Nvidia je v současnosti nezpochybnitelným lídrem revoluce umělé inteligence, o čemž svědčí její kolosální tržní kapitalizace ve výši bilionů dolarů. Ale samotná technologie, kterou Nvidia pomohla být průkopníkem – umělá inteligence – by se brzy mohla stát nástrojem, který podkopává její konkurenční výhodu.
V oboru dochází k posunu: AI už není jen spotřebitel hardwaru, postupně se stává jeho architektem a optimalizátorem.
Softwarový příkop je ohrožen
Dominance Nvidie není založena pouze na hrubé síle; je to založeno na jejich programovatelnosti. Zatímco řada konkurentů nabízí čipy se srovnatelným teoretickým výkonem s pohyblivou řádovou čárkou, Nvidia má obrovskou výhodu v softwaru. Jejich specializované knihovny a nástroje výrazně usnadňují vývojářům psát kód, který efektivně běží na jejich hardwaru.
To vytvořilo vysokou bariéru vstupu. Když například společnost Anthropic přešla na používání čipů Trainium od Amazonu pro provoz svých modelů Claude, musela přepsat kód od začátku, aby zajistila efektivní provoz.
Zadejte Wafer, startup, který chce tuto mezeru zaplnit. Wafer využívá učení výztuže, aby naučil modely umělé inteligence psát „kernel code“ – software nízké úrovně, který přímo interaguje s hardwarem. Automatizací procesu optimalizace se Wafer snaží dosáhnout následujících cílů:
– Demokratizace efektivity: Usnadněte si provozování složitých modelů AI na hardwaru třetích stran (jako jsou čipy AMD nebo Amazon).
– Snížení nákladů: Minimalizace potřeby drahých, vysoce specializovaných techniků optimalizace výkonu.
– Maximalizace „inteligence na watt“: zajišťuje nejen vysoký výkon zařízení, ale také jeho maximální energetickou účinnost.
Automatizace výkresů: AI v návrhu čipu
Zatímco Wafer optimalizuje, jak software běží na čipech, další startup, Ricursive Intelligence, přebírá skutečný proces vytváření těchto čipů.
Návrh IC je jedním z nejsložitějších inženýrských procesů na Zemi. Vyžaduje to umístit miliardy součástek na malý kousek křemíku a poté projít přísnými iteračními testy, aby se zajistilo, že fungují. Tradičně to vyžaduje účast obrovských týmů odborníků.
Společnost Ricursive, kterou založily bývalé inženýrky Google Azalea Mirhoseini a Anna Goldie, pracuje na automatizaci časově nejnáročnějších částí procesu: fyzický návrh a ověřování návrhu.
Jejich vize zahrnuje:
– Přirozený jazykový design: Používání velkých jazykových modelů (LLM), které umožňují inženýrům popisovat změny nebo klást otázky týkající se čipu pomocí prostého textu.
– Zrychlená iterace: Použití umělé inteligence k optimalizaci rozložení komponent (metoda dříve vyvinutá ve společnosti Google).
– Zákon o škálování hardwaru: Potenciál vytvořit rekurzivní smyčku, ve které AI navrhuje lepší čipy, které zase poskytují větší výpočetní výkon pro navrhování ještě lepších čipů.
Proč na tom záleží: přechod na vlastní čipy
Technologický průmysl již směřuje ke specializovanému (zakázkovému) křemíku. Giganti jako Apple, Google, Amazon a Meta vyvíjejí své vlastní proprietární čipy, aby přizpůsobili hardware specifickým potřebám jejich softwaru.
Historicky nebyl úzkým hrdlem pro tyto společnosti samotný hardware, ale enormní softwarové a konstrukční úsilí potřebné k efektivnímu fungování tohoto hardwaru. Pokud umělá inteligence dokáže zautomatizovat jak design čipů (Ricursive), tak optimalizaci kódu (Wafer), příkop kolem Nvidie začne mizet.
“Bezpečnostní příkop spočívá v programovatelnosti čipu… Myslím, že je čas přehodnotit, zda je to opravdu silná obrana.” — Emilio Anderre, generální ředitel společnosti Wafer
Závěr
Vzestup návrhu čipů s umělou inteligencí a optimalizace softwaru představuje zásadní posun v polovodičovém průmyslu. Pokud umělá inteligence dokáže úspěšně automatizovat nejsložitější aspekty návrhu hardwaru, bariéra pro vytváření vysoce výkonných vlastních čipů se sníží. To by mohlo potenciálně ukončit éru dominance jediného dodavatele v éře umělé inteligence.
