NVIDIA - اولین شرکت در تاریخ صنعت تراشه که سرمایه آن از یک تریلیون دلار فراتر رفت. راز موفقیت چیست؟
من مطمئن هستم که بسیاری از شما در مورد این شرکت شنیده اید NVIDIA و اکثر شما آن را به طور خاص با پردازنده های گرافیکی مرتبط می دانید، زیرا عبارت "NVIDIA GeForce» تقریباً توسط همه شنیده شده است.
NVIDIA اخیراً در صنعت IT تاریخ مالی ایجاد کرده است. این اولین شرکت مدار مجتمع است که ارزش بازار آن از یک تریلیون دلار فراتر رفته است. همچنین این پنجمین شرکت مرتبط با فناوری در تاریخ است که به چنین موفقیت بزرگی (بر اساس ارزش بازار) دست یافته است. قبلاً فقط مردم می توانستند به چنین رتبه بالایی ببالند Apple, Microsoft، آلفابت (صاحب گوگل) و آمازون. به همین دلیل است که سرمایه‌داران گاهی آن را «باشگاه چهار» می‌نامیدند که اکنون گسترش یافته است NVIDIA.
علاوه بر این، از نظر ارزش بازار، از AMD، Intel، Qualcomm و سایر شرکت های فناوری عقب تر است. این بدون سیاست رویایی این شرکت که یک دهه پیش معرفی شد امکان پذیر نبود.
همچنین بخوانید: آیا آینده ای برای TruthGPT ایلان ماسک وجود دارد؟
تقاضای باور نکردنی برای NVIDIA هسته تانسور H100
راز چنین افزایش سرمایه چیست؟ اول از همه، این واکنش بورس به موفقیت تراشه است NVIDIA H100 Tensor Core که در میان ارائه دهندگان پیشرو زیرساخت ابری و خدمات آنلاین تقاضای زیادی دارد. این تراشه ها توسط آمازون، متا و Microsoft (برای نیازهای خود و نیازهای شریک خود - شرکت OpenAI). آنها به ویژه در شتاب دادن به محاسبات معمولی هوش مصنوعی مولد مانند ChatGPT یا Dall-E از نظر انرژی کارآمد هستند. این یک جهش باورنکردنی از یک مرتبه بزرگی برای محاسبات تسریع شده است. ما عملکرد، مقیاس‌پذیری و امنیت بی‌سابقه‌ای را برای هر حجم کاری دریافت می‌کنیم NVIDIA پردازنده گرافیکی Tensor Core H100.
استفاده از سیستم سوئیچینگ NVIDIA NVLink را می توان به حداکثر 256 پردازنده گرافیکی H100 متصل کرد تا بار کاری در مقیاس exa را تسریع کند. این پردازنده گرافیکی همچنین دارای یک موتور ترانسفورماتور اختصاصی برای حل مدل‌های زبان با تریلیون‌ها پارامتر است. نوآوری های فن آوری ترکیبی H100 می تواند مدل های زبان بزرگ (LLM) را تا 30 برابر نسبت به نسل قبلی شتاب دهد و هوش مصنوعی محاوره ای پیشرو در صنعت را ارائه دهد. توسعه دهندگان آن را تقریبا برای یادگیری ماشین ایده آل می دانند.
با این حال، H100 به هیچ وجه ظاهر نشد. و راستش را بخواهیم بخصوص انقلابی نیست. NVIDIAمانند هیچ شرکت دیگری، سال هاست که منابع عظیمی را در هوش مصنوعی سرمایه گذاری کرده است. در نتیجه، شرکتی که عمدتاً با نام تجاری کارت گرافیک GeForce مرتبط است، می تواند با بازار مصرف کننده تقریباً مانند یک سرگرمی رفتار کند. این امر قدرت واقعی را در بازار غول های فناوری اطلاعات ایجاد می کند NVIDIA می تواند از قبل با آنها به عنوان برابر صحبت کند.
همچنین جالب: شبکه های 6G چیست و چرا به آنها نیاز است؟
آیا هوش مصنوعی آینده است؟
امروزه تقریباً همه به این موضوع متقاعد شده اند، حتی متخصصان بدبین در این زمینه. اکنون تقریباً یک بدیهیات است، یک حقیقت واقعی. با اينكه NViDIA 20 سال پیش از آن خبر داشت. غافلگیرت کردم؟
از نظر فنی، اولین تماس نزدیک NVIDIA با هوش مصنوعی در سال 1999 اتفاق افتاد، زمانی که پردازنده GeForce 256 در بازار ظاهر شد و قادر به تسریع محاسبات یادگیری ماشین بود. با این حال NVIDIA سرمایه گذاری جدی در هوش مصنوعی را تنها در سال 2006 آغاز کرد، زمانی که معماری CUDA را معرفی کرد که امکان استفاده از قابلیت های پردازش موازی پردازنده های گرافیکی را برای آموزش و تحقیق فراهم می کرد.
CUDA چیست؟ بهتر است به عنوان یک پلت فرم محاسباتی موازی و رابط برنامه نویسی کاربردی (API) تعریف شود که به نرم افزار اجازه می دهد تا از واحدهای پردازش گرافیکی با هدف عمومی (GPGPU) استفاده کند. این رویکرد را محاسبات همه منظوره در پردازنده‌های گرافیکی می‌گویند. علاوه بر این، CUDA یک لایه نرم افزاری است که دسترسی مستقیم به مجموعه دستورات مجازی و عناصر محاسباتی موازی پردازنده گرافیکی را فراهم می کند. این برای کار با زبان های برنامه نویسی مانند C، C++ و Fortran طراحی شده است.
این دسترسی است که بر خلاف API های قبلی مانند Direct3D و OpenGL که به مهارت های برنامه نویسی گرافیکی پیشرفته نیاز داشتند، استفاده از منابع GPU را برای توسعه دهندگان موازی آسان تر می کند.
یک پیشرفت مهم، ارائه توسط شرکت بود NVIDIA قدرت محاسباتی برای شبکه عصبی پیشگامانه AlexNet. این یک شبکه عصبی کانولوشنال (CNN) است که توسط الکس کریژفسکی اوکراینی با همکاری ایلیا سوتزکور و جفری گینتون توسعه یافته است.
شبکه‌های عصبی کانولوشنال (CNN) همیشه مدل مورد استفاده برای تشخیص اشیا بوده‌اند - آنها مدل‌های قدرتمندی هستند که کنترل آنها آسان است و حتی آموزش آنها آسان‌تر است. وقتی روی میلیون‌ها تصویر استفاده می‌شوند، بیش از حد برازش را تجربه نمی‌کنند. عملکرد آنها تقریباً با شبکه های عصبی پیشخور استاندارد با همان اندازه یکسان است. تنها مشکل این است که اعمال آنها بر روی تصاویر با وضوح بالا دشوار است. مقیاس ImageNet مستلزم نوآوری هایی بود که برای GPU ها بهینه شده و زمان آموزش را کاهش داد و در عین حال عملکرد را بهبود بخشید.
در 30 سپتامبر 2012، AlexNet در چالش تشخیص تصویری در مقیاس بزرگ ImageNet شرکت کرد. این شبکه در آزمون پنج خطای برتر امتیاز 15,3 درصد را به دست آورد که بیش از 10,8 درصد کمتر از امتیاز رتبه دوم است.
نتیجه اصلی کار اصلی این بود که پیچیدگی مدل به دلیل عملکرد بالای آن بود که از نظر محاسباتی نیز بسیار گران بود، اما با استفاده از واحدهای پردازش گرافیکی (GPU) در طول فرآیند آموزش ممکن شد.
شبکه عصبی کانولوشنال AlexNet خود از هشت لایه تشکیل شده است. پنج لایه اول، لایه‌های کانولوشنی هستند، که برخی از آنها با لایه‌های حداکثر جفت شده قبل از آن قرار دارند، و سه لایه آخر، لایه‌های کاملاً متصل هستند. شبکه، به جز آخرین لایه، به دو نسخه تقسیم می‌شود که هر کدام روی یک GPU اجرا می‌شوند.
یعنی به لطف NVIDIA و هنوز اکثر کارشناسان و دانشمندان معتقدند که AlexNet یک مدل فوق العاده قدرتمند است که قادر به دستیابی به دقت بالایی در مجموعه داده های بسیار پیچیده است. AlexNet معماری پیشرو برای هر کار تشخیص شی است و می تواند کاربردهای بسیار گسترده ای در بخش بینایی کامپیوتر برای مشکلات هوش مصنوعی داشته باشد. در آینده، AlexNet ممکن است بیشتر از CNN در زمینه تصویربرداری استفاده شود.
همچنین جالب: پدیده Bluesky: چه نوع خدماتی است و برای مدت طولانی است؟
هوش مصنوعی فقط در آزمایشگاه ها و مراکز داده نیست
В NVIDIA همچنین چشم اندازهای بزرگی برای هوش مصنوعی در فناوری های دستگاه های مصرف کننده و اینترنت اشیا دید. در حالی که رقبا به تازگی به فکر سرمایه گذاری گسترده تر در نوع جدیدی از مدارهای مجتمع هستند، NVIDIA در حال حاضر روی کوچک سازی آنها کار می کند. تراشه Tegra K1 که با همکاری تسلا و سایر شرکت های خودروسازی توسعه یافته است، احتمالاً اهمیت ویژه ای دارد.
پردازنده Tegra K1 یکی از اولین پردازنده ها است NVIDIA، به طور خاص برای برنامه های کاربردی هوش مصنوعی در دستگاه های تلفن همراه و جاسازی شده طراحی شده است. Tegra K1 از همان معماری GPU مانند سری کارت‌های گرافیک و سیستم‌ها استفاده می‌کند NVIDIA GeForce، Quadro و Tesla که عملکرد و سازگاری بالایی با استانداردهای گرافیکی و محاسباتی مانند OpenGL 4.4، DirectX 11.2، CUDA 6.5 و OpenCL 1.2 ارائه می دهد. به لطف این، پردازنده Tegra K1 می تواند از الگوریتم های هوش مصنوعی پیشرفته مانند شبکه های عصبی عمیق، یادگیری تقویتی، تشخیص تصویر و گفتار و تجزیه و تحلیل داده ها پشتیبانی کند. Tegra K1 دارای 192 هسته CUDA است.
در سال 2016 NVIDIA مجموعه ای از پردازنده های پاسکال را منتشر کرد که برای پشتیبانی از شبکه های عصبی عمیق و سایر مدل های هوش مصنوعی بهینه شده بودند. در عرض یک سال، یک سری از پردازنده های Volta برای کاربردهای مرتبط با هوش مصنوعی در بازار ظاهر شد که حتی کارآمدتر و صرفه جویی در مصرف انرژی نیز دارند. در سال 2019 NVIDIA Mellanox Technologies، سازنده شبکه های کامپیوتری با کارایی بالا برای مراکز داده و ابررایانه ها را می خرد.
در نتیجه همه آنها از پردازنده استفاده می کنند NVIDIA. به عنوان مثال، در بازار مصرف، گیمرها از الگوریتم بازسازی تصویر انقلابی DLSS استفاده می کنند که به آنها امکان می دهد بدون صرف هزینه زیاد برای کارت گرافیک، از گرافیک واضح تری در بازی ها لذت ببرند. در بازار کسب و کار، به رسمیت شناخته شده است که تراشه NVIDIA از بسیاری جهات فراتر از آنچه رقبا ارائه می دهند. اگرچه اینطور نیست که اینتل و AMD به طور کامل در انقلاب فکری خوابیده باشند.
همچنین جالب: بهترین ابزار مبتنی بر هوش مصنوعی
اینتل و AMD در زمینه هوش مصنوعی
بیایید در مورد رقبای مستقیم صحبت کنیم NVIDIA در این بخش بازار اینتل و AMD در اینجا بیشتر و بیشتر فعال هستند، اما با تاخیر طولانی.
اینتل چندین شرکت هوش مصنوعی مانند Nervana Systems، Movidius، Mobileye و Habana Labs را خریداری کرده است تا مجموعه فناوری ها و راه حل های هوش مصنوعی خود را تقویت کند. اینتل همچنین پلتفرم‌های سخت‌افزاری و نرم‌افزاری را برای هوش مصنوعی ارائه می‌کند، مانند پردازنده‌های Xeon، FPGA، تراشه‌های NNP و کتابخانه‌های بهینه‌سازی. اینتل همچنین با شرکای بخش دولتی و خصوصی برای پیشبرد نوآوری و آموزش هوش مصنوعی همکاری می کند.
AMD مجموعه‌ای از پردازنده‌های Epyc و کارت‌های گرافیک Radeon Instinct را توسعه داده است که برای برنامه‌های هوش مصنوعی و یادگیری عمیق بهینه شده‌اند. AMD همچنین با شرکت هایی مانند گوگل، Microsoft، آی بی ام و آمازون، راه حل های ابری برای هوش مصنوعی ارائه می دهند. AMD همچنین تلاش می کند تا در تحقیق و توسعه هوش مصنوعی از طریق مشارکت با مؤسسات دانشگاهی و سازمان های صنعتی مشارکت کند. هر چند همه چیز خیلی خوب است NVIDIA در حال حاضر بسیار جلوتر از آنها است و موفقیت آن در زمینه توسعه و پشتیبانی از الگوریتم های هوش مصنوعی به طور غیر قابل مقایسه ای بیشتر است.
همچنین جالب: خلاصه Google I/O 2023: Android 14، پیکسل و تعداد زیادی هوش مصنوعی
NVIDIA چندین دهه است که با بازی های ویدیویی مرتبط است
این را هم نباید فراموش کرد. NVIDIA تفکیک دقیق درآمدهای خود را بین بازارهای مصرف کننده و تجاری ارائه نمی کند، اما می توان آنها را بر اساس بخش های عملیاتی که شرکت در صورت های مالی خود افشا می کند، تخمین زد. NVIDIA چهار بخش عملیاتی را از هم جدا می کند: بازی، تجسم حرفه ای، مراکز داده و خودرو.
می توان فرض کرد که بخش بازی عمدتاً بر بازار مصرف متمرکز است ، زیرا شامل فروش کارت های گرافیک GeForce و تراشه های Tegra برای کنسول های بازی است. بخش تجسم حرفه ای عمدتاً بر بازار تجاری متمرکز است، زیرا شامل فروش کارت های ویدئویی Quadro و تراشه های RTX برای ایستگاه های کاری و برنامه های حرفه ای است. بخش مرکز داده نیز عمدتاً بر بازار تجاری متمرکز است، زیرا شامل فروش پردازنده‌های گرافیکی و NPU (یعنی تراشه‌های نسل بعدی - دیگر پردازنده‌های گرافیکی نیستند، بلکه منحصراً برای هوش مصنوعی طراحی شده‌اند) برای سرورها و خدمات ابری است. بخش خودرو هم بازارهای مصرف کننده و هم بازارهای تجاری را هدف قرار می دهد، زیرا شامل فروش سیستم های Tegra و Drive برای اطلاعات سرگرمی و رانندگی خودکار می شود.
بر اساس این مفروضات، می توان سهم درآمدهای حاصل از بازارهای مصرفی و تجاری را از کل درآمدها تخمین زد. NVIDIA. طبق آخرین گزارش مالی سال 2022، درآمدهای شرکت NVIDIA بر اساس بخش های عملیاتی به شرح زیر بود:
- بازی: 12,9 میلیارد دلار
- تجسم حرفه ای: 1,3 میلیارد دلار
- مراکز داده: 9,7 میلیارد دلار
- خودرو: 0,8 میلیارد دلار
- همه بخش های دیگر: 8,7 میلیارد دلار
درآمد کلی NVIDIA 33,4 میلیارد دلار است. اگر فرض کنیم که بخش خودرو تقریباً به طور مساوی بین بازارهای مصرف کننده و تجاری تقسیم شده است، نسبت های زیر قابل محاسبه است:
- درآمد از بازار مصرف: (12,9 + 0,4) / 33,4 = 0,4 (40%)
- درآمد از بازار کسب و کار: (1,3 + 9,7 + 0,4 + 8,7) / 33,4 = 0,6 (60%)
یعنی حدود 40 درصد درآمد NVIDIA از بازار مصرف و حدود 60 درصد از بازار تجارت می آید. یعنی جهت اصلی بخش تجاری است. اما صنعت بازی نیز درآمد بسیار خوبی به ارمغان می آورد. مهمترین چیز این است که آنها هر سال رشد می کنند.
همچنین جالب: خاطرات یک گیک قدیمی بدخلق: بینگ در مقابل گوگل
آینده برای ما چه خواهد آورد؟
بدیهی است که NVIDIA در حال حاضر برنامه ای برای مشارکت در توسعه الگوریتم های هوش مصنوعی وجود دارد. و بسیار گسترده تر و امیدوارکننده تر از هر یک از رقبای مستقیم خود است.
فقط در ماه گذشته NVIDIA سرمایه گذاری های جدید متعددی را در زمینه هوش مصنوعی اعلام کرد. یکی از آنها مکانیسم GET3D است که می تواند مدل های سه بعدی پیچیده ای از اشیاء و شخصیت های مختلف تولید کند که واقعیت را صادقانه منعکس می کند. GET3D می تواند با استفاده از یک تراشه گرافیکی، حدود 20 شی در ثانیه تولید کند.
یک پروژه جالب دیگر نیز باید ذکر شود. درباره Israel-1 یک ابر رایانه برای برنامه های هوش مصنوعی است که NVIDIA با همکاری وزارت علوم و فناوری اسرائیل و شرکت ملانوکس ایجاد شده است. انتظار می رود این دستگاه بیش از 7 پتافلاپ قدرت محاسباتی داشته باشد و از بیش از 1000 پردازنده گرافیکی استفاده کند. NVIDIA هسته تانسور A100. اسرائیل-1 برای تحقیق و توسعه در زمینه هایی مانند پزشکی، زیست شناسی، شیمی، فیزیک و امنیت سایبری استفاده خواهد شد. و اینها در حال حاضر سرمایه گذاری های سرمایه ای بسیار امیدوار کننده ای هستند، با توجه به چشم انداز بلند مدت.
همچنین، در حال حاضر پروژه دیگری وجود دارد - NVIDIA ACE. این یک فناوری جدید است که قرار است صنعت بازی را متحول کند و به بازیکن اجازه می دهد تا با یک شخصیت غیربازیکن (NPC) به روشی طبیعی و واقعی تعامل داشته باشد. این شخصیت ها قادر خواهند بود با بازیکن گفتگوی باز داشته باشند، به احساسات و ژست های او واکنش نشان دهند و حتی احساسات و افکار خود را بیان کنند. NVIDIA ACE از مدل های زبان پیشرفته و تولید کننده های تصویر مبتنی بر هوش مصنوعی استفاده می کند.
اولین تریلیون دلار در NVIDIA. به نظر می رسد به زودی موارد بیشتری وجود خواهد داشت. ما مطمئناً پیشرفت شرکت را دنبال خواهیم کرد و به شما اطلاع خواهیم داد.
همچنین بخوانید: