AI हार्डवेयर में निवेश: CPUs से XPUs तक

AI हार्डवेयर में निवेश: पिक्स और फावड़े का दृष्टिकोण

AI भविष्य में हमारी अर्थव्यवस्था, उत्पादक प्रणालियों और समाज में पिछले कुछ दशकों की सबसे महत्वपूर्ण परिवर्तन होने का वादा कर रहा है, संभवतः इंटरनेट द्वारा लाए गए मौलिक बदलावों को भी तुलना में तुच्छ बना देता है।

यह पूरी श्रेणी की नौकरियों को समाप्त कर सकता है, जिसमें ड्राइवर, अनुवादक, ग्राहक समर्थन, वेब डिज़ाइनर आदि शामिल हैं। अन्य नौकरियों की मांग में भी भारी कमी आ सकती है, जैसे प्रोग्रामर, एंट्री‑लेवल वकील, निदानकर्ता आदि।

यह कई अन्य कार्यों के लिए अतिरिक्त मूल्य और उत्पादकता भी पैदा करेगा, जहाँ प्रमुख AI सॉफ़्टवेयर कंपनियाँ संभवतः पहले वे कंपनियाँ होंगी जो पहले कभी कल्पना नहीं की गई बाजार पूंजीकरण तक पहुँचेंगी।

इन सभी कारणों से, पूँजी बाजार और निवेशक AI से मोहित हो गए हैं और AI में कई टेक दिग्गजों की प्रगति पर बहुत ध्यान देते हैं, साथ ही चीनी टेक दिग्गजों जैसे Alibaba और स्टार्ट‑अप्स जैसे DeepSeek से उभरती कड़ी प्रतिस्पर्धा पर भी।

AI बूम में भाग लेने का एक और तरीका वह रणनीति अपनाना है जो हर सोने की लूट में काम करती है: सोना मत खोजो, बल्कि पिक्स और फावड़े बेचो। यह निश्चित रूप से उन कंपनियों के लिए काम आया है जो AI‑ऑप्टिमाइज़्ड हार्डवेयर बेचने के लिए सबसे अच्छे स्थान पर थीं, जहाँ Nvidia (NVDA ) ने अपने गेमिंग‑ग्राफ़िक कार्ड को AI‑ट्रेनिंग चिप्स में बदल दिया, जिससे वह दुनिया की सबसे मूल्यवान कंपनी बन गई, $4 ट्रिलियन के आश्चर्यजनक मार्केट कैप को पार कर गई (पूरा रिपोर्ट Nvidia पर लिंक देखें)।

क्योंकि AI को बहुत विशिष्ट हार्डवेयर की आवश्यकता होती है, जो अधिकांश पूर्व कंप्यूटिंग कार्यों से अलग है, और यह एक विशाल व्यावसायिक अवसर है, सेमीकंडक्टर उद्योग अब नई प्रकार की हार्डवेयर विकसित करने की दौड़ में है, जो विशेष रूप से AI प्रोग्रामों को प्रशिक्षित और चलाने के लिए डिज़ाइन की गई है।

जबकि Nvidia संभवतः इस सेक्टर की शीर्ष कंपनियों में से एक बनी रहेगी, अब विकल्प उभर रहे हैं और वे उन निवेशकों के लिए रोचक अवसर प्रदान कर सकते हैं जो शुरुआती चरण में ध्यान देते हैं।

AI को विशेषीकृत हार्डवेयर की आवश्यकता क्यों है

बहुत सारे छोटे गणनाएँ

AI में शुरुआती प्रयासों ने अन्य प्रोग्रामों की तरह ही कंप्यूटिंग क्षमता का उपयोग किया, मुख्य रूप से प्रोसेसर (सेंट्रल प्रोसेसिंग यूनिट – CPUs) पर ध्यान केंद्रित किया। CPUs अभी भी महत्वपूर्ण हैं, लेकिन जल्दी ही पता चला कि वे वर्तमान में AI विकसित करने के अधिकांश तरीकों के लिए अनुकूल नहीं हैं।

न्यूरल नेटवर्क और अन्य समान विधियों को कई अपेक्षाकृत सरल गणनाओं की आवश्यकता होती है, न कि एक बहुत जटिल गणना की। इसलिए कई छोटे चिप्स का समानांतर कार्य करना आमतौर पर बड़े और शक्तिशाली CPUs की तुलना में बेहतर होता है।

यही कारण है कि GPUs जल्दी ही अधिक लोकप्रिय हो गए, क्योंकि ग्राफ़िक कार्ड मूल रूप से हजारों छोटे गणनाओं को समानांतर में करने के लिए डिज़ाइन किए गए होते हैं।

आज का AI प्रशिक्षण मुख्य रूप से न्यूरल नेटवर्क पर आधारित है, एक अवधारणा जिसने 2024 में भौतिकी में नोबेल पुरस्कार जीता, जिसे हमने उस समय एक समर्पित लेख में विस्तार से कवर किया था।

स्रोत: Nobel Prize

AI प्रौद्योगिकी में दूसरी क्रांति “ट्रांसफ़ॉर्मर्स” के साथ आई। वे पारंपरिक न्यूरल नेटवर्क की लंबी डेटा अनुक्रमों को कुशलता से प्रोसेस करने में असमर्थता को हल करते हैं, जो किसी भी प्राकृतिक भाषा की सामान्य विशेषता है।

पहली बार 2017 में गूगल शोधकर्ताओं द्वारा प्रस्तुत किया गया, यह वर्तमान AI क्षमता के विस्फोट का मूल कारण है। ट्रांसफ़ॉर्मर्स LLMs (लार्ज लैंग्वेज मॉडल्स) जैसे AI उत्पादों के केंद्र में हैं, जिसमें ChatGPT भी शामिल है।

विभिन्न आवश्यकताएँ

AI कार्यप्रवाह में एक महत्वपूर्ण अंतर फ़ाइन‑ट्यूनिंग और इन्फ़रेंस के बीच है, जिनकी हार्डवेयर आवश्यकताएँ अलग‑अलग होती हैं।

• फ़ाइन‑ट्यूनिंग डोमेन‑विशिष्ट डेटा पर मॉडल को प्रशिक्षित करने में शामिल है, जिसके लिए काफी कंप्यूटिंग पावर और मेमोरी की आवश्यकता होती है। यह एक बहुत तकनीकी कार्य है, अक्सर AI विज्ञान की सीमा पर।
• इन्फ़रेंस पहले से प्रशिक्षित मॉडल का उपयोग करके आउटपुट उत्पन्न करने पर केंद्रित है, जिसके लिए कम कंप्यूटेशनल पावर की आवश्यकता होती है लेकिन कम लेटेंसी और लागत‑कुशलता पर अधिक ध्यान दिया जाता है।
  • यह अधिकतर AI विशेषज्ञों द्वारा पूर्वनिर्धारित मॉडलों को वास्तविक‑जीवन समस्याओं को हल करने के लिए तैनात करने में किया जाता है।

इसलिए, जबकि लागत दोनों फ़ाइन‑ट्यूनिंग/ट्रेनिंग और इन्फ़रेंस/उपयोग के लिए स्पष्ट रूप से एक चिंता का विषय है, प्रशिक्षण अक्सर सर्वोत्तम उपलब्ध हार्डवेयर की आवश्यकता रखता है, जबकि उपयोग कार्य लागत‑प्रभावशीलता और ऊर्जा‑उपभोग पर अधिक ध्यान देते हैं।

CPUs बनाम GPUs

सेंट्रल प्रोसेसिंग यूनिट्स (CPUs):

CPUs सामान्य‑उद्देश्य वाले होते हैं और विशेष रूप से AI हार्डवेयर नहीं होते। फिर भी वे AI सिस्टम में निर्देशों को निष्पादित करने और बुनियादी गणनाएँ करने के लिए आवश्यक होते हैं।

AI सिस्टम के अंतिम उपयोगकर्ताओं के साथ इंटरफ़ेस संभालने वाले अधिकांश सॉफ़्टवेयर भी CPU‑केंद्रित होते हैं, चाहे वह व्यक्तिगत कंप्यूटर हों या क्लाउड‑आधारित सॉफ़्टवेयर।

स्रोत: AnandTech

CPUs का उपयोग बहुत सरल AI के लिए भी किया जा सकता है, जहाँ समर्पित हार्डवेयर की वास्तव में आवश्यकता नहीं होती। यह विशेष रूप से तब सत्य होता है जब आउटपुट बहुत त्वरित नहीं होना चाहिए, और CPUs की अपेक्षाकृत धीमी AI‑प्रोसेसिंग समस्या नहीं बनती।

इसलिए छोटे मॉडल, छोटे डेटा बैच और कम गणना वाले कार्य CPUs पर अच्छी तरह से चल सकते हैं। नियमित कंप्यूटरों में CPUs की सर्वव्यापकता इसे उन औसत उपयोगकर्ताओं के लिए एक अच्छा विकल्प बनाती है जो AI‑विशिष्ट हार्डवेयर में निवेश नहीं करना चाहते।

CPUs बहुत भरोसेमंद और स्थिर भी होते हैं, जिससे वे उन महत्वपूर्ण कार्यों के लिए उपयुक्त होते हैं जहाँ त्रुटि न होना एक महत्वपूर्ण मानदंड है।

अंत में, CPUs AI प्रशिक्षण के कुछ कार्यों में उपयोगी होते हैं, आमतौर पर अन्य प्रकार के हार्डवेयर के साथ सहयोग में, जैसे डेटा लोडिंग, फ़ॉर्मेटिंग, फ़िल्टरिंग और विज़ुअलाइज़ेशन।

ग्राफ़िक्स प्रोसेसिंग यूनिट्स (GPUs):

मूल रूप से ग्राफ़िक्स रेंडरिंग के लिए डिज़ाइन किए गए GPUs समानांतर प्रोसेसिंग के लिए बने होते हैं, जिससे वे बड़े डेटा सेट को संभालने वाले AI मॉडल प्रशिक्षण के लिए आदर्श होते हैं। CPUs से GPUs में स्विच करने से प्रशिक्षण समय हफ्तों से घंटों में घट गया है।

उनकी व्यापक उपलब्धता और आईटी विशेषज्ञों के साथ उनके काम करने के अनुभव के कारण, GPUs पहली प्रकार की कंप्यूटिंग हार्डवेयर थीं जिन्हें AI अनुसंधान को स्केल करने के लिए क्रमिक रूप से स्थापित किया गया।

स्रोत: Aorus

GPUs की सफलता में Nvidia द्वारा विकसित CUDA का भी बड़ा योगदान रहा, जो NVIDIA के GPUs के लिए एक सामान्य‑उद्देश्य प्रोग्रामिंग इंटरफ़ेस है, जिससे गेमिंग के अलावा अन्य उपयोगों के लिए दरवाज़ा खुला। यह इसलिए किया गया क्योंकि कुछ शोधकर्ता पहले से ही GPUs का उपयोग गणनाओं के लिए कर रहे थे, न कि सामान्य सुपरकंप्यूटरों का।

“शोधकर्ताओं ने महसूस किया कि इस गेमिंग कार्ड को GeForce कहा जाता है, इसे अपने कंप्यूटर में जोड़ते हैं, तो आपके पास मूलतः एक व्यक्तिगत सुपरकंप्यूटर हो जाता है।

मॉलिक्यूलर डायनामिक्स, सिस्मिक प्रोसेसिंग, CT री‑कंस्ट्रक्शन, इमेज प्रोसेसिंग—बहुत सारी विभिन्न चीज़ें।”

जेनसेन हुआंग, Sequoia के साथ एक साक्षात्कार में

आज, GPUs अभी भी सबसे अधिक मांग वाले AI हार्डवेयर प्रकारों में से हैं, जहाँ Nvidia मुश्किल से ही पर्याप्त उत्पादन कर पाता है ताकि तकनीकी दिग्गजों द्वारा गीगावॉट‑स्केल AI डेटा सेंटरों की मांग पूरी हो सके।

यह “सुपर GPU युग” की शुरुआत भी है, जहाँ Nvidia ने हाल ही में GB200 NVL72 जारी किया है।

यह हार्डवेयर फैक्ट्री से सीधे एकल विशाल GPU के रूप में कार्य करने के लिए डिज़ाइन किया गया है, कई छोटे GPUs को नेटवर्क करने की आवश्यकता नहीं है। यह पहले के रिकॉर्ड‑ब्रेकिंग H100 मॉडल से भी अधिक शक्तिशाली बनाता है।

स्रोत: Nvidia

यह भी बहुत अधिक ऊर्जा‑कुशल होना चाहिए, जो एक महत्वपूर्ण बिंदु है क्योंकि AI उद्योग को चिप्स की कमी से पहले ऊर्जा की कमी का सामना करना पड़ सकता है, क्योंकि AI डेटा सेंटर तेज़ी से बन रहे हैं। अधिक कंप्यूटिंग और ऊर्जा दक्षता का मतलब कम अपशिष्ट गर्मी है, जो अस्थायी रूप से ओवरहीटिंग समस्या को भी हल करता है।

ASICs और AI हार्डवेयर का उदय

Application‑Specific Integrated Circuits (ASICs) वे कंप्यूटिंग हार्डवेयर हैं जो विशेष रूप से किसी दिए गए कंप्यूटिंग कार्य के लिए डिज़ाइन किए गए होते हैं, जिससे वे अभी भी अपेक्षाकृत सामान्य GPUs से भी अधिक विशिष्ट हो जाते हैं।

इसलिए वे सामान्य‑उद्देश्य हार्डवेयर की तुलना में कम लचीले और प्रोग्रामेबल होते हैं।

आमतौर पर, वे अधिक जटिल होते हैं। वे आम तौर पर अधिक महंगे भी होते हैं, क्योंकि उनके उत्पादन में पैमाने की अर्थव्यवस्थाएँ नहीं होतीं और कस्टम डिज़ाइनों की लागत भी अधिक होती है।

फिर भी, वे अपने निर्धारित कार्य में बहुत अधिक कुशल होते हैं, सामान्यतः कम समय में आउटपुट उत्पन्न करते हैं और बहुत कम बर्बाद कंप्यूटिंग पावर और ऊर्जा का उपयोग करते हैं।

ASICs और अन्य AI‑विशिष्ट हार्डवेयर का उपयोग बढ़ रहा है, क्योंकि क्षेत्र धीरे‑धीरे यह पहचान रहा है कि कुछ गणनाएँ GPUs पर आदर्श नहीं होतीं और अधिक विशिष्ट उपकरणों की आवश्यकता होती है।

टेंसर प्रोसेसिंग यूनिट्स (TPUs)

TPUs को Google द्वारा विकसित किया गया (GOOGL ) विशेष रूप से टेंसर गणनाओं (ट्रांसफ़ॉर्मर‑आधारित कैलकुलस से जुड़ी) को करने के लिए बनाया गया है। वे उच्च‑थ्रूपुट, कम‑प्रिसिशन अंकगणित के लिए अनुकूलित हैं।

स्रोत: C#Corner

यह TPUs को बड़े न्यूरल नेटवर्क के प्रशिक्षण के लिए उच्च प्रदर्शन, दक्षता और स्केलेबिलिटी प्रदान करता है।

TPUs में विशेष फीचर होते हैं, जैसे मैट्रिक्स मल्टिप्लाई यूनिट (MXU) और स्वामित्व वाली इंटरकनेक्ट टोपोलॉजी, जो उन्हें AI प्रशिक्षण और इन्फ़रेंस को तेज़ करने के लिए आदर्श बनाते हैं।

TPUs Gemini को शक्ति प्रदान करते हैं, और Google के सभी AI‑संचालित एप्लिकेशन जैसे Search, Photos, और Maps को, जो एक बिलियन से अधिक उपयोगकर्ताओं को सेवा देते हैं, चलाते हैं।

यह हार्डवेयर प्रकार बड़े न्यूरल नेटवर्क के विकास और संचालन को काफी तेज़ कर सकता है, जहाँ कभी‑कभी त्रुटि कम महत्वपूर्ण होती है, क्योंकि ये मॉडल मूलतः सांख्यिकी और बड़ी संख्या में गणनाओं पर निर्भर होते हैं।

उपयोगकर्ता कार्यों में TPUs के लिए सबसे उपयुक्त हैं गहन सीखना, आवाज़ पहचान, और इमेज क्लासिफिकेशन।

न्यूरल नेटवर्क प्रोसेसर (NNPs):

न्यूरल प्रोसेसिंग यूनिट्स (NPUs) से भी जुड़ा, इन्हें न्यूरोमोर्फिक चिप्स कहा जाता है, NPPs न्यूरल नेटवर्क गणना में विशेषज्ञ होते हैं, जो मानव मस्तिष्क में न्यूरल कनेक्शनों की नकल करने के लिए डिज़ाइन किए गए हैं। इन्हें कभी‑कभी AI एक्सेलेरेटर भी कहा जाता है, हालांकि यह शब्द कम परिभाषित है।

एक NPU स्टोरेज और गणना को सिनैप्टिक वेट्स के माध्यम से एकीकृत करता है। इसलिए यह समय के साथ “सीख” सकता है, जिससे संचालन दक्षता में सुधार होता है।

एक NPU में गुणा और जोड़ के लिए विशिष्ट मॉड्यूल, सक्रियण फ़ंक्शन, 2D डेटा ऑपरेशन्स, और डिकम्प्रेशन के लिए मॉड्यूल शामिल होते हैं।

विशेष गुणा‑जोड़ मॉड्यूल का उपयोग न्यूरल नेटवर्क अनुप्रयोगों की प्रोसेसिंग से संबंधित ऑपरेशन्स को करने के लिए किया जाता है, जैसे मैट्रिक्स मल्टिप्लिकेशन और जोड़, कॉन्वॉल्यूशन, डॉट प्रोडक्ट, और अन्य फ़ंक्शन।

यह विशिष्टता एक NPU को सामान्य हार्डवेयर की तुलना में केवल एक गणना में कार्य पूरा करने में मदद करती है, जबकि सामान्य हार्डवेयर को कई हजारों गणनाओं की आवश्यकता होती है। उदाहरण के लिए, IBM का दावा है कि NPU GPUs की तुलना में AI गणना की दक्षता को मूल रूप से सुधार सकता है।

“परीक्षणों ने दिखाया है कि कुछ NPU प्रदर्शन समान GPU की तुलना में 100 गुना बेहतर हो सकता है, समान पावर खपत के साथ।”

इस ऊर्जा दक्षता के कारण, NPUs निर्माताओं द्वारा उपयोगकर्ता उपकरणों में स्थापित करने के लिए लोकप्रिय हैं, जहाँ वे जनरेटिव AI ऐप्स के लिए स्थानीय कार्यों को करने में मदद कर सकते हैं, जिसे “एज कंप्यूटिंग” कहा जाता है (नीचे इस विषय पर अधिक देखें)।

वर्तमान में कई विधियों की खोज की जा रही है कि न्यूरोमोर्फिक चिप्स कैसे बनायीँ जाएँ:

• इन्किपिएंट फेरेओइलेक्ट्रिसिटी का उपयोग, एक अभी भी कम समझा गया घटना।
• वैनाडियम या टाइटेनियम का उपयोग करके सक्रिय सब्सट्रेट।
• मेम्रिस्टर्स का उपयोग, एक नई प्रकार की इलेक्ट्रॉनिक घटक, जो सामान्य पावर खपत के 1/800वें हिस्से में AI कार्य कर सकते हैं।

ऑक्सिलरी प्रोसेसिंग यनिट (XPUs)

XPU CPU (प्रोसेसर), GPU (ग्राफ़िक्स कार्ड / समानांतर प्रोसेसर), और मेमोरी को एक ही इलेक्ट्रॉनिक डिवाइस में मिलाता है।

स्रोत: Broadcom

XPUs एक व्यापक शब्द है, जिसमें इस अवधारणा के कई विविधताएँ शामिल हैं, जहाँ सभी हार्डवेयर को स्व-निहित इकाइयों में लाया जाता है, जिसमें डेटा प्रोसेसिंग यूनिट्स (DPUs), इन्फ्रास्ट्रक्चर प्रोसेसिंग यूनिट्स (IPUs), और फ़ंक्शन एक्सेलेरेटर कार्ड्स (FACs) शामिल हैं।

XPUs को AI डेटा सेंटरों की बढ़ती समस्या को हल करने के रूप में देखा जाता है, जहाँ उप‑इकाइयों के बीच कनेक्टिविटी की बढ़ती आवश्यकता है, जिससे डेटा लैग कंप्यूटिंग को धीमा करने में उपलब्ध कंप्यूट पावर से अधिक महत्वपूर्ण बन जाता है।

मूल रूप से, चिप्स (GPUs, TPUs, NPPs, आदि) डेटा की प्रतीक्षा में उतने ही समय तक रहते हैं जितना वे वास्तव में काम कर रहे होते हैं।

इस तकनीक के नेता Broadcom (AVGO ) हैं, जिसे हमने एक समर्पित निवेश रिपोर्ट में विस्तार से चर्चा की थी।

फ़ील्ड-प्रोग्रामेबल गेट एरेज़ (FPGAs):

FPGAs प्रोग्रामेबल प्रोसेसर हैं, जो ASICs की तुलना में काफी अधिक लचीले और पुनः‑कॉन्फ़िगर करने योग्य होते हैं। FPGAs को विशिष्ट AI एल्गोरिदम के लिए अनुकूलित किया जा सकता है, जिससे संभावित रूप से उच्च प्रदर्शन और ऊर्जा दक्षता मिलती है।

स्रोत: Microcontrollers Labs

लचीलापन एक कीमत के साथ आता है, क्योंकि FPGAs आम तौर पर अधिक जटिल, महंगे और अधिक बिजली की खपत करते हैं। फिर भी वे सामान्य‑उद्देश्य हार्डवेयर की तुलना में अधिक कुशल हो सकते हैं।

यह उन्हें कुछ हद तक एक निच उत्पाद बनाता है, जहाँ उनकी लचीलापन कमियों की भरपाई करता है। उदाहरण के लिए, मशीन लर्निंग, कंप्यूटर विज़न, और प्राकृतिक भाषा प्रोसेसिंग FPGAs की बहुमुखी प्रतिभा से लाभान्वित हो सकते हैं।

हाई बैंडविड्थ मेमोरी (HBM):

कस्टम AI‑केंद्रित हार्डवेयर में सबसे महत्वपूर्ण विकास कंप्यूटिंग पावर के क्षेत्र में हुए हैं, जो लंबे समय से नई AI को प्रशिक्षित करने के लिए अधिक कंप्यूट क्षमता बनाने में बाधा रहे हैं।

फिर भी, इन सिस्टमों को उच्च‑कुशल सपोर्ट सिस्टम की भी आवश्यकता होती है, जिनमें मेमोरी एक महत्वपूर्ण घटक है। HBM, जैसा कि नाम से स्पष्ट है, पारंपरिक DRAM की तुलना में अधिक बैंडविड्थ प्रदान करता है।

यह कई DRAM डाइज़ को लंबवत रूप से स्टैक करके और उन्हें थ्रू‑सिलिकॉन वायाज़ (TSVs) के साथ जोड़कर प्राप्त किया जाता है। HBM की पहली पीढ़ी 2013 में विकसित हुई थी।

वर्टिकल स्टैकिंग जगह बचाती है और डेटा को यात्रा करने की भौतिक दूरी को कम करती है, जिससे डेटा ट्रांसफ़र तेज़ हो जाता है, जो AI कंप्यूटिंग में आवश्यक है।

HBM का निर्माण अधिक जटिल और DRAM की तुलना में महंगा है, लेकिन प्रदर्शन और पावर दक्षता लाभ अक्सर AI अनुप्रयोगों के लिए उच्च लागत को उचित ठहराते हैं।

AI डेटा सेंटर इन्फ्रास्ट्रक्चर: पावर, कूलिंग & कनेक्टिविटी

मेमोरी और कंप्यूट पावर के अलावा, AI डेटा सेंटरों के सहायक सिस्टम भी महत्वपूर्ण हैं। इनके बिना डेटा पर्याप्त तेज़ी से नहीं घूम सकता, चिप्स ओवरहीट हो सकते हैं, या उपलब्ध पावर अपर्याप्त हो सकती है।

यह मतलब है कि, उदाहरण के लिए, Broadcom की कनेक्टिविटी हार्डवेयर भी AI डेटा सेंटर के विस्तार से बहुत लाभान्वित होती है, जैसे कूलिंग उपकरण आपूर्तिकर्ता, उदाहरण के लिए Vertiv (VRT ) या Schneider Electric (SU.PA)।

पावर सप्लाई भी एक मुद्दा बन सकता है, और कई टेक दिग्गज इस समस्या को हल करने के लिए नाभिकीय ऊर्जा में निवेश कर रहे हैं, Microsoft द्वारा 2024 में पहला कदम, और उसके बाद कई अन्य।

न्यूक्लियर या नवीकरणीय ऊर्जा सेक्टर की कंपनियों, जैसे Cameco (CCJ ), GE Vernova (GEV ), First Solar (FSLR ), NextEra (NEE ), या Brookfield Energy Partners (BEP ) (प्रत्येक कंपनी पर रिपोर्ट के लिए लिंक देखें) को भी यह लाभ मिलेगा।

उभरती AI कंप्यूटिंग तकनीकें

क्वांटम कंप्यूटिंग

क्योंकि AI को कंप्यूट पावर की बहुत ज़रूरत है, यह संभव है कि इस क्षेत्र का भविष्य हार्डवेयर वर्तमान सिलिकॉन समाधान से भी बाहर हो।

एक संभावना यह है कि क्वांटम कंप्यूटिंग पैटर्न को पारंपरिक कंप्यूटिंग की तुलना में बहुत अधिक कुशलता से पहचान सकती है, जो पहले ही शोधकर्ताओं द्वारा खोजा गया है।

क्वांटम कंप्यूटिंग को पूरी तरह से AI के लिए उपयोग किया जा सकता है, लेकिन पहले व्यावसायिक क्वांटम कंप्यूटर अभी भी कई सालों दूर हैं, और एक बड़ा क्वांटम नेटवर्क और भी दूर है।

फोटॉनिक्स

डेटा ले जाने के लिए इलेक्ट्रॉनों के बजाय प्रकाश का उपयोग करने से फोटॉनिक्स इलेक्ट्रॉनिक डिवाइसों की तुलना में बहुत तेज़ हो सकता है।

क्योंकि क्वांटम कंप्यूटर आम तौर पर क्वांटम डेटा को एंटैंगल्ड फोटॉनों के साथ ले जाते हैं, इसलिए क्वांटम कंप्यूटिंग और फोटॉनिक्स के बीच बहुत ओवरलैप है, और पहला ड्यूल क्वांटम‑फोटॉनिक चिप पहले ही घोषित किया जा चुका है।

ऑर्गेनॉइड्स

जैसे अधिकांश AI कंप्यूटर में मस्तिष्क के न्यूरल नेटवर्क की कार्यप्रणाली को दोहराता है, कुछ शोधकर्ता सोच रहे हैं कि क्या हम वास्तविक मस्तिष्क कोशिकाओं का उपयोग कर सकते हैं…

यह विचार विशेष रूप से रोचक है, क्योंकि कुछ शोध यह संकेत दे सकते हैं कि मस्तिष्क वास्तव में एक जैविक क्वांटम कंप्यूटर है।

इस प्रकार के “कंप्यूटर” को ऑर्गेनॉइड्स कहा जाता है, और मूल रूप से यह न्यूरॉन्स को लैब में एक कंप्यूटर चिप पर उगाकर बनता है। न्यूरॉन्स फिर चिप के उत्तेजन के जवाब में अपने डेंड्राइट्स और कनेक्शन स्वयं व्यवस्थित करते हैं।

यह तकनीक अभी नई है और बायो‑3D प्रिंटिंग पर निर्भर करती है।

अन्य

हमने सिलिकॉन कंप्यूटिंग के विकल्पों को “टॉप 10 नॉन‑सिलिकॉन कंप्यूटिंग कंपनियों” में खोजा, जैसे वैनाडियम डाइऑक्साइड, ग्रेफ़ीन, रेडॉक्स गेटिंग, या ऑर्गेनिक सामग्री।

प्रत्येक का वादा है कि वे क्लासिकल सिलिकॉन‑आधारित कंप्यूटिंग की तुलना में बहुत तेज़ या बहुत कम ऊर्जा‑गहन होंगे। हालांकि, वे अभी भी अपेक्षाकृत नई हैं और अगले 5‑10 वर्षों में व्यावसायिक स्तर पर AI क्षेत्र में क्रांति लाने की संभावना कम है।

क्लाउड AI और एज AI: एक्सेसिबिलिटी ट्रेंड्स

क्लाउड AI

जैसे सबसे शक्तिशाली AI सिस्टम बड़े टेक कंपनियों द्वारा बनाए जाते हैं, वे मुख्यतः क्लाउड के माध्यम से उपलब्ध होते हैं। AI‑विशिष्ट हार्डवेयर तक पहुंच भी इसी तरह क्लाउड के माध्यम से हो रही है।

इस प्रवृत्ति के नेता हैं Coreweave (CRCW ), एक कंपनी जिसने क्लाउड प्रदाता से GPU‑आधारित क्रिप्टोकरेंसी माइनिंग में परिवर्तन किया, और आज ऑन‑डिमांड AI कंप्यूट प्रदान करती है।

इसने CoreWeave को आगामी AI स्टार्ट‑अप्स के प्रमुख साझेदार बना दिया है, जो टेक दिग्गजों से प्रतिस्पर्धा करने की कोशिश कर रहे हैं, जैसे Inflection AI और उसका $1.3B GPU क्लस्टर, एक नई फंडिंग राउंड द्वारा वित्तपोषित।

“दो महीने पहले, एक कंपनी मौजूद नहीं थी, और अब उनके पास $500 मिलियन वेंचर कैपिटल फंडिंग है।

और उनके लिए सबसे महत्वपूर्ण बात है कंप्यूट तक पहुंच सुनिश्चित करना; वे अपना उत्पाद लॉन्च नहीं कर सकते या अपना व्यवसाय शुरू नहीं कर सकते जब तक उनके पास यह नहीं है।”

Brian Venturo – CoreWeave CTO

जैसे ही AI हार्डवेयर का शुद्ध खिलाड़ी बड़े टेक द्वारा अपने स्वयं के GPUs, TPUs, XPUs आदि बनाने से सावधान हो रहा है और क्लाइंट से प्रतिस्पर्धी बन रहा है, संभावना है कि CoreWeave जैसी कंपनियों को Nvidia और अन्य द्वारा नवीनतम हार्डवेयर रिलीज़ तक प्राथमिकता मिलती रहेगी।

यह व्यवसाय मॉडल विशेष रूप से AI प्रशिक्षण के लिए महत्वपूर्ण होगा, जो केवल पहले से प्रशिक्षित AI का उपयोग करने की तुलना में कंप्यूट क्षमता में बहुत अधिक मांग रखता है।

एज कंप्यूटिंग & AI PCs

AI कंप्यूटिंग का एक और तेजी से विकसित हो रहा मामला है कि AI सिस्टम की कंप्यूटिंग को साइट पर, वास्तविक‑जीवन स्थितियों के जितना संभव हो उतना करीब किया जाए।

यह उन सिस्टमों के लिए आवश्यक है जो कनेक्शन विफल होने पर AI से डिस्कनेक्ट नहीं हो सकते, या जब क्लाउड के साथ दो‑तरफ़ा लेटेंसी बहुत धीमी हो।

एक अच्छा उदाहरण सेल्फ‑ड्राइविंग कारें हैं, जो अपेक्षित है कि वे अपने पर्यावरण की समझ ऑफ़लाइन करेंगे।

इस प्रकार की गणना को एज कंप्यूटिंग कहा जाता है, और यह अधिक कुशल और कम पावर‑खपत वाले हार्डवेयर से बहुत लाभान्वित होती है।

यह AI विश्वसनीयता को बढ़ा सकता है, और जैसे मॉडल अधिक कुशल होते जा रहे हैं, जैसा कि DeepSeek की छलांग से स्पष्ट है, यह भविष्य में AI डिप्लॉयमेंट का अधिक प्रचलित मॉडल बन सकता है।

इसी कारण, AI PCs जैसे कि हाल ही में Nvidia द्वारा लॉन्च किया गया, लंबी अवधि में कई AI एप्लिकेशन को स्थानीय रूप से चलाने के लिए पर्याप्त हो सकते हैं, जिससे क्लाउड‑कनेक्टेड AI की तुलना में गोपनीयता और सुरक्षा बढ़ती है।

निष्कर्ष

AI हार्डवेयर कुछ समय से GPUs के समानार्थी रहा है, क्योंकि ग्राफ़िक्स कार्ड AI प्रशिक्षण में CPUs जैसे अन्य हार्डवेयर की तुलना में बहुत अधिक कुशल थे। इसने Nvidia और उसके शुरुआती शेयरधारकों की भाग्य को आकार दिया।

GPUs, विशेष रूप से AI‑केंद्रित “सुपर GPUs”, AI डेटा सेंटरों के निर्माण में महत्वपूर्ण बने रहने की संभावना है। लेकिन वे अधिक जटिल और विशिष्ट सिस्टमों के कई घटकों में से एक बन जाएंगे।

ट्रांसफ़ॉर्मर ऑपरेशन्स TPUs को भेजे जाएंगे, न्यूरल नेटवर्क कार्य NPP को, दोहराव वाले कार्य समर्पित ASICs या पुनः‑कॉन्फ़िगर किए गए FPGAs को।

इसी बीच, हाई‑बैंडविड्थ मेमोरी, उन्नत टेलीकॉम कनेक्टर, और अल्ट्रा‑कुशल कूलिंग सभी सहायक कार्यों को कंप्यूट कोर के आसपास चलाते रहेंगे।

एज कंप्यूटिंग और बड़े LLMs से छोटे AI के लिए, स्थानीय कंप्यूटिंग, संभवतः ऑल‑इन‑वन XPUs द्वारा संचालित, वैज्ञानिकों, सेल्फ‑ड्राइविंग कारों, और गोपनीयता या सेंसरशिप की चिंता करने वाले उपयोगकर्ताओं द्वारा उपयोग की जाएगी, संभवतः ओपन‑सोर्स AI मॉडल के साथ।

यह निश्चित है कि AI सोने की लूट में “पिक्स और फावड़े” बेचने से मिलने वाले मुनाफे की लहर अभी समाप्त नहीं हुई है।

निवेशकों को Nvidia के प्रभुत्व के बाद अपने AI हार्डवेयर पोर्टफ़ोलियो को अन्य डिज़ाइनों में विविधता लाने पर विचार करना चाहिए, और शायद उन पावर यूटिलिटी कंपनियों पर भी, जो दुनिया भर में बढ़ते और अधिक AI डेटा सेंटरों को चलाने के लिए आवश्यक कीमती गीगावॉट प्रदान करेंगे।