Jensen Huang

በምህንድስና፣ በሥራ ፈጠራ እና በሰው ሰራሽ አስተውሎት [Artificial Intelligence] ውስጥ የተመሠረተ ሕይወት

ከእስያ የልጅነት ዘመን እስከ NVIDIA አመራር በማስረጃ የተመሠረተ የሕይወት ታሪክ እና ከ Steve Jobs ጋር የሚደረግ ትችታዊ ንጽጽር

የአማርኛ እትም የጥናቱ መዝጊያ ቀን 11 ኖቬምበር 2026

ማውጫ

መግቢያ

ከመድረኩ [Platform] በስተጀርባ ያለውን ሰው መረዳት

የ Jensen Huang አስፈላጊነት ለማስቻል በረዳው ለውጥ ውስጥ ይገኛል፦ ሥዕሎችን ለመሳል የተሠሩ ኮምፒውተሮች ተመራማሪዎች የሰው ሰራሽ አስተውሎትን [Artificial intelligence] እንዲያሠለጥኑ የሚረዱ ማሽኖች ሆኑ። በ1993 በጋራ የመሠረተው ኩባንያ ከማይታወቅ ዕጣ ፈንታ ያለው የግራፊክስ ጀማሪ ኩባንያ [Graphics start-up] ወደ ዘመናዊ የሰው ሰራሽ አስተውሎት [AI] መሠረተ ልማት [Infrastructure] ዋና አቅራቢነት አደገ። ያ ስኬት በጥንቃቄ ሊመረመር ይገባል። የወደፊቱን ያውቅ ነበር፣ ብቻውን ሠርቷል ወይም ፈጽሞ አልተሳሳተም የሚል ታሪክ አያስፈልገውም።

ይህ መጽሐፍ ሕይወቱን ከእስያ ልጅነት ጀምሮ በስደት፣ ትምህርት፣ በምህንድስና ሥራ፣ በሥራ ፈጠራ እና በ NVIDIA መስፋፋት ውስጥ ይከታተላል። ዕድሎቹን የቀረጹትን ቤተሰብ እና ተቋማት፣ ኩባንያውን ያስቻሉትን ባልደረቦች እና አጋሮች፣ እንዲሁም አቅጣጫውን በተደጋጋሚ የቀየሩ አስቸጋሪ ውሳኔዎችን ይመለከታል። የሕዝብ ታዋቂነቱ እያደገ ሲመጣ የበለጠ አጓጊ የሆነውን ጥያቄም ይጠይቃል፦ Jensen Huang በሕይወት ያለ Steve Jobs በሚል በምክንያታዊነት ሊጠራ ይችላልን?

እዚህ የሚሰጠው መልስ ገደብ ያለው ነው። ሁለቱም ቴክኖሎጂን፣ የረጅም ጊዜ እምነትን እና ሌሎች ሰዎች ገና በግልጽ ሊያዩት ያልቻሉትን የወደፊት ዕድል የማብራራት ልዩ ችሎታ አጣምረዋል። ሁለቱም ከኩባንያዎቻቸው ጋር በጥብቅ ተያይዘው ታውቀዋል። ነገር ግን Huang የ Jobs ምትክ አይደለም። የምህንድስና ትምህርቱ፣ የአመራሩ ቀጣይነት፣ የንግድ ደንበኞቹ እና የስሌት መድረክ [Computing platform] የመገንባት አቀራረቡ ከ Apple ተባባሪ መሥራች ይለዩታል። ንጽጽሩ የተወሰኑ ባህሪያትን ሲለይ ይጠቅማል። ሁለት ውስብስብ ሰዎችን ሊተካኩ ወደሚችሉ ምልክቶች ሲቀይር ግን ያሳስታል።

ገና እየተኖረ ያለ ሕይወት የመጨረሻ የሆነ ወሳኝ ምዕራፍ ሊኖረው አይችልም። ይህ እትም በ11 ኖቬምበር 2026 ይዘጋል። የገንዘብ ቁጥሮች፣ የሥራ ማዕረጎች፣ የቦርድ መግለጫዎች እና የምርት ማስታወቂያዎች እንደ ቋሚ እውነታዎች ሳይቆጠሩ ቀን ይያያዛሉ። ያለፈውን የሚመለከቱ መግለጫዎች በሚገባበት ቦታ እንደ ትዝታ ተለይተዋል። አንድ ኩባንያ ስለራሱ ቴክኖሎጂ የሚሰጠው መግለጫ ምን እንዳስታወቀ ጠቃሚ ማስረጃ ነው፣ ግን እያንዳንዱን የአፈጻጸም ጥያቄ [Performance claim] በራሱ የሚያረጋግጥ ገለልተኛ ማስረጃ አይደለም።

ይህ ደግሞ ልቦለዳዊ የሕይወት ታሪክ አይደለም። ተፈጥረው የተጻፉ ውይይቶች፣ የግል ሐሳቦች ወይም እንደ እውነታ የቀረቡ በግምት የተገነቡ ትዕይንቶች የሉም። በይፋ የተመዘገበ የቤተሰብ መረጃ ሕይወቱን ለማብራራት በሚረዳበት ቦታ ተካቷል። ያልተረጋገጡ ዕድሜዎች፣ የተገመቱ ዓላማዎች እና ቀልብ የሚስቡ ዝርዝሮች በመደጋገም እውነት አይሆኑም። ዓላማው ሥራ ፈጣሪ፣ ተማሪ ወይም የቴክኖሎጂ ባለሙያ በየገጹ አድናቆትን ከማጋነን ሳይለይ ሊጠቀምበት የሚችል ተነባቢ ታሪክ ማቅረብ ነው።

1 ድንበሮችን ያቋረጠ ልጅነት

Taiwan፣ Thailand እና የቤተሰብ ውሳኔ

በስፋት Jensen Huang በሚል የሚታወቀው Jen-Hsun Huang በ17 ፌብሩወሪ 1963 በTaiwan ተወለደ። ስለትውልድ ከተማው የቀረቡ መግለጫዎች ተለያይተዋል፤ አንዳንድ ቀደምት መግለጫዎች Tainan ሲሉ የኋላ ዘገባዎች Taipei ብለዋል። Taiwan የተረጋገጠው ጂኦግራፊያዊ መነሻ ነው። ይህ ልዩነት አስፈላጊ ነው፤ የሕይወት ታሪክ በተደጋጋሚ የተነገረን ዝርዝር በዝምታ ወደ እርግጠኝነት መቀየር የለበትም። [1]

የሥራ ሕይወቱ ድንበሮችን ከማቋረጡ እጅግ በፊት ልጅነቱ የአገር ድንበሮችን አቋርጦ ነበር። ቤተሰቡ በTaiwan ከዚያም በThailand ኖረ። ከCondoleezza Rice ጋር ባደረገው ቃለ መጠይቅ Huang አባቱ የዘይት ማጣሪያ ለማቋቋም ለመርዳት ወደ Thailand መሄዱን አስታወሰ። አባቱን መሐንዲስ፣ እናቱንም ቤተሰቡ ወደ አሜሪካ ከሄደ በኋላ በካቶሊክ ትምህርት ቤት እንደ ቤት ሠራተኛ የሠራች መሆኗን ገለጸ። እነዚህ የእርሱ ይፋዊ ትዝታዎች እንጂ በገለልተኛ ጥናት የተገነባ የሥራ ታሪክ አይደሉም። ወላጆቹ ለወንድ ልጆቻቸው የትምህርት ዕድል ፈለጉ፤ ልጆቹም ወላጆቻቸው መዛወራቸውን ከማጠናቀቃቸው በፊት ወደ አሜሪካ ሄዱ። በኋላ ቃለ መጠይቆች Huang ያንን መለያየት ከወላጆቹ ለልጆቻቸው ከነበራቸው ተስፋ ጋር አያይዞታል። [2]

የስደቱ ታሪክ ብዙ ጊዜ ወደ አጭር አነሳሽ ቅደም ተከተል ይቀነሳል፦ ድሃ ስደተኛ ልጅ ይደርሳል፣ ጠንክሮ ይሠራል፣ ቢሊየነርም ይሆናል። ይህ ቅደም ተከተል ጉዞውን ያስቻለውን አብዛኛውን ይሸፍናል። ልጆች የስደት ሥርዓቶችን፣ የምንዛሬ ዋጋን፣ የትምህርት ቤት ቅበላን ወይም ዘመዶች እነርሱን ለመቀበል ያላቸውን ፈቃደኝነት አይመርጡም። ወላጆች ባልተሟላ መረጃ ትልቅ ውጤት ያላቸውን ውሳኔዎች ያደርጋሉ። ልጅም በእነዚያ ውሳኔዎች የተፈጠረውን ዕድል እና እርግጠኛ አለመሆን ሁለቱንም ይወርሳል።

ለHuang በአገሮች መካከል መዛወር በቋንቋዎች እና በሚጠበቁ ባህሪያት መካከልም መዛወር ነበር። ተግባራዊው ፈተና ቃላትን መማር ብቻ አልነበረም። ሰዎች ከመምህራን ጋር እንዴት እንደሚነጋገሩ፣ ጓደኝነትን እንዴት እንደሚመሠርቱ፣ ለግጭት እንዴት እንደሚመልሱ እና ብቃትን እንዴት እንደሚመዝኑ ማወቅን አካቷል። ተማሪ የክፍል ማኅበራዊ ደንቦችን ከመረዳቱ በፊት ሂሳብን ሊረዳ ይችላል። እነዚህ የተለያዩ የመማር ዓይነቶች በተመሳሳይ ፍጥነት መሄዳቸው ግድ አይደለም።

ስደት ከአሥርተ ዓመታት በኋላ የተወሰነ የአስተዳደር ልማድ በቀጥታ አስከትሏል ማለት ግምት ይሆናል። የበለጠ ጥንቃቄ ያለው ድምዳሜ መላመድ የሕይወቱ ቀደምት እውነታ ሆነ የሚል ነው። የኋላ ሥራው በተደጋጋሚ ወደ ያልተለመደ መስክ መግባትን፣ ደንቦቹን መለየትን እና የትኞቹን ግምቶች መጠየቅ እንደሚቻል መወሰንን አካቷል። መመሳሰሉ አስተያየት የሚቀሰቅስ እንጂ የሥነ ልቦና ምርመራ አይደለም።

የወላጆቹም ሚና የተሟላ የቤተሰብ ማኅደር ሳይፈጠር ሊገባ ይገባል። ስለሥራዎቻቸው እና ስሞቻቸው ያሉ የሕዝብ መግለጫዎች ጥራት እኩል አይደለም። ከሁሉ ጠንካራው ተደጋጋሚ ማስረጃ ለትምህርት ያላቸውን ቁርጠኝነት እና ያንን ለማሳካት የተቀበሉትን መረበሽ ይመለከታል። አስፈላጊነታቸው እያንዳንዱን ክፍተት አሳማኝ በሚመስል ዝርዝር መሙላት ላይ አይመሠረትም። ውሳኔያቸው ለHuang የቴክኒክ እድገቱ ማዕከል ወደሆኑ ተቋማት እና ግንኙነቶች መዳረሻ ሰጠው።

የማይቀር ስኬት ታሪክ አደጋ

መጨረሻውን ማወቅ አንባቢዎች ልጅነትን የሚተረጉሙበትን መንገድ ይለውጣል። ተራ የክፍል ስኬት የልዩ አእምሮ ምልክት ሊሆን ይችላል፤ ያልተመቸ ተሞክሮም ለአመራር አስፈላጊ ዝግጅት ሊሆን ይችላል። ሁለቱም ድምዳሜዎች በራሳቸው አይከተሉም። ብዙ ተሰጥኦ ያላቸው ስደተኞች ትልልቅ ኩባንያዎች ሳይገነቡ መከራን ይቋቋማሉ። ብዙ ስኬታማ ሥራ ፈጣሪዎች ፈጽሞ የተለየ ልጅነት ነበራቸው።

ስለዚህ ጠቃሚው ጥያቄ ወጣቱ Huang NVIDIA ለመፍጠር ቀድሞ ተወስኖለት ነበርን አይደለም። ለእርሱ የተገኙት ዕድሎች እንዴት እንደተስፋፉ እና በኋላ በእነርሱ ምን እንዳደረገ ነው። ይህ አቀራረብ ጥረትን ውጤታማ ያደረጉ የቤተሰብ ውሳኔዎችን፣ የሕዝብ ትምህርትን እና ታሪካዊ ሁኔታዎችን ሳይተው ለጥረት ተገቢውን ክብደት ይሰጣል።

2 Kentucky እና የተለየ ሰው የመሆን ተሞክሮ

በOneida መኖር

በተለይ አስፈላጊ የሆነ ማስተካከያ Huang በKentucky ያሳለፈውን ጊዜ ይመለከታል። Oneida Baptist Institute እንደሚገልጸው እርሱ እና ወንድሙ በተቋሙ መኝታ ቤት እየኖሩ በKentucky River የSouth Fork በሌላኛው ወገን ያለውን የሕዝብ Oneida Elementary School ተከታትለዋል። ተቋሙ በዚያን ጊዜ ሁለተኛ ደረጃ ስለነበር፣ ልጆቹ ወደ ትምህርታቸው ለመድረስ የሚወዛወዝ ድልድይ ያቋርጡ ነበር። የመኝታ ዝግጅቱን እና የክፍል ምዝገባውን አንድ ነገር አድርጎ ማቅረብ ትክክል አይደለም። [3]

ታሪኩ ከጊዜ ወደ ጊዜ ድራማዊ መልኮች አግኝቷል። Huang ወደ አሜሪካ ያደረገው መግቢያ አስቸጋሪ እንደነበረ እና ቤተሰቡ ሙሉ በሙሉ ባልገመተው ሁኔታ ከትልልቅ ወንዶች ጋር መመደቡን አስታውሷል። የOregon State መግለጫ ያንን አስቸጋሪ መግቢያ የገለጸበትን መንገድ እና ለትምህርት ቤቱ ተሞክሮ ያለውን ፍቅር ሁለቱንም ይመዘግባል። ሁለቱም በታሪኩ ውስጥ ቦታ አላቸው፤ ምቾት ማጣት እና ምስጋና እርስ በርሳቸው አይጋጩም። [4]

ለተቋማት የሚሰጡ ስያሜዎች ጥንቃቄ ይፈልጋሉ። የማረሚያ ትምህርት ቤት የሚል አገላለጽ ተናጋሪው ስለአካባቢው ያለውን ትዝታ ሊያስተላልፍ ይችላል፣ ግን የተቋሙን ሙሉ ታሪክ ወይም እያንዳንዱን ተማሪ በቂ ሁኔታ ላይገልጽ ይችላል። ከሁሉ የተረጋገጡት እውነታዎች የመኝታ ዝግጅት፣ የአንደኛ ደረጃ ትምህርት መከታተል እና ከወላጆቹ ርቆ የነበረ ልጅ ያሳለፈው ከፍተኛ የባህል ለውጥ ናቸው።

የልጅነት ተቋም በኋላ በአንድ ግልጽ ዝርዝር ሊታወስ ይችላል። የሚወዛወዘው ድልድይ እንዲህ ያለ ዝርዝር ነው፦ ተጨባጭ፣ የማይረሳ እና በገለልተኛ መንገድ የተመዘገበ። Huang ሲያቋርጠው ምን እንዳሰበ ከሚፈጠር መግለጫ ይልቅ ጠቃሚ ነው። አካላዊው አቀማመጥ በቤት፣ ትምህርት ቤት እና በዙሪያው ባለው ያልተለመደ ዓለም መካከል ስለነበረው ርቀት በቂ ይነግራል።

ከዓመታት በኋላ Jensen እና Lori Huang በOneida አዲስ ሕንጻ ደገፉ። ተቋሙ የUS$2 ሚሊዮን ከሌሎች መዋጮ ጋር የሚመጣጠን ድጋፍ [Matching grant] ይመዘግባል፣ በዚያም የተገነባው Huang Hall በ2019 ተመረቀ። ስጦታው የጎለመሰውን ሥራ ፈጣሪ የልጅነቱ ክፍል ከነበረ ቦታ ጋር ያገናኘዋል፣ የልጅነቱ እያንዳንዱ ገጽታ ደስተኛ ነበር የሚል ግምት ሳያስፈልግ። [3]

መከራን ሳያስውቡ ጽናትን መረዳት

የስኬታማ ሰዎች ታሪኮች ብዙ ጊዜ ችግርን ወደ መመሪያ ይቀይራሉ፦ መከራ ከስኬት በፊት ስለነበረ፣ የወደፊት መሪዎችም መከራ ማሳለፍ አለባቸው። ይህ ደካማ አመክንዮ ነው። ችግር መላ የመፈለግ ችሎታ ሊያመጣ ይችላል፣ ግን ዕድልን ሊገድብ እና ዘላቂ ጉዳት ሊያደርስም ይችላል። ውጤቱ በድጋፍ፣ በሁኔታዎች እና በተሳተፈው ሰው ላይ ይመሠረታል።

Huang በኋላ በይፋ ለጽናት የሰጠው ትኩረት ለአመራሩ ጠቃሚ ነው። ጉልበተኝነትን፣ እጦትን ወይም ሊቀር የሚችል ሥቃይን ለማወደስ መጠቀም የለበትም። ገንቢው ትምህርት የተገደበ ነው፦ ሰዎች ለአስቸጋሪ ሁኔታዎች ምላሽ መስጠትን ሊማሩ ይችላሉ፣ ተቋማትም እንዲያገግሙ፣ በራሳቸው እምነት እንዲያዳብሩ እና ጠቃሚ ሥራ እንዲያገኙ ሊረዷቸው ይችላሉ።

የጎለመሰ የጽናት ትንተና እርዳታንም ያካትታል። የሚላመደው ወጣት አሁንም መምህራን፣ ዘመዶች፣ ምግብ፣ መጠለያ እና ወደ ተጨማሪ ትምህርት የሚያደርስ መንገድ ይፈልጋል። ቀውስን የሚያልፈው የወደፊት አስፈጻሚም መሐንዲሶችን፣ ደንበኞችን እና ገንዘብን ይፈልጋል። ይህን ቀጣይነት ማስታወስ የሕይወት ታሪኩ የተነጠለ ፈቃድ ታሪክ እንዳይሆን ይረዳል።

3 Oregon፣ ትምህርት፣ ሥራ እና ምኞት

የበለጠ የተረጋጋ የትምህርት መንገድ

ቤተሰቡ በኋላ በOregon ተቀመጠ፣ Huang በBeaverton አካባቢ ሁለተኛ ደረጃ ተማረ። የOregon State መግለጫ በአገር አቀፍ ደረጃ የተመደበ ወጣት የጠረጴዛ ቴኒስ ተጫዋች እንደነበረም ይለየዋል። እነዚህ ዝርዝሮች የትምህርት እና የውድድር ችሎታዎችን የሚገነባ ወጣት ያሳያሉ፣ ግን የየዓመቱን የትምህርት ሙሉ መዝገብ አይሰጡም። [4]

አንዳንድ ታዋቂ ማጠቃለያዎች ክፍሎችን የዘለለበትን ትክክለኛ ቅደም ተከተል ይገልጻሉ ወይም ከሌላ መረጃ ጋር የሚጋጭ የዩኒቨርሲቲ መግቢያ ዓመት ይሰጣሉ። መንገዱን ለመረዳት እንዲህ ያለ ትክክለኛነት አያስፈልግም። በእርግጥ አስፈላጊው በትምህርት ቤት መሻሻሉ፣ በOregon State University የኤሌክትሪክ ምህንድስና [Electrical engineering] መግባቱ እና በ1984 የመጀመሪያ ዲግሪውን ማጠናቀቁ ነው። የተመዘገበው የዲግሪ ቀን የእያንዳንዱን የመካከለኛ ትምህርት ዓመት በግምት ከመገንባት ይልቅ ጠንካራ መሠረት ነው።

የውድድር ስፖርት ለምህንድስና ጠቃሚ ምሳሌ ይሰጣል፣ ግን ምሳሌ እንደ ምክንያት ማስረጃ መቆጠር የለበትም። የጠረጴዛ ቴኒስ ተጫዋች በተደጋጋሚ ለተቃዋሚው ይላመዳል፣ ወዲያውኑ ግብረ መልስ ያገኛል፣ እንቅስቃሴዎችም የሚታመኑ እስኪሆኑ ይለማመዳል። መሐንዲስም በግብረ መልስ ይማራል። Huang የተወሰኑ የስፖርት ልማዶችን በንቃት ወደ አስተዳደር አመጣን የሚለው መጫወቱን ብቻ በማወቅ ሊወሰን አይችልም።

በDenny's ያደረገው የመጀመሪያ አገልግሎት ሥራ የሕዝብ ታሪኩ ሌላ ተደጋጋሚ ክፍል ነው። ስለ ሳህን ማጠብ፣ ደንበኞችን ማገልገል እና የተራ ሥራ ትምህርቶች ተናግሯል። የምግብ ቤቱ ሥራ እድገቱን ከልዩ የከፍተኛ ቴክኖሎጂ ዓለም ውጭ ስለሚያሳይ አስፈላጊ ነው። መሐንዲሶችን ከማስተዳደሩ በፊት፣ አገልግሎት፣ ፍጥነት እና ብዙ ትናንሽ ሥራዎችን ማስተባበር በየቀኑ የሚታዩበትን የሥራ ቦታ አውቆ ነበር። [2]

የአገልግሎት ሥራ ምን ሊያስተምር ይችላል

ምግብ ቤት ሥርዓት ነው። ደንበኛው ምግብ ያያል፣ ግን ማቅረቡ በዝግጅት፣ ማጠብ፣ ትዕዛዝ፣ ምግብ ማብሰል፣ ክፍያ እና ግንኙነት ላይ ይመሠረታል። ሌሎች ክፍሎች በጥሩ ሁኔታ ቢሠሩም የአንድ ክፍል ውድቀት ወደ ደንበኛው ይደርሳል። በቴክኒክ ጥሩ የሆነ አካል [Component] ለምን ብቻውን ስኬታማ ምርት እንደማይፈጥር ለመረዳት ይህ ጠቃሚ መንገድ ነው።

ይኸው መርህ በኋላ በNVIDIA ንግድ በእጅግ ትልቅ መጠን ታየ። አንድ ፕሮሰሰር [Processor] ኃይለኛ ሆኖ ፕሮግራም ለማድረግ አስቸጋሪ ሊሆን ይችላል። ሶፍትዌር [Software] ጥሩ ሆኖ የስርጭት መንገድ [Distribution channel] ሊያጣ ይችላል። የዳታ ማዕከል [Data centre] በቂ ፕሮሰሰሮች ኖረውት አውታረ መረብ [Networking]፣ ኃይል ወይም ማቀዝቀዣ [Cooling] ሊያንሰው ይችላል። እነዚህ የትንተና ተመሳሳይነቶች እንጂ የተወሰነ የምግብ ቤት ፈረቃ ለHuang የስሌት ኩባንያ [Computing company] ንድፍ ሰጠው የሚሉ አይደሉም።

ስለሥራ ታይነትም ትምህርት አለ። ከፍተኛ አስፈጻሚ ምርትን የሚጠቅም ከሚያደርጉ ሰዎች ሊርቅ ይችላል። የአገልግሎት ሥራ የትናንሽ የአሠራር ውድቀቶችን ውጤት ፈጥኖ ያሳያል። የአመራር ዋጋው ማዕረግ እና ሀብት እነዚያን ለማስወገድ ካስቻሉ በኋላም ስለውጤቶቹ ያለውን የማወቅ ጉጉት መጠበቅ ነው።

4 ዩኒቨርሲቲ፣ ምህንድስና እና Lori ጋር መተዋወቅ

Oregon State እና የሙያ መሠረቶች

Huang በ1984 ከOregon State University በኤሌክትሪክ ምህንድስና [Electrical Engineering] የሳይንስ የመጀመሪያ ዲግሪ አገኘ። ዩኒቨርሲቲው Lori Mills በመግቢያ የኤሌክትሪክ ምህንድስና ኮርስ የላብራቶሪ አጋሩ እንደነበረች እና ከተዋወቁ ከአምስት ዓመት በኋላ እንደተጋቡ ይመዘግባል። ግንኙነታቸው የሙያ መንገዱንም በሚቀርጸው የቴክኒክ ትምህርት ውስጥ ተጀመረ። [4]

የኤሌክትሪክ ምህንድስና [Electrical engineering] ከምስክር ወረቀት በላይ ሰጠው። ገደቦች ስላሉባቸው አካላዊ ሥርዓቶች [Physical systems] እንዲያስብ አሠለጠነው። ሰርኪት [Circuit] የጊዜ [Timing]፣ የኃይል [Power]፣ የወጪ እና የታማኝነት [Reliability] መስፈርቶችን በአንድ ጊዜ ማሟላት አለበት። በአንድ መለኪያ የተሳካ ንድፍ [Design] በሌላ ሊወድቅ ይችላል። ይህ ሥነ ሥርዓት ፈጠራ [Innovation] ድንገተኛ ሐሳብ እና ጥረት የሌለበት አፈጻጸም ነው ከሚለው ምስል ይለያል።

የዩኒቨርሲቲ ላብራቶሪ እነዚያን መደራደሮች ተጨባጭ ያደርጋል። ስሌት በመጨረሻ ከሚሠራ የአካላት ዝግጅት [Components] ጋር መስማማት አለበት። ያልተጠበቀ ባህሪ በማመካኘት ሳይሆን በምርመራ መፈታት አለበት። እነዚህ አጠቃላይ የምህንድስና ትምህርት ገጽታዎች እንጂ የHuang ልዩ ሥራዎች በግምት የተገነባ ዝርዝር አይደሉም። ዲግሪው የሚወክለውን የሙያ ቅርጽ ለማብራራት ይረዳሉ።

Lori የወደፊት ቢሊየነርን በአጋጣሚ ያገኘች ረዳት ገጸ ባህሪ ብቻ መሆን የለባትም። ምህንድስና ተምራለች፣ በኋላም ለአስፈላጊ የትምህርት ፕሮጀክቶች ተባባሪ ለጋሽ ሆናለች። የሕዝብ መረጃ ያንን ሚና ይደግፋል። ቤተሰቡ ያደረገውን እያንዳንዱን የግል ውሳኔ ለእርሷ ማስተላለፍ ወይም አስተማማኝ መዝገብ ካላረጋገጠ በNVIDIA መደበኛ ቦታ ነበራት ማለት አያጸድቅም።

እየሠሩ በStanford መማር

Huang በ1992 ሙሉ ጊዜ እየሠራ በStanford University የኤሌክትሪክ ምህንድስና [Electrical engineering] የሁለተኛ ዲግሪ አጠናቀቀ። የStanford የራሱ የሕይወት መግለጫ ዲግሪውን ያረጋግጣል፣ Oregon State ደግሞ የሥራ እና የድኅረ ምረቃ ጥናት ጥምረቱን ይገልጻል። ይህ ከፍተኛ ትምህርቱን ሙሉ በሙሉ ከሙያው በፊት ሳይሆን በሙያ እድገቱ ውስጥ ያስቀምጣል። [4, 5]

ይህ ልዩነት አስፈላጊ ነው። እየሠራ የሚማር ሰው የንድፈ ሐሳብ መሣሪያዎችን ከንግድ ችግሮች ጋር ሊያነጻጽር ይችላል። የትምህርት ሥራ አንድ ንድፍ [Design] ለምን በተወሰነ መንገድ እንደሚሠራ ሊያብራራ ይችላል፤ ሥራ ደግሞ የክፍል ልምምድ የሚተወውን ገደብ ሊያሳይ ይችላል። አንዱ ሌላውን አይተካም። ዋጋቸው በመካከላቸው ከመጓዝ ሊመጣ ይችላል።

ቀኖቹም ታዋቂ ግን አሳሳች የሥራ ፈጠራ ትረካን ይፈትናሉ። Huang ወዲያውኑ ኩባንያ ለመገንባት መደበኛ ትምህርትን የተወ የዩኒቨርሲቲ አቋራጭ አልነበረም። NVIDIA ሲመሠረት የመጀመሪያ እና የሁለተኛ ዲግሪ የምህንድስና ብቃቶች እና ሰፊ የሴሚኮንዳክተር ኢንዱስትሪ [Semiconductor industry] ልምድ ነበረው። ታሪኩ ድፍረት ያለውን አደጋ መውሰድ የሚደግፈውን ያህል ቢያንስ የመማር እና የሙያ ዝግጅት አስፈላጊነትን ይደግፋል።

መደበኛ ትምህርት ለሥራ ፈጠራ የተሟላ መመሪያ አልሰጠም። ደንበኞች የግራፊክስ ቺፕ [Graphics chip] ይገዛሉ፣ ባለሀብቶች ካፒታል ይሰጣሉ ወይም አዲስ የሶፍትዌር መድረክ [Software platform] አልሚዎችን [Developers] ይስባል ብሎ ማረጋገጥ አይችልም ነበር። እነዚያን ችግሮች ለመመርመር መሣሪያዎችን ሰጠ። የኋላ ስኬት በእርግጠኝነት እጦት ውስጥ እነዚያን መሣሪያዎች በመተግበር እና በማስፋፋት ላይ ተመሠረተ።

5 የሴሚኮንዳክተር [Semiconductor] ንግድን መማር

AMD እና LSI Logic

የNVIDIA የቁጥጥር አካል የሕይወት መግለጫ Huang ከ1983 እስከ 1985 በAdvanced Micro Devices፣ ከ1985 እስከ 1993 በLSI Logic መሥራቱን ይመዘግባል። አንዳንድ ታዋቂ ታሪኮች የAMD መጀመሪያ ቀንን ወደ መጀመሪያ ዲግሪው ዓመት 1984 ስለሚያቀሉት ትክክለኛውን መጠበቅ ጠቃሚ ነው። ኦፊሴላዊ የሥራ መዝገቦች ከምረቃ በመነሳት ከሚገመት ንጹሕ ቅደም ተከተል ይልቅ የተሻለ የጊዜ መሠረት ይሰጣሉ። [6]

በAMD በማይክሮፕሮሰሰር ንድፍ [Microprocessor design] ሠራ። በLSI Logic ከCoreWare ንግዱ ጋር የተያያዘ ሥራን ጨምሮ የምህንድስና፣ የግብይት እና የአስተዳደር ኃላፊነቶች ነበሩት። እነዚህ ሚናዎች ልምዱን ከአንድ ሰርኪት [Circuit] ንድፍ አስፋፉት። በቴክኒክ ችሎታ፣ በደንበኛ ፍላጎት እና በንግድ ስትራቴጂ መካከል ያለውን ግንኙነት አሳዩት። [6]

ሴሚኮንዳክተሮች [Semiconductors] በአዲስ ኩባንያ ላይ ልዩ ጥያቄዎችን ይጭናሉ። ቺፕ [Chip] መንደፍ ውድ ነው፤ ማምረት በልዩ ተቋማት ላይ ይመሠረታል፤ ስህተቶች ውድ ዳግም ንድፍ [Redesigns] ሊፈልጉ ይችላሉ፤ ምርትም ገበያው ከተለወጠ በኋላ ሊደርስ ይችላል። በምህንድስና ውሳኔ እና በገበያ ግብረ መልስ መካከል ያለው ጊዜ ረጅም ሊሆን ይችላል። በዚህ ዘርፍ መሥራች የቴክኒክ ውሳኔ እና እርግጠኛ ያልሆነውን የሚደግፍ ገንዘብ መንገድ ይፈልጋል።

የLSI Logic በብጁ ቺፖች [Custom chips] የነበረው ሥራ ደንበኞች የሥርዓት ፍላጎትን [System requirement] ወደ ሲሊከን [Silicon] እንዴት እንደሚቀይሩ ለመረዳት ጠቃሚ ዝግጅት ነበር። ለNVIDIA ማዕከላዊ የቀረ ልዩነትንም አሳየ፦ ደንበኞች ቺፕ በቴክኒክ አስደሳች ስለሆነ ብቻ አይፈልጉትም። የተሻለ ግራፊክስ [Graphics]፣ ዝቅተኛ ወጪ፣ አጭር የስሌት ጊዜ [Computation time] ወይም የራሳቸው ምርት ተጨማሪ ችሎታ ያለው ውጤት ይፈልጋሉ።

ከልዩ ባለሙያነት በላይ መሆን

ከመሐንዲስ ወደ ሥራ ፈጣሪ መሄድ አንዳንድ ጊዜ የቴክኒክ ሥራን መተው ተብሎ ይገለጻል። የHuang ሥራ ሌላ አቀራረብ ይጠቁማል። የቴክኒክ ግንዛቤ ማዕከላዊ ሆኖ ቀረ፣ የውሳኔዎች ክብ ግን ሰዎችን፣ ዋጋን፣ ገንዘብን እና የገበያ ምርጫን ለማካተት ሰፋ።

ሥራ ፈጣሪ የትኞቹ ችግሮች የተቋሙን ትኩረት እንደሚገባቸው መወሰን አለበት። መሐንዲስ የተሰጠውን ንድፍ [Design] ሊያሻሽል [Optimise] ይችላል፤ መሥራች ያ ንድፍ መኖር አለበትን ብሎም መወሰን አለበት። ጥያቄው ነገር ሊገነባ ይችላልን ከሚለው በቂ ሰዎች ዋጋ ይሰጡታልን፣ ኩባንያው ሊያቀርበው ይችላልን እና ተፎካካሪ በፍጥነት ሊመልስ ይችላልን ወደሚለው ይለወጣል።

ይህ ሽግግር በኋላ ሲታይ ለመግለጽ ከመተግበር ይቀላል። ባለቤቱ የተሻለ ንድፍ [Design] የግድ ማሸነፍ አለበት ብሎ ሲያስገድድ የቴክኒክ ሙያ ወጥመድ ሊሆን ይችላል። ደንበኞች ተስማሚነት [Compatibility]፣ መገኘት ወይም የአጠቃቀም ቀላልነትን ሊመርጡ ይችላሉ። መሥራች የገበያው ቅድሚያዎች ከምህንድስና ቡድኑ መጀመሪያ ግምቶች የተለዩ መሆናቸውን ለማወቅ ፈቃደኛ መሆን አለበት።

ስለዚህ ከNVIDIA በፊት ያሉት የHuang ዓመታት የሕይወት ታሪኩ ማዕከል ናቸው። አስፈላጊው ታሪክ ከመጀመሩ በፊት የመጠበቂያ ክፍል ብቻ አልነበሩም። የምርት ውሳኔዎች፣ የማምረት ግንኙነቶች እና የደንበኛ እምነት የማይነጣጠሉበትን ዘርፍ ልምድ ሰጡት።

6 NVIDIA ን መመሥረት

ሦስት መሥራቾች እና አስቸጋሪ ገበያ

NVIDIA በ1993 በJensen Huang፣ Chris Malachowsky እና Curtis Priem ተመሠረተ። Huang ዋና ሥራ አስፈጻሚው ሆነ፣ ኩባንያው ሲያድግም በዚያ ሚና ቀጠለ። ታዋቂዎቹ የDenny's ስብሰባዎች የምሥረታው ታሪክ ክፍል ናቸው፣ ግን የምግብ ቤቱ ቦታ በውስጡ የተቀመጡትን ሰዎች የተከማቸ ሙያ መሸፈን የለበትም። [7, 8]

የመጀመሪያው ዕድል ለግል ኮምፒውተሮች [Personal computers] ግራፊክስ [Graphics] ነበር። ጨዋታዎች [Games] ከፍተኛ ፍላጎት ያለው አጠቃቀም ሰጡ፦ ተጠቃሚዎች የበለጠ የበለጸጉ የምስል ዓለሞችን ፈለጉ፣ አጠቃላይ ፕሮሰሰሮች [General-purpose processors] ግን እየተወሳሰቡ ያሉ ግራፊክሶችን በብቃት ለማቅረብ ተቸገሩ። ልዩ ፕሮሰሰር [Specialist processor] የተመረጡ ሥራዎችን እጅግ በፍጥነት በማከናወን ተሞክሮውን ሊያሻሽል ይችላል።

ይህ የንግድ መግቢያ ነበር፣ ለዛሬው አመንጪ የሰው ሰራሽ አስተውሎት [Generative AI] ኢኮኖሚ የተሟላ ዕቅድ አልነበረም። የዛሬን ስኬት ወደኋላ በመላክ መሥራቾቹ የኋላውን አጠቃቀም ሁሉ ቀድመው አይተው ነበር ማለት ቀላል ነው። ጠንካራው ትርጓሜ ሰፊ የስሌት ችግር [Computing problem] ለይተው፣ ንግድን ሊደግፍ በሚችል ገበያ በኩል ገቡ የሚል ነው።

በሰፊ መሠረታዊ ሐሳብ እና በመጀመሪያ ምርት መካከል ያለው ልዩነት አስፈላጊ ነው። ትግበራ [Implementation] ሲወድቅም መሠረታዊው ሐሳብ ጠቃሚ ሊቀጥል ይችላል። ኩባንያ ልዩ ስሌት [Specialised computation] አስፈላጊ ይሆናል ብሎ እያመነ የመጀመሪያ ሙከራውን አርክቴክቸር [Architecture]፣ ደንበኛ ወይም ጊዜ ሊያሳስት ይችላል። መትረፉ የመሠረታዊውን ግንዛቤ ጠቃሚ ክፍሎች ሁሉ ሳይተው ሙከራውን በመቀየር ላይ ይመሠረታል።

ተባባሪ መሥራቾች ለምን አስፈላጊ ናቸው

በዋና ሥራ አስፈጻሚ ላይ ያተኮረ የሕይወት ታሪክ በዙሪያው ያለውን ኩባንያ በአጋጣሚ ሊያጠፋ ይችላል። Malachowsky እና Priem የተሟላ ራዕይ ማሟያዎች ሳይሆኑ ተባባሪ መሥራቾች ነበሩ። መሐንዲሶች፣ ባለሀብቶች እና ቀደምት ደንበኞችም ሐሳብን ወደ ተቋም ለመቀየር ረድተዋል። አስተዋጽኦአቸው ግልጽ ሲሆን የHuang አመራር በትክክል ለመመዘን ይቀላል።

Malachowsky ከHewlett-Packard እና Sun Microsystems የምህንድስና እና የቴክኒክ አመራር ልምድ አመጣ። በግራፊክስ ሥርዓቶች [Graphics systems] ያለው ታሪክ የኩባንያው የቴክኒክ መሠረት አካል አደረገው፣ እንደ መሥራች እና ከፍተኛ ባለሙያ [Fellow] ከNVIDIA ጋር ተያይዞ ቀጠለ። ኩባንያው ቴክኒክ የማያውቅ ሥራ ፈጣሪ የተሟላ ዕቅድ ለማስፈጸም መሐንዲሶችን ብቻ የሚቀጥርበት ምሳሌ አልነበረም። [32]

Priem ደግሞ በSun ሠርቶ GX የግራፊክስ ምርቶችን [Graphics products] አርክቴክቸር ነድፎ ነበር። Rensselaer Polytechnic Institute ከ1993 እስከ 2003 የNVIDIA ዋና የቴክኒክ ኃላፊ እንደነበረ ይመዘግባል። ቀደምት ሥራው IBM Professional Graphics Adapter ን ያካትታል። እነዚህ ተሞክሮዎች መሥራቾቹን ከNVIDIA በፊት በነበረ የግራፊክስ ምህንድስና [Graphics engineering] ትውልድ ውስጥ ያስቀምጣሉ፣ የመጀመሪያ GPU [GPU] ግብይቱ ከመላው መስክ መጀመሪያ ጋር መቀላቀል ለምን እንደሌለበትም ያብራራሉ። [33]

የHuang አስተዋጽኦ ከዚህ ሙያ ጎን ተቀምጦ ነበር። በAMD እና LSI Logic በሴሚኮንዳክተር ንድፍ [Semiconductor design] እና በንግድ አስተዳደር ሠርቶ ነበር። ጥምረቱ ለመሥራች ቡድኑ ስለግራፊክስ ትግበራ [Graphics implementation] እና ስለሴሚኮንዳክተር ንግድ መገንባት አመለካከቶች ሰጠ። ከስህተት አልጠበቃቸውም፣ ግን ስህተቶችን ለመለየት እና ለመመለስ ሀብት ሰጣቸው።

የዋና ሥራ አስፈጻሚው ልዩ ተግባር ውሳኔዎችን ማዋሃድ ነበር። የቴክኒክ ዕድሎች ወደ የምርት ዕቅድ መለወጥ ነበረባቸው፤ የምርት ዕቅዱ ገንዘብ ይፈልግ ነበር፤ ገንዘብ መታመን ይፈልግ ነበር፤ መታመንም እንቅፋቶችን መትረፍ ነበረበት። አንድ ሰው ሁሉንም የምህንድስና ወይም የንግድ ሥራ ሊሠራ አይችልም። አመራር በመካከላቸው ወጥ አቅጣጫ መጠበቅን አካቷል።

ቀደምቱ ኩባንያ ባልተቆጣጠረው ሥነ ምህዳር [Ecosystem] ውስጥም ሠራ። የአሠራር ሥርዓቶች [Operating systems]፣ የግራፊክስ መስፈርቶች [Graphics standards]፣ የሶፍትዌር አልሚዎች [Software developers] እና የማምረት አጋሮች የንድፉን ዋጋ ሊቀይሩ ይችላሉ። ይህ ጥገኝነት ለNVIDIA ብቻ የሆነ ድክመት አልነበረም። ለትልቅ የስሌት ሥርዓት [Computing system] አዲስ አካል [Component] የመገንባት ሁኔታ ነበር።

ስለዚህ የምሥረታው ትምህርት በድፍረት ከመጀመር ብቻ በላይ የሚጠይቅ ነው። ሊፈታ የሚገባ ችግር መምረጥ፣ የሚደጋገፍ ሙያ መሰብሰብ እና ገንዘቡ ከማለቁ በፊት መማር የሚችል ንግድ መፍጠር ነው። ድፍረት ይጠቅማል፣ ግን እነዚያን ዝግጅቶች ሊተካ አይችልም።

7 ኩባንያው ሊወድቅ በተቃረበበት ጊዜ

የNV1 እና Sega ችግር

የNVIDIA ቀደምት ምርቶች ወደ ስኬት ለስላሳ መንገድ አልሰጡም። በ1995 የተጀመረው NV1 በንግድ ተቸገረ። ኩባንያው በኋላ ከSega ጋር ያደረገው ሥራ የበለጠ ጥልቅ ችግር አሳየ፦ የቴክኒክ አቅጣጫው ሰፊው የግራፊክስ ገበያ [Graphics market] እየተደራጀባቸው ከነበሩ መስፈርቶች [Standards] ጋር እየተለየ ነበር። [7, 9]

የአርክቴክቸሩ [Architecture] ችግር ተጨባጭ ነበር። NV1 ባለሁለት ደረጃ የገጽታ ካርታ [Quadratic texture mapping] ተጠቀመ፣ እየመጣ የነበረው Direct3D ሥነ ምህዳር [Ecosystem] ግን በሦስት ማዕዘኖች [Triangles] ላይ አተኮረ። የተለየ አቀራረብ መደገፍ ለጨዋታ አልሚዎች [Game developers] ተጨማሪ ሥራ ፈጠረ እና የNVIDIA ሃርድዌር [Hardware] ጥቅምን ገደበ። RIVA 128 የበለጠ ተስማሚ አቅጣጫ ተከተለ። ትምህርቱ በከፊል ስለ መስፈርቶች ነበር፦ ዙሪያው ያለው የሶፍትዌር ዘርፍ [Software industry] በቀላሉ ሊጠቀምበት ካልቻለ ውብ ትግበራ [Implementation] ሊሸነፍ ይችላል። [34]

ይህ የትኛው ቅርጽ በሂሳብ የተሻለ ነው የሚል ውድድር ብቻ አልነበረም። የግራፊክስ አርክቴክቸር [Graphics architecture] ከመፍጠሪያ መሣሪያዎች [Authoring tools]፣ ከፕሮግራሚንግ መገናኛዎች [Programming interfaces] እና አልሚዎች ቀድሞ ከሚረዷቸው ዘዴዎች ጋር መሥራት አለበት። ደንበኞች የተለየ አቀራረብ እንዲወስዱ የሚጠይቅ አቅራቢ ያንን ተጨማሪ ሥራ የሚያጸድቅ በቂ ጥቅም ማቅረብ አለበት። የNVIDIA መትረፍ ሥነ ምህዳሩ በመጀመሪያ ንድፉ ዙሪያ እንዲደራጅ ከመጠበቅ ይልቅ የሥነ ምህዳሩን አቅጣጫ በመቀበል ላይ ተመሠረተ።

ስለቀውሱ በኋላ በሰጠው መግለጫ Huang ውሉን መቀጠል NVIDIA የወደፊቱን ሊደግፍ በማይችል ምርት ሊያስቀረው እንደሚችል፣ መተዉ ደግሞ ኩባንያውን ለመትረፍ የሚፈልገውን ገንዘብ እንዲያጣ ሊያደርግ እንደሚችል መረዳቱን ገለጸ። የSega አመራርን ቀርቦ እርዳታ ጠየቀ። የተገኘው ድጋፍ NVIDIA አቅጣጫውን እንዲቀይር አስቻለ። [9]

የዝግጅቱ መግለጫዎች የክፍያ እና የኢንቨስትመንት አሠራርን በሚገልጹበት መንገድ ይለያያሉ። የተጠነቀቀው ድምዳሜ Sega ብዙ ጊዜ በUS$5 ሚሊዮን አካባቢ ተብሎ የሚዘገብ ወሳኝ የገንዘብ ድጋፍ ሰጠ፣ Shoichiro Irimajiri አስፈላጊ ሚናም ተጫወተ የሚል ነው። ከዚያ ጋር ያልተያያዘ የNintendo አስፈጻሚ ኩባንያውን አዳነው ወይም ገንዘቡ የግድ ያለ ቅድመ ሁኔታ የግል ስጦታ ነበር ወደሚል ቀላል ታሪክ መቀየር የለበትም። [8, 10]

የሥነ ምግባሩ አስፈላጊነት የተወሰነ ነው። Huang ትልቅ ስህተት ለአስፈላጊ አጋር መቀበል ነበረበት። ይህ ከመጀመሪያው ትክክል የነበረ ባለራዕይ አድርጎ ራሱን ከማቅረብ ይለያል። የሚታመን ማዳን ቅንነትን፣ እምነትን እና አጋሩ ያልተለመደ ውጤት ለመቀበል ያለውን ፈቃደኝነት የሚያጣምር ነገር ፈለገ።

RIVA 128 እና የንግድ ተስፋ መመለስ

በ1997 የተገለጸው RIVA 128 ወሳኝ መለወጫ ምርት ሆነ። የNVIDIA የኩባንያ የጊዜ መስመር በአራት ወር አንድ ሚሊዮን ዩኒቶች መሸጡን ይመዘግባል። ይህ ቁጥር ምርት ከገበያ ፍላጎት ጋር የበለጠ ሲስማማ የወጣት ኩባንያን ቦታ ምን ያህል ፈጥኖ ሊቀይር እንደሚችል ያሳያል። [7]

የSega ድጋፍ እና የRIVA 128 ስኬት የተያያዘ የመትረፍ ታሪክ ክፍሎች ናቸው። እያንዳንዱን እርምጃ የተለየ ክስረት ማለት መዝገቡን ያጋንናል። አንዱ ለመሥራት ክፍተት ሰጠ፤ ሌላው አዲሱን አቅጣጫ ወደ ገቢ ለመቀየር ረዳ። ሁለቱም በሰፊ ቡድን የምህንድስና ሥራ እና የንግድ አፈጻጸም ላይ ተመሠረቱ።

አስቸኳይ የጊዜ ገደብ ተቋምን ሊያተኩር ይችላል፣ ግን አደጋም ይፈጥራል። በከባድ የጊዜ እና የገንዘብ ገደብ የተገነባ ቺፕ [Chip] ለሁለተኛ ሙከራ አነስተኛ አቅም ሊኖር ስለሚችል በልዩ ጥንቃቄ መፈተሽ [Testing] አለበት። ትምህርቱ መሥራች በቂ እምነት ሲኖረው ፈተና መተው ይቻላል አይደለም። የተገደቡ ተቋማት የማስተካከያ ወጪ ገዳይ ከመሆኑ በፊት ስህተቶችን የሚያሳዩ ዘዴዎች ይፈልጋሉ ማለት ነው።

Huang NVIDIA ን ከክስረት ብዙ ጊዜ አድኖታልን

በተለይ በ1990ዎቹ አጋማሽ ተደጋጋሚ የመውደቅ ቅርበት እንደነበረ የሚታመን ማስረጃ አለ። የረጅም ጊዜ ዳይሬክተር Mark Stevens በዚያ ጊዜ ጥቂት ጊዜያት ኩባንያው ከመውደቅ ወደ ሠላሳ ቀናት ርቀት ላይ እንደነበረ ገልጿል። ይህ ከመፍረስ ብዙ ጊዜ መዳን የሚለውን ይደግፋል። NVIDIA በተደጋጋሚ መደበኛ የክስረት ሂደት ውስጥ ገብቷል ብሎ አያረጋግጥም። [8]

የኋላ ስትራቴጂያዊ ውድቀቶችም በትክክል መመደብ አለባቸው። CUDA ጥቅሞቹ ለመታየት ጊዜ የፈጀ ውድ ቁርጠኝነት አካቷል። የተንቀሳቃሽ ስልክ ሙከራው ከአስቸጋሪ ገበያ መውጣት አካቷል። የአክሲዮን ዋጋ መውደቅ፣ ውድ ፕሮጀክት እና ሂሳቦችን ወዲያው መክፈል አለመቻል የተለያዩ ሁኔታዎች ናቸው። ሁሉንም ክስረት ማለት ታሪኩን የበለጠ ድራማዊ እና አነስተኛ ጠቃሚ ያደርገዋል።

ከሁሉ ጠንካራ ሊከላከል የሚችል መግለጫ Huang NVIDIA ብዙ አደገኛ ጊዜያትን እንዲያልፍ ረዳ፣ በጣም ግልጽ የገንዘብ መጨረስ ድንገተኛ አደጋዎች በመጀመሪያ ዓመታቱ ላይ ተሰብስበው ነበር የሚል ነው። ውሳኔዎቹ ወሳኝ ነበሩ፣ የSega ድጋፍ፣ የባልደረቦች ሥራ፣ የባለሀብቶች ትዕግሥት እና የተለወጡ ምርቶች የንግድ ስኬትም እንዲሁ ነበሩ።

8 ከግራፊክስ ምርቶች [Graphics products] ወደ ስሌት መድረክ [Computing platform]

አክሲዮን ለሕዝብ ማቅረብ እና ምድብን መግለጽ

የNVIDIA የ1999 የመጀመሪያ የሕዝብ አክሲዮን አቅርቦት [Initial public offering] በእድገቱ አዲስ ደረጃ ምልክት ነበር። በዚያው ዓመት GeForce 256 ን እንደ መጀመሪያ የግራፊክስ ማቀናበሪያ አሃድ [Graphics processing unit] በማስተዋወቅ አቀረበ። ታሪካዊው ገደብ ጠቃሚ ነው፦ የግራፊክስ አፋጣኞች [Graphics accelerators] ከዚያ በፊት ነበሩ። የNVIDIA ጥያቄ የተወሰነ የተዋሃደ የGPU [GPU] ጽንሰ ሐሳብን እንጂ የኮምፒውተር ግራፊክስ ሃርድዌር [Computer graphics hardware] ሁሉ መፈጠርን አልመለከተም። [7]

የኩባንያው ይፋዊ መለያ ከጨዋታ [Gaming] ጋር በጥብቅ ተያይዞ ቀረ። ያ ለበለጠ ክብር ላለው ንግድ ትንሽ መግቢያ አልነበረም። ጨዋታ ከፍተኛ ጥያቄ ያላቸውን ደንበኞች፣ ፈጣን የምርት ዑደቶች [Product cycles] እና ከፍተኛ የምህንድስና ኢንቨስትመንትን ሊደግፍ የሚችል ገበያ ፈጠረ። በእነርሱ ሙከራ ማድረግ ለሚችሉ ተመራማሪዎች ብቁ ትይዩ ፕሮሰሰሮችን [Parallel processors] በእጃቸው አስገባ።

ሌሎች ሰዎች በምርት ላይ ዘላቂ ሥራ ሊገነቡ ሲችሉ መድረክ [Platform] ይዳብራል። ፈጣን የግራፊክስ ካርድ [Graphics card] አንድ ግዢ ሊያሸንፍ ይችላል። የተረጋጋ የፕሮግራሚንግ አካባቢ [Programming environment]፣ ጠቃሚ ቤተ መጻሕፍት [Libraries] እና የተከማቸ የአልሚ እውቀት [Developer knowledge] ብዙ የወደፊት ግዢዎችን ሊነኩ ይችላሉ። አቅራቢ መቀየር ሶፍትዌር [Software] መቀየር እና ሰዎችን እንደገና ማሠልጠን ሊፈልግ ስለሚችል ይህ የተለየ የንግድ ግንኙነት ነው።

ወደ መድረክ [Platform] መሄድ የጥራትን ትርጉምም ይቀይራል። የሃርድዌር ፍጥነት [Hardware speed] አሁንም ይጠቅማል፣ እንዲሁም ሰነዶች [Documentation]፣ ወደ ቀድሞ ስሪቶች ተስማሚነት [Backward compatibility]፣ ስህተት ማስወገድ [Debugging]፣ በሥራ ላይ ማዋል [Deployment] እና ድጋፍ [Support] ይጠቅማሉ። ተጠቃሚዎች በራሳቸው መተግበሪያዎች [Applications] በእርግጥ ማግኘት ካልቻሉ የመለኪያ ሙከራ ብልጫ [Benchmark advantage] ሊጠፋ ይችላል።

ውድድር አልጠፋም

የግራፊክስ ዘርፍ [Graphics industry] በውድድር እና በመቀላቀል መለወጡን ቀጠለ። NVIDIA በዲሴምበር 2000 ከ3dfx የተወሰኑ የግራፊክስ ንብረቶችን [Graphics assets] ለመግዛት ተስማማ፣ ግብይቱም በኤፕሪል 2001 ተዘጋ። የተመረጡ ንብረቶችን መግዛት በቀላሉ የተፎካካሪውን ንግድ እያንዳንዱን ክፍል መውሰድ ተብሎ መገለጽ የለበትም። ልዩነቱ በሕግም በታሪክም ጠቃሚ ነው። [35]

ጥልቅ መማር [Deep learning] ታዋቂ ከሆነ በኋላም የጨዋታ ግራፊክስ [Gaming graphics] መለወጡን ቀጠለ። በኦገስት 2018 NVIDIA በTuring አርክቴክቸር [Architecture] የተመሠረቱ GeForce RTX ምርቶችን አቀረበ፣ መደበኛ ጥላ መስጠትን [Shading] ከልዩ ጨረር መከታተል [Ray tracing] እና የሰው ሰራሽ አስተውሎት [AI] ችሎታዎች ጋር አጣመረ። ይህ ቀድሞ ውድ የነበሩ የምስል ዘዴዎችን በተግባቦታዊ ምርቶች [Interactive products] ውስጥ ተግባራዊ ለማድረግ ተጨማሪ ጥረት ነበር። [36]

ጨረር መከታተል [Ray tracing] እንደ ነጸብራቅ እና ጥላ ያሉ ውጤቶችን ለማምረት የብርሃን መንገዶችን ይመስላል። የቅጽበት መተግበሪያዎች [Real-time applications] ጥብቅ የጊዜ ገደብ አላቸው፦ ለመሳል [Render] ደቂቃዎች የሚወስድ ምስል ለከመስመር ውጭ ምርት [Offline production] ሊጠቅም ይችላል፣ ግን ፈጣን ምላሽ የሚሰጥ ጨዋታ በቀጥታ ሊደግፍ አይችልም። ስለዚህ ፈተናው አሳማኝ ምስል ማስላት ብቻ ሳይሆን በጠቃሚ የአፈጻጸም ገደብ [Performance budget] ውስጥ ማድረግ ነው።

እነዚህ ለውጦች NVIDIA ጨዋታን [Gaming] ብቻ ትቶ የሰው ሰራሽ አስተውሎት ኩባንያ [AI company] ሆነ የሚለውን ሐሳብ ያወሳስባሉ። ግራፊክስ [Graphics] ንቁ የቴክኒክ መስክ ሆኖ ቀረ፣ በግራፊክስ፣ በማስመሰል [Simulation] እና በAI [AI] መካከል ያለው ግንኙነትም ዕድሎችን መፍጠሩን ቀጠለ። የኩባንያው ታሪክ አንድ መለያ ሌላውን ሙሉ በሙሉ እንደተካ ሳይሆን የችሎታዎች መስፋፋት ተብሎ ይሻላል።

GPU [GPU] ከCPU [CPU] እንዴት ይለያል

ማዕከላዊ ማቀናበሪያ አሃድ [Central processing unit] ውስብስብ የቁጥጥር ፍሰት [Control flow] እና በቅደም ተከተል መከናወን ያለባቸውን ሥራዎች ጨምሮ ብዙ ዓይነት ተግባሮችን ለመያዝ ተነድፏል። የግራፊክስ ማቀናበሪያ አሃድ [Graphics processing unit] አብዛኛውን ንድፉን ብዙ ተዛማጅ ሥራዎችን በትይዩ [Parallel] ለመሥራት ይሰጣል። አንዱ ብልህ ሌላው ቀላል ነው ወይም GPU ሁልጊዜ ፈጣን ነው ማለት አይደለም። ጥንካሬያቸው በሥራ ጫና [Workload] ላይ ይመሠረታል።

በሚሊዮኖች በሚቆጠሩ ፒክሰሎች [Pixels] ላይ ተመሳሳይ ለውጥ [Transformation] ማድረግን አስቡ። አብዛኛው ሥራ ወደ ተመሳሳይ ሥራዎች ሊከፈል ይችላል። ትይዩ ሃርድዌር [Parallel hardware] ብዙዎቹን በአንድ ጊዜ ሊያስኬድ ይችላል። በተቃራኒው እያንዳንዱ ውሳኔ በቀደመው ውጤት ላይ የሚመሠረት ሥራ ከGPU አነስተኛ ጥቅም ሊያገኝ ይችላል። በፕሮሰሰሮች [Processors] መካከል ዳታ [Data] ማንቀሳቀስም ጊዜ እና ኃይል ሊወስድ ይችላል።

ዘመናዊ AI [AI] በትይዩ ሥራ [Parallel work] ሊደራጁ በሚችሉ ቁጥራዊ ሥራዎች [Numerical operations]፣ ትልልቅ የማትሪክስ ማባዛቶችን [Matrix multiplications] ጨምሮ፣ በጣም ይመሠረታል። ይህ GPUዎችን [GPUs] ጠቃሚ ያደርጋል፣ ግን ሁሉንም የAI ሥራ አንድ ወይም እያንዳንዱን የGPU ትግበራ [GPU deployment] በወጪ ቆጣቢ አያደርገውም። የማህደረ ትውስታ አቅም [Memory capacity]፣ ግንኙነት [Communication]፣ የቁጥር ትክክለኛነት [Numerical precision] እና የሶፍትዌር ትግበራ [Software implementation] ሁሉም ውጤቱን ይነካሉ።

የHuang ስትራቴጂያዊ ዕድል እነዚህን ችሎታዎች ግራፊክስ [Graphics] ከመሳል ውጭ ካሉ ችግሮች ጋር ማገናኘት ነበር። የግራፊክስ ቺፕ [Graphics chip] ኃይለኛ ነው ከማለት በላይ ይፈልግ ነበር። ሥራቸው ጨዋታ ከመሳል [Rendering] ጋር ብዙም ግንኙነት ለሌላቸው ሰዎች ሃርድዌሩን [Hardware] ተደራሽ ማድረግ ይፈልግ ነበር።

9 CUDA እና የሥነ ምህዳር [Ecosystem] በትዕግሥት መገንባት

ትይዩ ስሌትን [Parallel computing] ለአጠቃቀም ማብቃት

CUDA የNVIDIA የትይዩ ስሌት መድረክ [Parallel-computing platform] እና የፕሮግራሚንግ ሞዴል [Programming model] ነው። እድገቱ ፕሮግራመሮች እያንዳንዱን ችግር በግራፊክስ መገናኛ [Graphics interface] ከመግለጽ ይልቅ የሚደገፉ የNVIDIA GPUዎችን [GPUs] ለአጠቃላይ ቁጥራዊ ሥራ [General-purpose numerical work] እንዲጠቀሙ አስቻለ። NVIDIA አርክቴክቸሩን [Architecture] በ2006 አቀረበ፣ የሕዝብ የሶፍትዌር መሣሪያ ስብስብ [Software toolkit] በ2007 ተከተለ። [7, 11]

በአርክቴክቸር [Architecture] እና በመሣሪያ ስብስብ [Toolkit] መካከል ያለው ልዩነት ሁለቱም ቀኖች በታሪኮች ለምን እንደሚታዩ ያብራራል። አንድ ቀን የሃርድዌር ችሎታ [Hardware capability]፣ የፕሮግራሚንግ መሣሪያዎች [Programming tools] እና የአልሚዎች ቅበላ [Developer adoption] የተገኙበትን ቅደም ተከተል ሊሸፍን ይችላል። የንግድ አስፈላጊነቱ ከጥምረታቸው መጣ።

ሳይንቲስት ከትይዩ ሃርድዌር [Parallel hardware] ለመጠቀም የግራፊክስ ልዩ ባለሙያ [Graphics specialist] መሆን አያስፈልገውም። ቤተ መጻሕፍት [Libraries] የታወቁ የሂሳብ ሥራዎችን [Mathematical operations] ሊያቀርቡ ይችላሉ፣ አጠናቃሪ [Compiler] እና የአስኬድ አካባቢ [Runtime] ደግሞ ኮድን [Code] GPU ሊያከናውነው ወደሚችል ሥራ ለመቀየር ይረዳሉ። ከጊዜ በኋላ ከፍተኛ ደረጃ ማዕቀፎች [Higher-level frameworks] በእነዚያ ቤተ መጻሕፍት ላይ ሊመሠረቱ እና በተመራማሪው እና በፕሮሰሰሩ [Processor] መካከል የረቂቅነት ንብርብሮችን [Layers of abstraction] ሊያስቀምጡ ይችላሉ።

ይህ የንብርብር አቀማመጥ የNVIDIA ቦታ የቺፕ ዝርዝሮችን [Chip specifications] ብቻ በመቁጠር ሊገባ የማይችልበት አንድ ምክንያት ነው። አልሚዎች [Developers] ልማዶችን ይገነባሉ፣ ተቋማት የተፈተነ ኮድ [Tested code] ያከማቻሉ፣ የምርምር ማኅበረሰቦችም ምሳሌዎችን ይጋራሉ። እነዚህ ኢንቨስትመንቶች ጠቃሚ ቀጣይነት ይፈጥራሉ፣ ነገር ግን የመቀየር ወጪዎችን [Switching costs] ሊፈጥሩም ይችላሉ። አንዱ ተጠቃሚ እንደ ምቾት የሚያየውን ተመሳሳይ ሥነ ምህዳር [Ecosystem] ሌላው እንደ ጥገኝነት ሊያይ ይችላል።

ትርፉ ግልጽ ከመሆኑ በፊት ኢንቨስት ማድረግ

Huang CUDA በመጀመሪያ ጥርጣሬ የገጠመው ውድ የረጅም ጊዜ ቁርጠኝነት እንደሆነ ገልጾታል። የኋላው የAI ገበያ [AI market] የንግድ ትርፉን ግልጽ ከማድረጉ በፊት ውሳኔው ወጪዎችን አመጣ። የራሱ የኋላ ትዝታ ኢንቨስትመንቱን የገንዘብ ገበያ እምነት ደካማ ከነበረበት ጊዜ ጋር ያገናኘዋል። [9]

CUDA በመጨረሻ ስለተሳካ ማንኛውም ውድ ፕሮጀክት ያለገደብ ገንዘብ ይገባዋል ብሎ መደምደም ስህተት ነው። ምክንያታዊ የረጅም ጊዜ ኢንቨስትመንት የቴክኒክ መሠረቱ እየተሻሻለ እንደሆነ እና ተጠቃሚዎች በእርሱ ጠቃሚ ነገር ማድረግ እንደሚችሉ ማስረጃ ይፈልጋል። ያለ መማር ትዕግሥት እመርታን እንደሚያስጠብቅ ሁሉ ውድቀትንም ሊያስጠብቅ ይችላል።

ስትራቴጂያዊው ፈተና ወዲያውኑ እጅግ ትልቅ ገበያ ሳይጠይቁ ዕድልን መደገፍ ነበር። GPUዎችን [GPUs] ላልተጠበቁ ዓላማዎች የሚጠቀሙ ተመራማሪዎች መረጃ ሰጡ። ሥራቸው ሃርድዌሩ [Hardware] በመጀመሪያ ገንዘብ ካስገኘለት የደንበኛ መሠረት ውጭ ችግሮችን ሊፈታ እንደሚችል ጠቆመ። NVIDIA በነባር ገበያዎች ምርቶችን እየሸጠ ከእነዚያ አጠቃቀሞች ሊማር ይችል ነበር።

የሥነ ምህዳር ብልጫ [Ecosystem advantage] ገደቦች

ጠንካራ የሶፍትዌር ሥነ ምህዳር [Software ecosystem] ውድድርን አያስወግድም። አማራጭ አፋጣኞች [Alternative accelerators]፣ የአጠናቃሪ ፕሮጀክቶች [Compiler projects] እና ተንቀሳቃሽ ማዕቀፎች [Portable frameworks] በአንድ አቅራቢ ላይ ጥገኝነትን ሊቀንሱ ይችላሉ። ትልልቅ ደንበኞች ልዩ ሃርድዌር [Specialised hardware] ለማጸደቅ በቂ መጠን ሊኖራቸው ይችላል። አንዳንድ የሥራ ጫናዎች [Workloads] ከበለጠ ተለዋዋጭ የGPU መድረክ [GPU platform] ይልቅ ከቀላል ወይም ከርካሽ ሥርዓት ሊጠቀሙ ይችላሉ።

ዘላቂው ፈተና የተሟላው የNVIDIA ሥርዓት ተቀባይነት ባለው ወጪ ጠቃሚ አፈጻጸም [Performance] መስጠቱን ይቀጥላልን የሚል ነው። ሶፍትዌርን [Software] መለመድ መቀየርን ሊያዘገይ ይችላል፣ ግን የደንበኛን ታማኝነት ለዘላለም ማረጋገጥ አይችልም። ስለዚህ ሥነ ምህዳር [Ecosystem] ከመልቀቅ ችግር ብቻ ከመጠቀም ይልቅ ዋጋ መፍጠሩን መቀጠል አለበት።

ለሥራ ፈጣሪዎች CUDA ጠንካራ ትምህርት ይሰጣል፦ አንዳንድ ጊዜ ከሁሉ አስፈላጊው ምርት ደንበኞች አቅራቢው በመጀመሪያ ያልወሰነውን አጠቃቀም እንዲያገኙ የሚፈቅድ መሣሪያ ነው። እንዲህ ያለ መሣሪያ መገንባት ቀጣይ ድጋፍ ይፈልጋል። ዋጋ በመጀመሪያ በትናንሽ ሙከራዎች እንጂ በትልቅ አስቀድሞ የሚታወቅ የትዕዛዝ መዝገብ ላይ ላይታይ እንደሚችልም መቀበል ይፈልጋል።

10 የጥልቅ መማር [Deep learning] ወሳኝ ለውጥ

AlexNet እና ከምርምር የመጣ አዲስ ምልክት

በ2012 Alex Krizhevsky፣ Ilya Sutskever እና Geoffrey Hinton በተለምዶ AlexNet ተብሎ የሚታወቀውን ሥራ አሳተሙ። የእነርሱ የኮንቮሉሽን ነርቭ አውታር [Convolutional neural network] በImageNet ውድድር ትልቅ ውጤት አገኘ፣ ትልቅ መጠን ያለውን ሥልጠና [Training] ተግባራዊ ለማድረግ የGPU ስሌት [GPU computation] ተጠቀመ። ጽሑፉ የኋላ የኩባንያ ትርጓሜ ሳይሆን የምርምር ስኬት ስለሚመዘግብ ጠቃሚ ነው። [12]

NVIDIA ያንን የነርቭ አውታር [Neural network]፣ የImageNet ዳታ ስብስብ [Dataset] ወይም የማሽን መማር [Machine learning] መስክን በሙሉ አልፈጠረም። ሃርድዌሩ [Hardware] እና የፕሮግራሚንግ ሥነ ምህዳሩ [Programming ecosystem] የማስቻል መሠረተ ልማቱ [Infrastructure] ክፍል ነበሩ። ሚዛናዊ ታሪክ ስሌትን [Computation] ከሚያቀርበው ኩባንያ ጎን ተመራማሪዎችን እና ዳታ ፈጣሪዎችን [Data creators] በእይታ ያቆያል።

የክስተቱ አስፈላጊነት አንድ የመለኪያ ሙከራ [Benchmark] እያንዳንዱን የወደፊት የAI መተግበሪያ [AI application] አረጋገጠ ማለት አልነበረም። ዳታ [Data]፣ የሞዴል ንድፍ [Model design] እና ያለ የስሌት ኃይል [Computing power] ጥምረት በአስፈላጊ ሥራ ላይ ግልጽ መሻሻል ሊያመጣ እንደሚችል አሳየ። ይህ ተጨማሪ ኢንቨስትመንትን እና ሙከራን አበረታታ። ውጤቱ ተጽዕኖ ያለው ምልክት እንጂ የወደፊቱ የተሟላ ትንበያ አልነበረም።

ለHuang ስትራቴጂያዊው ጥያቄ ለዚያ ምልክት እንዴት መመለስ ነበር። ኩባንያ ተስፋ ሰጪ የምርምር ውጤት ሊያይ ይችላል፣ ግን እየመጣ ያለውን መስክ ለማገልገል ራሱን ላያደራጅ ይችላል። ጥልቅ መማርን [Deep learning] መደገፍ የሃርድዌር ምርጫዎችን [Hardware choices]፣ የሶፍትዌር ቤተ መጻሕፍትን [Software libraries]፣ ሥርዓቶችን እና ከተመራማሪዎች ጋር ግንኙነትን ፈለገ። የሥራ ጫናውን [Workload] ኩባንያው ዙሪያው ሊገነባበት የሚችል አቅጣጫ አድርጎ መውሰድ ነበር።

ሥልጠና [Training] እና ውጤት ማመንጨት [Inference]

ሥልጠና [Training] ዳታን [Data] እና የማሻሻያ ሂደትን [Optimisation process] በመጠቀም የሞዴል መለኪያዎችን [Model parameters] ያስተካክላል። ውጤት ማመንጨት [Inference] የሠለጠነውን ሞዴል ውጤት [Output] ለመስጠት ይጠቀማል። ሁለቱም ከፍተኛ ስሌት [Computation] ሊፈልጉ ይችላሉ፣ ግን የአሠራር ጥያቄዎቻቸው ይለያያሉ። ሥልጠና ረጅም ጊዜ የሚወስዱ ትልልቅ ሥራዎችን ሊያስኬድ ይችላል፤ ውጤት ማመንጨት ግን ወጪን እና መዘግየትን [Latency] እየተቆጣጠረ ለብዙ ተጠቃሚዎች በፍጥነት መመለስ ሊኖርበት ይችላል።

ይህ ልዩነት የAI መሠረተ ልማት [AI infrastructure] አንድ ያልተከፋፈለ ገበያ ለምን እንዳልሆነ ያብራራል። ትልቅ ሞዴል [Model] የሚያሠለጥን የምርምር ላብራቶሪ፣ ትንሽ የምስል ሞዴል [Imaging model] የሚያስኬድ ሆስፒታል እና ጽሑፍ የሚያመነጭ የስልክ መተግበሪያ [Mobile application] የተለያዩ ዝግጅቶች ሊፈልጉ ይችላሉ። ምርጡ ሥርዓት በመጠን፣ በግላዊነት [Privacy]፣ በታማኝነት [Reliability]፣ በምላሽ ጊዜ [Response time] እና በሚከናወነው ሥራ መጠን ላይ ይመሠረታል።

ሞዴሎች [Models] ትልቅ ሲሆኑ በፕሮሰሰሮች [Processors] መካከል ግንኙነት [Communication] የበለጠ አስፈላጊ ሆነ። የፈጣን ቺፖች [Chips] ስብስብ በራሱ ፈጣን ኮምፒውተር አይሆንም። ዳታ [Data] በማህደረ ትውስታ [Memory] እና በአውታረ መረቦች [Networks] መጓዝ አለበት፣ ውድቀቶችም መለየት እና መተዳደር አለባቸው። ማነቆው [Bottleneck] ብዙ ትኩረት ከሚስቡት የሂሳብ አሃዶች [Arithmetic units] ውጭ ሊሆን ይችላል።

የNVIDIA ወደ ሥርዓቶች [Systems] እና አውታረ መረብ [Networking] መስፋፋት በዚህ መሠረት ሊገባ ይችላል። የውድድር መለኪያው ከግለሰብ የግራፊክስ ካርድ [Graphics card] ወደ ትልቅ የስሌት ተቋም [Computing installation] አፈጻጸም ተዛወረ። የHuang ሚና የቺፕ አቅራቢ [Chip supplier] ራስ ብቻ ከመሆን ይልቅ የሥርዓት ገንቢ እና የሥነ ምህዳር [Ecosystem] አደራጅ እየሆነ ሄደ።

የምርምር ፍላጎትን ወደ ምርቶች መቀየር

በ2016 NVIDIA DGX-1 ን እንደ የተዋሃደ የጥልቅ መማር ሥርዓት [Integrated deep-learning system] አቀረበ። እያንዳንዱ ላብራቶሪ ከተለያዩ ክፍሎች ማሽን እንዲገጣጥም ከመጠየቅ ይልቅ የተዘጋጀ የGPUዎች [GPUs] እና የሶፍትዌር [Software] ጥምረት ሰጠ። የንግዱ ሐሳብ ሃርድዌር [Hardware] በማግኘት እና ጠቃሚ ምርምር በማድረግ መካከል ያለውን ርቀት መቀነስ ነበር። NVIDIA የመጀመሪያው የጥልቅ መማር ሱፐርኮምፒውተር [Deep-learning supercomputer] ብሎ መግለጹ የግብይት ጥያቄ እንጂ ከዚያ በፊት ማንም ኮምፒውተር የነርቭ አውታር [Neural network] አላሠለጠነም ማለት አልነበረም። [28]

በሚቀጥለው ዓመት የVolta አርክቴክቸር [Architecture] ለጥልቅ መማር [Deep learning] አስፈላጊ ሥራዎች ልዩ አሃዶች የሆኑ Tensor Cores ን አቀረበ። ይህ የግራፊክስ ችሎታን [Graphics capability] እንደገና ከመጠቀም ወደ AI ተዛማጅ ስሌት [AI-related computation] ዙሪያ ሃርድዌር [Hardware] መንደፍ ተጨማሪ እርምጃ ነበር። ውስጣዊ ማሽነሪው በእጅጉ ቢለወጥም መድረክ [Platform] ለምን ቀጣይነትን ሊጠብቅ እንደሚችል አሳየ። አልሚዎች [Developers] የመተግበሪያን [Application] እያንዳንዱን ንብርብር እንደገና ሳይጽፉ በተዘመኑ ቤተ መጻሕፍት [Libraries] በኩል ከአዲስ ሃርድዌር ሊጠቀሙ ይችላሉ። [29]

በ2022 የተገለጸው Hopper ከትራንስፎርመር ሞዴሎች [Transformer models] ጋር የተያያዙ የሥራ ጫናዎችን [Workloads] ለማፋጠን Transformer Engine አካቷል። በማርች 2024 የተገለጸው Blackwell የNVIDIA የሙሉ ሥርዓት አቀራረብ [System-level approach] ወደ አመንጪ AI [Generative AI] አስፋፋ። እነዚህ ማስታወቂያዎች የምርት አቅጣጫን እና ችሎታን ለውጥ ያሳያሉ፤ የሚታወቁ የአፈጻጸም ማባዣዎች [Performance multipliers] በሥራ ጫና፣ በትክክለኛነት [Precision] እና በማነጻጸሪያ ሥርዓት ላይ ይመሠረታሉ፣ እንደ ሁሉንም የሚመለከት ውጤት መወሰድ የለባቸውም። [30, 31]

ቅደም ተከተሉ ከሞዴል ስሞች ዝርዝር ይልቅ ጠቃሚ ነው። NVIDIA ደንበኞች ለማድረግ ከፈለጉት ተለዋዋጭ ሥራ ጋር ሃርድዌር [Hardware] እና ሶፍትዌር [Software] በተደጋጋሚ አስተካከለ። የወደፊት አፈጻጸምን [Performance] የሚያሻሽሉ ባህሪያትን እያቀረበ ነባር ኢንቨስትመንትን ለመጠበቅ በቂ ተስማሚነት [Compatibility] መያዝ ነበረበት። ይህ ውጥረት የመድረክ አመራር [Platform leadership] ማዕከል ነው፦ ከመጠን በላይ ለውጥ ሥነ ምህዳርን [Ecosystem] ሊሰብር ይችላል፣ ያልበቃ ለውጥ ደግሞ ጊዜው ያለፈበት ሊያደርገው ይችላል።

11 ከመትረፍ በኋላ የመጡ እንቅፋቶች

የምርት ጥራት እና የ2008 ውድቀት

የጀማሪ ኩባንያ [Start-up] ዓመታትን መትረፍ NVIDIA ከስህተት ነጻ አላደረገውም። በኦገስት 2008 ደካማ የቁሳቁስ ጥምረት ያጠቃቸውን አንዳንድ የላፕቶፕ ምርቶች [Notebook products] ለዋስትና፣ ጥገና፣ መመለስ እና መተካት ለሚጠበቅ ወጪ US$196 ሚሊዮን የሂሳብ ክፍያ [Charge] ዘገበ። ይኸው ማስታወቂያ የሩብ ዓመት ኪሳራ ዘገበ፣ የውድድር ዋጋ ስህተቶችንም አመነ። [13]

ይህ ከቀደምቱ የገንዘብ እጥረት የተለየ ዓይነት ቀውስ ነበር። የምርት ጥራትን፣ የደንበኛ ወጪን እና የአፈጻጸም መታመንን ተመለከተ። ብሩህ ስትራቴጂ ላይ ብቻ የሚያተኩር የሕይወት ታሪክ ይህን የአመራር ክፍል ያጣል። ደንበኞች ምርቶች ከደረሱ በኋላ እንዲሠሩ ይተማመናሉ፣ ስኬታማ አስፈጻሚም ከዋና ንግግር መድረክ ርቀው ሊገኙ ለሚችሉ ጉድለቶች ተጠያቂ ይቀጥላል።

የኩባንያው የ2009 የበጀት ዓመት ዓመታዊ መግለጫ በዓመቱ መጨረሻ በገንዘብ፣ በገንዘብ አቻዎች [Cash equivalents] እና በገበያ ሊሸጡ በሚችሉ ዋስትናዎች [Marketable securities] ወደ US$1.26 ቢሊዮን እንዳለ ዘገበ። ያ የገንዘብ ቦታ በ2008 የነበረው እያንዳንዱ ችግር ሌላ ወዲያውኑ ክስረት ነበር የሚል ቀላል አባባል አይደግፍም። ኪሳራው፣ ክፍያው [Charge] እና ሰፊው ውድቀት ያንን ስያሜ ሳይፈልጉ ከባድ ነበሩ። [14]

ከሞባይል [Mobile] መመለስ

NVIDIA ተንቀሳቃሽ ስልኮችንም ተከታትሎ በኋላ ከዚያ ጥረት ወጣ። የHuang የራሱ መግለጫ መመለሱን ሮቦቲክስ [Robotics] እና ራሳቸውን የሚያሽከረክሩ ተሽከርካሪዎችን [Autonomous vehicles] ጨምሮ ለሌሎች ዕድሎች ትኩረት የለቀቀ ውሳኔ አድርጎ ያቀርባል። ይህ ተሞክሮውን እንዴት እንደተረጎመው ማስረጃ እንጂ አማራጭ ዕድሎቹ ይሳካሉ ተብለው የተረጋገጡ መሆናቸውን አያሳይም። [9]

ዕቅድ አስቸጋሪ ስለሆነ መቀየር እና መሠረታዊ ኢኮኖሚው ማራኪ መሆኑን ስለተወ መቀየር ልዩነት አለው። መሪዎች መደበኛ ተቃውሞን ለማለፍ በቂ እምነት፣ ጽናት ብክነት ሲሆን ለመለየት በቂ ተለዋዋጭነት ይፈልጋሉ። ምንም መፈክር እነዚያን ሁኔታዎች አስቀድሞ በእርግጥ ሊለይ አይችልም።

ጠቃሚው ሥነ ሥርዓት ግምቶችን ግልጽ ማድረግ ነው። የትኛው የደንበኛ ፍላጎት እየተሟላ ነው? የትኛው የቴክኒክ ብልጫ [Technical advantage] አሁንም ሊጠበቅ ይችላል? ምን ያህል ተጨማሪ ኢንቨስትመንት ያስፈልጋል? ምን ማስረጃ ኩባንያውን እንዲያቆም ያደርገዋል? እነዚህ ጥያቄዎች መመለስን እያንዳንዱ ውሳኔ ጥበበኛ እንዲመስል በኋላ ከሚነገር ታሪክ ይልቅ ወደ ምክንያታዊ የሀብት ምደባ ይቀይራሉ።

ያልተከናወነው ግዢ [Acquisition]

በፌብሩወሪ 2022 NVIDIA እና SoftBank ትልቅ የቁጥጥር ተግዳሮቶችን በመጥቀስ Arm ን ለመግዛት [Acquisition] የነበረውን ዕቅድ አቋረጡ። ማስታወቂያው SoftBank በNVIDIA ቀድሞ የተከፈለውን US$1.25 ቢሊዮን እንደሚያቆይ፣ NVIDIA ደግሞ የሃያ ዓመት የArm ፈቃድ [Licence] እንደሚያቆይ ገለጸ። ያልተሳካው ግብይት የቺፕ ምህንድስና [Chip engineering] ውድቀት ባይሆንም ትልቅ ስትራቴጂያዊ እንቅፋት ነበር። [15]

ይህ ክስተት የመሥራች ሥልጣን ገደቦችን ያሳያል። ግብይት ለደጋፊዎቹ ምክንያታዊ ሲሆን ለተቆጣጣሪዎች፣ ደንበኞች ወይም ተፎካካሪዎች ስጋት ሊፈጥር ይችላል። የቴክኒክ ምኞት በሕጋዊ እና ፖለቲካዊ ተቋማት ውስጥ ይሠራል። ዋና ሥራ አስፈጻሚ እነዚያን ተቋማት ቁርጠኝነት ብቻ የሚያስወግዳቸው የምህንድስና ገደቦች [Engineering constraints] አድርጎ ሊወስድ አይችልም።

ተገቢው ምላሽ ያልተሳካውን ግዢ [Acquisition] ያለገደብ ድል አድርጎ እንደገና መጻፍ አይደለም። ወጪዎቹን መቀበል፣ ግብይቱ ለምን እንዳልተሳካ መረዳት እና የኩባንያውን ቀጣይ አማራጮች በራሳቸው ብቃት መመዘን ነው። የአመራር ታሪክ ያልተሳካ ውሳኔን የድል መጨረሻ ሳያስገድድ መግለጽ ሲችል መታመኑ ይጨምራል።

12 የAI መሠረተ ልማት [AI infrastructure] ኩባንያን መገንባት

ከአንድ ቺፕ [Chip] በላይ

የAI የሥራ ጫናዎች [AI workloads] ሲሰፉ የNVIDIA ምርቶች የትልልቅ ሥርዓቶች ክፍሎች እየሆኑ መጡ። GPUዎች [GPUs] ከፍተኛ የመተላለፍ አቅም ያለው ማህደረ ትውስታ [High-bandwidth memory]፣ ፈጣን ግንኙነቶች፣ አውታረ መረብ [Networking]፣ ሰርቨሮች [Servers]፣ የአስተዳደር ሶፍትዌር [Management software] እና ድጋፍ ፈለጉ። በ2020 የተጠናቀቀው የMellanox ግዢ የዚያን ሥርዓት የአውታረ መረብ ጎን ለማጠናከር አስፈላጊ እርምጃ ነበር። [16]

ትልቅ የሥልጠና ሥራ [Training job] ችግሩን ያሳያል። አንድ ፕሮሰሰር [Processor] ከሌላው ዳታ [Data] ከጠበቀ ውድ ሃርድዌር [Hardware] ያለሥራ ሊቀመጥ ይችላል። አውታረ መረብ [Network] የማይታመን ከሆነ ረጅም ጊዜ የሚሠራ ተግባር ጠቃሚ ሥራ ሊያጣ ይችላል። ማቀዝቀዣ [Cooling] ካልበቃ ሥርዓቱ አካላቱ [Components] የሚሰጡትን የአፈጻጸም ቃል [Performance] ሊያስቀጥል አይችልም። የደንበኛው ውጤት በተከላው [Installation] ሙሉ ማስተባበር ላይ ይመሠረታል።

ይህ የተዋሃዱ ሥርዓቶች [Integrated systems] ማራኪነትን ያብራራል። ደንበኛው እያንዳንዱን አካል [Component] በተናጠል የመገጣጠም እና የማረጋገጥ [Validating] ጫና ይቀንሳሉ። በአቅራቢ ላይ ጥገኝነትንም ሊጨምሩ ይችላሉ። ደንበኛው የበለጠ የተሟላ መፍትሔ እያገኘ መፍትሔው እንዴት እንደሚያድግ ስለሚመለከት ጠባብ ምርጫዎችን ሊቀበል ይችላል።

የHuang የተፋጠነ ስሌት [Accelerated computing] ይፋዊ ትረካ ከዚህ ለውጥ ጋር ይስማማል። ጠቃሚው ጥያቄ ሥርዓት በተወሰነ ጊዜ፣ ኃይል እና ገንዘብ ምን ያህል ጠቃሚ ሥራ ሊያጠናቅቅ ይችላል የሚል ይሆናል። ርካሽ ቺፕ [Chip] ብዙ ማሽኖችን ከፈለገ ወይም ጠቃሚ ውጤትን ካዘገየ በተግባር ውድ ሊሆን ይችላል። በተቃራኒው ቀላል ሥርዓት ሲበቃ የላቀ ሥርዓት የማያስፈልግ ወጪ ሊሆን ይችላል።

የAI ዕድገት [AI boom] ያረጋገጠው እና ያላረጋገጠው

አመንጪ AI [Generative AI] በፍጥነት መቀበሉ የስሌት መሠረተ ልማት [Computing infrastructure] ፍላጎትን ጨመረ። NVIDIA ለእነዚያ የሥራ ጫናዎች [Workloads] ተገቢ ሃርድዌር [Hardware] እና ሶፍትዌር [Software] በማዳበር ዓመታትን ቀድሞ ስላሳለፈ ተጠቀመ። ያ የጊዜ መጣጣም በንግድ ኃይለኛ ነበር። የAI ዕድገት ብቸኛ ፈጣሪነት ተብሎ መወሰድ የለበትም።

ዘመናዊ AI [AI] በዩኒቨርሲቲ ምርምር፣ በሕዝብ ዳታ ስብስቦች [Public datasets]፣ በክፍት ምንጭ ሶፍትዌር [Open-source software]፣ በደመና መሠረተ ልማት [Cloud infrastructure]፣ በሴሚኮንዳክተር ምርት [Semiconductor manufacturing] እና በተፎካካሪ ላብራቶሪዎች ሥራ ላይም ይመሠረታል። የሞዴል አልሚዎች [Model developers] የአርክቴክቸር [Architecture] እና የሥልጠና [Training] ውሳኔዎችን አደረጉ፤ የሃርድዌር ኩባንያዎች [Hardware companies] መሣሪያዎችን ሰጡ፤ ተጠቃሚዎች እና ባለሀብቶች ፍላጎትን ቀረጹ። የHuang አስተዋጽኦ ከዚህ መረብ ተለይቶ ሳይሆን በውስጡ ትልቅ ነበር።

የገንዘቡ ውጤት ግልጽ ነበር። በ26 ኦገስት 2026 የተወጣው የNVIDIA መግለጫ በ26 ጁላይ 2026 ላበቃው የ2027 የበጀት ዓመት ሁለተኛ ሩብ ዓመት US$96.2 ቢሊዮን ገቢ፣ ከዚህ ውስጥ US$89.0 ቢሊዮን ከData Center [Data Center]፣ ዘገበ። እነዚህ የተዘገቡ የሩብ ዓመት ቁጥሮች እንጂ የቀን መቁጠሪያ ዓመት ድምር ወይም ትንበያ አይደሉም። [17]

ይኸው መግለጫ Vera Rubin ወደ ሙሉ ምርት [Full production] እየገባ እንደሆነ ገለጸ። እንዲህ ያሉ የኩባንያ መግለጫዎች በቀናቸው አውድ መነበብ አለባቸው። NVIDIA ምን እንዳስታወቀ ያረጋግጣሉ፣ የግለሰብ ተከላዎች [Installations] አፈጻጸም [Performance]፣ በሥራ ላይ መዋል [Deployment] እና ኢኮኖሚያዊ ትርፍ [Economic return] ግን የራሳቸውን ማስረጃ ይፈልጋሉ። የምርት መንገድ ካርታ [Product roadmap] እና ደንበኛ በእውነት ያገኘው ጥቅም ተዛማጅ ግን የተለዩ ጉዳዮች ናቸው።

በአስደናቂ ዕድገት ውስጥ ያለው አደጋ

ፈጣን ዕድገት ደካማ ግምቶችን ሊሸፍን ይችላል። ደንበኞች ከወደፊት ፍላጎት በፊት እየገዙ ሊሆን ይችላል። መሠረተ ልማት [Infrastructure] ከታቀደው በላይ ለኃይል ለመገናኘት ጊዜ ሊወስድ ይችላል። አዲስ ሞዴሎች [Models] የተለየ ሃርድዌር [Hardware] ሊፈልጉ ወይም የበለጠ ብቁ ሊሆኑ ይችላሉ። በከፍተኛ አጠቃቀም [Utilisation] ማራኪ የሚመስል ኢንቨስትመንት ማሽኖች ያለሥራ ሲቀመጡ ውድ ሊሆን ይችላል።

ስለዚህ የገቢ ዕድገት ከደንበኛ መሰብሰብ [Customer concentration]፣ ከቁርጠኝነቶች [Commitments]፣ ከአቅርቦት አቅም [Supply capacity] እና ከደንበኞቹ ንግድ ኢኮኖሚ ጋር መጠናት አለበት። በዙሪያው ያለው ኢንዱስትሪ ክፍሎች በቂ ትርፍ ለማግኘት ሲቸገሩ አቅራቢ በዕድገቱ ላይ በስኬት ሊሸጥ ይችላል። ያ ዕድል አረፋ [Bubble] እንዳለ አያረጋግጥም። በፍጥነት የሚያድገውን ተሳታፊ ብቻ ከማድነቅ ይልቅ የኢኮኖሚ ሰንሰለቱን ለመፈተሽ ምክንያት ነው።

13 የአመራር ሥርዓት

ቀጥተኛ መረጃ እና ከፍተኛ መስፈርቶች

Huang ስለአስተዳደር በይፋ በሚወያይበት ጊዜ መረጃ ማግኘትን፣ የጋራ አውድን [Shared context] እና አስቸጋሪ የቴክኒክ ችግሮችን [Technical problems] መሳተፍን ያጎላል። በ2024 በStripe Sessions ውይይት የNVIDIA አደረጃጀት ገጽታዎችን እና ቀጥተኛ ግብረ መልስን [Direct feedback] እንዴት እንደሚጠቀም ገለጸ። እነዚህ አስተያየቶች የተናገረውን ፍልስፍና ጠቃሚ ማስረጃ ሲሆኑ፣ ኩባንያውን የሚመራው ሰው መግለጫ መሆናቸው ይቀጥላል። [18]

ጥቂት ደረጃ ያለው ተቋም [Flatter organisation] በችግር እና ሊፈቱት በሚችሉ ሰዎች መካከል መዘግየትን ሊቀንስ ይችላል። በዋና ሥራ አስፈጻሚ ላይ ትልቅ የመረጃ ጫናም ሊጥል ይችላል። የእንዲህ ያለ መዋቅር ውጤታማነት በሰዎች ጥራት፣ በውሳኔ መብቶች [Decision rights] ግልጽነት እና ተፎካካሪ ቅድሚያዎችን በመፍታት ችሎታ ላይ ይመሠረታል።

ስለዚህ ሁሉም ኩባንያ ብዙ ቀጥታ ተጠሪዎችን እንዲቀዳ መምከር ቀላል ያለ ግምት ነው። የድርጅት ገበታ [Organisation chart] የሚሠራ ሥርዓት የሚታይ ንድፍ ብቻ ነው። ሁለት ኩባንያዎች ተመሳሳይ ገበታ እና እጅግ የተለየ ባህል ሊኖራቸው ይችላል። አስፈላጊው ዋና መረጃ ይጓዛልን፣ ውሳኔዎች ይገባሉን እና ሰዎች ወደ ላይ ያለአስፈላጊ ጥበቃ መሥራት ይችላሉን የሚል ነው።

ከፍተኛ መስፈርቶች በHuang መግለጫዎች ሌላ ተደጋጋሚ ገጽታ ናቸው። ግን አፈጻጸምን [Performance] መጠየቅ በራሱ ጥሩ አስተዳደር አይሆንም። ጥያቄው መስፈርቶች እንዴት ይተላለፋሉ፣ የሚጠበቁት ሊደረሱ ይችላሉን፣ አለመስማማት ደህንነት አለውን እና ስህተቶች ወደ መማር ያመራሉን ነው። መሪ ውርደትን የማሻሻያ ዘዴ ሳያደርግ ጥብቅ ሊሆን ይችላል።

የወደፊቱ ከመለመዱ በፊት ማብራራት

የቴክኒክ መሥራች [Technical founder] የተለያዩ ፍላጎቶች ያላቸውን ሰዎች ማሳመን አለበት። መሐንዲስ አርክቴክቸር [Architecture] ይሠራልን ማወቅ ይፈልጋል። ደንበኛ ችግር ይፈታልን ማወቅ ይፈልጋል። ባለሀብት ንግዱ ትርፍ ሊያገኝ ይችላልን ይጠይቃል። መንግሥት ስለደህንነት [Security]፣ ስለአገር ውስጥ አቅም እና ስለመዳረሻ [Access] ሊያስብ ይችላል።

የHuang ይፋዊ አቀራረቦች ብዙ ጊዜ የቴክኒክ ለውጥን [Technical development] ከትልቅ የኢንዱስትሪ ለውጥ ጋር ያገናኛሉ። ደንበኞች ያልገባቸውን የወደፊት ሁኔታ በመመርኮዝ መግዛት ወይም መገንባት ስለማይችሉ ያ ችሎታ ስትራቴጂያዊ ዋጋ አለው። ጥሩ ማብራሪያ በብዙ ተቋማት መካከል ኢንቨስትመንትን ሊያስማማ ይችላል።

ይኸው ችሎታ ኃላፊነት ይፈጥራል። አሳማኝ ትረካዎች ማስረጃን ሊቀድሙ ይችላሉ። ማሳያ [Demonstration] በጥንቃቄ በተመረጡ ሁኔታዎች ሊሠራ ይችላል። የአፈጻጸም ንጽጽር [Performance comparison] በተወሰነ የሥራ ጫና [Workload] ወይም የሶፍትዌር ስሪት [Software version] ላይ ሊመሠረት ይችላል። ስለወደፊት ችሎታ ቃል አሁን ያለ ምርት ሊመስል ይችላል። ታሪክ ነጋሪው የበለጠ ጎበዝ በሆነ ቁጥር እነዚህን ምድቦች መለየት የበለጠ ይጠቅማል።

የውሳኔ መሰብሰብ

የመሥራች ረጅም ቆይታ የቴክኒክ ቀጣይነትን [Technical continuity] ሊጠብቅ እና አጭር የአስተዳደር አድማስ የማያቆያቸውን ኢንቨስትመንቶች ሊከላከል ይችላል። ውሳኔንም በአንድ ሰው ላይ ሊያሰባስብ ይችላል። ባልደረቦች መሥራቹ የሚፈልገው ትክክል መሆኑን ከመፈተሽ ይልቅ የሚፈልገውን በመገመት ሊበቁ ይችላሉ።

የሚቋቋም ኩባንያ ጠንካራ ማዕከል እና ሊያስተካክሉት የሚችሉ ዘዴዎች ሁለቱንም ይፈልጋል። ቦርዶች፣ የቴክኒክ ግምገማዎች [Technical reviews]፣ የደንበኛ ግብረ መልስ [Customer feedback] እና ገለልተኛ ማረጋገጫ [Independent assurance] ሁሉም ይረዳሉ። እንደ ራዕይ እንቅፋቶች ሳይገፉ ስኬታማ መሪን መጠየቅ ሲችሉ ዋጋቸው ታላቅ ነው።

የHuang አመራር በመጨረሻ እርሱ በግል ሲመራ NVIDIA ምን ያህል ጥሩ እንደሚሠራ ብቻ ሳይሆን፣ ተቋሙ ከእርሱ በኋላ ጠቃሚ ውሳኔን፣ ተጠያቂነትን እና ፈጠራን ምን ያህል ሊያስጠብቅ እንደሚችል ሊመዘን ይገባል። ያ ከግል ማራኪነት የበለጠ ከባድ ፈተና ነው፣ ኩባንያው በኢኮኖሚ አስፈላጊ ሲሆንም የበለጠ ይጠቅማል።

14 መነሳሳት፣ ምኞት እና የውድቀት ትርጉም

ይፋዊ መግለጫዎች ምን ሊያረጋግጡ ይችላሉ

Huang ስለእርግጠኝነት እጦት፣ ስለጠንካራ ሥራ እና ከስህተት መማር በተደጋጋሚ ተናግሯል። በ2023 በNational Taiwan University የምረቃ ንግግሩ የኩባንያውን እድገት ለማብራራት የውድቀት እና የስትራቴጂ መመለስ ምሳሌዎችን ተጠቀመ። እነዚህ መግለጫዎች እንቅፋቶችን በይፋ የፈጠራ [Innovation] ክፍል የሚያይ መሪ ምስል ይደግፋሉ። የግል ዓላማዎቹን ያለገደብ አያሳዩም። [9]

የሕይወት ታሪኮች ለአንድ ሰው አንድ የስሜት አንቀሳቃሽ ብዙ ጊዜ ይሰጣሉ፦ የድህነት ፍርሃት፣ የእውቅና ፍላጎት ወይም ተቺዎችን ለማሳሳት ምኞት። ውስብስብ ሕይወትን ቀላል ለማስታወስ ስለሚያደርጉ እንዲህ ያሉ ማብራሪያዎች ሊማርኩ ይችላሉ። ያለ ጠንካራ ማስረጃ ግን ግምቶች ናቸው።

የበለጠ ሥነ ሥርዓት ያለው ታሪክ የሚታዩ ምርጫዎችን ሊመረምር ይችላል። Huang ለአሥርተ ዓመታት ከአንድ ኩባንያ ጋር ቀጠለ። NVIDIA የኋላው ገበያ ግልጽ ከመሆኑ በፊት በፕሮግራሚንግ ሥነ ምህዳር [Programming ecosystem] ኢንቨስት ማድረጉን ቀጠለ። ኩባንያው አንዳንድ ፕሮጀክቶችን ትቶ ሌሎችን አጠናከረ። እነዚህ ውሳኔዎች በየጠዋቱ ምን እንደተሰማው የተፈጠረ ታሪክ ሳይፈልጉ ቅድሚያዎችን ያሳያሉ።

ጠቃሚ ጭንቀት እና ገደቦቹ

ኩባንያ ሁልጊዜ ወደ ውድቀት ቅርብ ነው የሚለው የታወቀ ሐሳብ ጥንቃቄን ሊያበረታታ ይችላል። ደንበኞች አማራጭ እንዳላቸው እና የቴክኒክ ብልጫዎች [Technical advantages] እንደሚደክሙ ያስታውሳል። ግን ቋሚ ድንገተኛ ሁኔታ ተቋምን ሊያደክም ወይም በሐሳብ የተመሠረተ አለመስማማትን አስቸጋሪ ሊያደርግ ይችላል።

ልዩነቱ ማስጠንቀቂያው በሚያመጣው ውጤት ላይ ነው። ወደ ተሻለ ፈተና [Testing]፣ የደንበኛ ችግሮችን ፈጥኖ ማወቅ እና የበለጠ ቅን ዕቅድ ያመራልን? ወይስ የተቻኮሉ ውሳኔዎችን እና መጥፎ ዜና መደበቅን ያበረታታል? የሕይወት ታሪክ እያንዳንዱ ሠራተኛ ባህሉን በአንድ መንገድ አሳልፏል ሳይል ውጥረቱን ሊለይ ይችላል።

በተመሳሳይ ውድቀት ጠቃሚ የሚሆነው ተቋሙ ሊተገበር የሚችል ነገር ሲማር ብቻ ነው። ግምቶቹን ሳይቀይሩ ያልተሳካ ሙከራ [Experiment] መደጋገም ጽናት አይደለም። በጥሩ የተነደፈ ሙከራ የንግድ ውጤቱ ቢያሳዝንም መረጃ ይሰጣል። መጥፎ የተነደፈው ዋናውን ጥያቄ ያለመልስ እያስቀረ ገንዘብ ሊያጠፋ ይችላል።

ሐሳብን የመቀየር ሥነ ሥርዓት

የመጀመሪያው የSega ክስተት በተለይ አስተማሪ ነው፣ Huang ማንነትን ከቴክኒክ ምርጫ [Technical choice] እንዲለይ ስለጠየቀ። መሥራች ዝናን፣ ገንዘብን እና የዓመታትን ሥራ በንድፍ [Design] ውስጥ አስገብቶ ሊሆን ይችላል። ስህተት ነው ማለት ኩባንያው ራሱ ስህተት ነው ማለት ሊመስል ይችላል። ግን መትረፍ በዚያ ልዩነት ማድረግ ላይ ሊመሠረት ይችላል።

ሰፊው ትምህርት የታቀደው መፍትሔ እንዲለወጥ እየፈቀዱ ለችግሩ ቁርጠኝነትን መጠበቅ ነው። የNVIDIA ታሪክ የዚህን ዘይቤ ብዙ ምሳሌዎች ይሰጣል፦ የግራፊክስ አርክቴክቸሮች [Graphics architectures] ተለወጡ፣ ሶፍትዌር [Software] ማዕከላዊ ሆነ፣ AI [AI] አስፈላጊነት አገኘ፣ አንዳንድ ገበያዎችም ተተዉ። ዘይቤው የውሳኔዎች ቅደም ተከተል ተብሎ መጠናት እንጂ ሁሉም የወደፊት አቅጣጫ ለውጥ [Pivot] ይሳካል ወደሚል ዋስትና መውጣት የለበትም።

15 Lori፣ Spencer እና Madison

ቤተሰብ በይፋዊ ታሪክ ውስጥ

Jensen እና Lori Huang በOregon State የምህንድስና ተማሪዎች ሳሉ ተዋወቁ፣ በ1985 ተጋቡ። ሁለት የጎለመሱ ልጆች፣ Spencer እና Madison፣ አሏቸው። የጋራ የትምህርት በጎ አድራጎታቸው በደንብ ተመዝግቧል። ከዚያ ይፋዊ መዝገብ ውጭ፣ የሕይወት ታሪክ በቤተሰብ ይፋዊ እንቅስቃሴዎች እና በግል ሕይወቱ መካከል ያለውን ልዩነት ማክበር አለበት። [1, 4]

ለአሥርተ ዓመታት ኩባንያ መገንባት ቤተሰብን እንደሚነካ መቀበል ምክንያታዊ ነው። በይፋ ያልገለጹትን የቤተሰብ አባላት ውይይቶች፣ ስምምነቶች ወይም የስሜት ልምዶች መፍጠር ግን ምክንያታዊ አይደለም። የትዳር ጓደኛን ከእያንዳንዱ የንግድ ስኬት በስተጀርባ ያለች ምስጢር ማለት የራሷን ነጻ ተሳትፎ እያጠፋ እንደ ምስጋና ሊሰማ ይችላል።

ተመሳሳይ ጥንቃቄ ስለLori የአሁኑ መደበኛ ማዕረግ፣ ስለፋውንዴሽኑ ንብረት ወይም ስለትክክለኛ የሙያ ቀናት ለሚቀርቡ ጥያቄዎችም ይሠራል። እነዚህ ቀን ያለው መዝገብ ይፈልጋሉ። ከቤተሰቡ ሀብት መጠን መገመት ወይም ምንጭ ከሌለው ማጠቃለያ መቅዳት የለባቸውም።

Madison Huang

የNVIDIA የአሁኑ ይፋዊ የሕይወት መግለጫ Madison Huang ለአካላዊ AI መድረኮች [Physical AI platforms] የምርት እና የቴክኒክ ግብይት ከፍተኛ ዳይሬክተር መሆኗን ይለያል። በOmniverse፣ Cosmos እና Isaac ያሉ ኃላፊነቶችን ይገልጻል፣ በLouis Vuitton Moët Hennessy ቡድን ቀደምት የግብይት ሥራዋን እና ከLondon Business School በግብይት እና ስትራቴጂ ያገኘችውን MBA ይመዘግባል። [19]

እነዚህ ትርጉም ያላቸው የሙያ ዝርዝሮች ናቸው። የአባቷን የቺፕ ንድፍ [Chip-design] ሙያ በቀላሉ ከመድገም ይልቅ በግብይት እና በንግድ ትምህርት ወደ ቴክኖሎጂ የገባችበትን መንገድ ያሳያሉ። የአሁኑን ሚናዋን ለማብራራት ትክክለኛ ዕድሜ ወይም የተሟላ የምግብ ማብሰል ሥልጠና ቅደም ተከተል ጥያቄዎች አያስፈልጉም።

የቴክኒክ መድረክን [Technical platform] ማስተዋወቅ ዝና መፍጠር ብቻ አይደለም። ችሎታዎችን ለአልሚዎች [Developers] እና ለደንበኞች ማብራራት፣ የቅበላ መሰናክሎችን [Adoption barriers] መረዳት እና የምህንድስና ሥራን ከገበያ ጋር ማገናኘት ነው። የዚያ ሥራ ጥራት በውጤቱ መመዘን እንጂ ከቤተሰብ ግንኙነት መገመት የለበትም።

Spencer Huang

የNVIDIA የቴክኒክ መግለጫ Spencer Huang የሮቦቲክስ [Robotics] ምርት ዳይሬክተር መሆኑን ይለያል። በማስመሰል [Simulation]፣ በሮቦት መማር [Robot learning]፣ በሰው ሠራሽ ዳታ [Synthetic data] እና ራስ ገዝ ማሽኖችን [Autonomous machines] ለማሠልጠን እና በሥራ ላይ ለማዋል በሚያገለግል መሠረተ ልማት [Infrastructure] ሥራውን ይገልጻል። በሰው ሰራሽ አስተውሎት [Artificial intelligence] ያተኮረ ከNew York University የቴክኒክ MBA እንዳለውም ይመዘግባል። [20]

በይፋ የተገለጸው የሙያ መንገድ ከአባቱ ቀደምት ሥራ ይለያል። ቤተሰብ ተመሳሳይ ሥልጠና ወይም ኃላፊነት ሳይኖረው አንድ ኩባንያ ሊጋራ ስለሚችል ያ ልዩነት ጠቃሚ ነው። ማዕረግ ብቻ የአንድ ግለሰብ የቴክኒክ አስተዋጽኦ ጥልቀት አያረጋግጥም፣ ዘር ግን ያንን አስተዋጽኦ ለመጣል ምክንያት አይሆንም።

የቤተሰብ ቅጥር እና አስተዳደር

የመሥራች ዘመዶች በሕዝብ ኩባንያ ሲሠሩ መደበኛ የአስተዳደር ጥያቄዎች ይከተላሉ። ሚናዎች እና ክፍያዎች በተገቢው ይገመገማሉን? የሪፖርት ግንኙነቶች ግልጽ ናቸውን? ሌሎች ሠራተኞች በፍትሐዊነት መወዳደር ይችላሉን? ከተያያዥ አካላት ጋር ያሉ ግብይቶች በትክክል ይገለጻሉን?

እነዚህ ጥያቄዎች ጥፋት አያረጋግጡም። ኩባንያ ሲያድግ የበለጠ አስፈላጊ የሚሆን የተቋም ሥነ ሥርዓት ክፍል ናቸው። በተመሳሳይ የወላጅ ዝና የልጁን ሥራ ገለልተኛ ግምገማ ሊተካ አይችልም።

ቅጥርም የመተካካት ማስታወቂያ አይደለም። Spencer እና Madison በNVIDIA መኖራቸው አንዳቸው ዋና ሥራ አስፈጻሚ እንዲሆን መመረጡን አያረጋግጥም። ስለቴክኖሎጂ የቤተሰብ ሥርወ መንግሥት መገመት ትኩረት ሊያመጣ ይችላል፣ ግን ቁም ነገር ያለው የሕይወት ታሪክ የአሁኑን ሥራ ገና በይፋ ካልተረጋገጠ የወደፊት ሹመት መለየት አለበት።

16 በትምህርት መልሶ መስጠት

አስፈላጊ ሆነው የቀሩ ተቋማት

የHuang ቤተሰብ ይፋዊ በጎ አድራጎት ከትምህርት ጋር ጠንካራ ግንኙነት አለው። Oregon State በ2022 ለJen-Hsun and Lori Huang Collaborative Innovation Complex የሰጡትን US$50 ሚሊዮን ስጦታ አስታወቀ። ፕሮጀክቱ ምህንድስናን፣ ስሌትን [Computation] እና በተለያዩ ትምህርቶች መካከል ምርምርን ያገናኛል። [21]

የStanford ስለHuang Engineering Center መግለጫ የባልና ሚስቱን US$30 ሚሊዮን ቃል ኪዳን ይመዘግባል። የOneida መግለጫ በ2019 ለተመረቀው ሕንጻ US$2 ሚሊዮን የሚመጣጠን ድጋፋቸውን ይመዘግባል። እነዚህ ስጦታዎች የHuang ልዩ የሕይወት ደረጃዎችን ያገናኛሉ፦ ልጅነት፣ የመጀመሪያ ዲግሪ እና የድኅረ ምረቃ ጥናት። [22, 3]

መጠኖቹ በተዛማጅ የተቋም ማስታወቂያዎች እንደተገለጹ ቃል ኪዳኖች መነበብ አለባቸው። ቃል ኪዳን፣ የንብረት ግምት እና ቀድሞ የተከፈለ ገንዘብ አንድ አይደሉም። የቤተሰቡ በጎ አድራጎትም ከNVIDIA የኩባንያ ፋውንዴሽን ወይም ከኩባንያው የንግድ ኢንቨስትመንቶች ጋር መቀላቀል የለበትም።

የትምህርት በጎ አድራጎት ምን ሊያሳካ ይችላል

የዩኒቨርሲቲ ሕንጻ በራሱ የትምህርት ውጤት አይደለም። ዋጋው በሚደግፋቸው ሰዎች፣ መሣሪያዎች እና ፕሮግራሞች ላይ ይመሠረታል። በጥሩ የተነደፉ ተቋማት ቀድሞ አስቸጋሪ የነበረ ትብብርን ሊያስችሉ፣ ለተማሪዎች የላቁ መሣሪያዎችን ሊያቀርቡ እና በአስፈላጊ ችግሮች የሚሠሩ ተመራማሪዎችን ሊስቡ ይችላሉ።

በቴክኖሎጂ ለጋሽ እና በዩኒቨርሲቲ መካከል ያለው ግንኙነትም በጥልቀት መመርመር ይገባዋል። ስጦታዎች ቅድሚያዎችን እየቀየሩ ዕድልን ሊያስፋፉ ይችላሉ። ተቋማት የትምህርት ነጻነት፣ ግልጽ አስተዳደር እና ከስጦታ ጋር የሚመጣውን ግዴታ የሚያሳይ ግልጽ ግንዛቤ ይፈልጋሉ።

ስለዚህ የበጎ አድራጎት ጠንካራው ታሪክ ሁለት ጽንፎችን ያስወግዳል። የተሰጠ ሀብትን የሥነ ምግባር ልቀት በራሱ ማስረጃ አያደርገውም፣ እያንዳንዱ ስጦታም ራስን ማስተዋወቅ ብቻ ነው አይልም። የተመዘገበውን ቃል ኪዳን፣ የተቀባዩን ዓላማ እና ማስረጃ ሲገኝ ውጤቶችን ይመረምራል።

ለዚህ የሕይወት ታሪክ ከትምህርት ጋር የሚደጋገመው ግንኙነት ጠቃሚ ነው። የHuang የራሱ ሙያ በቴክኒክ ሥልጠና እና ለማደግ ቦታ በሰጡት ተቋማት ላይ ተመሠረተ። እነዚያን መደገፍ በግል ስኬት እና ለሌሎች ዕድል መካከል የሚታይ አገናኝ ይፈጥራል። ያ አገናኝ በመጨረሻ ምን ያህል ያሳካል የሚለው በጊዜ የሚታይ የማስረጃ ጥያቄ ነው።

17 Huang ን ከSteve Jobs ጋር ለማነጻጸር የሚቀርብ ክርክር

ጠቃሚ ንጽጽር በትርጉም ይጀምራል

Huang ን በሕይወት ያለ Steve Jobs ማለት ብዙ የተለያዩ ነገሮችን ሊያመለክት ይችላል። ማራኪ የቴክኖሎጂ መሪ፣ ኩባንያው ኢንዱስትሪን የሚቀይር መሥራች ወይም ውስብስብ ምርቶችን አስደሳች ማድረግ የሚችል የሕዝብ ሰው ማለት ሊሆን ይችላል። እነዚያ ሊፈተሹ የሚችሉ ንጽጽሮች ናቸው። ተመሳሳይ ስብዕና፣ ሙያ ወይም ታሪካዊ ሚና አለው ማለት በቀጥታ ሊሆን አይችልም።

ጠንካራው ክርክር ቴክኖሎጂን ከትልቅ ዕድል ጋር በማገናኘት ችሎታ ይጀምራል። Jobs የግል ስሌትን [Personal computing] እና ተንቀሳቃሽ መሣሪያዎችን [Mobile devices] ሰዎች ሊፈልጉት የሚችሉ ተሞክሮ አድርጎ ለማስረዳት ረዳ። Huang የተፋጠነ ስሌትን [Accelerated computing] ተመራማሪዎች እና ንግዶች ቀድሞ ተግባራዊ ያልነበረ ሥራ የሚሠሩበት መሠረተ ልማት [Infrastructure] አድርጎ ለማስረዳት ረድቷል።

ንጽጽሩ በማዋሃድ [Integration] ላይም ይመሠረታል። የApple የ2007 iPhone ማስታወቂያ ግንኙነትን፣ ሚዲያን እና ኢንተርኔት ተግባሮችን በጥብቅ በሚቆጣጠር መገናኛ [Interface] ያጣመረ መሣሪያ አቀረበ። የNVIDIA ስትራቴጂ ፕሮሰሰሮችን [Processors]፣ አውታረ መረብን [Networking] እና ሶፍትዌርን [Software] ለአልሚዎች [Developers] እና ለተቋማት መድረኮች [Platforms] ያገናኛል። በሁለቱም የደንበኛው ጥቅም ክፍሎቹ አብረው በሚሠሩበት ሁኔታ ላይ ይመሠረታል። [23]

ከስምምነት በፊት እምነት

ሁለቱም ሙያዎች ታዋቂ ከመሆናቸው በፊት እርግጠኛ ያልነበሩ ውሳኔዎችን ይይዛሉ። የJobs የራሱ የStanford ንግግር መጀመሪያ ግልጽ የሙያ ዕቅድ ባልሆኑ ተሞክሮዎች በኋላ ያገኘውን ዋጋ ይገልጻል፣ ወደ Apple መመለሱም ከኩባንያው ውጭ ጊዜ ካሳለፈ በኋላ ነበር። Huang በCUDA ያደረገው ቀጣይ ኢንቨስትመንት ጥልቅ መማር [Deep learning] በንግድ በስፋት ታዋቂ ከመሆኑ በፊት ነበር። [24, 9]

ተመሳሳይነቱ አንዳቸውም የወደፊቱን በፍጹም ሊያዩ ይችሉ ነበር ማለት አይደለም። ሁለቱም ቴክኖሎጂ እንዴት የበለጠ ጠቃሚ ሊሆን እንደሚችል ባላቸው አመለካከት ዙሪያ ትልቅ ጥረት ለማደራጀት ፈቃደኞች ነበሩ። ራዕይ የምርት ውሳኔዎችን፣ ኢንቨስትመንትን እና የሌሎችን ሥራ ሲቀይር ብቻ ተግባራዊ ትርጉም ያገኛል።

ይፋዊ ታሪክ መንገር እንደ የአሠራር ሀብት

የJobs የምርት አቀራረቦች የApple የንግድ መለያ ክፍል ሆኑ። የHuang አቀራረቦችም በተመሳሳይ የNVIDIA ስትራቴጂ ይፋዊ ተርጓሚ አድርገውታል። ከእያንዳንዳቸው ጋር የሚያያዙ ልብሶች የማይረሱ ናቸው፣ ግን ለንጽጽር ደካማ መሠረት ናቸው። ጠንካራው ተመሳሳይነት የቴክኒክ ምርጫዎችን ወደ ወጥ ታሪክ የመቀየር ሚናቸው ነው።

ይህ ተቋም በአንድ አቅጣጫ እንዲተባበር ሊረዳ ይችላል። ሠራተኞች ምርቱ ምን እንዲያሳካ እንደታሰበ ይረዳሉ። ደንበኞች ከዕቅዳቸው ጋር እንዴት ሊስማማ እንደሚችል ያያሉ። አጋሮች በሚያሟላ ሥራ ኢንቨስት ለማድረግ ምክንያት ያገኛሉ። ስለዚህ ታሪክ መንገር አፈጻጸምን ከማስዋብ ይልቅ ሊደግፍ ይችላል።

ግን የማሳመን ኃይል አደጋዎችንም ይፈጥራል። አድማጮች የመሪውን እምነት እንደ ማስረጃ መውሰድ ሊጀምሩ ይችላሉ። በጥሩ የቀረበ ማስታወቂያ ያልተፈቱ የምህንድስና ወይም የንግድ ጥያቄዎችን ሊሸፍን ይችላል። አድናቆት አንባቢዎችን ለእነዚያ ጥያቄዎች የበለጠ እንጂ ያነሰ ተጠንቀቁ ማድረግ አለበት።

ሊከላከል የሚችል ትርጓሜ

የAI ዘመን Steve Jobs የሚለው አባባል ስትራቴጂያዊ እምነትን፣ ማዋሃድን [Integration] እና ይፋዊ ግንኙነትን ለሚያጣምር ተጽዕኖ ያለው መሥራች የአርትዖት ዘይቤ ተብሎ ሊከላከል ይችላል። እነዚያ ገጽታዎች በግልጽ ሲገለጹ የበለጠ ይጠናከራል።

ያ ቀመር አሁንም ገደቦች ይፈልጋል። AI [AI] ብዙ ገንቢዎች አሉት፣ አንድ ብቸኛ ባለቤት የለውም። የHuang አስፈላጊነት እያንዳንዱን የሞዴል አልሚ [Model developer]፣ ተመራማሪ ወይም ተፎካካሪ የሃርድዌር ነዳፊ [Hardware designer] በታሪኩ ረዳት ተዋናይ አያደርገውም። ንጽጽሩም ምርቶቹ ወይም ውሳኔዎቹ እንደ Apple ተመሳሳይ የረጅም ጊዜ ባህላዊ ቦታ ያገኛሉ ብሎ አያረጋግጥም።

ስለዚህ አዎንታዊው ክርክር ትልቅ ግን ጠባብ ነው። Huang ሌሎች ሰዎች አዲስ የቴክኖሎጂ አቅጣጫ እንዲያውቁ እና እንዲወስዱ የረዳ መሪ ተብሎ ከJobs ጋር ሊነጻጸር ይችላል። ንጽጽሩ የተመሳሳይ ባህሪ ምስክር ወይም የአንድ ዓይነት ውርስ ትንበያ አይደለም።

18 በሕይወት ያለ Steve Jobs የሚለውን ስያሜ የሚቃወም ክርክር

ወደ ቴክኖሎጂ የተለያዩ መንገዶች

Jobs እና Huang ወደ አመራር በተለያዩ የዝግጅት መንገዶች ደረሱ። Jobs Reed College ን ትቶ በኋላ ከመደበኛ የዲግሪ መንገድ ውጭ ያጠናቸው ትምህርቶች ያሳደሩትን ተጽዕኖ ገለጸ። Huang የሴሚኮንዳክተር [Semiconductor] ልምድ እየገነባ የመጀመሪያ እና የሁለተኛ የኤሌክትሪክ ምህንድስና [Electrical-engineering] ዲግሪዎችን አጠናቀቀ። [24, 4]

ይህ ልዩነት በውስጣዊ ስሜት እና በትምህርት መካከል ውድድር መሆን የለበትም። Jobs ከከፍተኛ ብቃት መሐንዲሶች ጋር ሠራ፣ የትግበራን [Implementation] አስፈላጊነትም ተረዳ። የHuang ስኬትም ወደ ምስክር ወረቀት ሊቀነሱ የማይችሉ ውሳኔ፣ ግንኙነት እና ምናብ ፈለገ። ነጥቡ ለቴክኖሎጂ አመራር አንድ የትምህርት ቅጥ የለም የሚል ነው።

የተለያዩ ደንበኞች እና ታይነት

የApple በጣም ታዋቂ ምርቶች የኩባንያውን ውሳኔዎች በቀጥታ በተጠቃሚዎች እጅ አስቀመጡ። መሣሪያ የመጠቀም ተሞክሮ የዋጋ ሀሳቡ [Value proposition] ማዕከል ነበር። አብዛኛው የNVIDIA AI [AI] ንግድ ምርቶቻቸው ፈጽሞ የተለየ የንግድ ስም ሊይዙ ለሚችሉ ተቋማት መሠረተ ልማት [Infrastructure] ያቀርባል።

ያ ልዩነት የሽያጭ ሂደትን፣ የምህንድስና ቅድሚያዎችን እና የስኬት ትርጉምን ይነካል። ተጠቃሚ መገናኛ [Interface] የተሻለ ስሜት ይሰጣል ብሎ በደቂቃዎች ሊወስን ይችላል። ድርጅት የሥራ ማሳለፍ መጠንን [Throughput]፣ የሶፍትዌር ተስማሚነትን [Software compatibility]፣ የትግበራ አደጋን [Deployment risk] እና ጠቅላላ ወጪን [Total cost] ለወራት መመዘን ሊፈልግ ይችላል። Huang የቴክኒክ ገምጋሚዎችን እና የተቋም ውሳኔ ሰጪዎችን ሁለቱንም ማሳመን አለበት።

ልዩነቱ ፍጹም አይደለም። NVIDIA ትልቅ የተጠቃሚ ጨዋታ [Consumer gaming] ታሪክ አለው፣ Apple ደግሞ በአልሚዎች [Developers] እና በመሠረተ ልማት [Infrastructure] ላይ ይመሠረታል። ሆኖም ዋና የስበት ማዕከሎቻቸው በቂ ይለያያሉ፣ Huang ን ሌላ Jobs ብቻ ማለት ከሚያብራራው በላይ ሊደብቅ ይችላል።

የተለያዩ የቁጥጥር ዓይነቶች

የApple የተዋሃዱ ምርቶች [Integrated products] ብዙ ጊዜ የመጨረሻ ተጠቃሚ ተሞክሮን [End-user experience] በጥብቅ መቆጣጠር አካተዋል። የNVIDIA መድረክ [Platform] ሰፊ የአልሚዎች [Developers]፣ የመሣሪያ ሠሪዎች፣ የደመና አቅራቢዎች [Cloud providers] እና የምርምር ማኅበረሰቦች መረብንም ማስተናገድ አለበት። ስኬቱ ሌሎች NVIDIA ራሱ የማይነድፋቸውን ብዙ ነገሮች በመገንባታቸው ላይ ይመሠረታል።

ይህን ቀላል የዝግ እና ክፍት [Closed versus open] ንጽጽር ማድረግ ትክክል አይሆንም። NVIDIA ከክፍት ፕሮጀክቶች [Open projects] ጋር የባለቤትነት ሶፍትዌር [Proprietary software] እና የሃርድዌር መገናኛዎች [Hardware interfaces] አሉት። Apple አስፈላጊ የቁጥጥር ነጥቦችን እያቆየ ሰፊ የሦስተኛ ወገን ልማት [Third-party development] አስችሏል። የበለጠ ጠቃሚው ንጽጽር እያንዳንዱ ንግድ ድንበሮቹን የት እና ለምን እንደሚያስቀምጥ ይመለከታል።

ከመሥራች ኩባንያ ጋር የተለያዩ ግንኙነቶች

Jobs በ1985 Apple ን ትቶ በ1990ዎቹ NeXT ን ከገዛ በኋላ ተመለሰ። ሙያው Pixar ን ጨምሮ ከApple ውጭ አስፈላጊ ሥራ አካቷል። Huang NVIDIA ን ከተመሠረተ ጀምሮ ያለማቋረጥ መርቷል። [24, 25]

ቀጣይነት የተቋም ትውስታን እና የረጅም ጊዜ ቁርጠኝነቶችን ሊጠብቅ ይችላል። ከመቅረት በኋላ መመለስ ተቋምን የበለጠ መሠረታዊ ዳግም ግምገማ ሊያመጣ ይችላል። ሁለቱም መንገዶች በራሳቸው የተሻለ አመራር አያመጡም። መሥራች የሚማርባቸውን፣ ሥልጣን የሚያገኝባቸውን እና ስትራቴጂ የሚቀይርባቸውን የተለያዩ ሁኔታዎች ይፈጥራሉ።

ስብዕና ከመድረክ አቀራረብ ሊገመት አይችልም

Jobs ጨካኝ Huang ደግ፣ ወይም Jobs ሥነ ጥበባዊ Huang ተንታኝ ነው ማለት ያጓጓል። እንዲህ ያሉ ንጹሕ ተቃርኖዎች የማይታመኑ ናቸው። ይፋዊ ቃለ መጠይቆች፣ የሠራተኞች መግለጫዎች እና የሕይወት ታሪኮች በጊዜ፣ በአውድ እና ተመልካቹ ከጉዳዩ ጋር ባለው ግንኙነት የተቀረጹ ከፊል እይታዎችን ይሰጣሉ።

ኃላፊነት ያለው ዘዴ የተመዘገቡ ባህሪያትን ማነጻጸር ነው፦ ውሳኔ እንዴት ተወሰነ፣ ምርት እንዴት ተቀየረ፣ ስህተት እንዴት ተቀበለ ወይም መረጃ በተቋሙ እንዴት ተንቀሳቀሰ። ስለውስጣዊ ባህሪ ሰፊ ጥያቄዎች ከጥቂት ጥቅሶች ወይም ከስኬታማ ዋና ንግግር በላይ ማስረጃ ይፈልጋሉ።

የንግድ ስኬትን እያንዳንዱ ጥብቅ ባህሪ ትክክል ነበር የሚል ማስረጃ ማድረግም የሥነ ምግባር ወጥመድ አለው። ምርት ሰዎችን መጥፎ በመያዝ ምክንያት ሳይሆን ያንን ተቋቁሞ ሊሳካ ይችላል። የሥራ ፈጣሪነት ተስፋ ያለው ሰው ስለታዋቂ አስፈጻሚ ከሁሉ ድራማዊውን ታሪክ በመቅዳት ተመሳሳይ የንግድ ውጤት መጠበቅ የለበትም።

ውሳኔው

Huang ከJobs አጠገብ በጣም የሚገልጸው ንጽጽሩ አንዱን ወደ ሌላው ከመቀየር ይልቅ ልዩነቶቻቸውን ሲያሳይ ነው። በሕይወት ያለ Steve Jobs የሚለው ስያሜ በግልጽ የተመለከተ ዘይቤ ተብሎ ሊከላከል ይችላል፣ ግን እንደ እውነታ መግለጫ ደካማ ነው። በተለይ የቴክኖሎጂ ዘርፍ ለJobs አንድ ተተኪ ይፈልጋል ካለ ያሳስታል።

የበለጠ ትክክለኛ ድምዳሜ Jensen Huang ተጽዕኖው ከSteve Jobs ጋር ንጽጽር የሚጋብዝ ልዩ ባለራዕይ መሪ ነው የሚል ነው። Jobs በሰዎች እና በግል ቴክኖሎጂ መካከል ያለውን ግንኙነት ለመቀየር ረዳ። Huang ብዙ ተቋማት AI [AI] የሚያዳብሩበትን የስሌት መድረክ [Computing platform] ለመገንባት ረዳ። በምርቶች፣ ገበያዎች እና በተቋም ታሪክ ሲለያዩ በአመራር ዘዴ ስኬታቸው ይገናኛል።

ለምዕራፍ ወይም ለጽሑፍ ርዕስ፣ በሕይወት ያለ Steve Jobs እንደ ጥያቄ ሊሠራ ይችላል። ለቁም ነገር ያለው የሕይወት ታሪክ ድምዳሜ ግን Huang በራሱ ስም መረዳት ይገባዋል።

19 ኃይል፣ ጥገኝነት እና ኃላፊነት

ዋና አቅራቢ ማዕከላዊ ባንክ አይደለም

የስሌት ምርቶቹን [Computing products] ማግኘት ስትራቴጂያዊ አስፈላጊነት ስላገኘ NVIDIA አንዳንድ ጊዜ በዘይቤ የAI ማዕከላዊ ባንክ ይባላል። ዘይቤው ጥገኝነትን እና ተጽዕኖን ይይዛል፣ ግን ዘርፉ እንዴት እንደሚሠራ ቀጥተኛ ታሪክ አይደለም።

ማዕከላዊ ባንክ NVIDIA የሌሉት የሕዝብ ኃላፊነቶች እና የገንዘብ ሥልጣኖች አሉት። NVIDIA በደንበኞች፣ ተፎካካሪዎች፣ አቅራቢዎች እና መንግሥታት መካከል የሚሠራ የንግድ ኩባንያ ነው። የAI ምንዛሬ አያወጣም፣ ለዘርፉ የገንዘብ ፈሳሽነት [Liquidity] አያረጋግጥም፣ ለማረጋጋትም ያለገደብ አቅም የለውም።

በNVIDIA ከባድ መቋረጥ ለደንበኞች እና ለሰፊው ገበያ ትልቅ ውጤት ሊፈጥር ይችላል። ሁሉም የAI ኩባንያ በራሱ ይፈርሳል ማለት ግን አይከተልም። ያሉ መሣሪያዎች መኖራቸውን ይቀጥላሉ፣ አማራጭ አቅራቢዎች ይኖራሉ፣ ተቋማትም በተለያየ መንገድ ይመልሳሉ። የማንኛውም ጉዳት መጠን እና ጊዜ በመቋረጡ ዓይነት ላይ ይመሠረታል።

ይህ ልዩነት አስፈላጊ ነው፣ ድራማዊ ዘይቤ ለውሳኔ የሐሰት ሞዴል [False model] ሊሆን ስለሚችል። መሠረተ ልማት [Infrastructure] የሚያቅድ ኩባንያ የአንድ ቦታ ጥገኝነት አደጋን [Concentration risk]፣ የውል ግዴታዎችን፣ የሶፍትዌር ተንቀሳቃሽነትን [Software portability] እና የድንገተኛ አማራጮችን [Contingency options] መመዘን አለበት። ፍጹም ደህንነትን ወይም የማይቀር የሥርዓት መፍረስን ከመገመት እነዚያ ጥያቄዎች ይጠቅማሉ።

የአቅርቦት ሰንሰለቶች እና ጂኦፖለቲካ

የላቁ ቺፖች [Advanced chips] በልዩ ዓለም አቀፍ የአቅርቦት ሰንሰለት [Supply chain] ላይ ይመሠረታሉ። ንድፍ [Design]፣ ማምረት [Fabrication]፣ ማህደረ ትውስታ [Memory]፣ ማሸግ [Packaging]፣ መሣሪያዎች እና የዳታ ማዕከል [Data-centre] ግንባታ በተቋማት እና በሕግ ሥልጣኖች ይከፋፈላሉ። የNVIDIA ስኬት እነዚያን ጥገኝነቶች አያስወግድም። ዓመታዊ መግለጫዎቹ ከአቅርቦት፣ ከደንበኞች፣ ከቁጥጥር እና ከወጪ ንግድ ቁጥጥር [Export controls] ጋር የተያያዙ አደጋዎችን ይገልጻሉ። [6]

የወጪ ንግድ ገደቦች በገበያ የትኞቹ ምርቶች ሊሸጡ እንደሚችሉ ሊቀይሩ ይችላሉ። የማምረት ወይም የማሸግ [Packaging] ገደቦች አቅርቦትን ሊያግዱ ይችላሉ። ሃርድዌር [Hardware] ዝግጁ ሲሆንም የኃይል መገኘት ተከላዎችን [Installations] ሊያዘገይ ይችላል። እነዚህ የዳር ጉዳዮች አይደሉም፦ የንግድ ዕድሉንም የኩባንያውን ስትራቴጂያዊ ምርጫም ሊቀርጹ ይችላሉ።

ለአመራር ትርጉሙ የቴክኒክ ራዕይ ከተቋማዊ ውሳኔ ጋር መኖር አለበት ማለት ነው። ተጨማሪ የስሌት አቅም [Computing capacity] ለመገንባት ቃል ለአቅራቢዎች፣ ለኃይል፣ ለገንዘብ እና ለሕግ መታዘዝ [Compliance] የሚታመን ዕቅድ ይፈልጋል። ሌሎች ባለድርሻዎች ፕሮጀክቱን በአፈጻጸም [Performance] ብቻ ሳይሆን በደህንነት [Security] ወይም በአካባቢ ስጋቶች ሊመዝኑ እንደሚችሉ ማወቅም ይፈልጋል።

በኖቬምበር 2026 ያልተፈታው የአስተዳደር ፈተና

በ8 ኖቬምበር 2026 የNVIDIA ቦርድ Huang የውጭ የስለላ ጥረት ዒላማ ሆኖ ነበር የሚል ዘገባን ተከትሎ ገለልተኛ ምርመራ አስታወቀ። ቦርዱ በዚያ ጊዜ የአገር ደህንነት ወይም የNVIDIA ምስጢሮች ተጎድተዋል ብሎ ለማመን ምክንያት እንደሌለው ገለጸ፣ በHuang እና በአመራር ቡድኑ እምነት አሳየ፣ እርሱም ግምገማውን እንደሚደግፍ እና እንደሚተባበር አለ። [26]

በ10 ኖቬምበር ገለልተኛ ዳይሬክተሮቹ የቀድሞ ጊዜያዊ የአሜሪካ ጠበቃ Joon H. Kim እና Wachtell, Lipton, Rosen & Katz ን ምርመራውን እንዲያካሂዱ መቅጠራቸውን አስታወቁ። በዚህ እትም መዝጊያ እነዚህ መግለጫዎች ምርመራን እና የቁጥጥር ዝግጅቱን ያረጋግጣሉ እንጂ ጥፋት ወይም ነጻ መሆንን የሚወስን የተጠናቀቀ ውጤት አይደሉም። [27]

የሕዝብ ጥቅም ጉዳይ አስተዳደር እና አስፈላጊ ኩባንያን መጠበቅ ነው። ጥንቃቄ ያለው የሕይወት ታሪክ ጉዳዩን ለማብራራት ያልተረጋገጡ የቅርብ ግንኙነት ክሶችን መድገም አያስፈልገውም። የቦርዱ ምርመራ ውጤቱ ምን መሆን አለበት በሚል ግምት ሳይሆን በነጻነቱ፣ በወሰኑ፣ በማስረጃው እና በመጨረሻ ግኝቶቹ መመዘን አለበት።

ክስተቱ አጠቃላይ መርህንም ያሳያል፦ ባለራዕይ መሥራች አሁንም ተጠያቂ ነው። የቴክኒክ ስኬት፣ የባለአክሲዮን ሀብት እና የሕዝብ አድናቆት መሪን ከምርመራ በላይ አያስቀምጡም። በተመሳሳይ ጊዜ ክስ ውሳኔ አይደለም። ፍትሕ ሁለቱንም ነጥቦች ማስጠበቅ ይፈልጋል።

20 ቀጣዩ ምዕራፍ ገና አልተጻፈም

አካላዊ AI [Physical AI] እና ከእውነተኛው ዓለም ጋር ያለው ድንበር

የNVIDIA ይፋዊ መድረኮች [Platforms] ሮቦቲክስን [Robotics]፣ ማስመሰልን [Simulation] እና አካላዊ AI [Physical AI] እየጨመሩ ይመለከታሉ። Omniverse ከማስመሰል ጋር የተያያዙ የሥራ ፍሰቶችን [Workflows] ይደግፋል፤ Isaac ሮቦቲክስን ይመለከታል፤ ተዛማጅ የሞዴል [Model] እና የዳታ [Data] መሣሪያዎችም አልሚዎች [Developers] ከአካላዊው ዓለም ጋር የሚገናኙ ሥርዓቶችን እንዲያሠለጥኑ እና እንዲመዝኑ ለመርዳት ያስባሉ። የኩባንያው የአሁኑ የምርት መግለጫዎች እና ማስታወቂያዎች ይህን አቅጣጫ ያሳያሉ። [19, 20]

ከመልስ ማመንጨት ወደ ማሽን መቆጣጠር መሄድ የስህተትን ውጤት ይቀይራል። የተሳሳተ አንቀጽ ሊያሳስት ይችላል፤ የተሳሳተ የሮቦት እንቅስቃሴ መሣሪያን ሊጎዳ ወይም ሰውን ሊያቆስል ይችላል። ማስመሰል [Simulation] ጠቃሚ ነው፣ ግን በራሱ በሁሉም እውነተኛ አካባቢ ደህንነት ያለው ባህሪ አያረጋግጥም።

ስለዚህ የንግድ ዕድሉ የፈተና [Testing]፣ የክትትል [Monitoring]፣ የደህንነት [Security] እና ግልጽ ኃላፊነት ጥያቄዎች አሉት። በጣም ብቁ ሞዴል [Model] በራሱ በጣም ደህና የአሠራር ሥርዓት [Operational system] አይደለም። ዳሳሾች [Sensors]፣ አንቀሳቃሾች [Actuators]፣ የሰው ሂደቶች እና የመጠባበቂያ ዘዴዎች [Fallback mechanisms] ሁሉም በውጤቱ ይሳተፋሉ።

Huang ለረጅም ጊዜ በመድረክ መገንባት [Platforms] ላይ ያለው ትኩረት እዚህ ጠቃሚ ሊሆን ይችላል። አልሚዎች [Developers] አስተማማኝ የማስመሰል [Simulation]፣ የሥልጠና [Training] እና የትግበራ [Deployment] መሣሪያዎችን ከፈለጉ፣ እነዚያን ንብርብሮች የሚያገናኝ አቅራቢ ጠቃሚ ሊሆን ይችላል። የሚወጡት መተግበሪያዎች [Applications] የተስፋ ቃላቸውን ያሟላሉን የሚለው የማስረጃ ጉዳይ እንጂ የመድረኩ ምኞት ውጤት አይደለም።

ሥራ ፈጣሪዎች ከሕይወቱ ምን ሊወስዱ ይችላሉ

የመጀመሪያው ትምህርት እምነትን ምትክ ከማድረግ በፊት ሙያ መገንባት ነው። የHuang ሙያ በትምህርት እና በዘርፉ የዓመታት ሥራ ላይ ተመሠረተ። ድፍረት ጠቃሚ ነበር፣ ግን በቴክኒክ እውቀት እና በሙያ ግንኙነቶች ተደገፈ።

ሁለተኛው ችግርን ከአንድ የተወሰነ መፍትሔ መለየት ነው። የተፋጠነ ስሌት [Accelerated computing] አስፈላጊ ዕድል ሆኖ ሲቀጥል የNVIDIA ቀደምት አርክቴክቸር [Architecture] ስህተት ሊሆን ይችል ነበር። ያንን ልዩነት የማያደርግ መሥራች ደንበኞች እና መስፈርቶች [Standards] ወደ ሌላ ከሄዱ በኋላ ንድፍን [Design] የመከላከል አደጋ አለበት።

ሦስተኛው ሌሎች ሰዎች ዋጋ እንዲፈጥሩ ማቅለል ነው። የCUDA አስፈላጊነት በከፊል ከNVIDIA ራሱ ምርቶች ውጭ ባስቻለው ሥራ ውስጥ ነው። መድረኮች [Platforms] የሙከራን አስቸጋሪነት [Experimentation] ሲቀንሱ እና ስኬታማ ሥራን እንደገና ለአጠቃቀም ሲያበቁ [Reusable] ሊያድጉ ይችላሉ።

አራተኛው ለመማር የገንዘብ ቦታ መጠበቅ ነው። ተስፋ ሰጪ ሐሳብ ያለ ገንዘብ ያለገደብ ሊቆይ አይችልም። የSega ማዳን አስፈላጊ ኩባንያ የኋላ ዋጋው ከመታየቱ በፊት ምን ያህል ወደ መጥፋት ሊቀርብ እንደሚችል ያሳያል። የሌሎች እርዳታ ወሳኝ ሊሆን እንደሚችልም ያሳያል።

አምስተኛው አመራርን የሚተላለፍ ማድረግ ነው። በመሥራች ውሳኔ ላይ የሚመሠረት ኩባንያ ሌሎች ውሳኔዎችን ለማዳበር፣ እውቀትን ለመጠበቅ እና ውሳኔዎችን ለመጠየቅ ዘዴዎች ይፈልጋል። ዘላቂ ተቋም ከማይተካ ስብዕና የበለጠ ትልቅ ስኬት ነው።

በውሳኔዎች የሚገባ ሕይወት

የJensen Huang ታሪክ እውነተኛ እርግጠኝነት እጦት ስላለው ይስባል። አንድ ልጅ አገሮችን አቋረጠ። ተማሪ መሐንዲስ ሆነ። መሐንዲስ መሥራች ሆነ። መሥራቹ ኩባንያን በወደቁ ግምቶች፣ በንግድ እመርታዎች እና NVIDIA በAI [AI] ማዕከል እንዲገኝ በረዳ የፕሮግራሚንግ መድረክ [Programming platform] የረጅም ኢንቨስትመንት ውስጥ መራ።

ቅደም ተከተሉ የማይቀር ሳይሆን ሊደነቅ ይችላል። እያንዳንዱን እንቅፋት ክስረት፣ እያንዳንዱንም ስኬት የብቸኛ ሊቅነት ማስረጃ ሳያደርጉ ሊጠና ይችላል። በጣም ጠቃሚ ትምህርቶቹ ከውሳኔ፣ ከዝግጅት፣ ከባልደረቦች፣ ከተቋማት እና ከሁኔታዎች ግንኙነት ይመጣሉ።

ከSteve Jobs ጋር ንጽጽሩ የዚያን ስኬት ክፍል ለማብራራት ይረዳል። ሁለቱም መሪዎች ለቴክኖሎጂ ለውጥ ይፋዊ ድምጽ ሰጡ፣ ሊገነባ ስለሚችለው ትልቅ አመለካከት ዙሪያ ኩባንያዎችን አደራጁ። ግን ንጽጽሩ ማንነቱን ከመተካት በፊት ሲቆም የHuang ልዩ አስተዋጽኦ የበለጠ ግልጽ ይሆናል።

አስፈላጊ የሆነው ዓለም ሌላ Steve Jobs ስላገኘ አይደለም። ለማደራጀት የረዳው ሥራ ብዙ ሌሎች ሰዎች ሊያሰሉት [Compute]፣ ሊመራመሩት እና ሊገነቡት የሚችሉትን ስለለወጠ ነው። የዚያ አስተዋጽኦ የመጨረሻ ግምገማ ገና በፊት ባሉ ለውጦች ላይ ይመሠረታል፦ የAI መተግበሪያዎች [AI applications] ዋጋ፣ የኩባንያው ጽናት፣ የአመራሩ ባህሪ እና ቴክኖሎጂው ከራሱ እድገት ውጭ ዓላማዎችን የማገልገል ችሎታ።

የክስተቶች ቅደም ተከተል

የቴክኒክ ቃላት መፍቻ

የተፋጠነ ስሌት [Accelerated computing]። ተስማሚ የሥራ ጫናዎችን [Workloads] በብቃት ለመሥራት ከአጠቃላይ ስሌት [General-purpose computing] ጋር ልዩ ፕሮሰሰሮችን [Specialised processors] መጠቀም።

የAI ሞዴል [AI model]። መለኪያዎቹ [Parameters] እና መዋቅሩ [Structure] ትንበያዎችን [Predictions]፣ ምደባዎችን [Classifications] ወይም የተፈጠሩ ውጤቶችን [Generated outputs] ለማምረት የሚጠቀሙ የስሌት ሥርዓት [Computational system]።

ለተወሰነ ተግባር የተዋሃደ ሰርኪት [ASIC]። ለተወሰነ የሥራ ምድብ የተነደፈ የተወሰነ ተግባር የተዋሃደ ሰርኪት [Application-specific integrated circuit]።

ማዕከላዊ ማቀናበሪያ አሃድ [CPU]። ማዕከላዊ ማቀናበሪያ አሃድ [Central processing unit]። ለብዙ ዓይነት ሥራዎች እና የቁጥጥር ተግባሮች [Control tasks] ተስማሚ አጠቃላይ ፕሮሰሰር [General-purpose processor]።

CUDA [CUDA]። በሚደገፉ የNVIDIA GPUዎች [GPUs] ላይ ለተፋጠነ ስሌት [Accelerated computing] የNVIDIA መድረክ [Platform] እና የፕሮግራሚንግ ሞዴል [Programming model]።

የዳታ ማዕከል [Data centre]። የስሌት [Computing]፣ የማከማቻ [Storage] እና የአውታረ መረብ [Networking] መሣሪያዎች፣ እነርሱን ለማስኬድ የሚያስፈልጉ ኃይል፣ ማቀዝቀዣ [Cooling] እና የአሠራር ሥርዓቶች [Operational systems] ያሉበት ተቋም።

ጥልቅ መማር [Deep learning]። ብዙ የማቀናበሪያ ንብርብሮች [Processing layers] ያሏቸውን የነርቭ አውታሮች [Neural networks] የሚጠቀም የማሽን መማር [Machine learning]።

ዲጂታል መንትያ [Digital twin]። ለትንተና [Analysis]፣ ለክትትል [Monitoring] ወይም ለማስመሰል [Simulation] የሚጠቀም የአካላዊ ሥርዓት [Physical system] ዲጂታል ውክልና። ጥቅሙ አስፈላጊውን የእውነተኛ ዓለም ባህሪ ምን ያህል በትክክል እንደሚወክል ይመሠረታል።

የግራፊክስ ማቀናበሪያ አሃድ [GPU]። የግራፊክስ ማቀናበሪያ አሃድ [Graphics processing unit]። ለከፍተኛ ትይዩ ሥራ [Highly parallel work] የተነደፈ፣ በግራፊክስ [Graphics] እና በብዙ ቁጥራዊ የስሌት መተግበሪያዎች [Numerical computing applications] የሚጠቀም ፕሮሰሰር [Processor]።

ውጤት ማመንጨት [Inference]። ከአዲስ ግቤት [Input] ውጤት [Output] ለማምረት የሠለጠነ ሞዴል [Trained model] ማስኬድ።

የመካከል ግንኙነት [Interconnect]። በአካላት [Components] ወይም በሥርዓቶች [Systems] መካከል የግንኙነት መስመር [Communication link]። የመተላለፍ አቅሙ [Bandwidth] እና መዘግየቱ [Latency] የትይዩ ስሌት አፈጻጸምን [Parallel computing performance] በጣም ሊነኩ ይችላሉ።

ትልቅ የቋንቋ ሞዴል [Large language model]። ቋንቋን ለማቀናበር ወይም ለማመንጨት በብዙ ጽሑፍ እና ተዛማጅ ዳታ [Data] የሠለጠነ ሞዴል [Model]። አቀላጥፎ መናገር የእውነታ ትክክለኛነትን አያረጋግጥም።

ትይዩ ስሌት [Parallel computing]። ሥራን በአንድ ጊዜ [Concurrently] ሊከናወኑ ወደሚችሉ ተግባሮች መከፋፈል።

መድረክ [Platform]። ሌሎች ሰዎች መተግበሪያዎችን [Applications] ወይም አገልግሎቶችን [Services] ሊገነቡባቸው የሚችሉ ቴክኖሎጂዎች እና መገናኛዎች [Interfaces] ስብስብ።

Tensor Core [Tensor Core]። ለAI [AI] እና ለሌሎች ቁጥራዊ የሥራ ጫናዎች [Numerical workloads] አስፈላጊ የሆኑ የተመረጡ የማትሪክስ ሥራዎችን [Matrix operations] የሚያፋጥኑ ልዩ የሃርድዌር አሃዶች [Specialised hardware units] የNVIDIA ስም።

ሥልጠና [Training]። ዳታን [Data] እና የማሻሻያ ዓላማን [Optimisation objective] በመጠቀም የሞዴል መለኪያዎችን [Model parameters] የማስተካከል ሂደት።

ትራንስፎርመር [Transformer]። በትኩረት ዘዴዎች [Attention mechanisms] የተመሠረተ፣ በቋንቋ እና በሌሎች ሞዴሎች [Models] በስፋት የሚጠቀም የነርቭ አውታር አርክቴክቸር [Neural-network architecture]።

ማስረጃውን ማንበብ

ቁጥር ያላቸው ማጣቀሻዎች ለእውነታ ጥያቄዎች ምንጮችን ይለያሉ። በዙሪያቸው ስለአመራር፣ ስትራቴጂ እና ንጽጽር ያለው ውይይት ትንተና እንጂ ከጉዳዩ ሰዎች የተወሰደ ጥቅስ አይደለም። የተቋማት ታሪኮች ዲግሪዎችን፣ ስጦታዎችን እና መደበኛ ሚናዎችን ያረጋግጣሉ። የቁጥጥር መግለጫዎች ኩባንያው የዘገበውን መግለጫ ያረጋግጣሉ። ቃለ መጠይቆች የተናጋሪዎችን ትዝታ እና አመለካከት ይጠብቃሉ። የምርት መግለጫዎች ማስታወቂያዎችን ያረጋግጣሉ፣ የአፈጻጸም ጥያቄዎች [Performance claims] የመጀመሪያ ቅድመ ሁኔታዎቻቸውን እያቆዩ።

ወደ ውድቀት መቃረብ ከመደበኛ ክስረት ጋር አንድ አይደለም። የምርት ማስታወቂያ ከተጠናቀቀ የደንበኛ ትግበራ [Customer deployment] ጋር አንድ አይደለም። የቤተሰብ አባል ቅጥር የመተካካት ሹመት አይደለም። ምርመራ ውጤት አይደለም። ሕይወቱን በትክክል ለመረዳት እነዚህ ልዩነቶች አስፈላጊ ናቸው።

Wikipedia እና የቀረቡት የቤተሰብ እና የሙያ ማስታወሻዎች ለጥናት ርዕሶችን ለመለየት ረዱ። የመጻሕፍት ዝርዝሩ ለአንባቢዎች በታሪኩ የተጠቀሙባቸውን መሠረታዊ ይፋዊ ምንጮች ይሰጣል። ከእትሙ ጋር ያለው ቀን የእውቀቱ ድንበር እንጂ የኋላ ክስተቶች ድምዳሜዎቹን ያረጋግጣሉ የሚል ትንበያ አይደለም።

ምንጮች እና ተጨማሪ ንባብ

ማጣቀሻዎች በጽሑፉ ውስጥ በቁጥር ተዘርዝረዋል። ማገናኛዎች ወደ ምንጩ አሳታሚ ያደርሳሉ። የህትመት ቀን ከታች ካልተገለጸ በስተቀር፣ ማጣቀሻው በ11 ኖቬምበር 2026 ተመልክቷል።

1. Jensen Huang

Wikipedia. Living reference page consulted 11 November 2026; used as an orientation source, not sole authority for disputed details.

Read source

2. Only In America Jensen Huang on Vision Risk and the GPU

Hoover Institution. Interview with Condoleezza Rice; first-person recollections of family, migration, education and work.

Read source

3. Former Student Gift Paves the Way for New Facility

Oneida Baptist Institute. Institutional account of boarding, elementary-school attendance and the Huang Hall gift.

Read source

4. Jen Hsun Huang Engineering Hall of Fame 2013

Oregon State University. Degree dates, early education, table tennis and meeting Lori Mills.

Read source

5. Jensen Huang

Stanford University School of Engineering. Institutional biography confirming the 1992 electrical-engineering master’s degree.

Read source

6. NVIDIA Form 10 K for the fiscal year ended 26 January 2025

US Securities and Exchange Commission. Executive employment chronology and company risk disclosures.

Read source

7. Our History Innovations Over the Years

NVIDIA. Corporate chronology; product claims are treated as company descriptions.

Read source

8. Nvidia An Overnight Success Story 30 Years in the Making

Sequoia Capital. Crucible Moments interview with Huang, Mark Stevens and others; retrospective survival and platform accounts.

Read source

9. NVIDIA CEO Tells NTU Grads to Run Not Walk But Be Prepared to Stumble

NVIDIA Blog. 26 May 2023; company account of Huang’s commencement address and three strategic setbacks.

Read source

10. Nvidia nearly went out of business in 1996 trying to make Sega’s Dreamcast GPU

Tom’s Hardware. Reporting on Sega support and Shoichiro Irimajiri’s role; financial arrangement should not be described as a personal gift.

Read source

11. CUDA Platform for Accelerated Computing

NVIDIA Developer. Technical overview of the toolkit, compiler, libraries and programming environment.

Read source

12. ImageNet Classification with Deep Convolutional Neural Networks

Alex Krizhevsky Ilya Sutskever and Geoffrey Hinton. 2012 original research paper; the AlexNet result.

Read source

13. NVIDIA Reports Results for Second Quarter of Fiscal 2009

US Securities and Exchange Commission. 12 August 2008; US$196 million product-quality charge and quarterly results.

Read source

14. NVIDIA Fiscal 2009 Form 10 K

US Securities and Exchange Commission. Year ended 25 January 2009; cash, equivalents and marketable securities position.

Read source

15. NVIDIA and SoftBank Group Announce Termination of NVIDIA Acquisition of Arm Limited

NVIDIA and SoftBank. 7 February 2022; regulatory obstacles, prepaid amount and retained licence.

Read source

16. NVIDIA Completes Acquisition of Mellanox

NVIDIA. 27 April 2020; completion and networking rationale.

Read source

17. NVIDIA Announces Financial Results for Second Quarter Fiscal 2027

NVIDIA. 26 August 2026; results for quarter ended 26 July 2026 and dated product statements.

Read source

18. A conversation with NVIDIA Jensen Huang

Stripe Sessions. 2024 interview; leadership, information flow and strategic thinking.

Read source

19. Madison Huang Author Page

NVIDIA Blog. Current public role, prior LVMH work and London Business School MBA; consulted 11 November 2026.

Read source

20. Spencer Huang Author Page

NVIDIA Technical Blog. Current robotics role and NYU technical MBA; consulted 11 November 2026.

Read source

21. 50 Million Gift by NVIDIA Founder and Spouse Helps Launch Oregon State University Research Center

Oregon State University. 14 October 2022; institutional announcement of the Huangs’ gift.

Read source

22. Designing for the future

Stanford Engineering. Institutional history of the Huang Center and US$30 million commitment.

Read source

23. Apple Reinvents the Phone with iPhone

Apple. 9 January 2007; launch announcement and description of the integrated product.

Read source

24. You have got to find what you love Jobs says

Stanford University. 12 June 2005; prepared text of Steve Jobs’s commencement address.

Read source

25. Apple Timeline

Computer History Museum. Historical chronology of Apple, including Jobs’s departure and return.

Read source

26. Statement From NVIDIA Board of Directors

NVIDIA. 8 November 2026; independent investigation, stated confidence and the board’s position at that date.

Read source

27. Statement From the Independent Members of the NVIDIA Board

NVIDIA. 10 November 2026; appointment of Joon H. Kim and Wachtell Lipton Rosen and Katz.

Read source

28. NVIDIA Launches World First Deep Learning Supercomputer

NVIDIA. 5 April 2016; DGX-1 announcement; first claims are attributed to the company.

Read source

29. NVIDIA Launches Revolutionary Volta GPU Platform

NVIDIA. 2017; Volta and Tensor Core announcement.

Read source

30. NVIDIA Announces Hopper Architecture

NVIDIA. 22 March 2022; Hopper architecture and Transformer Engine announcement.

Read source

31. NVIDIA Blackwell Platform Arrives to Power a New Era of Computing

NVIDIA. 18 March 2024; Blackwell announcement, with performance claims dependent on stated comparisons.

Read source

32. Chris Malachowsky

Computer History Museum. Professional background at HP and Sun and co-founding of NVIDIA.

Read source

33. Curtis R Priem

Rensselaer Polytechnic Institute. Graphics engineering history and service as NVIDIA CTO from 1993 to 2003.

Read source

34. Famous Graphics Chips Nvidia RIVA 128

IEEE Computer Society. Jon Peddie historical account of NV1, graphics standards and the RIVA turnaround.

Read source

35. NVIDIA Fiscal 2014 Third Quarter Form 10 Q

US Securities and Exchange Commission. Historical disclosure of the 3dfx asset-purchase agreement and closing date.

Read source

36. NVIDIA Brings Real Time Ray Tracing to Gamers with GeForce RTX

NVIDIA. 20 August 2018; Turing and GeForce RTX announcement.

Read source