آیا سلطنت انویدیا رو به اتمام است؟
در حال‌حاضر دسترسی به نماپردازشگرها و به‌ویژه آنهایی که در انویدیا ساخته می‌‌‌‌‌‌شوند، برای هر شرکتی که می‌خواهد در حوزه هوش‌مصنوعی مطرح شود، حیاتی است. اهمیت میزان دسترسی به این تراشه‌‌‌‌‌‌ها به قدری بالا است که تحلیلگران شرکت‌های هوش‌مصنوعی را بنا به تعداد تراشه‌‌‌‌‌‌هایی که دارند به دو دسته «غنی از gpu» و «فقیر در gpu» تقسیم می‌کنند و مدیران این شرکت‌ها به ذخایر تراشه عظیم خود می‌‌‌‌‌‌بالند. چیرگی انویدیا در بازار تولید این محصول، ارزش بازار آن را به دو هزار‌میلیارد دلار رسانده است. طبق گزارش انویدیا در تاریخ ۲۲ مه، فروش این شرکت در سه‌ماهه منتهی به آوریل ۲۶۲درصد نسبت به سال گذشته افزایش یافته‌است.
نماپردازشگرها کارهای محاسباتی را انجام می‌دهند که برای آموزش و کار با مدلهای بزرگ هوش‌مصنوعی لازم است. نکته عجیب اما این است که این تراشه‌‌‌‌‌‌ها برای چنین کاری طراحی نشده‌‌‌‌‌‌اند. نام دیگر این نماپردازشگرها «واحد پردازش گرافیکی» است که نشان از هدف اولیه ساخت آنها، پردازش گرافیک بازی‌های ویدئویی است، با این‌وجود در ادامه مشخص شد که می‌توان با تغییر کاربری این محصولات از آنها برای انجام کارهای محاسباتی هوش‌مصنوعی استفاده کرد.
سوال حیاتی که اکنون پیش آمده، این است که آیا بهتر است تراشه‌‌‌‌‌‌های اختصاصی هوش‌مصنوعی از ابتدا طراحی شوند؟ این دقیقا همان کاری است که شرکت‌های کوچک و بزرگ بسیاری در حال انجام آن هستند. تراشه‌‌‌‌‌‌های اختصاصی هوش‌مصنوعی در حال‌حاضر نوید ساخت و اجرای سریع‌تر و ارزان‌تر مدلهای هوش‌مصنوعی را می‌دهند و هر شرکتی که موفق به تولید آنها با این خصوصیات شود، می‌تواند تهدیدی معتبر برای انویدیا، قهرمان حاکم فعلی ایجاد کند و مشتریان بسیاری را جذب کند. قیمت‌های بالا و عرضه محدود این محصول در حال‌حاضر موجب نارضایتی بسیاری از مشتریان شده، اما به دلیل انحصار انویدیا در این بازار، این مشتریان مجبور به تحمل شرایط تحمیلی این شرکت هستند. تراشه‌‌‌‌‌‌های پردازش معمولی، مانند تراشه‌‌‌‌‌‌های موجود در لپ‌‌‌‌‌‌تاپ و رایانه‌‌‌‌‌‌های رومیزی، در اصل برای انجام کارها یکی پس از دیگری طراحی شده‌‌‌‌‌‌اند. در مقابل، «واحدهای پردازش گرافیکی» حاوی چندین هزار موتور پردازش یا اصطلاحا «هسته» هستند که به آنها اجازه می‌دهد هزاران نسخه از یک کار ساده را (مانند ترسیم بخشی از یک صحنه) همزمان اجرا کنند. اجرای مدلهای هوش‌مصنوعی به‌‌‌‌‌‌طور مشابه شامل اجرای موازی تعداد زیادی از نسخه‌‌‌‌‌‌های یک تکلیف است.
کشف شیوه بازنویسی کدهای هوش‌مصنوعی برای اجرا در نماپردازشگرها یکی از دلایل شکوفایی فعلی هوش‌مصنوعی است، با این حال این تراشه‌‌‌‌‌‌ها محدودیت‌های زیادی نیز به‌همراه دارند. مدلهای هوش‌مصنوعی کنونی بر تعداد زیادی تراشه‌‌‌‌‌‌های حافظه و نماپردازشگر متصل به هم اجرا می‌شود و جابه‌جایی سریع داده‌‌‌‌‌‌ها بین این تراشه‌‌‌‌‌‌ها برای عملکرد AI بسیار مهم است. در حال‌حاضر سرعت جابه‌جایی اطلاعات آنقدر پایین است که هنگام پیاده‌‌‌‌‌‌سازی مدلهای AI، برخی از تراشه‌‌‌‌‌‌های هسته این مدل‌ها ممکن است نیمی از زمان‌هایی که منتظر داده هستند، بیکار باشند؛ چیزی شبیه به افراد حاضر در صف فروشگاه‌‌‌‌‌‌ها در شب قبل از سال‌نو.
استارت‌آپ‌‌‌‌‌‌های فراوانی که بر تولید تراشه‌‌‌‌‌‌های مخصوص هوش‌مصنوعی کار می‌کنند، برای رفع این مشکل راهکارهای متفاوتی در پیش گرفته‌‌‌‌‌‌اند. برای مثال سربراس (Cerebras) به حذف اتصالات تراشه‌‌‌‌‌‌ها با بزرگتر‌کردن هسته روی‌آورده و این رویکرد موجب‌شده مصرف انرژی تراشه‌‌‌‌‌‌های این شرکت در مقایسه با تراشه‌‌‌‌‌‌های انویدیا برای یک سطح عملکرد به بیش‌‌‌‌‌‌از نصف کاهش یابد، یا استارت‌آپ گروک (Groq) از نرم‌‌‌‌‌‌افزارهای مسیریاب هوشمند استفاده میکند که سرعت عملکرد تراشه‌‌‌‌‌‌ها را در مقایسه با محصولات انویدیا ۱۰برابر بیشتر میکند، با این‌وجود خطر مهمی که در کمین تازه‌‌‌‌‌‌واردان است، این است که این شرکت‌ها به‌سوی تخصصی‌شدن بیش‌‌‌‌‌‌از حد پیش بروند که با سرعت بالای پیشرفت مدلهای هوش مصنوعی، امکان دارد در حوزه اختصاصی اشتباهی متمرکز شده باشند.
