Yapay Zekâ

AI Donanımının Geleceğini Şekillendiren Yeni Teknolojiler

mm
Yayınlandı
Güncellendi
Securities.io sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Açıklama: Securities.io, incelediğimiz ürünlerin bağlantılarını kullandığınızda ücret alabilir. Bu, editoryal değerlendirmelerimizi etkilemez. Kayıtlı bir yatırım danışmanı değiliz; bu bir yatırım tavsiyesi değildir. Bağlı kuruluş açıklamamızı okuyun.

Yeni Bir Hesaplama Türü

Son birkaç yılda yapay zeka teknolojisindeki üssel ilerlemelerle, büyük kazananlar AI donanımı üretenler oldu. Bunun nedeni, modern AI’nın, çoğunlukla sinir ağı teknolojisini kullanarak, hesaplama gücünü klasik bilgisayarlardan çok farklı bir şekilde kullanmasıdır.

Güçlü bir CPU ile karmaşık hesaplamalar yapmak yerine, binlerce ya da milyonlarca daha basit hesabı paralel olarak gerçekleştirirler.

(Nöral ağların nasıl icat edildiği ve nasıl çalıştığı hakkında daha fazla bilgi edinebilirsiniz “Nobel Ödülü Başarılarına Yatırım – Yapay Nöral Ağlar, AI’nın Temeli”)

Şu ana kadar, grafik kartları ya da GPU’lar (Graphics processing units), AI geliştirmek için tercih edilen araç oldu ve sektördeki liderlerin, örneğin Nvidia’nın, gelir ve kârlarını büyük ölçüde artırdı (NVDA ).

AI donanım pazarı, 2025’ten 2035’e kadar %31,2 yıllık bileşik büyüme oranı (CAGR) ile olağanüstü hızlı bir şekilde büyümeye devam etmesi bekleniyor.

Bu dönemde, AI hesaplamaları için yeniden kullanılan GPU’ların, bu uygulama için özel olarak tasarlanmış çiplerle kademeli olarak değiştirilmesiyle, birçok yeni AI donanım türünün ortaya çıkması da bekleniyor.

Uzun vadede, uygulamaya özgü tasarımlardan silikon dışı çiplere ya da hatta gerçek biyolojik nöronların kullanılmasına kadar daha egzotik hesaplama biçimlerinin AI donanım pazarına girmesi muhtemeldir.

AI Düşüncesi Nasıl Çalışır

Klasik süper bilgisayarlar ile AI’lar arasındaki temel fark, verinin işlenme şeklidir. Karmaşık hesaplamalar çözmek yerine, nöral ağlar bir ağa bağlanmış sanal düğümler oluşturur. İlk nöral ağ sadece birkaç düzine düğüm ve birkaç yüz bağlantı içerirken, ChatGPT gibi modern nöral ağlar trilyonlarca olası bağlantı kullanır ve insan beyniyle benzer bir karmaşıklık seviyesine ulaşır.

 

Kaynak: Nobel Prize

Bu farklı hesaplama yöntemi, her birine ayrılan hesaplama gücü nispeten küçük olsa bile, paralel olarak milyonlarca işlem yapabilen donanım gerektirir.

Şans eseri, bu tür bir donanım yıllardır kullanılmaktadır; örneğin GPU’lar ile grafik renderleme, çoğunlukla 3D simülasyon ve video oyunları için, ve aynı zamanda bu tür çok sayıda küçük hesabı paralel olarak kullanır.

Bu yüzden, yeterli AI çiplerini temin etme yarışının ilk (ve şu anki) kazananı, GPU pazarının lideri Nvidia olmuştur.

Daha Hızlı GPU’lar

Daha verimli algoritmaların icadı ve yarattıkları yapay zekadaki hızlı ilerleme sayesinde, AI’nın potansiyel uygulamaları 2020’lerde patladı.

Bu, özellikle 2023’te yeterli donanım, özellikle Nvidia GPU’ları temin etme yarışının sürekli artmasına yol açtı.

Paralel olarak, AI potansiyel uygulamalardan artan beklentiler daha akıllı AI’lar gerektiriyor ve bu da daha fazla hesaplama gücü istiyor. Daha fazla GPU temin etmek bir çözüm olsa da, daha iyi GPU’lar da gerekiyordu.

Endüstri, 8 yıldan kısa bir sürede performansta 1.000 katlık bir büyüme sağlayarak yanıt verdi.

Kaynak: NVIDIA

Bu Süreç Sürdürülebilir mi?

GPU performanslarındaki ilerlemenin yakında yavaşlayabileceğine dair işaretler var. İlk olarak, GPU’ları daha büyük yapmak ve daha küçük, daha yoğun transistörler eklemek gibi tüm ‘kolay’ iyileştirmeler sınırına ulaşmış durumda. Bu yüzden daha fazla iyileştirme, daha radikal yeniden tasarımlar ve yeniliklerden gelmek zorunda.

İkincil sorunlar da sektöre sızıyor. Örneğin, çok daha yoğun ve güçlü GPU’lar büyük miktarda atık ısı üretiyor; aynı tipte daha fazla GPU, çipleri eritecek kadar ısı üretebilir.

Bu atık ısı aynı zamanda çok fazla harcanan gücün de göstergesidir. Kararlı, temel enerji arzını güvence altına almak, AI şirketleri için bir sorun haline geliyor, tüm Büyük Teknoloji şirketlerinin nükleer santrallerden tedarik sağlamaya koştuğu.

Son olarak, AI hesaplaması daha özelleşiyor; farklı şirketlerde ve farklı uygulamalarda ortaya çıkan metodolojiler, donanım açısından farklı gereksinimlere sahip. Bu yüzden, muhtemelen tüm AI firmaları tarafından kullanılan çok amaçlı GPU’ların dönemi, yavaş da olsa, sona yaklaşıyor.

Süper GPU Dönemi

Şu ana kadar, çoğu AI veri merkezi, binlerce GPU’yu birbirine bağlayarak özel sunucular oluşturmak üzerine kuruluydu.

Artan aşırı ısınma ve enerji tüketimi sorununa acil çözüm, yalnızca birikmiş bireysel GPU’ların ötesine geçen bütünleşik donanım inşa etmek olacaktır.

“Bugün veri merkezlerinde, daha yüksek güç ve soğutma gereksinimleri nedeniyle, aynı sayıda NVIDIA H100 sunucusu ya da GB200 Superchip hesaplama tepsisini bir kabine sığdıramazsınız.”

Bu yönde atılan büyük adımlardan biri, Nvidia’nın yakın zamanda piyasaya sürdüğü GB200 NVL72 çipidir. Bu donanım tek bir devasa GPU gibi çalışacak şekilde tasarlanmıştır ve önceki rekor kıran H100 modelinden çok daha güçlüdür.

“Gelişmiş termal verimlilik ve enerji tasarrufu, bir raf içine kaç GPU sığdırabileceğimiz konusunda daha cömert olmamızı sağlıyor – bu da müşterilerimiz için daha fazla GPU demek.”

Bu aynı zamanda AI endüstrisinin çiplerden ziyade enerji eksikliğiyle karşılaşma riskine karşı kritik bir noktadır; daha fazla hesaplama ve enerji verimliliği, daha az atık ısı anlamına gelir ve aşırı ısınma sorununu geçici olarak çözer.

Kaynak: Nvidia

Şu anda, CoreWeave genel olarak kullanılabilir Nvidia GB200 NLV72 örnekleri sunan ilk bulut sağlayıcısı oldu (CRWV ).

(CoreWeave ve AI çözümleri geliştiren şirketlere AI bulut bilişim sağlama konusundaki faaliyetleri hakkında daha fazla bilgi edinebilirsiniz “CoreWeave: Bulut AI Hiperskaler”).

GPU Dışı AI Donanımı

Alan Programlanabilir Kapı Dizileri (FPGAs)

AI geliştirmede kullanılan bir diğer donanım türü Alan Programlanabilir Kapı Dizileri (FPGAs)dır. FPGA’lar, belirli görevleri daha verimli bir şekilde yerine getirecek şekilde yeniden programlanabilen entegre devrelerdir. Bileşenleri arasındaki yapılandırılabilir bağlantılar sayesinde çalışırlar.

Bu, FPGAs’ı GPU’lara göre daha esnek hale getirebilir ve belirli hesaplama türlerinde daha fazla optimizasyon potansiyeli sunar.

FPGAs ayrıca GPU’lara göre daha enerji verimlidir. Düşük gecikmeleri (hızlı tepki süresi) gerçek zamanlı, hızlı tepki gerektiren uygulamalarda onları çok verimli kılar.

Bununla birlikte, FPGAs çok yüksek güç gerektiren zorlu hesaplamaları ele alabilme konusunda daha az yeteneklidir.

Bir diğer sorun ise, FPGAs yeniden programlanabilir olsa da, bu süreç zaman ve emek yoğun olabilir. Bu yüzden tasarım, üretim ve programlama çok daha yavaş gerçekleşir. Bu, her 6 ayda devrim niteliğinde ilerlemeler kaydedilen bir alanda ciddi bir sorun oluşturabilir.

Bu, şu ana kadar, FPGAs kullanım alanlarının AI’nın belirli uygulamalarına odaklandığı ve genel geliştirmelerin hâlâ daha az verimli ama çok amaçlı GPU’lara dayandığı anlamına geliyor:

  • Gerçek zamanlı işleme: Gelen veri hızlı bir şekilde işlenmesi gerektiğinde, dijital sinyal işleme, radar sistemleri, otonom araçlar ve telekomünikasyon gibi alanlarda.
  • Özelleştirilmiş donanım hızlandırması: Yapılandırılabilir FPGAs, belirli derin öğrenme görevlerini ve HPC kümelerini, belirli veri tipleri veya algoritmalar için optimize ederek hızlandırmak üzere ince ayar yapılabilir.
  • Modern AI veri merkezleri, GPU’lar ve FPGAs’ların bir karışımı haline gelerek, her donanımın en iyi performans gösterdiği alt görevleri üstlenmesi muhtemeldir.
    • Kenar bilişim: Bu, hesaplama ve depolama yeteneklerini son kullanıcıya daha yakın bir konuma, örneğin doğrudan bir araca ya da drona taşıma anlamına gelir. Bu durumlarda, FPGA’nın düşük enerji tüketimi ve kompakt boyutu avantaj sağlar.

Uygulamaya Özel Entegre Devreler (ASIC’ler)

ASIC sistemleri belirli hesaplama türleri için inşa edilmiştir ve yalnızca bu tür hesaplamaları yapabilir. Bu yüzden bir bilgisayar çipi değil, saf bir entegre devredir; FPGAs bazen programlanabilir ASIC’ler olarak da adlandırılır.

ASIC’leri FPGAs veya GPU’lar yerine kullanmanın nedeni, ASIC’lerin diğer mantık cihazlarından çok daha hızlı olmasıdır. Ayrıca daha enerji verimli ve daha küçük boyutludur.

Bu yüzden, örneğin, ASIC madencileri kripto para madenciliğinde kullanılır; tasarımları gereken belirli hesaplama türünü gerçekleştirecek şekilde optimize edilmiştir.

Kaynak: Wevolver

Bununla birlikte, ASIC’lerin tasarımı çok daha karmaşıktır; bu yüzden tasarım maliyetlerini karşılayacak kadar sık tekrarlanacak bir görev için geliştirilmesi mantıklıdır. Genel olarak, ASIC’ler yalnızca seri üretim düşünüldüğünde ekonomik açıdan anlamlıdır.

Özel tasarımlar uzman bilgi gerektirir ve yaygın kullanılan programlama dilleri ve kütüphaneler potansiyel olarak kullanılamaz.

Bu özel tasarım ihtiyacı aynı zamanda ek bir fikri mülkiyet (IP) koruması sağlayarak bir avantaj da oluşturabilir.

ASIC’lerin kullanım alanları FPGAs’larla benzer: kenar bilişim, görüntü tanıma, telekomünikasyon ve sinyal işleme, ancak FPGAs’dan daha sık tekrarlanan hesaplamalar gerektirir.

Esnek olmadıkları için, tek başlarına karmaşık AI görevleri için yeterli olmaları olası değildir. Ancak, bir AI donanım sistemine entegre edilerek daha fazla verimlilik ve hız sağlayabilirler.

Özellikle, Etched gibi şirketler, transformer hesaplamalarını (chatGPT’deki “T”) gerçekleştirmek üzere özel olarak tasarlanmış ASIC’ler geliştirmektedir.

Kaynak: Etched

Neuromorfik Çipler

GPU’ları iyileştirmenin ya da daha verimli ASIC’ler inşa etmenin ötesinde, diğer kavramlar hesaplamanın tamamen nasıl gerçekleştirileceğini değiştirmeyi hedefliyor.

Bir fikir, bir nöral ağ tasarlıyorsak, bunu yansıtan bir çip mimarisine sahip olmamız gerektiğidir.

Bu, neuromorfik çiplerin fikridir; bunlar, karmaşık matematiksel denklemler ve milyonlarca paralel hesaplama yoluyla simüle etmek yerine, donanım seviyesinde birbirine bağlı nöronlar gibi çalışır.

Bu cihazlar bazen NPU (Neural Processing Unit) olarak da adlandırılır; genellikle birçok farklı bileşeni tek bir birimde birleştirir.

Neuromorfik çipler genellikle analog veriye daha yakın karmaşık elektrik sinyalleri kullanır. Bu, ikili sinyaller (0 & 1) kullanan ‘normal’ bilgisayarlardan, Von Neumann tasarımına sahip olmalarıyla farklıdır.

Kaynak: Tech Target

Şu anda neuromorfik çipler oluşturmak için birçok yöntem araştırılıyor:

Fotonic Çipler

Silikon donanımının mevcut sınırlamalarının çoğunu aşmanın bir diğer seçeneği, fotonik bilgisayarlara geçmektir. Bilgiyi elektronlar taşımaz; lazerlerden gelen fotonlar taşır.

Bu yöntem, aşırı ısınmaya çok daha az duyarlı olması ve ışığın evrendeki en hızlı hareket eden şey olması avantajını taşır.

Şu an için, özellikle hafıza gibi fotonik bileşenlerin dayanıklılığı bir sorun olmuştur, ancak bu hızla değişiyor.

Gerçek Nöronları Kullanmak

AI’ı gerçek beyne benzer performansa daha da yaklaştırmanın bir başka yolu, belki de baştan beyinleri kullanmaktır.

Sonuçta, gerçek nöronlardan oluşan bir nöral ağ doğada yüksek adaptasyon yeteneğine ve desen tanıma konusunda üstünlüğe sahipse, daha yapay bir bağlamda neden çalışmasın?

Mart 2025’te, bu konsept Cortical Labs’in CL1’i, ilk Sentetik Biyolojik Zeka (SBI) olarak piyasaya sürmesiyle daha da ilerledi.

Gerçek nöronlar, besin açısından zengin bir çözelti içinde yetiştirilir ve sağlıklı olmaları için ihtiyaç duydukları her şeyi alırlar. Silikon çip üzerinde büyürler; bu çip nöral yapıya elektriksel darbeler gönderir ve alır.

Bu, yapay ve doğal zekâ arasındaki çizgiyi gerçekten bulanıklaştırıyor. Gerçek nöronlardan yapılmış bir bilgisayar hâlâ yapay sayılır mı?

Biz nöronları, sert silikon ve yumuşak doku karışımı bir biOS’a entegre ediyoruz. Bu nöronlara doğrudan bağlanabilirsiniz. Kodu doğrudan gerçek nöronlara dağıtın ve günümüzün en zor sorunlarını çözün.

Nöron kendi kendine programlanabilir, sonsuz esnekliğe sahiptir ve dört milyar yıllık evrimin sonucudur. Dijital AI modellerinin taklit etmeye çalıştığı şey, bizim başlangıç noktamızdır.

Bu, insan beynini daha çok bir kuantum bilgisayar olarak gören bazı teoriler doğru çıkarsa gerçek bir atılım olabilir.

Henüz çok yeni bir teknoloji olmasına rağmen, insan organlarının 3D baskısı, fonksiyonel beyin dokusu dahil, ve Final Spark ve BiologIC gibi şirketlerin organoid (mini beyin) üretimi gibi alanlardaki ilerlemelerle desteklenebilir.

Beyin-Bilgisayar Arayüzü

AI donanımını artırmanın bir başka yolu, onu başka bir biyolojik süper bilgisayar türüyle doğrudan arayüzde kullanmak olabilir: kafamızdaki beyin ve düşüncelerimiz.

İlk başta, Beyin-Bilgisayar Arayüzleri (BCI) büyük olasılıkla nörolojik hastalıkları olan insanlara yardımcı olmak için kullanılacaktır.

İmplantları daha dayanıklı ve daha az invaziv hâle getiren yeni yöntemler de yardımcı olacaktır.

Uzun vadede, bu da makine ve insan zekâsı arasındaki çizgiyi bulanıklaştırabilir. Bir AI yardımıyla doğrudan etkileşim içinde bir şey düşünüyorsanız, tam olarak kim düşünür?

Bununla birlikte, etik ve güvenlik endişeleri nedeniyle, bu muhtemelen en uzak teknolojilerden biridir; ancak Altered Carbon, Neuromancer veya Cyberpunk 2077 gibi bilim kurgu eserlerinin beklentileri vardır.

(Alanda en önde gelen şirketleri “5 En İyi Beyin-Bilgisayar Arayüzü (BCI) Şirketi” başlıklı yazımızda ele aldık.)

Gerçekten Ne Kadar Hesaplama Gücüne İhtiyaç Var?

DeepSeek

Yıllardır, her AI şirketi mümkün olduğunca hızlı bir şekilde daha fazla hesaplama eklemek için yarışıyor, daha fazlasının her zaman daha iyi olduğu varsayımını taşıyarak.

Bu, Çinli AI şirketi DeepSeek’in çetin gelişiyle sorgulandı. Rakiplerinden 10-100 kat daha verimli bir modele sahip ve eşdeğer ya da üstün performans için sadece %3-%5 maliyetle, DeepSeek daha fazla hesaplama gücüne ihtiyaç duyulması gerektiği varsayımını zorladı.

DeepSeek’in model verimliliğine bu kadar odaklanmasının büyük nedeni, Çinli AI firmalarının AI çiplerine sınırlı erişimiydi. Lansmandan kısa bir süre sonra, diğer Çinli firmaların AI modellerinin (Alibaba’nın Qwen’i, Moonshot AI’nın Kimi’si, ByteDance’ın Doubao’su ve Baidu’nun Ernie Bot’u) etkileyici performansları ortaya çıktı.

Deyim yerindeyse, “İhtiyaç, icadın anasıdır”.

Gelecek yıllarda, daha iyi performans ve daha fazla verimlilik üzerine çift odak, AI endüstrisini domine edecektir.

Ancak bu, daha fazla hesaplamanın daha iyi sonuçlar vermeyeceği anlamına gelmez. Sadece bu, AI endüstrisinde tek başarı yolu değildir ve OpenAI gibi çok iyi finanse edilen şirketler harcamalarında biraz gevşek davranmış olabilir.

Şu anda, çoğu AI hâlâ geliştirme aşamasında ve deneysel tasarımlardır; sınırlı uygulamalara sahiptir. Daha fazla şirketin iş akışına entegre oldukça, AI hesaplama ihtiyacı artacaktır.

Ve daha fazla hesaplama gerektiğinde, daha verimli ve daha az enerji tüketen donanım talebi artar.

Dolayısıyla geleneksel hesaplama gibi, pazarın sürekli daha iyi çipler talep edeceğini varsayabiliriz; özellikle AI yakında dünyanın en büyük enerji tüketicilerinden biri olabilir.

EdgeAI ve AI PC’ler

DeepSeek ve diğer Çin AI modellerinin daha az hesaplama gereksinimiyle ortaya çıkmasının bir diğer etkisi, AI modellerinin, özellikle “distilled” (sadeleştirilmiş) olanların, artık gigawatt ölçeğindeki dev AI veri merkezleri yerine yüksek performanslı bireysel makinelerde çalışabilmesidir.

Bu, EdgeAI savunucularını haklı çıkarıyor; AI hesaplamalarının büyük bir kısmının sadece bulutta değil, “yerinde” yapılması gerektiğini savunuyorlar.

DeepSeek açık kaynak bir model olduğundan, AI modellerini çalıştırabilecek kadar güçlü, ancak bireysel kullanıcıların satın alabilecek kadar ucuz ve küçük AI bilgisayarlarıyla birçok bireysel deneye kapı açıyor. Genel olarak bu, AI hesaplama talebinin azalması yerine, AI uygulamalarının geliştirilmesi ve kullanılması sürecinin daha merkeziyetsiz bir hâle gelmesine yol açabilir.

Bu yüzden AI PC’ler, PC inşasında yeni büyük trend olacak gibi görünüyor; uzman basın zaten bu konuyu ve hangi markanın en iyi olduğunu detaylı bir şekilde tartışıyor, özellikle AI’nın çoğu teknoloji şirketinin ürünlerine, Microsoft (MSFT ) dahil, entegre olmasıyla; Copilot, Windows OS ve şirketin diğer yazılımlarında neredeyse her yerde bulunur hâle geliyor.

Sonuç

Oyun GPU’larından AI donanımına kadar, teknoloji hızla evrimleşiyor. Bu, AI için tasarlanmış GPU’larla başladı ve sıfırdan tasarlanan, AI veri merkezlerine düşük enerji tüketimi ve ısı üretimiyle uyacak şekilde geliştirilen “süper GPU”larla devam ediyor.

Bir sonraki adım, genel amaçlı GPU’ların ASIC’ler ve FPGA çipleriyle daha fazla bütünleşmesi olacak; böylece belirli AI görevlerini daha az güç ve alan gereksinimiyle yerine getirebilir.

İlerleyen aşamalarda, AI hesaplaması için hangi teknolojinin kazanacağına dair bahisler; neuromorfik çipler, fotonik, spintronik ya da silikon alt tabakalarla etkileşime eğitilmiş gerçek biyolojik nöronlar ve belki de AI’nın doğrudan beyinlerimizle etkileşime girmesi üzerine.

Bu tüm teknolojiler için, AI kapasitesindeki patlayıcı büyüme ve buna bağlı uygulama patlamasının, daha fazla ve daha iyi AI donanımına olan talebi artırmaya devam edeceği kesin.

Dolayısıyla, DeepSeek gibi daha verimli AI modelleri piyasaya çıksa bile, AI PC’lere olan ani talep artışı, AI donanımının önümüzdeki yıllarda talebe kıyasla bir miktar kıt kalacağını gösteren iyi bir gösterge olabilir.

AI Donanımında Bir Lider

Nvidia

NVDA Fiyat Grafiği

NVIDIA, grafik kartlarına odaklanan niş bir yarı iletken şirketinden, AI devriminin öncüsü ve ihtiyaç duyduğu devasa donanım miktarının lideri bir teknoloji devine dönüştü.

Bu, NVIDIA’nın GPU’ları için genel amaçlı bir programlama arayüzü olan CUDA’nın geliştirilmesiyle sağlandı; bu da oyun dışı kullanım kapılarını açtı.

“Araştırmacılar, GeForce adlı bu oyun kartını satın alarak bilgisayarına eklediğinde, temelde kişisel bir süper bilgisayara sahip olduğunu fark ettiler. Moleküler dinamik, sismik işleme, BT (bilgisayarlı tomografi) yeniden yapılandırma, görüntü işleme—birçok farklı alan.”

Jensen Huang, Sequoia ile bir röportajda

GPU’ların, özellikle NVIDIA donanımının bu geniş çapta benimsenmesi, ağ etkilerine dayalı pozitif bir geri besleme döngüsü yarattı: ne kadar çok kullanım, o kadar çok son kullanıcı ve programcı, o kadar çok satış, o kadar çok Ar-Ge bütçesi, o kadar çok hesaplama hızı artışı, yine daha fazla kullanım vb.

Kaynak: Nvidia

Bugün, kurulu taban yüz milyonlarca CUDA GPU’sunu içeriyor.

AI hesaplama gücünün evrimindeki bir diğer dikkat çekici nokta, CPU’lar için daha lineer Moore Yasası yerine üssel bir yasa izlemesidir. Bunun nedeni, sadece GPU donanımının iyileşmesi değil, aynı zamanda nöral ağların eğitilme şeklinin radikal iyileşmesiyle gereken işlem gücünün azalmasıdır.

Klasik CPU’lar için daha lineer Moore Yasası yerine üssel bir yasa izleyen AI hesaplama gücü, GPU donanımının iyileşmesi ve nöral ağların eğitilme şeklinin radikal iyileşmesiyle gereken işlem gücünün azalması sayesinde gerçekleşiyor.

GPU ve AI lideri olmasının yanı sıra, NVIDIA kuantum bilgisayarını yeni bir büyüme motoru haline getirmede de çok aktif.

CUDA’yı nöral ağ uygulamaları için dağıttığı gibi, Nvidia kuantum bilgisayarları için CUDA-Q’yu piyasaya sürdü; bu, bulut hizmeti aracılığıyla NVIDIA kuantum hesaplama kapasitesi kiralamanızı sağlayan bir kuantum bulut sistemi sunar.

Kaynak: NVIDIA

Bu aynı zamanda, araştırmacıların kuantum bilgisayarlarını taklit etmeleri için NVIDIA’nın cuQuantum’ı, kuantum şifreleme için cuPQC’yi ve klasik ve kuantum hesaplamanın entegrasyonu için DGX Quantum’ı içerir.

Genel olarak, NVIDIA AI ve AI donanımında lider konumundan yararlanarak bir kuantum bilgisayar ekosistemi inşa etmede öncü konumda.

Kaynak: NVidia

AI, kripto madenciliği ve belki yakında kuantum bilgisayarında güçlü bir konuma sahip olan Nvidia, önümüzdeki on yılda önde gelen bilgisayar donanımı şirketlerinden biri olmaya çok iyi hazırlanmıştır.

Nvidia’nın tarihçesi, iş modeli ve yenilikleri hakkında daha fazla bilgi edinmek için “NVIDIA (NVDA) Spotlight: Grafik Devinden AI Titanına”.

NVIDIA ile En Son Haberler

mm

Jonathan, genetik analiz ve klinik deneylerde çalışan eski bir biyokimyacı araştırmacıdır. Şu anda yenilik, piyasa döngüleri ve jeopolitik konulara odaklanan bir hisse senedi analisti ve finans yazarıdır ve yayınında 'The Eurasian Century'.