به گزارش ساوت چاینا مورنینگ پست، یکی از آنها میگوید انگیزه اصلی برای تهیه و استفاده از تراشههای اختصاصی خود شرکتها، رسیدن به هدف همافزایی بیشتر بین سختافزار و نرمافزار و کاهش هزینههای عملیاتی بلندمدت است.
یکی دیگر از تحلیلگران هم معتقد است که این امر نشان میدهد سازندگان برتر و پیشرو مدلهای هوش مصنوعی در چین، ساخت تراشه را به عنوان بخشی راهبردی از پشته نرمافزاری (stack) مدلها در نظر میگیرند، نه صرفا به عنوان یک ورودی زیرساختی جدید.
به گفته دو منبع آگاه که مایل به افشای هویتشان نیستند، دیپسیک مخفیانه و بدون انتشار عمومی آگهی استخدام، در حال جذب نخبگان طراحی تراشه بوده است.
طبق گزارش رویترز، برنامههای این شرکت نوپای چینی برای ساخت تراشه سفارشی استنتاج هوش مصنوعی تقریبا از یک سال پیش آغاز شد و هنوز در مراحل ابتدایی قرار دارد.
همچنین برخی گزارشات حاکی از آن است که شرکت ژیپو ایآی یا زد.ایآی (Zhipu AI)، سازنده مدل پرقدرت جیالام 5.2 (GLM-5.2)، مشغول مذاکرات اولیه با شرکتهای بومی طراحی تراشه در مورد ساخت پردازندههای هوش مصنوعی سفارشی است.
افزایش سریع تقاضا و نیاز فزاینده به ظرفیت و توان رایانشی، افزایش هزینههای استنتاج، و تداوم موانع صادراتی آمریکا و کاهش دسترسی شرکتهای چینی به پیشرفتهترین تراشههای هوش مصنوعی انویدیا، میتواند از دلایل تلاش یا «بلندپروازی» سازندگان مدلهای هوش مصنوعی چینی برای طراحی تراشه باشد.
البته این شرکتها به پردازندههای تامینکنندگان هموطن خود مانند هواوی دسترسی دارند، ولی تراشه سفارشی به آنها اجازه خواهد داد تا سختافزار را متناسب با معماریهای خاص، مثلا مدل دیپسیک آر1 (DeepSeek-R1)، بهینهسازی کنند.
در واقع هدف نه کنار گذاشتن انویدیا یا حتی هواوی، بلکه کاهش هزینههای فزاینده استنتاج هوش مصنوعی است.
مدیر واحد تحقیقات نیمرساناها در گروه تحقیقات و مشاوره فناوری اومدیا (Omdia) میگوید یکپارچهسازی نرمافزار و سختافزار روندی اجتنابناپذیر خواهد بود و اجرای مدلها بر روی تراشههای سفارشی میتواند ضمن بهبود بهرهوری، به ایجاد «خندقی» در اطراف شرکتها به منظور محافظت از آنها در برابر رقبا کمک کند.
غولهای فناوری آمریکایی مانند گوگل، آمازون، مایکروسافت و اوپنایآی همگی به دنبال تهیه و استفاده از تراشههای هوش مصنوعی سفارشی یا نیمهسفارشی بودهاند تا وابستگیشان به پردازندههای آماده و معمولی موجود در بازار را کاهش دهند و سختافزار را متناسب با حجم کار خود تنظیم کنند.
بر اساس ارزیابی جیپی مورگان در ماه ژوئن، تا سال ۲۰۲۷ میزان تحویل مدارهای مجتمع با کاربرد خاص در هوش مصنوعی (ASICها) و XPUها به «مراکز ابرمقیاس» اصلی آمریکا (شرکتها و مراکز ارائه دهنده خدمات رایانشی در مقیاس بسیار عظیم)، از میزان تحویل واحدهای پردازش گرافیکی (GPU) انویدیا و ایامدی پیشی خواهد گرفت و ۵۳ درصد از کل واحدهای شتابدهنده هوش مصنوعی را تشکیل خواهد داد.
تراشههای هوش مصنوعی سفارشی لزوما در تمام حجم کارهای مختلف از GPUهای انویدیا قدرتمندتر نیستند، ولی به گفته کارشناسان جیپی مورگان، وقتی تراشهها بر مبنای معماری مرکز داده و پشته نرمافزاری ویژه هر مرکز ابرمقیاس طراحی شوند، بر حسب قیمت و هزینه و همچنین انرژی مصرفی عملکرد بهتری خواهند داشت. هزینه چنین پروژههایی تنها در صورتی توجیه اقتصادی دارد که حجم کار زیاد و پایدار، و حجم بهکاراندازی یا استقرار (deployment) نیز زیاد باشد.
البته سازندگان مدلها لزوما نیازی به طراحی تراشه کاملا اختصاصی هم ندارند و میتوانند از راهکارهای دیگری مثل تشکیل تیمهای مشترک با شرکتهای دیگر و سرمایهگذاری در شرکتهای نوپای فعال در این حوزه استفاده کرده و نتایج پروژه را با هم به اشتراک بگذارند.
همچنین لزومی ندارد که شرکت سازنده مدلهای هوش مصنوعی حتما خودش طراحی تراشه را تا آخرین مرحله یعنی تهیه ماسک تصویر (photomask) نهایی (که اصطلاحا مرحله tape out نامیده میشود) انجام دهد. هر شرکت باید بر اساس مقیاس مورد انتظار، حجم تولید تراشه مورد نظر و این که آیا این حجم تولید میتواند هزینههای اولیه را جبران کند یا نه، درباره مقرون به صرفه بودن و زمان مناسب برای پیش رفتن تا مرحله مذکور تصمیم بگیرد.
اما در هر صورت و با همه آنچه که گفتیم، صنعت هوش مصنوعی عمومی یا همهمنظوره (general-purpose) کماکان به تراشههای انویدیا نیاز خواهد داشت و برخی کارشناسان، واحدهای پردازش گرافیکی شرکت مذکور را یک «مولد توکن» (token generator) برای این صنعت مینامند. به احتمال زیاد تراشههای سفارشی عمدتا برای حجم کارهای اختصاصی مورد استفاده قرار خواهند گرفت، چرا که شرکتهای هوش مصنوعی با توجه به محدودیتهای مداوم عرضه، سعی میکنند ظرفیت رایانش را از منابع متعدد و مختلف تامین نمایند.
همچنین انتظار میرود این روند به نفع شرکتهاهی فعال در زمینه طراحی و زنجیره تامین ASICها، از جمله برودکام، ماروِل و مدیاتک باشد و نیز به یکی از موتورهای پیشران کلیدی برای فناوری بستهبندی پیشرفته CoWoS شرکت صنایع نیمرسانای تایوان (TSMC) و از عوامل تحریک تقاضای حافظه با پهنایباند بالا تبدیل شود.
دیپسیک، که در ماه ژوئن ارزش آن با تکمیل یک دور جدید جذب سرمایه به مبلغ ۵۱ میلیارد یوآن (۵/۷ میلیارد دلار) به حدود ۶۰ میلیارد دلار رسید، بهشدت مشغول گسترش دامنه همکاران خود بوده است. جدیدترین مدل ساخته شده در این شرکت یعنی وی4 (V4) در سطح بسیار وسیعی برای استنتاج بر روی تراشههای اسند 950 (Ascend 950) هواوی مورد استفاده قرار گرفته است.
ارائهدهندگان اصلی خدمات ابری در چین شامل هلدینگ گروه علیبابا، بایدو و بایتدنس نیز منابع خود را به سمت واحدهای طراحی و ساخت تراشه سرازیر نمودهاند.
در عین حال با افزایش تقاضا برای توان رایانشی و محدودیت دسترسی به تراشههای پیشرفته خارجی، شرکتهای هوش مصنوعی چینی روز به روز بیشتر به خرید پردازندههای مورد نیازشان از طراحان تراشه داخلی مانند کمبریکان تکنولوژی (Cambricon)، ایلوواتار کور-ایکس (Iluvatar CoreX) و متا-ایکس (MetaX) متمایل میشوند تا بتوانند تامینکنندگان خود را متنوعتر کنند.
نایب رئیس انجمن صنعت نیمرسانای چین و بنیانگذار و مدیر عامل اجرایی دونگفانگ سوانشین (Dongfang Suanxin)، از «تکشاخهای» (unicorn) طراحی تراشه مستقر در شانگهای، میگوید راهی جز یکپارچهسازی الگوریتمها یا مدلهای داخلی با تراشههای بومی وجود ندارد؛ و شرکت او با سازندگان مدل برای ساخت مدلهای بزرگ «بر پایه تراشههای بومی» همکاری میکند. قبلا مدلهای چینی بر پایه پردازندههای خارجی ساخته و سپس با سختافزارهای چینی تطبیق داده میشدند که این فرایند به گفته او بهرهوری را کاهش میداد.
موانع صادراتی آمریکا، زیستبوم هوش مصنوعی چین را به سوی همکاری و مشارکت همگانی در سرتاسر زنجیره سوق داده است.
از سوی دیگر تحلیلگران هشدار میدهند که تغییر رویکرد از نرمافزار به سختافزار ریسکهای بسیار بزرگی را نیز به همراه دارد، چون ممکن است سالها طول بکشد تا سرمایهگذاری اولیه جبران گردد.
حتی اگر یک تراشه بتواند جایگزین سختافزار خارجی شود و مصرف برق و هزینه رایانش را به میزان چشمگیری کاهش دهد، معمولا دو تا سه سال تولید انبوه لازم خواهد بود تا هزینههای سنگین تحقیق و توسعه جبران شوند.
یکی از کارشناسان میگوید برای شرکتهای نرمافزاری هوش مصنوعی مانند دیپسیک، سرمایهگذاری اولیه مورد نیاز برای ساخت تراشه (چه از نظر مالی و چه به لحاظ زمان) بدون شک «قماری عظیم» است، و بهعلاوه جذب نیروهای انسانی مستعد و کارآمد در زمینه طراحی تراشه و مهندسی ویفر (که تعدادشان هم کاملا محدود است) میتواند بسیار مشکل باشد.
منبع: scmp
