Mga Umuusbong na Teknolohiya na Humuhubog sa Hinaharap ng AI Hardware

Isang Bagong Uri ng Pagkokompyut

Sa nakaraang ilang taon ng eksponensyal na pag-unlad sa teknolohiyang AI, ang mga pangunahing nagwagi ay ang mga tagagawa ng AI hardware. Ito ay dahil ang modernong AI, na karamihan ay gumagamit ng teknolohiyang neural network, ay gumagamit ng kapangyarihan ng pagkokompyut sa napakaibang paraan kumpara sa tradisyunal na mga computer.

Sa halip na magsagawa ng komplikadong kalkulasyon gamit ang malakas na CPU, nagsasagawa ito ng libu‑libo o milyong mas simpleng kalkulasyon nang sabay‑sabay.

(Maaari kang matuto pa tungkol sa kung paano naimbento at gumagana ang mga neural network sa “Pamumuhunan sa mga Tagumpay ng Nobel Prize – Artipisyal na Neural Networks, Ang Batayan ng AI”)

Sa ngayon, ang mga graphic card, o GPU (Graphics processing units), ay naging paboritong kasangkapan para sa pag‑develop ng AI, na nagdulot ng malaking pagtaas sa kita at tubo ng mga lider sa sektor tulad ng Nvidia (NVDA ).

Inaasahang patuloy na lalago nang napakabilis ang merkado para sa AI hardware, na may 31.2% CAGR mula 2025 hanggang 2035.

Pinagmulan: Roots Analysis

Ang panahong ito ay dapat ding magsilbing daan sa pag‑usbong ng maraming bagong uri ng AI hardware, habang ang mga GPU na inangkop para sa AI na kalkulasyon ay unti‑unting pinapalitan ng mga chip na idinisenyo partikular para sa aplikasyon na ito.

Sa pangmatagalan, mas kakaibang anyo ng pagkokompyut ang malamang na makapasok sa merkado ng AI hardware, mula sa mga disenyo na partikular sa aplikasyon hanggang sa mga non‑silicon chip o kahit paggamit ng aktwal na mga biological neuron.

Paano Gumagana ang Pag‑isip ng AI

Ang pangunahing pagkakaiba sa pagitan ng tradisyunal na supercomputer at AI ay kung paano pinoproseso ang datos. Sa halip na lutasin ang komplikadong kalkulasyon, ang mga neural network ay lumilikha ng mga virtual na node na konektado sa isang network. Habang ang unang neural network ay may ilang dosenang node lamang, na gumagawa ng ilang daang koneksyon, ang mga modernong neural network tulad ng ginagamit ng ChatGPT ay may trilyong posibleng koneksyon, na umaabot sa antas ng komplikasyon na hindi gaanong naiiba sa utak ng tao.

Pinagmulan: Nobel Prize

Ang ibang paraan ng kalkulasyong ito ay nangangailangan ng hardware na kayang magsagawa ng milyong operasyon nang sabay‑sabay, kahit na ang kapangyarihan ng pagkokompyut na nakalaan sa bawat isa ay medyo maliit.

Sa kabutihang palad, ito ay isang uri ng hardware na matagal nang ginagamit, tulad ng graphic rendering gamit ang mga GPU, pangunahin para sa 3D simulation at mga video game, at gumagamit din ng ganitong uri ng maraming maliliit na kalkulasyon nang sabay.

Ito ang dahilan kung bakit ang unang (at kasalukuyang) nagwagi sa karerang makakuha ng sapat na AI chip ay ang Nvidia, ang lider sa merkado ng GPU.

Laging Mas Mabilis na GPU

Sa pag‑imbento ng mas epektibong mga algoritmo at ang mabilis na pag‑unlad sa artificial intelligence na kanilang nilikha, sumabog ang potensyal na aplikasyon ng AI noong 2020s.

Nagresulta ito sa isang patuloy na lumalaking karera upang makakuha ng sapat na hardware, lalo na ang Nvidia GPU noong 2023.

Kasabay nito, ang tumataas na inaasahan mula sa potensyal na aplikasyon ng AI ay nangangailangan ng mas matalinong AI, na naman ay nangangailangan ng mas maraming kapangyarihan sa pagkokompyut. At habang ang pagkuha ng mas maraming GPU ay isang solusyon, kailangan din ng mas magagandang GPU.

Naibigay ito ng industriya, na may 1,000x na paglago sa performance sa loob ng mas mababa sa 8 taon.

Pinagmulan: NVIDIA

Magtatagal Ba?

May mga palatandaan na ang pag‑unlad sa performance ng GPU ay maaaring bumagal. Una, lahat ng “madadaling” pagpapabuti, tulad ng paggawa ng mas malalaking GPU na may mas maliit at mas siksik na mga transistor, ay naabot na ang limitasyon. Kaya, ang karagdagang pagpapabuti ay kailangang magmula sa mas radikal na muling disenyo at inobasyon.

May mga pangalawang problema rin na dumarating sa industriya. Halimbawa, ang mas siksik at mas makapangyarihang mga GPU ay nagbubuo ng maraming init, hanggang sa punto na kung dagdag pa ay matutunaw ang mga chip.

Ang nasabing init ay nagpapahiwatig din ng maraming nasasayang na enerhiya. Ang pagtiyak ng sapat na suplay ng matatag, base‑load na kuryente ay nagiging isyu para sa mga AI kumpanya, kasama ang lahat ng malalaking kumpanya ng teknolohiya na nagmamadaling kumuha ng suplay mula sa mga planta ng nuklear.

Panghuli, ang AI computing ay nagiging mas espesyalisado, na may iba’t ibang metodolohiya na lumalabas sa iba’t ibang kumpanya at para sa iba’t ibang aplikasyon, bawat isa ay may iba’t ibang pangangailangan sa hardware. Kaya malamang, ang panahon ng pangkalahatang GPU na ginagamit ng lahat ng AI firm ay papalapit nang magtapos, kahit na dahan‑dahan.

Ang Panahon ng Super GPU

Hanggang ngayon, karamihan sa mga AI data center ay binubuo ng pagkakabit ng libu‑libong GPU sa mga dedikadong server.

Ang agarang solusyon sa lumalalang problema ng sobrang init at konsumo ng enerhiya ay ang pagtatayo ng integrated hardware na lampas pa sa simpleng pagsasama ng indibidwal na GPU.

“Sa mga data center ngayon, hindi mo maaaring ilagay ang parehong bilang ng mga NVIDIA H100 server o mga tray ng GB200 Superchip compute sa isang kabinet tulad ng dati sa mga naunang henerasyon ng GPU dahil sa mas mataas na pangangailangan sa kuryente at paglamig.

Isang malaking hakbang patungo doon ay ang kamakailang paglabas ng Nvidia ng GB200 NVL72. Ang hardware na ito ay dinisenyo upang kumilos bilang isang solong napakalaking GPU, na ginagawa itong mas makapangyarihan kaysa kahit sa dating rekord‑breaking na modelong H100.

Ang pinabuting thermal efficiency at pag‑save ng enerhiya ay nagbibigay‑daan sa amin na maging mas mapagbigay sa kung ilang GPU ang maaari naming ilagay sa isang rack—na nangangahulugang mas maraming GPU para sa aming mga customer.”

Dapat din itong maging mas matipid sa enerhiya, isang mahalagang punto dahil maaaring maubos ang enerhiya ng industriya ng AI bago pa man maubos ang mga chip sa bilis ng pagbuo ng mga AI data center. At ang mas maraming computing at enerhiya na kahusayan ay nangangahulugang mas kaunting nasasayang na init, na pansamantalang nalulutas din ang problema sa sobrang init.

Pinagmulan: Nvidia

Sa kasalukuyan, CoreWeave ay naging unang cloud provider na may pangkalahatang available na Nvidia GB200 NLV 72 instances (CRWV ).

(Maaari mong basahin pa ang tungkol sa CoreWeave at ang pagbibigay nito ng AI cloud computing sa mga kumpanyang nagde‑develop ng AI solutions sa “CoreWeave: Ang Cloud AI Hyperscaler”).

Hindi‑GPU na AI Hardware

Field Programmable Gate Arrays (FPGAs)

Isa pang uri ng hardware na ginagamit para sa pag‑develop ng AI ay ang Field‑Programmable Gate Arrays. Ang FPGA ay mga integrated circuit na maaaring i‑reprogram upang magsagawa ng tiyak na mga gawain nang mas epektibo. Gumagana ito sa pamamagitan ng pagkakaroon ng configurable interconnects sa pagitan ng kanilang mga komponent.

Pinagmulan: Microcontrollers Labs

Maaaring gawing mas flexible ang mga FPGA kaysa sa mga GPU at may mas malaking potensyal para sa optimization sa partikular na uri ng kalkulasyon.

Ang mga FPGA ay mas matipid din sa enerhiya kaysa sa mga GPU. Ang kanilang mababang latency (mabilis na reaksyon) ay ginagawang napakaepektibo para sa mga real‑life application na nangangailangan ng mabilis na reaksyon.

Gayunpaman, ang mga FPGA ay mas hindi kayang humawak ng napaka‑demanding na kalkulasyon na nangangailangan ng maraming kapangyarihan.

Isa pang isyu ay na habang ang mga FPGA ay re‑programmable, ito ay maaaring maging isang proseso na nangangailangan ng maraming oras at paggawa. Kaya maaaring mas mabagal silang i‑disenyo, buuin, at i‑program. Ito ay maaaring maging seryosong isyu sa isang larangan na gumagawa ng rebolusyonaryong pag‑unlad tuwing 6 na buwan.

Ito ay nangangahulugang hanggang ngayon, ang mga kaso ng paggamit ng FPGA ay nakatuon sa ilang partikular na aplikasyon ng AI, habang ang pangkalahatang pag‑develop ay patuloy na umaasa sa mas hindi epektibo, ngunit pangkalahatang GPU:

• Real‑time processing: Kapag kailangang mabilis na iproseso ang papasok na data, tulad ng para sa digital signal processing, radar systems, autonomous vehicles, at telecommunications.
• Customized hardware acceleration: Maaaring i‑fine‑tune ang configurable na mga FPGA upang mapabilis ang tiyak na deep learning tasks at HPC clusters sa pamamagitan ng pag‑optimize para sa partikular na uri ng data o algorithm.

• Kaya ang modernong AI data centers ay maaaring unti‑unting maging halo ng mga GPU at FPGA, kung saan ang bawat hardware ay nakatalaga sa mga sub‑task na kaya nitong gawin nang pinakamahusay.
  • Edge computing: Ito ay pagdadala ng kakayahan sa pagkokompyut at storage nang mas malapit sa end‑user, halimbawa, direkta sa isang kotse o drone. Sa mga kasong ito, ang mababang konsumo ng enerhiya at compact na sukat ng FPGA ay mga kalamangan.

Application‑Specific Integrated Circuits (ASICs)

Ang mga ASIC system ay binuo para sa partikular na uri ng kalkulasyon at kaya lamang magsagawa ng mga ito. Kaya hindi ito gaanong computer chip kundi isang purong integrated circuit; minsan tinatawag ding programmable ASIC ang mga FPGA.

Ang dahilan para gumamit ng ASICs imbes na FPGA o GPU ay dahil ang mga ASIC ay mas mabilis kaysa sa anumang ibang logic device. Mas matipid din sila sa enerhiya at mas maliit ang sukat.

Ito ang dahilan kung bakit, halimbawa, ginagamit ang ASIC miners sa cryptocurrency mining, kung saan ang disenyo ay optimized para sa partikular na uri ng kalkulasyon na kinakailangan.

Pinagmulan: Wevolver

Gayunpaman, ang mga ASIC ay mas komplikadong idisenyo, kaya’t may katwiran lamang na bumuo ng isa para sa isang gawain na uulitin nang sapat upang mapunan ang gastos sa disenyo. Sa pangkalahatan, ang mga ASIC ay may ekonomikong katwiran lamang kapag isinasaalang‑alang para sa mass production.

Ang mga custom na disenyo ay nangangailangan din ng ekspertong kaalaman, at maaaring hindi magamit ang malawak na ginagamit na programming languages at libraries.

Ang pangangailangan para sa custom na disenyo ay maaaring maging isang kalamangan din, dahil ito ay lumilikha ng karagdagang proteksyon sa intellectual property (IP).

Ang mga kaso ng paggamit para sa ASIC ay katulad ng sa FPGA: edge computing, image recognition, telecommunications, at signal processing, ngunit higit pa sa FPGA na nangangailangan ng madalas na inuulit na kalkulasyon.

Dahil hindi sila flexible, malamang na hindi sapat ang mga ito mag‑isa para sa anumang komplikadong AI task. Maaari silang isama sa isang AI hardware system upang magbigay ng higit na kahusayan at bilis.

Kapansin‑pansin, ang mga kumpanya tulad ng Etched ay nagde‑develop ng ASICs na partikular na dinisenyo upang magsagawa ng kalkulasyon ng transformers (ang “T” sa chatGPT).

Pinagmulan: Etched

Neuromorphic Chips

Higit pa sa pagpapabuti lamang ng mga GPU o paggawa ng mas epektibong ASICs, may mga konsepto na naglalayong ganap na baguhin kung paano isinasagawa ang pagkokompyut.

Isang ideya ay kung nagdidisenyo tayo ng neural network, dapat mayroon tayong arkitektura ng chip na sumasalamin dito.

Ito ang ideya ng neuromorphic chips, na gumagana tulad ng magkakaugnay na neuron sa antas ng hardware sa halip na i‑simulate ito sa pamamagitan ng komplikadong matematikal na ekwasyon at milyong sabay‑sabay na kalkulasyon.

Ang mga device na ito ay minsan tinatawag na NPUs (Neural Processing Unit), karaniwang pinagsasama ang maraming iba’t ibang uri ng komponent sa isang yunit.

Ang mga neuromorphic chip ay kadalasang gumagamit ng komplikadong electrical signals, na mas malapit sa analogic data. Ito ay naiiba sa “normal” na mga computer na gumagamit ng Von Neumann design na may binary signals (0 at 1).

Pinagmulan: Tech Target

Maraming pamamaraan ang kasalukuyang ini‑explore kung paano lumikha ng neuromorphic chips:

• Gamitin ang incipient ferroelectricity, isang fenomenong hindi pa lubos na nauunawaan.
• Active substrate na gumagamit ng vanadium o titanium.
• Gamit ang memristors, isang bagong uri ng electronic component, na maaaring magsagawa ng AI tasks sa 1/800 ng normal na konsumo ng enerhiya.

Photonics Chips

Isa pang opsyon upang lampasan ang maraming kasalukuyang limitasyon ng silicon hardware ay lumipat sa photonics computers. Sa halip na mga electron ang nagdadala ng impormasyon, ito ay mga photon mula sa mga laser.

Ang pamamaraang ito ay may kalamangan na mas kaunti ang pagiging sensitibo sa sobrang init at ang liwanag ay ang pinakamabilis na gumagalaw na bagay sa Uniberso.

Sa ngayon, ang tibay ng mga photonics component, partikular ang memory, ay naging isyu, ngunit mabilis itong nagbabago.

Ang iba pang kamakailang pag‑unlad sa photonics ay kinabibilangan ng:

• Ferroelectric High Electron Mobility Transistor (FeHEMT), na nagpapaliit ng mga communication device sa mga smartphone.
• Perovskites, partikular na CsPbBr3 (cesium‑lead‑bromide) crystals, na nagmi‑mix ng photonics sa “normal” na silicon at gallium‑arsenide substrates.
• Ultra‑fast laser writing, upang magdisenyo ng photonic components gamit ang nanoetching.
• Multi‑layer silicon photonics method of fabrication.
• Paggamit ng magnetite upang lumikha ng spintronics‑photonics computers.

Paggamit ng Aktwal na Neuron

Isa pang paraan upang higit pang itulak ang AI upang maabot ang pagganap na katulad ng tunay na utak ay marahil simpleng gamitin ang mga utak mismo.

Pagkatapos, kung ang isang neural network na binubuo ng aktwal na mga neuron ay maaaring maging lubos na adaptibo at magaling sa pattern recognition sa kalikasan, bakit hindi ito gumana sa mas artipisyal na konteksto?

Noong Marso 2025, ang konseptong ito ay umusad pa sa pamamagitan ng paglabas ng Cortical Labs ng CL1, ang unang Synthetic Biological Intelligence (SBI).

Pinagmulan: Cortical Labs

Ang mga tunay na neuron ay kinokultura sa loob ng nutrient‑rich solution, na nagbibigay sa kanila ng lahat ng kailangan para maging malusog. Lumalaki sila sa ibabaw ng isang silicon chip, na nagpapadala at tumatanggap ng electrical impulses sa neural structure.

Talagang nilalabo nito ang linya sa pagitan ng artipisyal at natural na intelihensiya. Ang isang computer na gawa sa aktwal na mga neuron ay nananatiling artipisyal ba?

Inintegrate namin ang mga neuron sa biOS gamit ang halo ng matigas na silicon at malambot na tissue. Maaari kang direktang kumonekta sa mga neuron na ito. I‑deploy ang code direkta sa tunay na mga neuron, at lutasin ang pinakamahihirap na hamon ngayon.

Ang neuron ay self‑programming, walang katapusang flexible, at resulta ng apat na bilyong taon ng ebolusyon. Ang mga digital na AI model na gumugugol ng napakalaking resources para tularan ito, ay nagsisimula na sa amin.

Maaaring ito ay isang tunay na breakthrough kung ang ilang teorya na itinuturing ang utak ng tao bilang higit na quantum computer kaysa sa electrical system ay mapatunayan.

Bagaman ito ay isang umuusbong na teknolohiya, maaaring makatanggap ito ng tulong mula sa pag‑unlad sa mga kaugnay na larangan, tulad ng 3D printing ng mga organong tao, kasama ang functional brain tissue, pati na rin ang produksyon ng organoids (mini‑brains) ng mga kumpanya tulad ng Final Spark at BiologIC.

Brain‑Computer Interface

Isa pang paraan upang mapalakas ang AI hardware ay gamitin ito sa direktang interface sa isa pang uri ng biological supercomputer: ang utak na nasa loob ng ating bungo at gumagawa ng ating pag‑iisip.

Sa simula, ang Brain‑Computer Interfaces (BCI) ay malamang na gagamitin pangunahing upang tulungan ang mga taong may neurological conditions.

Ang mga bagong pamamaraan upang gawing mas matibay at hindi gaanong invasive ang mga implant ay dapat makatulong din.

Sa pangmatagalan, ito rin ay maaaring magpalabo ng linya sa pagitan ng makina at ng intelihensiyang pantao. Kung nag‑iisip ka ng isang bagay na may tulong ng AI sa direktang interaksyon sa atin sa pamamagitan ng BCI, sino nga ba ang tunay na nag‑iisip?

Gayunpaman, dahil sa mga etikal at safety na alalahanin, ito ay marahil isa sa mga pinaka‑malayo na teknolohiya, sa kabila ng inaasahan ng mga science fiction na gawa tulad ng Altered Carbon, Neuromancer, o Cyberpunk 2077.

(Tinatalakay namin ang mga pinaka‑prominenteng kumpanya sa larangan sa “5 Pinakamahusay na Brain‑Computer Interfaces (BCI) Companies”).

Gaano Karaming Compute ang Tunay na Kailangan?

DeepSeek

Sa loob ng maraming taon, ang bawat AI kumpanya ay nagkukumpara upang magdagdag ng mas maraming compute hangga’t maaari, na inaakalang mas marami ay laging mas maganda.

Nabigyan ito ng hamon ng ang brutal na pagdating ng Chinese AI company na DeepSeek. Sa isang modelo na 10‑100x na mas epektibo kaysa sa mga kakumpitensya nito, at nagkakahalaga lamang ng 3%-5% para sa katumbas o mas mataas na performance, hinamon ng DeepSeek ang pangangailangan para sa mas maraming computing power upang makabuo ng mas magagandang AI.

Isang malaking dahilan kung bakit nagtuon nang husto ang DeepSeek sa kahusayan ng modelo ay ang limitadong access ng mga Chinese AI firm sa AI chips. Ito ay malinaw nang ilang sandali matapos ang paglulunsad na ipinakita na ang mga AI model mula sa ibang Chinese firm ay kasing kahanga‑hanga: Qwen ng Alibaba, Kimi ng Moonshot AI, Doubao ng ByteDance, o Ernie Bot ng Baidu.

Tulad ng kasabihan, “Ang pangangailangan ay ina ng imbensyon”.

Malamang na sa mga darating na taon, ang dual focus sa mas mahusay na performance at mas mataas na kahusayan ay mamamayani sa industriya ng AI.

Gayunpaman, hindi ito nangangahulugang na ang mas maraming compute ay hindi magdadala ng mas magagandang resulta. Simple lang, ito ay hindi lamang ang nag‑iisang landas patungo sa tagumpay sa industriya ng AI, at ang mga napakalaking kumpanya na may sapat na pondo tulad ng OpenAI ay maaaring medyo naging lax sa kanilang paggastos.

Sa ngayon, karamihan sa mga AI ay work‑in‑progress at experimental designs na may limitadong aplikasyon lamang. Habang mas marami silang na‑integrate sa workflow ng milyun‑milyong kumpanya sa buong mundo, mas marami ring AI computing ang kakailanganin.

At habang mas maraming compute ang kailangan, mas tataas ang demand para sa mas epektibo at hindi gaanong energy‑intensive na hardware.

Kaya tulad ng sa tradisyunal na pagkokompyut, maaari nating ipalagay na ang merkado ay patuloy na maghihingi ng patuloy na pinabuting mga chip, lalo na’t maaaring maging isa sa pinakamalaking consumer ng enerhiya ang AI sa lalong madaling panahon.

EdgeAI at AI PC

Isa pang epekto ng pag‑usbong ng DeepSeek at iba pang Chinese AI model na may mas kaunting pangangailangan sa compute ay na ang mga AI model, lalo na ang mga “distilled” na modelo, ay maaari nang patakbuhin sa high‑end na indibidwal na makina, sa halip na sa mga gigawatt‑scale na higanteng AI data center.

Ito ay nagpapatunay sa mga tagapagtanggol ng EdgeAI, na nagsasabing maraming AI computing ang kailangang gawin “on‑site”, sa halip na lamang sa cloud.

Dahil ang DeepSeek ay isang open‑source na modelo, binubuksan din nito ang daan para sa maraming indibidwal na eksperimento sa AI computers: sapat na malakas upang patakbuhin ang AI models, ngunit mura at maliit upang mabili ng mga indibidwal. Sa kabuuan, hindi ito nagdudulot ng mas kaunting demand sa AI compute, ngunit marahil isang mas desentralisadong proseso para sa pag‑develop at paggamit ng AI applications.

Kaya ang AI PC ay malamang na maging bagong malaking trend sa pagbuo ng PC, na ang espesyal na press ay nagtalakay nang detalyado sa tanong at kung aling brand ang pinakamahusay lalo na’t ang AI ay nagiging bahagi na ng halos lahat ng tech companies na nag‑a‑alok, kasama ang Microsoft (MSFT ), na ang Copilot ay halos omnipresent na sa Windows OS at iba pang software ng kumpanya.

Konklusyon

Mula sa gaming GPU, ang hardware para sa AI ay mabilis na umuunlad. Nagsimula ito sa mga GPU na dinisenyo para sa AI at umuunlad sa “super GPU” na dinisenyo mula sa simula upang magkasya sa AI data center na may mas mababang konsumo ng enerhiya at paglabas ng init.

Ang susunod na hakbang ay malamang na karagdagang integrasyon ng mga generalist GPU kasama ang ASIC at FPGA chip upang magsagawa ng tiyak na AI tasks na may mas kaunting kapangyarihan at espasyo.

Sa mas malayong hinaharap, ang taya ay kung aling teknolohiya ang magiging panalo para sa AI computing: neuromorphic chips, photonics, spintronics, o kahit aktwal na mga biological neuron na sinanay upang makipag‑ugnayan sa silicon substrates, at marahil AI na direktang nakikipag‑ugnayan sa ating sariling mga utak sa pamamagitan ng direktang interphases.

Para sa lahat ng teknolohiyang ito, tiyak na ang eksplosibong paglago sa kapasidad ng AI at ang kaakibat na eksplosibong paglago sa mga aplikasyon ay magpapanatili ng demand para sa mas marami at mas mahusay na AI hardware.

Kaya kahit na may mas epektibong AI model na lumabas sa merkado, tulad ng DeepSeek, ang biglaang pagtaas ng demand para sa AI PC ay maaaring maging isang magandang indikasyon na ang AI hardware ay malamang na manatiling medyo kulang sa suplay kumpara sa demand sa mga darating na taon.

Isang Lider sa AI Hardware

Nvidia

Ang NVIDIA ay nag‑evolve mula sa isang niche semiconductor company na nag‑specialize sa graphic cards tungo sa isang tech giant na nasa unahan ng AI revolution at ng napakalaking dami ng hardware na kailangan nito.

Nakamit ito sa pamamagitan ng pag‑develop ng CUDA, isang general‑purpose programming interface para sa mga GPU ng NVIDIA, na nagbukas ng pinto para sa mga gamit bukod sa gaming.

“Natuklasan ng mga mananaliksik na sa pagbili ng gaming card na tinatawag na GeForce, idinadagdag mo ito sa iyong computer, halos nagkakaroon ka ng personal supercomputer. Molecular dynamics, seismic processing, CT reconstruction, image processing—a whole bunch of different things.” Jensen Huang, sa isang panayam sa Sequoia

Ang mas malawak na pag‑aampon ng mga GPU, at lalo na ng hardware ng NVIDIA, ay lumikha ng positibong feedback loop batay sa network effects: mas maraming gamit, mas maraming end users at programmers na pamilyar dito, mas maraming benta, mas malaking R&D budget, mas mabilis na pag‑bilis ng computing speed, at muli, mas maraming gamit, atbp.

Pinagmulan: Nvidia

Sa ngayon, ang installed base ay kinabibilangan ng daan‑daang milyong CUDA GPU.

Isa pang kapansin‑pansing bagay tungkol sa pag‑unlad ng AI computing power ay sumusunod ito sa exponential law sa halip na sa mas linear na Moore’s Law para sa CPU. Ito ay dahil hindi lamang ang GPU hardware ay gumaganda, kundi ang kinakailangang processing power ay nabawasan dahil sa radikal na pag‑improve kung paano sinasanay ang mga neural network.

Habang lider sa GPU at AI, ang NVIDIA ay aktibo rin sa pag‑develop ng quantum computing bilang isang bagong growth engine.

Katulad ng kung paano nila inilunsad ang CUDA para sa mga aplikasyon ng neural network, naglabas ang Nvidia ng CUDA‑Q para sa quantum computing, na nag‑aalok ng quantum cloud system kung saan maaari kang magrenta ng kapasidad ng quantum computing ng NVIDIA sa pamamagitan ng cloud service.

Pinagmulan: NVIDIA

Kabilang din dito ang teknolohiya tulad ng cuQuantum ng NVIDIA para sa mga mananaliksik na mag‑emulate ng quantum computers, cuPQC para sa quantum encryption, at DGX Quantum para sa integrasyon ng parehong classical at quantum computing.

Sa kabuuan, ang NVIDIA ay nasa unahan ng pagbuo ng quantum computing ecosystem, na sinasamantala ang posisyon nito bilang lider sa AI at AI hardware.

Pinagmulan: NVidia

Sa matibay na posisyon sa AI, crypto mining, at marahil sa lalong madaling panahon sa quantum computing, ang Nvidia ay napakaposisyon upang maging isa sa mga dominanteng kumpanya ng computing hardware sa darating na dekada.

Sa quantum computing, ang Nvidia ay napakaposisyon upang maging isa sa mga dominanteng kumpanya ng computing hardware sa darating na dekada. Maaari mong basahin pa ang higit pa tungkol sa kasaysayan, modelo ng negosyo, at mga inobasyon ng Nvidia sa ‘NVIDIA (NVDA) Spotlight: From Graphics Giant to AI Titan’.

Pinakabago sa NVIDIA