Fremvoksende teknologier som former fremtiden for AI-maskinvare

En ny type databehandling

Med de siste årene med eksponentiell fremgang innen AI-teknologi har de store vinnerne vært byggere av AI-maskinvare. Dette skyldes at moderne AI, som hovedsakelig bruker nevrale nettverk, utnytter datakraft på en helt annen måte enn klassiske datamaskiner.

I stedet for å utføre komplekse beregninger med en kraftig CPU, utfører de i stedet tusenvis eller millioner av enklere beregninger parallelt.

(Du kan lære mer om hvordan nevrale nettverk ble oppfunnet og fungerer i “Investering i Nobelprisens prestasjoner – Kunstige nevrale nettverk, grunnlaget for AI”)

Så langt har grafikkort, eller GPUer (Graphics processing units), vært det foretrukne verktøyet for å utvikle AI, og har dramatisk økt inntektene og fortjenesten til ledere i sektoren som Nvidia (NVDA ).

Markedet for AI-maskinvare forventes å fortsette å vokse eksepsjonelt raskt, med 31,2 % CAGR fra 2025 til 2035

Kilde: Roots Analysis

Dette perioden bør også se fremveksten av mange nye typer AI-maskinvare, ettersom GPUer som er omdisponert for AI-beregning gradvis blir erstattet av brikker designet spesielt for dette formålet.

På lang sikt er det sannsynlig at mer eksotiske former for databehandling vil finne vei inn i AI-maskinvaremarkedet, fra applikasjonsspesifikke design til ikke-silikonbrikker eller til og med ved å bruke faktiske biologiske nevroner.

Hvordan AI-tenkning fungerer

Den grunnleggende forskjellen mellom klassiske superdatamaskiner og AI-er er hvordan data behandles. I stedet for å løse komplekse beregninger, skaper nevrale nettverk virtuelle noder som er koblet sammen i et nettverk. Mens det første nevrale nettverket knapt hadde noen dusin noder og noen hundre forbindelser, bruker moderne nevrale nettverk som de som brukes av ChatGPT billioner av mulige forbindelser, og når nivåer av kompleksitet som ikke er ulikt den menneskelige hjernen.

Kilde: Nobel Prize

Denne andre beregningsmetoden krever maskinvare som kan utføre millioner av operasjoner parallelt, selv om datakraften dedikert til hver enkelt er relativt liten.

Heldigvis er dette en type maskinvare som allerede har vært i drift i mange år, som grafisk rendering ved bruk av GPUer, hovedsakelig for 3D-simulering og videospill, og som også bruker denne typen mange små beregninger parallelt.

Dette er grunnen til at den første (og nåværende) vinneren av kappløpet om å sikre nok AI-brikker har vært Nvidia, lederen i GPU-markedet.

Alltid raskere GPUer

Med oppfinnelsen av mer effektive algoritmer og den raske fremgangen innen kunstig intelligens de skapte, eksploderte potensielle anvendelser av AI på 2020-tallet.

Dette førte til et stadig økende kappløp om å sikre nok maskinvare, spesielt Nvidia GPU i 2023.

Parallelt med dette krever økende forventninger til AI-potensielle anvendelser stadig smartere AI, som igjen krever mer datakraft. Og mens sikring av flere GPUer var en løsning, var også bedre GPUer nødvendige.

Industrien leverte, med en 1 000‑ganger vekst i ytelse på under 8 år.

Kilde: NVIDIA

Kan det vare?

Det er tegn på at fremgangen i GPU-ytelse kan snart avta. Først er alle de «lette» forbedringene, som å gjøre GPUer større og med mindre og tettere transistorer, nådd sitt tak. Så må videre forbedring komme fra mer radikale redesign og innovasjoner.

Andre problemer begynner også å snike seg inn i industrien. For eksempel produserer mye tettere og kraftigere GPUer mye varmetap, til det punktet hvor flere av samme type bare ville smelte brikkene.

Dette varmetapet indikerer også mye bortkastet strøm. Å sikre en tilstrekkelig forsyning av stabil, grunnlastkraft blir et problem for AI-selskaper, med alle Big Tech-selskaper som skynder seg for å sikre forsyning fra kjernekraftverk.

Til slutt blir AI-databehandling mer spesialisert, med ulike metodologier som dukker opp i forskjellige selskaper og for ulike anvendelser, hver med forskjellige krav til maskinvaren. Så mest sannsynlig er epoken med allsidige GPUer brukt av alle AI-firmaer på vei mot slutten, selv om det skjer sakte.

Super‑GPU‑æraen

Inntil nå har de fleste AI-datasentre bestått av å koble sammen tusenvis av GPUer i dedikerte servere.

Den umiddelbare løsningen på det økende overopphetings- og strømforbruksproblemet vil være byggingen av integrert maskinvare som går utover bare oppsamlede individuelle GPUer.

«I datasentre i dag kan du ikke få plass til samme antall NVIDIA H100‑servere eller GB200 Superchip‑beregningstrays i et skap som du kunne med tidligere GPU‑generasjoner på grunn av høyere strøm‑ og kjølekrav.»

Et viktig steg i den retningen er den nylige lanseringen fra Nvidia av GB200 NVL72. Denne maskinvaren er designet for å fungere som en enkelt massiv GPU, og gjør den mye kraftigere enn selv den tidligere rekordbrytende H100-modellen.

«Den forbedrede termiske effektiviteten og energisparet gjør at vi kan være mer sjenerøse med hvor mange GPUer vi kan plassere i et rack – noe som betyr flere GPUer for våre kunder.»

Dette bør også være mye mer energieffektivt, et kritisk punkt ettersom AI-industrien kan gå tom for energi før den går tom for brikker i den hastigheten AI-datasentre bygges. Og mer beregning‑ og energieffektivitet betyr mindre varmetap, som midlertidig løser overopphetingsproblemet også.

Kilde: Nvidia

For øyeblikket har CoreWeave blitt den første sky-leverandøren med generelt tilgjengelige Nvidia GB200 NLV 72‑instanser (CRWV ).

(Du kan lese mer om CoreWeave og deres levering av AI-skyberegning til selskaper som utvikler AI-løsninger i “CoreWeave: The Cloud AI Hyperscaler”).

Ikke‑GPU AI‑maskinvare

Field‑programmable gate‑arrays (FPGAs)

En annen type maskinvare som brukes til AI‑utvikling er Field‑Programmable Gate Arrays. FPGA‑er er integrerte kretser som kan omprogrammeres for å utføre spesifikke oppgaver mer effektivt. De fungerer ved å ha konfigurerbare forbindelser mellom komponentene.

Kilde: Microcontrollers Labs

Dette kan gjøre FPGA‑er mer fleksible enn GPU‑er og ha større potensial for optimalisering ved spesifikke typer beregninger.

FPGA‑er er også mer energieffektive enn GPU‑er. Deres lave latens (rask responstid) gjør dem også svært effektive for virkelige applikasjoner som krever raske reaksjoner.

Imidlertid er FPGA‑er også mindre i stand til å håndtere svært krevende beregninger som krever mye strøm.

Et annet problem er at selv om FPGA‑er er omprogrammerbare, kan dette være en tid‑ og arbeidskrevende prosess. Så de kan være mye tregere å designe, bygge og programmere. Dette kan være et alvorlig problem i et felt som gjør revolusjonerende fremskritt hver sjette måned.

Dette betyr at så langt har FPGA‑ers bruksområder vært konsentrert om visse AI‑applikasjoner, mens generell utvikling fortsatt er avhengig av mindre effektive, men allsidige GPU‑er:

• Sanntidsbehandling: Når innkommende data må behandles raskt, som for digital signalbehandling, radarsystemer, autonome kjøretøy og telekommunikasjon.
• Tilpasset maskinvareakselerasjon: Konfigurerbare FPGA‑er kan finjusteres for å akselerere spesifikke dype‑læringsoppgaver og HPC‑klynger ved å optimalisere for bestemte datatyper eller algoritmer.

• Så moderne AI‑datasentre kan gradvis bli en blanding av GPU‑er og FPGA‑er, med hver maskinvare dedikert til de deloppgavene den kan utføre best.
  • Edge‑databehandling: Dette flytter beregnings‑ og lagringskapasitet nærmere sluttbrukeren, for eksempel direkte i en bil eller en drone. I disse tilfellene er FPGA‑ens lave strømforbruk og kompakte størrelse en fordel.

Application‑Specific Integrated Circuits (ASICs)

ASIC‑systemer er bygget for spesifikke beregningstyper og kan kun utføre disse. Så det er ikke så mye en databrikke som en ren integrert krets; FPGA‑er blir noen ganger også kalt programmerbare ASIC‑er.

Grunnen til å bruke ASIC‑er i stedet for FPGA‑er eller GPU‑er er at ASIC‑er er mye raskere enn noen annen logisk enhet. De er også mer energieffektive og mindre i størrelse.

Dette er grunnen til at for eksempel ASIC‑minere brukes i kryptovaluta‑mining, med design optimalisert for å utføre den spesifikke beregningstypen som kreves.

Kilde: Wevolver

Imidlertid er ASIC‑er også mye mer komplekse å designe, så det gir kun mening å utvikle en for en oppgave som vil bli gjentatt ofte nok til å dekke designkostnadene. Totalt sett gir ASIC‑er økonomisk mening kun når de vurderes for masseproduksjon.

Tilpassede design krever også ekspertkunnskap, og bredt brukte programmeringsspråk og biblioteker er potensielt ikke brukbare.

Dette behovet for tilpasset design kan imidlertid også være en fordel, da det skaper ekstra immateriell eiendomsbeskyttelse (IP).

Bruksområdene for ASIC‑er er lik FPGA‑er: edge‑databehandling, bildgjenkjenning, telekommunikasjon og signalbehandling, men enda mer enn FPGA‑er krever de ofte en gjentatt beregning.

Fordi de ikke er fleksible, er de også lite sannsynlig å være tilstrekkelige alene for komplekse AI‑oppgaver. De kan imidlertid integreres i et AI‑maskinvaresystem for å gi det mer effektivitet og hastighet.

Spesielt utvikler selskaper som Etched ASIC‑er som er spesifikt designet for å utføre transformatorberegninger (\”T\” i chatGPT).

Kilde: Etched

Neuromorfe brikker

Utover bare å forbedre GPU‑er eller bygge mer effektive ASIC‑er, ser andre konsepter på å fullstendig endre hvordan databehandling utføres.

En idé er at hvis vi designer et nevralt nettverk, bør vi ha en brikkearkitektur som gjenspeiler det.

Dette er ideen om neuromorfe brikker, som fungerer som sammenkoblede nevroner på maskinvarenivå i stedet for å simulere det gjennom komplekse matematiske ligninger og millioner av parallelle beregninger.

Disse enhetene kalles også noen ganger NPU‑er (Neural Processing Unit), som vanligvis kombinerer mange forskjellige komponenttyper i én enhet.

Neuromorfe brikker bruker ofte komplekse elektriske signaler, nærmere analog data. Dette skiller seg fra «normale» datamaskiner som bruker en Von‑Neumann‑design med binære signaler (0 og 1).

Kilde: Tech Target

Mange metoder utforskes nå for hvordan man kan lage neuromorfe brikker:

• Utnytte incipient ferroelectricity, et fortsatt dårlig forstått fenomen.
• Aktivt substrat med vanadium eller titan.
• Bruke memristorer, en ny type elektronisk komponent, som kan utføre AI‑oppgaver med 1/800^thav normal strømforbruk.

Fotonikk‑brikker

Et annet alternativ for å omgå mange av de nåværende begrensningene i silisiummaskinvare er å gå over til fotonikk‑datamaskiner. I stedet for at elektroner bærer informasjonen, er det fotoner fra lasere som gjør det.

Denne metoden har fordelen av å være mye mindre utsatt for overoppheting, og at lys er den raskeste bevegelsen i universet.

For øyeblikket har holdbarheten til fotonikk‑komponenter, spesielt minne, vært et problem, men dette endrer seg raskt.

Andre nylige fremskritt innen fotonikk inkluderer:

• Ferroelectric High Electron Mobility Transistor (FeHEMT), som krymper kommunikasjonsenheter på smarttelefoner.
• Perovskitter, mer presist CsPbBr3 (cesium‑bly‑bromid), som blander fotonikk med «normale» silisium‑ og gallium‑arsenid‑substrater.
• Ultra‑rask laser‑skriving, for å designe fotonikk‑komponenter med nano‑etching.
• Flerlags silisium‑fotonikk‑metode for fabrikasjon.
• Bruke magnetitt for å lage spintronics‑fotonikk‑datamaskiner.

Bruke faktiske nevroner

En annen måte å ytterligere presse AI til å oppnå lignende ytelse som den faktiske hjernen er kanskje ganske enkelt å bruke ekte hjerner i første omgang.

Etter alt, hvis et nevralt nettverk laget av faktiske nevroner kan være svært tilpasningsdyktig og utmerke seg i mønstergjenkjenning i naturen, hvorfor skulle det ikke fungere i en mer kunstig kontekst?

I mars 2025 ble dette konseptet tatt videre med lanseringen av Cortical Labs av CL1, den første syntetiske biologiske intelligensen (SBI).

Kilde: Cortical Labs

Virkelige nevroner dyrkes i en næringsrik løsning, som gir dem alt de trenger for å være sunne. De vokser over en silisiumbrikke, som sender og mottar elektriske impulser inn i den nevrale strukturen.

Dette visker virkelig ut linjen mellom kunstig og naturlig intelligens. Er en datamaskin laget av faktiske nevroner fortsatt kunstig?

Vi integrerer nevronene i biOS med en blanding av hard silisium og mykt vev. Du kan koble direkte til disse nevronene. Distribuer kode direkte til de ekte nevronene, og løse dagens mest vanskelige utfordringer.

Nevronet er selvprogrammerende, uendelig fleksibelt, og resultatet av fire milliarder år med evolusjon. Det digitale AI‑modellene bruker enorme ressurser på å etterligne, men vi starter med det.

Dette kan være et virkelig gjennombrudd hvis noen teorier som ser på den menneskelige hjernen som mer en kvantedatamaskin enn et elektrisk system viser seg å være sanne.

Selv om det fortsatt er en svært ny teknologi, kan den få et løft med fremgangen i beslektede felt, som 3D‑utskrift av menneskelige organer, inkludert funksjonelt hjernevev, samt produksjon av organoider (mini‑hjernene) av selskaper som Final Spark og BiologIC.

Hjerne‑datamaskin‑grensesnitt

En annen måte å styrke AI‑maskinvare på kan være å bruke den i direkte grensesnitt med en annen type biologisk superdatamaskin: hjernen som allerede er i hodeskallen vår og gjør vår tenkning.

I første omgang vil hjerne‑datamaskin‑grensesnitt (BCI) sannsynligvis hovedsakelig bli brukt for å hjelpe personer som lider av nevrologiske tilstander.

Nye metoder for å gjøre implantatene mer holdbare og mindre invasive bør også hjelpe.

På lang sikt kan også dette viske ut linjen mellom maskin‑ og menneskelig intelligens. Hvis du tenker på noe med hjelp av en AI i direkte interaksjon med oss gjennom BCI, hvem tenkte egentlig?

Imidlertid, på grunn av etiske og sikkerhetsmessige bekymringer, er dette sannsynligvis en av de mest fjerne teknologiene, til tross for forventningene fra science‑fiction‑verk som Altered Carbon, Neuromancer, eller Cyberpunk 2077.

(Vi dekket de mest fremtredende selskapene i feltet i “5 Best Brain-Computer Interfaces (BCI) Companies”).

Hvor mye beregning er egentlig nødvendig?

DeepSeek

I mange år har hvert AI‑selskap løpt i kappløp om å legge til så mye beregning som mulig så raskt som mulig, med antakelsen om at mer alltid er bedre.

Dette har blitt utfordret av den brutale ankomsten av det kinesiske AI‑selskapet DeepSeek. Med en modell 10‑100 ganger mer effektiv enn konkurrentene, og som kun koster 3 %‑5 % for tilsvarende eller overlegen ytelse, har DeepSeek utfordret kravet om mer beregningskraft for å bygge bedre AI‑er.

En stor grunn til at DeepSeek fokuserte så mye på modell‑effektivitet var den begrensede tilgangen til AI‑brikker for kinesiske AI‑firmaer. Dette ble tydelig da kort tid etter lanseringen ble avslørt at AI‑modeller fra andre kinesiske firmaer presterte like imponerende: Alibabas Qwen, Moonshot AIs Kimi, ByteDances Doubao, eller Baidus Ernie Bot.

Som ordtaket sier: «Nødvendighet er oppfinnelsens mor».

Det er sannsynlig at i de kommende årene vil et dobbelt fokus på bedre ytelse og mer effektivitet dominere AI‑industrien.

Dette betyr imidlertid ikke at mer beregning ikke vil gi bedre resultater. Bare, dette er ikke den eneste veien til suksess i AI‑industrien, og svært godt finansierte selskaper som OpenAI kan ha vært litt slappe med sine utgifter.

For øyeblikket har de fleste AI‑er vært pågående og eksperimentelle design med kun begrensede anvendelser. Jo mer de integreres i arbeidsflyten til millioner av selskaper verden over, jo mer AI‑beregning vil bli nødvendig.

Og jo mer beregning som trengs, jo større blir etterspørselen etter mer effektiv og mindre energikrevende maskinvare.

Så, akkurat som for tradisjonell databehandling, kan vi anta at markedet fortsatt vil kreve stadig forbedrede brikker, spesielt ettersom AI snart kan bli en av verdens største energiforbrukere.

EdgeAI & AI‑PCer

En annen effekt av fremveksten av DeepSeek og andre kinesiske AI‑modeller med lavere beregningskrav er at AI‑modeller, spesielt «destillerte» modeller, nå kan kjøres på kraftige individuelle maskiner, i stedet for gigantiske AI‑datasentre i gigawatt‑skala.

Dette bekrefter tilhengerne av EdgeAI, som argumenterer for at mye AI‑beregning må gjøres «på stedet», i stedet for kun i skyen.

Siden DeepSeek er en åpen kildekode‑modell, åpner dette også veien for mange individuelle eksperimenter med AI‑datamaskiner: kraftige nok til å kjøre AI‑modeller, men rimelige og små nok til å kjøpes av enkeltpersoner. Totalt sett fører dette ikke så mye til mindre etterspørsel etter AI‑beregning, men kanskje en mer desentralisert prosess for utvikling og bruk av AI‑applikasjoner.

Derfor er AI‑PCer sannsynligvis den nye store trenden innen PC‑bygging, med spesialpressen som allerede diskuterer detaljene og hvilket merke som er best spesielt ettersom AI gjør sin vei inn i de fleste teknologiselskapers tilbud, inkludert Microsoft (MSFT ), Copilot som blir nesten allestedsnærværende i Windows‑OS og annen programvare fra selskapet.

Konklusjon

Fra spill‑GPUer utvikler AI‑maskinvaren seg raskt. Dette startet med GPUer designet for AI og utvikler seg nå med «super‑GPUer» designet fra bunnen av for å passe inn i AI‑datasentre med lavere energiforbruk og varmegenerering.

Det neste steget vil sannsynligvis være ytterligere integrasjon av generelle GPUer med ASIC‑er og FPGA‑brikker for å utføre spesifikke AI‑oppgaver med mindre strøm- og plassbehov.

Lenger frem i tid er innsatsen på hvilken teknologi som vil vinne AI‑beregning: neuromorfe brikker, fotonikk, spintronikk, eller til og med faktiske biologiske nevroner trent til å samhandle med silisium‑substrater, og kanskje AI som interagerer direkte med våre egne hjerner gjennom direkte grensesnitt.

For alle disse teknologiene er det sikkert at den eksplosive veksten i AI‑kapasitet og den tilhørende eksplosive veksten i applikasjoner vil holde etterspørselen etter mer og bedre AI‑maskinvare i vekst.

Så selv om mer effektive AI‑modeller kommer på markedet, som DeepSeek, kan den plutselige etterspørselsbølgen etter AI‑PCer være en god indikator på at AI‑maskinvare sannsynligvis vil forbli noe knapp i forhold til etterspørselen i de kommende årene.

En leder innen AI‑maskinvare

Nvidia

NVIDIA har utviklet seg fra et nisjeselskap innen halvledere som spesialiserte seg på grafikkort til en teknologigigant i frontlinjen av AI‑revolusjonen og den enorme mengden maskinvare den krever.

Dette ble oppnådd gjennom utviklingen av CUDA, et generelt programmeringsgrensesnitt for NVIDIAs GPU‑er, som åpnet døren for bruk utover spilling.

«Forskerne innså at ved å kjøpe dette spillkortet kalt GeForce, legger du det til datamaskinen din, og du har i praksis en personlig superdatamaskin. Molekylær dynamikk, seismisk prosessering, CT‑rekonstruksjon, bildebehandling – en hel rekke forskjellige ting.»

Jensen Huang, i et intervju med Sequoia

Den bredere adopsjonen av GPU‑er, og mer spesifikt NVIDIA‑maskinvare, skapte en positiv tilbakemeldingssløyfe basert på nettverkseffekter: jo flere bruksområder, jo flere sluttbrukere og programmerere som er kjent med den, jo flere salg, jo større FoU‑budsjett, jo raskere akselerasjon i beregningshastighet, jo flere bruksområder, osv.

Kilde: Nvidia

I dag inkluderer den installerte basen hundrevis av millioner av CUDA‑GPUer.

En annen bemerkelsesverdig ting ved utviklingen av AI‑beregningskraft er at den følger en eksponentiallov i stedet for den mer lineære Moores lov for CPU. Dette skyldes at ikke bare GPU‑maskinvaren blir bedre, men også det nødvendige behandlingskraftet har blitt redusert gjennom radikale forbedringer i hvordan nevrale nettverk trenes.

Mens NVIDIA er en leder innen GPU og AI, er NVIDIA også svært aktiv i å utvikle kvantedatabehandling som en ny vekstmotor.

På samme måte som de distribuerte CUDA for nevrale nettverksapplikasjoner, har Nvidia lansert CUDA‑Q for kvantedatabehandling, som tilbyr et kvante‑skysystem hvor du kan leie NVIDIAs kvantedatabehandlingskapasitet via en skytjeneste.

Kilde: NVIDIA

Dette inkluderer også teknologi som NVIDIAs cuQuantum for forskere som vil emulere kvantedatamaskiner, cuPQC for kvantekryptering, og DGX Quantum for integrasjon av både klassisk og kvantedatabehandling.

Alt i alt er NVIDIA i frontlinjen av å bygge et kvantedatabehandlingsøkosystem, og utnytter sin posisjon som leder innen AI og AI‑maskinvare.

Kilde: NVidia

Med en sterk posisjon innen AI, kryptomining, og muligens snart kvantedatabehandling, er Nvidia svært godt posisjonert til å bli ett av de dominerende selskapene innen datamaskinmaskinvare i det kommende tiåret.

Du kan lese mer om NVIDIAs historie, forretningsmodell og innovasjoner i “NVIDIA (NVDA) Spotlight: From Graphics Giant to AI Titan“.

Siste om NVIDIA