankumouksen eturintamassa ja tarvitsee valtavan määrän laitteistoa.
Tämä saavutettiin CUDA:n kehittämisen kautta, yleiskäyttöisen ohjelmointirajapinnan NVIDIA:n GPU:ille, mikä avasi ovet muille käyttötarkoituksille kuin pelaamiseen.
“Tutkijat huomasivat, että ostamalla tämän GeForce-nimisen pelikortin ja lisäämällä sen tietokoneeseen, sinulla on käytännössä henkilökohtainen supertietokone. Molekyylidynamiikka, seisminen prosessointi, CT-rekonstruktio, kuvankäsittely – koko joukko erilaisia asioita.”
Jensen Huang, haastattelussa Sequoialle
Tämä laajempi GPU:iden, ja erityisesti NVIDIA-laitteiston, omaksuminen loi positiivisen palautesilmukan, joka perustuu verkostovaikutuksiin: mitä enemmän käyttötarkoituksia, sitä enemmän loppukäyttäjiä ja ohjelmoijia, jotka tuntevat sen, sitä enemmän myyntiä, R&D-budjettia, laskentanopeuden kiihtymistä, käyttötarkoituksia jne.
Lähde: Nvidia
Tänä päivänä asennettu perusta sisältää satoja miljoonia CUDA-GPU:ita.
Toinen merkittävä seikka AI-laskentatehon kehityksessä on, että se noudattaa eksponentiaalista lakia CPU:n lineaarisen Moore’n lain sijaan. Tämä johtuu siitä, että ei ainoastaan GPU-laitteisto parane, vaan vaadittu prosessointiteho on vähentynyt radikaalin neuroverkkojen koulutuksen parantumisen myötä.
Vaikka NVIDIA on GPU- ja AI:n johtaja, NVIDIA on myös erittäin aktiivinen kehittämässä kvanttilaskentaa uudeksi kasvumoottoriksi.
Samankaltaisesti kuin se otti CUDA:n käyttöön neuroverkko-sovelluksissa, Nvidia on julkaissut CUDA-Q:n kvanttilaskentaa varten, tarjoten kvanttipilvipalvelun, jossa voit vuokrata NVIDIA:n kvanttilaskentakapasiteettia pilvipalvelun kautta.
Lähde: NVIDIA
Tämä sisältää myös teknologioita kuten NVIDIA:n cuQuantum tutkijoille kvanttitietokoneiden emuloimiseen, cuPQC kvanttien salaukseen ja DGX Quantum klassisen ja kvanttilaskennan yhdistämiseen.
Lähde: NVidia
Kaiken kaikkiaan NVIDIA on kvanttilaskentaympäristön rakentamisen eturintamassa, hyödyntäen asemaansa AI:n ja AI-laitteiston johtajana.
Vahvan aseman ansiosta AI:ssa, kryptolouhinnassa ja mahdollisesti pian kvanttilaskennassa, Nvidia on erittäin hyvin asemoitu olemaan yksi hallitsevista laskentalaitteisto-yrityksistä tulevalla vuosikymmenellä.
Voit lukea lisää Nvidian historiasta, liiketoimintamallista ja innovaatioista “NVIDIA (NVDA) Spotlight: Graafikkajättilästä AI-valtiaaseen”.
Uusimmat NVIDIA-uutiset
