بر اساس گزارشی که اولین بار توسط نشریه فناوری اطلاعات منتشر شد، گوگل در حال توسعه یک تراشه هوش مصنوعی جدید است که برای اجرای مدلهای Gemini به مراتب کارآمدتر طراحی شده است. این تلاش - که به گفته The Information در داخل با نام رمز "Frozen" شناخته می شود - سهام آلفابت را به میزان قابل توجهی افزایش داد زیرا سرمایه گذاران شرط بندی کردند که استنتاج ارزان تر و سریع تر می تواند از حاشیه های گوگل محافظت کند زیرا هزینه های محاسباتی هوش مصنوعی افزایش می یابد.
این گزارش به سرعت در رسانه های مالی تایید و تقویت شد. رویترز به نقل از The Information گزارش داد که «گوگل تراشه جدیدی را برای اجرای کارآمدتر مدلهای Gemini برنامهریزی میکند»، در حالی که CNBC نوشت که «با گزارشهایی که در حال توسعه یک تراشه هوش مصنوعی کارآمدتر است، سهام آلفابت ظاهر میشود.» بلومبرگ نیز گزارش داد که "گوگل در گزارش تراشه سود خود را به اشتراک می گذارد تا کارایی هوش مصنوعی را افزایش دهد." واکنش مداوم بازار نشان میدهد که سرمایهگذاران تا چه حد نسبت به هر نشانهای مبنی بر اینکه یک آزمایشگاه بزرگ هوش مصنوعی میتواند هزینه ارائه مدلها را کاهش دهد، حساس شدهاند.
چرا راندمان در حال حاضر بیشتر از قدرت خام مهم است
فشار تراشه در لحظه ای فرود می آید که اقتصاد هوش مصنوعی تحت نظارت شدید قرار دارد. همانطور که Tom's Hardware در همان روز در تجزیه و تحلیل جداگانه ای اشاره کرد، صنعت با "پارادوکس پایدار اقتصاد هوش مصنوعی" روبرو است - مدل ها بهتر و کارآمدتر می شوند، با این حال هزینه کل اجرای آنها همچنان می تواند با مقیاس های استفاده از کنترل خارج شود. مشکل فقط تمرین نیست. این استنباط است، هزینه مداوم پاسخگویی به هر سؤال، که بر صورتحساب غالب است زیرا محصولات به میلیونها کاربر میرسند.
تراشهای که برای ارزانتر کردن استنتاج Gemini ساخته شده است دقیقاً این فشار را برطرف میکند. Google در محصولات مصرفکنندهای مانند Search و چت بات آن و همچنین از طریق بخش ابری خود به Gemini خدمات میدهد، به این معنی که حتی پیشرفتهای اندک در کارایی به صرفهجویی بزرگ در مقیاس تبدیل میشود. سرمایه گذاران به وضوح این گزارش را به عنوان نشانه ای می خوانند که گوگل قصد دارد از موقعیت اقتصادی خود با سیلیکون سفارشی دفاع کند نه اینکه صرفاً بر شتاب دهنده های تجاری موجود تکیه کند.
شرط طولانی گوگل روی سیلیکون سفارشی
پروژه Frozen به خوبی با استراتژی تثبیت شده گوگل برای طراحی تراشه های هوش مصنوعی خود مطابقت دارد. این شرکت سالهاست که واحدهای پردازش تنسور یا TPU خود را ساخته است که هم بار کاری داخلی را تامین میکند و هم به مشتریان ابری ارائه میشود. گوگل همچنین سیلیکون سفارشی را برای تلفنهای پیکسل خود طراحی کرده است و تلاش کرده است تا مدلهای هوش مصنوعی را کوچک کند تا بتوانند به جای اینکه فقط در مراکز داده وسیع روی دستگاههای مصرفکننده اجرا شوند.
آنچه که بنا بر گزارشها تلاش فروزن را متمایز میکند، تمرکز صریح آن بر کارایی برای خدمت به جمینی است. در حالی که TPU ها از لحاظ تاریخی هم برای آموزش و هم برای استنباط بهینه شده اند، تراشه ای که به طور خاص با هزینه پاسخگویی به پرسش ها تنظیم شده است، سیگنال هایی را نشان می دهد که گوگل معتقد است نبرد رقابتی بعدی در آن انجام خواهد شد: نه تنها اینکه چه کسی می تواند هوشمندترین مدل را بسازد، بلکه چه کسی می تواند آن را ارزان ترین مدل ارائه دهد. این منطق با تغییر صنعت گستردهتر همسو میشود که در آن هزینه استنتاج - نه حداکثر قابلیت - به طور فزایندهای تصمیم میگیرد که کدام محصولات زنده بمانند.
این اقدام همچنین ادغام عمودی گوگل را سخت تر می کند. با داشتن مدل، پشته نرمافزار و سیلیکون زیر آن، گوگل میتواند هر لایه را برای لایههای دیگر به گونهای طراحی کند که خریداران تراشههای آماده به راحتی نتوانند با آن مطابقت داشته باشند.
رقابت گسترده تر تراشه
گوگل به سختی در این مسابقه تنها نیست. انویدیا همچنان بر بازار قدرتمندترین شتابدهندههای هوش مصنوعی تسلط دارد و رقبای خود از جمله آمازون، که تراشههای هوش مصنوعی سفارشی خود را به کار انداخته است، و حوزه رو به رشدی از استارتآپها همگی به این نتیجه رسیدهاند که کنترل سیلیکون برای رقابت بر سر هزینه ضروری است. گزارش گوگل در روزی منتشر شد که داستان سختافزاری گستردهتر هوش مصنوعی در حال حرکت بود: گفته میشود که برنامههای ASML برای افزایش قیمت دستگاههای لیتوگرافی پیشرفتهاش TSMC را ناامید میکند، یادآور این است که کل زنجیره تامین هوش مصنوعی - از ماشینهایی که تراشهها را چاپ میکنند تا تراشههایی که مدلها را اجرا میکنند - در زمان واقعی قیمت گذاری میشوند.
برای آلفابت، جذابیت استراتژیک دوگانه است. استنتاج ارزانتر از سودآوری ویژگیهای هوش مصنوعی بافته شده از طریق محصولات مصرفی آن محافظت میکند، و باعث تقویت فضای Google Cloud برای مشتریان سازمانی میشود که به شدت بر هزینههای استقرار مدلها متمرکز هستند. هر دو در زمانی اهمیت دارند که سرمایهگذاران خواهان اثبات این هستند که سرمایه عظیمی که به زیرساختهای هوش مصنوعی سرازیر میشود، در نهایت به جای رقابت کالایی به سمت پایین، سودهای بادوام ایجاد میکند.
چه چیزی را تماشا کنیم
گزارش اطلاعات به این معنی است که در حال حاضر، جزئیات محدود هستند و گوگل پروژه Frozen، مشخصات آن یا جدول زمانی را به طور عمومی تایید نکرده است. آنچه واضح است این هدف است: گوگل استنتاج کارآمد را به عنوان یک مرز رقابتی تعیین کننده می بیند و مایل است سیلیکون اختصاصی را برای برنده شدن در آن طراحی کند. از آنجایی که هزینه اجرای مدلهای هوش مصنوعی به طور فزایندهای تعیین میکند که کدام محصولات رشد میکنند، شرکتهایی که تراشههای خود را کنترل میکنند – و میتوانند آنها را با مدلهای خود تنظیم کنند – از یک مزیت ساختاری برخوردار خواهند بود.
سیگنال برای بقیه صنعت این است که مسابقه تراشههای هوش مصنوعی از یک رقابت بر سر قدرت آموزشی خام به رقابت بر سر هزینه هر پرس و جو تغییر میکند و سختافزار AI ممکن است برندگان را تعیین کند.
از هوش مصنوعی جلوتر بمانید
سیلیکون سفارشی بی سر و صدا در حال تبدیل شدن به عامل تعیین کننده در مورد سود بردن از هوش مصنوعی است. برای پوشش مداوم تراشهها، مدلها و اقتصاد شکلدهنده صنعت، از صفحه اصلی ما در [aibuzzwire.news] (https://aibuzzwire.news) دیدن کنید.
اخبار هوش مصنوعی را بیشتر بخوانید →
