AI हार्डवेयर के भविष्य को आकार देने वाली उभरती तकनीकें

कम्प्यूटिंग का एक नया प्रकार

AI प्रौद्योगिकी में पिछले कुछ वर्षों की घातीय प्रगति के साथ, प्रमुख विजेता AI हार्डवेयर के निर्माताओं रहे हैं। इसका कारण यह है कि आधुनिक AI, जो मुख्यतः न्यूरल नेटवर्क तकनीक का उपयोग करता है, कंप्यूटिंग शक्ति को क्लासिकल कंप्यूटरों से बहुत अलग तरीके से उपयोग करता है।

शक्तिशाली CPU के साथ जटिल गणनाएँ करने के बजाय, वे हजारों या मिलियन सरल गणनाएँ समानांतर में करते हैं।

(आप “Investing in Nobel Prize Achievements – Artificial Neural Networks, The Basis Of AI” में पढ़ सकते हैं कि न्यूरल नेटवर्क कैसे आविष्कृत हुए और कैसे काम करते हैं)

अब तक, ग्राफ़िक कार्ड, या GPUs (Graphics processing units), AI विकसित करने के लिए पसंदीदा उपकरण रहे हैं, जिससे सेक्टर के नेताओं जैसे Nvidia की आय और लाभ में नाटकीय वृद्धि हुई है (NVDA )।

AI हार्डवेयर का बाजार 2025 से 2035 तक 31.2% CAGR की दर से अत्यधिक तेज़ी से बढ़ता रहने की उम्मीद है।

स्रोत: Roots Analysis

इस अवधि में कई नई प्रकार की AI हार्डवेयर का उदय भी देखा जाएगा, क्योंकि AI गणना के लिए पुनः प्रयुक्त GPUs धीरे-धीरे इस अनुप्रयोग के लिए विशेष रूप से डिज़ाइन किए गए चिप्स से प्रतिस्थापित हो रहे हैं।

दीर्घकाल में, अधिक विदेशी प्रकार की कंप्यूटिंग AI हार्डवेयर बाजार में प्रवेश करने की संभावना है, जिसमें एप्लिकेशन-विशिष्ट डिज़ाइन, गैर-सिलिकॉन चिप्स, या यहाँ तक कि वास्तविक जैविक न्यूरॉन्स का उपयोग शामिल है।

AI सोच कैसे काम करती है

क्लासिकल सुपरकम्प्यूटर्स और AI के बीच मूलभूत अंतर डेटा के प्रसंस्करण में है। जटिल गणनाएँ हल करने के बजाय, न्यूरल नेटवर्क वर्चुअल नोड्स बनाते हैं जो एक नेटवर्क में जुड़े होते हैं। जबकि प्रारंभिक न्यूरल नेटवर्क में मात्र कुछ दर्जन नोड्स होते थे, जो कुछ सौ कनेक्शन बनाते थे, आधुनिक न्यूरल नेटवर्क जैसे कि ChatGPT द्वारा उपयोग किए जाने वाले ट्रिलियन संभावित कनेक्शन का उपयोग करते हैं, जो जटिलता के स्तर पर मानव मस्तिष्क के समान होते हैं।

स्रोत: Nobel Prize

यह अलग गणना विधि ऐसे हार्डवेयर की आवश्यकता रखती है जो समानांतर में लाखों ऑपरेशन्स कर सके, भले ही प्रत्येक को समर्पित कंप्यूटिंग शक्ति अपेक्षाकृत छोटी हो।

सौभाग्य से, यह वह प्रकार का हार्डवेयर है जो कई वर्षों से उपयोग में है, जैसे कि GPUs का उपयोग करके ग्राफ़िक रेंडरिंग, मुख्यतः 3D सिमुलेशन और वीडियो गेम्स के लिए, और यह भी समानांतर में कई छोटी गणनाओं का उपयोग करता है।

इसी कारण शुरुआती (और वर्तमान) AI चिप्स की पर्याप्त आपूर्ति सुनिश्चित करने की दौड़ में विजेता Nvidia रहा है, जो GPU बाजार में नेता है।

और भी तेज़ GPUs

अधिक कुशल एल्गोरिदम के आविष्कार और उन्होंने जो तेज़ी से कृत्रिम बुद्धिमत्ता में प्रगति की, के साथ, 2020 के दशक में AI के संभावित अनुप्रयोग विस्फोटक रूप से बढ़े।

इससे पर्याप्त हार्डवेयर, विशेष रूप से 2023 में Nvidia GPU, सुरक्षित करने की निरंतर बढ़ती दौड़.

साथ ही, AI के संभावित अनुप्रयोगों से बढ़ती अपेक्षाएँ लगातार अधिक स्मार्ट AI की मांग करती हैं, जिसके लिए अधिक कंप्यूटिंग शक्ति आवश्यक है। जबकि अधिक GPUs सुरक्षित करना एक समाधान था, बेहतर GPUs की भी आवश्यकता थी।

उद्योग ने इसे पूरा किया, 8 वर्षों से कम समय में प्रदर्शन में 1,000 गुना वृद्धि के साथ।

स्रोत: NVIDIA

क्या यह टिक पाएगा?

ऐसे संकेत हैं कि GPU प्रदर्शन में प्रगति जल्द ही धीमी पड़ सकती है। पहले, सभी “आसान” सुधार, जैसे GPUs को बड़ा बनाना और छोटे व घने ट्रांज़िस्टर्स का उपयोग करना, अपनी सीमा तक पहुँच चुके हैं। इसलिए, आगे का सुधार अधिक मौलिक पुनःडिज़ाइन और नवाचारों से आना चाहिए।

द्वितीयक समस्याएँ भी उद्योग में उभर रही हैं। उदाहरण के लिए, बहुत अधिक घने और अधिक शक्तिशाली GPUs बहुत अधिक अपशिष्ट गर्मी उत्पन्न कर रहे हैं, इतनी कि और अधिक समान GPUs चिप्स को पिघला देंगे।

यह अपशिष्ट गर्मी बहुत अधिक बर्बाद ऊर्जा का संकेत भी है। स्थिर, बेसलोड पावर की पर्याप्त आपूर्ति सुरक्षित करना AI कंपनियों के लिए एक समस्या बनती जा रही है, क्योंकि सभी बड़े टेक कंपनियां परमाणु ऊर्जा संयंत्रों से आपूर्ति सुरक्षित करने के लिए दौड़ रही हैं।

अंत में, AI कंप्यूटिंग अधिक विशिष्ट हो रही है, विभिन्न कंपनियों और विभिन्न अनुप्रयोगों में विभिन्न कार्यप्रणालियाँ उभर रही हैं, जिनकी हार्डवेयर संबंधी आवश्यकताएँ अलग-अलग हैं। इसलिए संभावना है कि सभी AI फर्मों द्वारा उपयोग किए जाने वाले सर्व-उद्देश्यीय GPUs का युग धीरे-धीरे समाप्त हो रहा है, भले ही यह धीरे-धीरे हो।

सुपर GPU युग

अब तक, अधिकांश AI डेटा सेंटर हजारों GPUs को समर्पित सर्वरों में जोड़कर बनते रहे हैं।

बढ़ते ओवरहीटिंग और पावर खपत समस्या का त्वरित समाधान एकीकृत हार्डवेयर का निर्माण होगा, जो केवल व्यक्तिगत GPUs को इकट्ठा करने से आगे बढ़ेगा।

“आज डेटा सेंटरों में, आप NVIDIA H100 सर्वरों या GB200 सुपरचिप कंप्यूट ट्रे को एक कैबिनेट में पहले की GPU पीढ़ियों की तरह उतनी ही संख्या में नहीं रख सकते क्योंकि उच्च पावर और कूलिंग की मांग अधिक है.”

उस दिशा में एक बड़ा कदम Nvidia द्वारा हाल ही में जारी किया गया GB200 NVL72 है। यह हार्डवेयर एक एकल विशाल GPU के रूप में कार्य करने के लिए डिज़ाइन किया गया है, जिससे यह पहले के रिकॉर्ड-तोड़ H100 मॉडल से भी बहुत अधिक शक्तिशाली बन जाता है।

बेहतर थर्मल दक्षता और पावर बचत हमें रैक में फिट किए जा सकने वाले GPUs की संख्या में अधिक उदार बनने की अनुमति देती है — जिसका अर्थ है हमारे ग्राहकों के लिए अधिक GPUs।

यह भी बहुत अधिक ऊर्जा-कुशल होना चाहिए, जो एक महत्वपूर्ण बिंदु है क्योंकि AI उद्योग चिप्स की कमी से पहले ऊर्जा की कमी का सामना कर सकता है, क्योंकि AI डेटा सेंटरों का निर्माण तेज़ी से हो रहा है। अधिक कंप्यूटिंग और ऊर्जा दक्षता कम अपशिष्ट गर्मी का मतलब है, जो अस्थायी रूप से ओवरहीटिंग समस्या को भी हल करता है।

स्रोत: Nvidia

वर्तमान में, CoreWeave पहला क्लाउड प्रदाता बन गया है जिसके पास सामान्य रूप से उपलब्ध Nvidia GB200 NLV72 इंस्टेंस हैं (CRWV ).

(आप CoreWeave और AI समाधान विकसित करने वाली कंपनियों को AI क्लाउड कंप्यूटिंग प्रदान करने के बारे में अधिक पढ़ सकते हैं “CoreWeave: The Cloud AI Hyperscaler”)।

गैर-GPU AI हार्डवेयर

फ़ील्ड प्रोग्रामेबल गेट एरेज़ (FPGAs)

AI विकास में उपयोग किया जाने वाला एक अन्य प्रकार का हार्डवेयर फ़ील्ड-प्रोग्रामेबल गेट एरेज़ (FPGAs) है। FPGA ऐसे इंटीग्रेटेड सर्किट हैं जिन्हें विशिष्ट कार्यों को अधिक कुशलता से करने के लिए पुनः प्रोग्राम किया जा सकता है। वे अपने घटकों के बीच कॉन्फ़िगरेबल इंटरकनेक्ट्स द्वारा कार्य करते हैं।

स्रोत: Microcontrollers Labs

यह FPGA को GPUs से अधिक लचीला बना सकता है और विशिष्ट प्रकार की गणनाओं में अनुकूलन की अधिक संभावना प्रदान करता है।

FPGA GPUs की तुलना में अधिक पावर-कुशल भी होते हैं। उनकी कम लेटेंसी (तेज़ प्रतिक्रिया समय) उन्हें वास्तविक जीवन के उन अनुप्रयोगों के लिए बहुत कुशल बनाती है जिन्हें तेज़ प्रतिक्रिया की आवश्यकता होती है।

हालांकि, FPGA बहुत अधिक शक्ति की आवश्यकता वाले अत्यधिक मांग वाले गणनाओं को संभालने में कम सक्षम होते हैं।

एक और समस्या यह है कि जबकि FPGA पुनः-प्रोग्रामेबल होते हैं, यह प्रक्रिया समय और श्रम-गहन हो सकती है। इसलिए उन्हें डिजाइन, निर्माण और प्रोग्राम करने में काफी समय लग सकता है। यह एक गंभीर समस्या हो सकती है एक ऐसे क्षेत्र में जो हर 6 महीने में क्रांतिकारी प्रगति कर रहा है।

इसका मतलब है कि अब तक, FPGA के उपयोग मामलों को AI के कुछ विशिष्ट अनुप्रयोगों पर केंद्रित किया गया है, जबकि सामान्य विकास अभी भी कम कुशल, लेकिन सर्व-उद्देश्यीय GPUs पर निर्भर है:

• रियल-टाइम प्रोसेसिंग: जब आने वाले डेटा को जल्दी से प्रोसेस करना आवश्यक हो, जैसे डिजिटल सिग्नल प्रोसेसिंग, रडार सिस्टम, स्वायत्त वाहन, और टेलीकॉम्युनिकेशन्स।
• कस्टमाइज़्ड हार्डवेयर एक्सेलेरेशन: कॉन्फ़िगरेबल FPGA को विशिष्ट डीप लर्निंग कार्यों और HPC क्लस्टर्स को तेज़ करने के लिए विशिष्ट डेटा प्रकार या एल्गोरिदम के लिए अनुकूलित किया जा सकता है।

• इसलिए आधुनिक AI डेटा सेंटर धीरे-धीरे GPUs और FPGA का मिश्रण बन सकते हैं, जहाँ प्रत्येक हार्डवेयर को उन उप-कार्य के लिए समर्पित किया जाएगा जिन्हें वह सबसे बेहतर कर सकता है।
  • एज कंप्यूटिंग: यह कंप्यूट और स्टोरेज क्षमताओं को स्थानीय स्तर पर अंतिम उपयोगकर्ता के करीब ले जाता है, उदाहरण के लिए, सीधे कार या ड्रोन में। इन मामलों में, FPGA की कम पावर खपत और कॉम्पैक्ट आकार लाभदायक होते हैं।

एप्लिकेशन-विशिष्ट इंटीग्रेटेड सर्किट (ASICs)

ASIC सिस्टम विशिष्ट गणना प्रकारों के लिए बनाए जाते हैं और केवल वही कर सकते हैं। इसलिए यह कंप्यूटर चिप नहीं बल्कि एक शुद्ध इंटीग्रेटेड सर्किट है; FPGA को कभी-कभी प्रोग्रामेबल ASICs भी कहा जाता है।

FPGAs या GPUs के बजाय ASICs का उपयोग करने का कारण यह है कि ASICs किसी भी अन्य लॉजिक डिवाइस से बहुत तेज़ होते हैं। वे अधिक ऊर्जा-कुशल और आकार में छोटे भी होते हैं।

इसी कारण, उदाहरण के लिए, ASIC माइनर्स को क्रिप्टोकरेंसी माइनिंग में उपयोग किया जाता है, जहाँ डिजाइन को आवश्यक विशिष्ट प्रकार की गणना को करने के लिए अनुकूलित किया जाता है।

स्रोत: Wevolver

हालांकि, ASICs को डिजाइन करना बहुत अधिक जटिल होता है, इसलिए केवल तब ही इसे विकसित करना समझदारी है जब कार्य को पर्याप्त बार दोहराया जाएगा ताकि डिजाइन लागत को कवर किया जा सके। कुल मिलाकर, ASICs केवल बड़े पैमाने पर उत्पादन के लिए ही आर्थिक रूप से समझदारी रखते हैं।

कस्टम डिज़ाइन को विशेषज्ञ ज्ञान की आवश्यकता होती है, और व्यापक रूप से उपयोग की जाने वाली प्रोग्रामिंग भाषाएँ और लाइब्रेरी संभावित रूप से उपयोगी नहीं होतीं।

हालांकि, इस कस्टम डिज़ाइन की आवश्यकता एक लाभ भी हो सकती है, क्योंकि यह अतिरिक्त बौद्धिक संपदा (IP) सुरक्षा बनाती है।

ASICs के उपयोग मामलों में FPGAs के समान हैं: एज कंप्यूटिंग, इमेज रिकग्निशन, टेलीकॉम्युनिकेशन्स, और सिग्नल प्रोसेसिंग, लेकिन FPGAs से भी अधिक बार दोहराए जाने वाले गणनाओं की आवश्यकता होती है।

क्योंकि वे लचीले नहीं हैं, इसलिए वे किसी भी जटिल AI कार्य के लिए अकेले पर्याप्त होने की संभावना नहीं रखते। हालांकि, उन्हें AI हार्डवेयर सिस्टम में एकीकृत किया जा सकता है ताकि अधिक दक्षता और गति मिल सके।

विशेष रूप से, Etched जैसी कंपनियां ट्रांसफ़ॉर्मर गणनाओं (chatGPT में “T”) को करने के लिए विशेष रूप से डिज़ाइन किए गए ASICs विकसित कर रही हैं।

स्रोत: Etched

न्यूरोमोर्फिक चिप्स

केवल GPUs को सुधारने या अधिक कुशल ASICs बनाने से आगे, अन्य अवधारणाएँ कंप्यूटिंग के प्रदर्शन के तरीके को पूरी तरह बदलने की कोशिश कर रही हैं।

एक विचार यह है कि यदि हम न्यूरल नेटवर्क डिजाइन कर रहे हैं, तो हमें ऐसी चिप आर्किटेक्चर होनी चाहिए जो उसे प्रतिबिंबित करे।

यह न्यूरोमोर्फिक चिप्स का विचार है, जो हार्डवेयर स्तर पर जुड़े हुए न्यूरॉन्स की तरह काम करते हैं, बजाय इसके कि जटिल गणितीय समीकरणों और लाखों समानांतर गणनाओं के माध्यम से इसे सिमुलेट किया जाए।

इन उपकरणों को कभी-कभी NPU (Neural Processing Unit) भी कहा जाता है, जो आमतौर पर कई विभिन्न प्रकार के घटकों को एक इकाई में संयोजित करता है।

न्यूरोमोर्फिक चिप्स अक्सर जटिल विद्युत संकेतों का उपयोग करती हैं, जो एनालॉग डेटा के करीब होते हैं। यह “सामान्य” कंप्यूटरों से अलग है जो बाइनरी संकेतों (0 और 1) के साथ वॉन न्यूमन डिज़ाइन का उपयोग करते हैं।

स्रोत: Tech Target

वर्तमान में न्यूरोमोर्फिक चिप्स बनाने के कई तरीकों का अन्वेषण किया जा रहा है:

• प्रारंभिक फेरोइलेक्ट्रिसिटी का उपयोग करें, एक अभी भी कम समझा गया घटना।
• वैनाडियम या टाइटेनियम का उपयोग करके सक्रिय सब्सट्रेट।
• मेम्रिस्टर्स का उपयोग, एक नया प्रकार का इलेक्ट्रॉनिक घटक, जो सामान्य पावर खपत के 1/800वें हिस्से पर AI कार्यों को निष्पादित करता है।

फोटॉनिक्स चिप्स

सिलिकॉन हार्डवेयर की कई वर्तमान सीमाओं को पार करने का एक और विकल्प फोटॉनिक्स कंप्यूटर्स की ओर स्विच करना है। इलेक्ट्रॉनों के बजाय, जानकारी लेज़र के फोटॉन्स ले जाते हैं।

यह विधि ओवरहीटिंग के प्रति कम संवेदनशील होने और प्रकाश को ब्रह्मांड में सबसे तेज़ गति वाली चीज़ होने का लाभ देती है।

वर्तमान में, फोटॉनिक्स घटकों, विशेषकर मेमोरी, की टिकाऊपन एक समस्या रही है, लेकिन यह तेजी से बदल रहा है।

• फ़ेरोइलेक्ट्रिक हाई इलेक्ट्रॉन मोबिलिटी ट्रांज़िस्टर (FeHEMT), स्मार्टफ़ोन पर संचार उपकरणों को छोटा करना।
• पेरोव्स्काइट्स, विशेष रूप से CsPbBr3 (सेसियम-लेड-ब्रोमाइड) क्रिस्टल, फोटॉनिक्स को “सामान्य” सिलिकॉन और गैल्युम-आर्सेनाइड सब्सट्रेट्स के साथ मिश्रित करना।
• अल्ट्रा-फ़ास्ट लेज़र राइटिंग, नैनोएचिंग के साथ फोटॉनिक घटकों को डिजाइन करने के लिए।
• मल्टी-लेयर सिलिकॉन फोटॉनिक्स निर्माण विधि।
• स्पिन्ट्रॉनिक्स-फोटॉनिक्स कंप्यूटर्स बनाने के लिए मैग्नेटाइट का उपयोग करना।

वास्तविक न्यूरॉन्स का उपयोग

AI को वास्तविक मस्तिष्क के समान प्रदर्शन तक पहुँचाने का एक और तरीका शायद सीधे मस्तिष्क का उपयोग करना हो सकता है।

आख़िरकार, यदि वास्तविक न्यूरॉन्स से बना न्यूरल नेटवर्क अत्यधिक अनुकूलनीय हो सकता है और प्रकृति में पैटर्न पहचान में उत्कृष्ट हो सकता है, तो यह अधिक कृत्रिम संदर्भ में क्यों नहीं काम करेगा?

मार्च 2025 में, इस अवधारणा को आगे बढ़ाते हुए Cortical Labs ने CL1 जारी किया, जो पहला सिंथेटिक बायोलॉजिकल इंटेलिजेंस (SBI) है।

स्रोत: Cortical Labs

वास्तविक न्यूरॉन्स को पोषक तत्वों से भरपूर घोल में उगाया जाता है, जो उन्हें स्वस्थ रहने के लिए सभी आवश्यक चीज़ें प्रदान करता है। वे सिलिकॉन चिप पर बढ़ते हैं, जो न्यूरल संरचना में विद्युत संकेत भेजता और प्राप्त करता है।

यह वास्तव में कृत्रिम और प्राकृतिक बुद्धिमत्ता के बीच की सीमा को धुंधला कर देता है। क्या वास्तविक न्यूरॉन्स से बना कंप्यूटर अभी भी कृत्रिम है?

हम न्यूरॉन्स को बायOS में कठोर सिलिकॉन और नरम टिश्यू के मिश्रण के साथ एकीकृत करते हैं। आप इन न्यूरॉन्स से सीधे कनेक्ट हो सकते हैं। कोड को सीधे वास्तविक न्यूरॉन्स पर डिप्लॉय करें, और आज की सबसे कठिन चुनौतियों को हल करें।

न्यूरॉन स्वयं-प्रोग्रामिंग, अनंत लचीलापन, और चार अरब वर्षों के विकास का परिणाम है। जो डिजिटल AI मॉडल बहुत सारे संसाधन खर्च करके अनुकरण करने की कोशिश करते हैं, हम उससे शुरू करते हैं।

यदि कुछ सिद्धांत जो मानव मस्तिष्क को एक क्वांटम कंप्यूटर के रूप में देखते हैं, सत्य साबित होते हैं, तो यह एक वास्तविक ब्रेकथ्रू हो सकता है।

हालांकि यह अभी भी एक उभरती हुई तकनीक है, यह सहायक क्षेत्रों में हुई प्रगति से लाभान्वित हो सकती है, जैसे मानव अंगों की 3D प्रिंटिंग, जिसमें कार्यात्मक मस्तिष्क टिश्यू शामिल है, साथ ही Final Spark और BiologIC जैसी कंपनियों द्वारा ऑर्गेनॉइड (मिनी-ब्रेन) का उत्पादन।

ब्रेन- कंप्यूटर इंटरफ़ेस

AI हार्डवेयर को बढ़ाने का एक और तरीका इसे सीधे एक अन्य प्रकार के जैविक सुपरकंप्यूटर—मस्तिष्क, जो पहले से ही हमारे खोपड़ी में है और हमारी सोच करता है—के साथ इंटरफ़ेस में उपयोग करना हो सकता है।

शुरुआत में, ब्रेन- कंप्यूटर इंटरफ़ेस (BCI) मुख्यतः न्यूरोलॉजिकल स्थितियों से पीड़ित लोगों की मदद के लिए उपयोग किए जाएंगे।

इम्प्लांट को अधिक टिकाऊ और कम आक्रामक बनाने के नए तरीकों से भी मदद मिलनी चाहिए।

दीर्घकाल में, यह भी मशीन और मानव बुद्धिमत्ता के बीच की सीमा को धुंधला कर सकता है। यदि आप BCI के माध्यम से सीधे हमारी बातचीत में AI की सहायता से कुछ सोचते हैं, तो वास्तव में सोचने वाला कौन है?

हालांकि, नैतिक और सुरक्षा चिंताओं के कारण, यह संभवतः सबसे दूरस्थ तकनीकों में से एक है, बावजूद इसके कि विज्ञान कथा कार्य जैसे Altered Carbon, Neuromancer, या Cyberpunk 2077 की प्रतीक्षा है।

(हमने इस क्षेत्र की सबसे प्रमुख कंपनियों को “5 Best Brain-Computer Interfaces (BCI) Companies” में कवर किया है।

वास्तव में कितनी कंप्यूट की आवश्यकता है?

DeepSeek

कई वर्षों से, हर AI कंपनी जितनी जल्दी संभव हो उतना अधिक कंप्यूट जोड़ने की दौड़ में रही है, यह मानते हुए कि अधिक हमेशा बेहतर है।

यह चुनौती चीनी AI कंपनी DeepSeek के कठोर आगमन से आई। 10-100 गुना अधिक कुशल मॉडल के साथ, और समान या बेहतर प्रदर्शन के लिए केवल 3%-5% लागत पर, DeepSeek ने बेहतर AI बनाने के लिए अधिक कंप्यूट शक्ति की आवश्यकता को चुनौती दी है।

DeepSeek ने मॉडल दक्षता पर इतना ध्यान केंद्रित करने का बड़ा कारण चीनी AI फर्मों की AI चिप्स तक सीमित पहुंच थी। यह स्पष्ट हुआ जब लॉन्च के तुरंत बाद पता चला कि अन्य चीनी फर्मों के AI मॉडल भी प्रभावशाली प्रदर्शन कर रहे थे: Alibaba का Qwen, Moonshot AI का Kimi, ByteDance का Doubao, या Baidu का Ernie Bot।

जैसा कि कहा जाता है, “ज़रूरत नवाचार की जननी है”。

संभावना है कि आने वाले वर्षों में बेहतर प्रदर्शन और अधिक दक्षता पर दोहरा फोकस AI उद्योग को नियंत्रित करेगा।

हालांकि, इसका मतलब यह नहीं है कि अधिक कंप्यूट बेहतर परिणाम नहीं देगा। बस, यह AI उद्योग में सफलता का एकमात्र मार्ग नहीं है, और OpenAI जैसी बहुत अच्छी फंडेड कंपनियां अपने खर्च में थोड़ा ढीला रह सकती हैं।

अभी के लिए, अधिकांश AI कार्य-प्रगति और प्रयोगात्मक डिज़ाइन हैं जिनके केवल सीमित अनुप्रयोग हैं। जितना अधिक वे विश्व भर की लाखों कंपनियों के कार्यप्रवाह में एकीकृत होते हैं, उतनी ही अधिक AI कंप्यूटिंग की आवश्यकता होगी।

और जितनी अधिक कंप्यूटिंग की आवश्यकता होगी, उतनी ही अधिक कुशल और कम ऊर्जा-गहन हार्डवेयर की मांग बढ़ेगी।

इसलिए पारंपरिक कंप्यूटिंग की तरह, हम मान सकते हैं कि बाजार अभी भी लगातार बेहतर चिप्स की मांग करेगा, विशेषकर क्योंकि AI जल्द ही विश्व के सबसे बड़े ऊर्जा उपभोक्ताओं में से एक बन सकता है।

एजAI और AI पीसीज़

DeepSeek और अन्य चीनी AI मॉडलों के कम कंप्यूट आवश्यकताओं के उदय का एक और प्रभाव यह है कि AI मॉडल, विशेषकर “डिस्टिल्ड” मॉडल, अब हाई-एंड व्यक्तिगत मशीनों पर चल सकते हैं, न कि गीगावॉट-स्केल के विशाल AI डेटा सेंटरों पर।

यह EdgeAI के समर्थकों को सिद्ध करता है, जो तर्क देते हैं कि बहुत सारा AI कंप्यूटिंग “ऑन-साइट” किया जाना चाहिए, न कि केवल क्लाउड में।

चूंकि DeepSeek एक ओपन-सोर्स मॉडल है, यह AI कंप्यूटर्स के साथ कई व्यक्तिगत प्रयोगों का मार्ग भी खोलता है: AI मॉडल चलाने के लिए पर्याप्त शक्तिशाली, लेकिन व्यक्तिगत लोगों द्वारा खरीदे जाने योग्य किफायती और छोटे। कुल मिलाकर, यह AI कंप्यूट मांग को कम करने के बजाय AI अनुप्रयोगों के विकास और उपयोग के लिए अधिक विकेंद्रीकृत प्रक्रिया की ओर ले जा सकता है।

इसलिए AI पीसीज़ संभवतः पीसी निर्माण में नई बड़ी प्रवृत्ति बनेंगे, जहाँ विशेषीकृत प्रेस पहले से ही इस प्रश्न और कौन सा ब्रांड सबसे अच्छा है, इस पर विस्तार से चर्चा कर रहा है, विशेषकर क्योंकि AI अधिकांश टेक कंपनियों के ऑफ़र में प्रवेश कर रहा है, जिसमें Microsoft (MSFT ) भी शामिल है, जहाँ Copilot Windows OS और कंपनी के अन्य सॉफ़्टवेयर में लगभग सर्वव्यापी हो रहा है।

निष्कर्ष

गेमिंग GPUs से शुरू होकर, AI के लिए हार्डवेयर तेज़ी से विकसित हो रहा है। यह AI के लिए डिज़ाइन किए गए GPUs से शुरू हुआ और अब “सुपर GPUs” के साथ विकसित हो रहा है, जो शून्य से डिज़ाइन किए गए हैं ताकि AI डेटा सेंटरों में कम ऊर्जा खपत और कम गर्मी उत्पादन के साथ फिट हो सकें।

अगला कदम संभवतः सामान्य GPUs को ASICs और FGPAs चिप्स के साथ और अधिक एकीकृत करना होगा, ताकि विशिष्ट AI कार्यों को कम पावर और स्थान की आवश्यकता के साथ किया जा सके।

भविष्य में, दांव इस बात पर हैं कि AI कंप्यूटिंग के लिए कौन सी तकनीक विजेता होगी: न्यूरोमोर्फिक चिप्स, फोटॉनिक्स, स्पिन्ट्रॉनिक्स, या यहाँ तक कि वास्तविक जैविक न्यूरॉन्स जो सिलिकॉन सब्सट्रेट्स के साथ इंटरैक्ट करने के लिए प्रशिक्षित हैं, और शायद AI सीधे हमारे अपने मस्तिष्क के साथ सीधे इंटरफ़ेस के माध्यम से इंटरैक्ट करेगा।

इन सभी तकनीकों के लिए, यह निश्चित है कि AI की क्षमता में विस्फोटक वृद्धि और अनुप्रयोगों में संबंधित विस्फोटक वृद्धि अधिक और बेहतर AI हार्डवेयर की मांग को बढ़ाते रहेंगे।

इसलिए भले ही अधिक कुशल AI मॉडल बाजार में आएँ, जैसे DeepSeek, AI पीसीज़ की अचानक बढ़ती मांग यह संकेत दे सकती है कि आने वाले वर्षों में मांग की तुलना में AI हार्डवेयर की आपूर्ति कुछ हद तक कम रहेगी।

AI हार्डवेयर में एक नेता

Nvidia

NVIDIA ने ग्राफ़िक कार्ड में विशेषज्ञता रखने वाली एक विशेष अर्धचालक कंपनी से AI क्रांति के अग्रभाग में एक तकनीकी दिग्गज के रूप में विकास किया है, और इसे आवश्यक विशाल हार्डवेयर की मात्रा भी।

यह NVIDIA के GPUs के लिए एक सामान्य-उद्देश्य प्रोग्रामिंग इंटरफ़ेस CUDA के विकास के माध्यम से हासिल किया गया, जिससे गेमिंग के अलावा अन्य उपयोगों के लिए द्वार खुला।

“शोधकर्ताओं ने समझा कि इस गेमिंग कार्ड को GeForce कहा जाता है, इसे अपने कंप्यूटर में जोड़कर, आपके पास मूलतः एक व्यक्तिगत सुपरकम्प्यूटर हो जाता है। आणविक गतिशीलता, भूकंपीय प्रसंस्करण, CT पुनर्निर्माण, इमेज प्रोसेसिंग—कई विभिन्न चीज़ें।” – Jensen Huang, in an interview with Sequoia

GPUs, और विशेष रूप से NVIDIA हार्डवेयर, की यह व्यापक अपनाने ने नेटवर्क प्रभावों पर आधारित एक सकारात्मक फीडबैक लूप बनाया: जितने अधिक उपयोग, उतने अधिक अंतिम उपयोगकर्ता और प्रोग्रामर जो इससे परिचित हों, अधिक बिक्री, अधिक R&D बजट, कंप्यूटिंग गति में अधिक तेज़ी, फिर से अधिक उपयोग, आदि।

स्रोत: Nvidia

आज, स्थापित आधार में सैकड़ों मिलियन CUDA GPUs शामिल हैं।

AI कंप्यूटिंग शक्ति के विकास की एक और उल्लेखनीय बात यह है कि यह CPU के अधिक रैखिक मोर के नियम के बजाय घातीय नियम का पालन करता है। इसका कारण यह है कि न केवल GPU हार्डवेयर बेहतर हो रहा है, बल्कि न्यूरल नेटवर्क को प्रशिक्षित करने के तरीके में मौलिक सुधार के कारण आवश्यक प्रोसेसिंग पावर भी घट गई है।

GPU और AI में नेता होने के साथ-साथ, NVIDIA क्वांटम कंप्यूटिंग को एक नई विकास इंजन में विकसित करने में भी बहुत सक्रिय है।

जैसे उसने न्यूरल नेटवर्क अनुप्रयोगों के लिए CUDA को लागू किया, Nvidia ने क्वांटम कंप्यूटिंग के लिए CUDA-Q जारी किया है, जो एक क्वांटम क्लाउड सिस्टम प्रदान करता है जहाँ आप क्लाउड सेवा के माध्यम से NVIDIA क्वांटम कंप्यूटिंग क्षमता किराए पर ले सकते हैं।

स्रोत: NVIDIA

इसमें NVIDIA के cuQuantum जैसी तकनीक शामिल है, जो शोधकर्ताओं को क्वांटम कंप्यूटरों का अनुकरण करने देती है, cuPQC क्वांटम एन्क्रिप्शन के लिए, और DGX Quantum क्लासिकल और क्वांटम कंप्यूटिंग दोनों के एकीकरण के लिए।

कुल मिलाकर, NVIDIA क्वांटम कंप्यूटिंग इकोसिस्टम बनाने में अग्रणी है, AI और AI हार्डवेयर में अपने नेता पद का लाभ उठाते हुए।

स्रोत: NVidia

AI, क्रिप्टो माइनिंग, और संभवतः जल्द ही क्वांटम कंप्यूटिंग में मजबूत स्थिति के साथ, Nvidia आगामी दशक में प्रमुख कंप्यूटिंग हार्डवेयर कंपनियों में से एक बनने के लिए बहुत अच्छी तरह स्थित है।

आप Nvidia के इतिहास, व्यापार मॉडल, और नवाचारों के बारे में NVIDIA (NVDA) Spotlight: From Graphics Giant to AI Titan में पढ़ सकते हैं।

NVIDIA पर नवीनतम