Nvidia jest obecnie niekwestionowanym liderem rewolucji sztucznej inteligencji, o czym świadczy jej kolosalna kapitalizacja rynkowa sięgająca bilionów dolarów. Jednak sama technologia, w której pionierskiej pomocy Nvidia pomogła – sztuczna inteligencja – może wkrótce stać się narzędziem podważającym jej przewagę konkurencyjną.
W branży następuje zmiana: sztuczna inteligencja nie jest już tylko konsumentem sprzętu, stopniowo stając się jego architektem i optymalizatorem.
Fosa oprogramowania jest zagrożona
Dominacja Nvidii nie opiera się wyłącznie na brutalnej sile; opiera się na ich programowalności. Podczas gdy wielu konkurentów oferuje chipy o porównywalnej teoretycznej wydajności zmiennoprzecinkowej, Nvidia ma ogromną przewagę w oprogramowaniu. Ich wyspecjalizowane biblioteki i narzędzia znacznie ułatwiają programistom pisanie kodu, który działa wydajnie na ich sprzęcie.
Stworzyło to wysoką barierę wejścia. Na przykład, kiedy firma Anthropic zaczęła używać chipów Trainium firmy Amazon do obsługi swoich modeli Claude, musiała napisać kod od nowa, aby zapewnić jego wydajne działanie.
Wejdź do Wafer, startupu, który chce wypełnić tę lukę. Wafer wykorzystuje uczenie się przez wzmacnianie, aby uczyć modele sztucznej inteligencji pisać „kod jądra” – oprogramowanie niskiego poziomu, które współdziała bezpośrednio ze sprzętem. Automatyzując proces optymalizacji, Wafer stara się osiągnąć następujące cele:
– Demokratyzacja wydajności: Ułatw uruchamianie złożonych modeli AI na sprzęcie innych firm (takim jak chipy AMD lub Amazon).
– Redukcja kosztów: Minimalizacja zapotrzebowania na drogich, wysoce wyspecjalizowanych inżynierów zajmujących się optymalizacją wydajności.
– Maksymalizacja „inteligencji na wat”: zapewnienie nie tylko dużej mocy sprzętu, ale także jego maksymalnej efektywności energetycznej.
Automatyzacja rysunków: sztuczna inteligencja w projektowaniu chipów
Podczas gdy Wafer optymalizuje działanie oprogramowania na chipach, inny startup, Ricursive Intelligence, przejmuje rzeczywisty proces tworzenia tych chipów.
Projektowanie układów scalonych to jeden z najbardziej złożonych procesów inżynieryjnych na Ziemi. Wymaga to umieszczenia miliardów komponentów na maleńkim kawałku krzemu, a następnie poddania ich rygorystycznym testom iteracyjnym, aby upewnić się, że działają. Tradycyjnie wymaga to udziału ogromnych zespołów ekspertów.
Założona przez byłych inżynierów Google, Azaleę Mirhoseini i Annę Goldie, firma Ricursive pracuje nad automatyzacją najbardziej czasochłonnych części procesu: projekt fizyczny i weryfikacja projektu.
Ich wizja obejmuje:
– Projekt języka naturalnego: Korzystanie z modeli dużego języka (LLM), aby umożliwić inżynierom opisywanie zmian lub zadawanie pytań dotyczących chipa przy użyciu zwykłego tekstu.
– Przyspieszona iteracja: wykorzystanie sztucznej inteligencji do optymalizacji układu komponentów (metoda opracowana wcześniej w Google).
– Prawo skalowania sprzętu: Możliwość stworzenia pętli rekurencyjnej, w której sztuczna inteligencja projektuje lepsze chipy, co z kolei zapewnia większą moc obliczeniową do projektowania jeszcze lepszych chipów.
Dlaczego to ma znaczenie: przejście na niestandardowe żetony
Przemysł technologiczny już zmierza w stronę specjalistycznego (niestandardowego) krzemu. Giganci tacy jak Apple, Google, Amazon i Meta opracowują własne, zastrzeżone chipy, aby dostosować sprzęt do specyficznych potrzeb swojego oprogramowania.
Historycznie rzecz biorąc, wąskim gardłem tych firm nie był sam sprzęt, ale ogromny wysiłek związany z oprogramowaniem i projektowaniem, wymagany do zapewnienia wydajnej pracy tego sprzętu. Jeśli sztuczna inteligencja będzie w stanie zautomatyzować zarówno projektowanie chipów (Ricursive), jak i optymalizację kodu (Wafer), fosa wokół Nvidii zacznie znikać.
„Fosa bezpieczeństwa leży w programowalności chipa… Myślę, że nadszedł czas, aby ponownie przemyśleć, czy jest to naprawdę silna obrona”. — Emilio Anderre, dyrektor generalny Wafer
Wniosek
Rozwój projektowania chipów opartych na sztucznej inteligencji i optymalizacja oprogramowania oznacza fundamentalną zmianę w branży półprzewodników. Jeśli sztuczna inteligencja będzie w stanie skutecznie zautomatyzować najbardziej złożone aspekty projektowania sprzętu, bariera w tworzeniu niestandardowych chipów o wysokiej wydajności zostanie zmniejszona. Może to potencjalnie zakończyć erę dominacji jednego dostawcy w erze sztucznej inteligencji.
