برتری انویدیا در هوش مصنوعی؛ فراتر از تولید GPU

انویدیا با عبور از مرزهای تولید پردازنده‌های گرافیکی، اکنون در حال تسلط بر کل اکوسیستم مدیریت داده‌هاست؛ عاملی که برتری انویدیا در هوش مصنوعی را بیش از پیش تثبیت می‌کند. این تغییر استراتژیک، قدرت واقعی این شرکت را در برابر رقبای بزرگ نشان می‌دهد.

تا پیش از این هفته، روایت غالب درباره انویدیا چنین بود: در سال‌های نخست شکوفایی هوش مصنوعی، انویدیا تنها منبع تأمین پردازنده‌های گرافیکی (GPU) پیشرفته بود و با گسترش این صنعت، سودآوری عظیمی را تجربه کرد. اما در چند سال اخیر، غول‌های زیرساخت ابری مانند آمازون و گوگل شروع به ساخت تراشه‌های اختصاصی خود کرده‌اند و انویدیا دیگر تنها بازیگر این میدان نیست؛ موضوعی که باعث شده بسیاری از سرمایه‌گذاران در مورد میزان پایداری این برتری تردید کنند.

این روایتی جذاب و تا حد زیادی درست است. سهام انویدیا پس از آنکه بین ابتدای سال ۲۰۲۳ تا اواسط سال ۲۰۲۴ ارزش بازار خود را ۱۰ برابر کرد، در سال گذشته تحت تأثیر نگرانی‌ها از رقابت در حوزه GPU، مسیر رشد ملایم‌تری را طی کرده است.

چرا برتری انویدیا در هوش مصنوعی فراتر از تولید GPU است؟

اما پس از گزارش سودآوری روز چهارشنبه این شرکت، روایت جدیدی شکل گرفته است و سرمایه‌گذاران در حال دریافت این واقعیت هستند که برتری انویدیا بسیار فراتر از پردازنده‌های گرافیکی است. با رسیدن مقیاس محاسباتی هوش مصنوعی به سطح گیگاوات، «هماهنگ‌سازی» (Orchestration) به وظیفه‌ای به‌شدت پیچیده تبدیل شده است. جای تعجب نیست که انویدیا بخش بزرگی از سخت‌افزارهای پیشرفته مورد نیاز برای مدیریت این فرآیند را ساخته است؛ امری که باعث می‌شود حتی با وجود افزایش رقابت در بازار GPU، این شرکت در حوزه سیستم‌های مکمل و پیرامون پردازنده گرافیکی، برتری چشمگیری داشته باشد.

علی‌رغم تمام بحث‌ها درباره تبدیل شدن محاسبات به یک کالای عمومی (Commodity)، مدیریت یک مرکز داده در مقیاس عظیم با حداکثر کارایی، همچنان بسیار دشوار است و با بزرگ‌تر و سریع‌تر شدن پروژه‌های استقرار، این چالش روزبه‌روز بیشتر می‌شود.

بخشی از این موضوع را می‌توان تنها با نگاهی به جزئیات محصولات فروشی انویدیا دریافت کرد. این شرکت در حال حاضر معماری Vera Rubin خود را عرضه می‌کند که پردازنده گرافیکی Rubin را با مجموعه‌ای از واحدهای دیگر ترکیب می‌کند؛ از جمله پردازنده مرکزی (CPU) مدل Vera، شتاب‌دهنده استنتاج Groq 3 LPX و رک‌هایی مخصوص ذخیره‌سازی و شبکه.

طی هفته گذشته، من با متخصصانی در انویدیا درباره عملکرد واقعی این سیستم‌ها گفتگو کرده‌ام و نتایج غافلگیرکننده بود. این قطعات نیز مانند خود GPU مدل Rubin، سیستم‌هایی بسیار تخصصی هستند، اما به جای تمرکز صرف بر پردازش توکن‌ها (Tokens)، وظیفه آن‌ها اطمینان از این است که تمام اجزای خارج از GPU با حداکثر کارایی ممکن عمل کنند. اگر GPU را موتور خودرو در نظر بگیریم، این قطعات سایر اجزای حیاتی خودرو هستند.

پردازنده Vera CPU به‌طور ویژه بر مسئله هماهنگ‌سازی داده‌ها تمرکز دارد. جیسون هاردی، معاون فناوری ذخیره‌سازی در انویدیا، به من گفت: «Vera از این جهت اهمیت دارد که ظرفیت حافظه در یک سرور یا هر نوع پلتفرم محاسباتی دیگر محدود است.»

با افزایش قدرت محاسباتی در مراکز داده، ظرفیت حافظه نیز رشد کرده است؛ به همین دلیل شرکت‌هایی مانند Micron در موج دوم رونق زیرساختی، سودهای کلانی کسب کرده‌اند. اما رساندن به‌موقع داده‌ها به GPU کار ساده‌ای نیست و از آنجایی که شرکت‌ها به دنبال کاهش مصرف انرژی در هر توکن (tokens-per-watt) هستند، متوجه اهمیت حیاتی مدیریت مسیر ترافیک داده‌ها شده‌اند.

هاردی گفت: «ما شاهد بهبود بیش از ۳ برابری در این عملیات بودیم که نتیجه استفاده از شتاب‌دهی پردازنده Vera CPU است. بنابراین اکنون می‌توانیم از حافظه‌های فلش (Flash) با تمام پتانسیل خود استفاده کنیم، زیرا بدون ایجاد گلوگاه (Bottleneck)، می‌توانیم به تمام آن عملکرد دست یابیم.»

نمونه‌هایی از همین چالش را در خارج از انویدیا نیز مشاهده می‌کنید. زمانی که OpenAI تراشه Jalapeño خود را توسعه داد، تمرکز اصلی بر حذف کامل این چالش‌ها از طریق به حداقل رساندن حجم داده‌های جابه‌جا شده بود.

این شرکت در پست وبلاگی خود در اوایل ماه جاری اعلام کرد: «ما Jalapeño را برای به حداقل رساندن جابجایی داده‌ها و تأخیرهای ارتباطی طراحی کرده‌ایم. دامنه گسترده‌ی آن اجازه می‌دهد تا کل بار کاری (workload) درون یک سیستم متصل باقی بماند؛ این امر باعث کاهش جابجایی داده‌ها شده و کمک می‌کند که فرآیند انجام یک درخواست، از ابتدا تا انتها سریع و کارآمد باقی بماند.»

این رویکردی متفاوت است که با اجرای بار کاری در قالب یک تراشه یکپارچه (integrated chip)، به‌طور کامل از جابجایی داده‌ها جلوگیری می‌کند. با این حال، منطق کلی همچنان یکسان است: افزایش کارایی از طریق کنترل هوشمندتر ترافیک داده‌ها، به جای اتکای صرف به افزایش چرخه‌های پردازنده (processor cycles). این موضوع به نوبه خود، لایه کاملا جدیدی از زیرساخت‌ها را برای رقابت شرکت‌ها فراهم می‌کند.

این تمرکز جدید بر «ارکستراسیون داده‌ها» (Data Orchestration) لزوما به معنای پیروزی انویدیا نیست. این شرکت باید همانند آنچه در حوزه پردازنده‌های گرافیکی (GPU) تجربه کرده، با سازندگان رقیب تراشه و ارائه‌دهندگان خدمات ابری عظیم نیز به رقابت بپردازد. اما میدان رقابت به لایه جدیدی منتقل شده است؛ جایی که ساخت یک GPU رقیب، اهمیت کمتری نسبت به توانایی مدیریت و به‌کارگیری کارآمد کل سیستم دارد.

و دست‌کم در مراحل اولیه، به نظر می‌رسد انویدیا پیشتازی مقتدرانه‌ای در این مسیر دارد.