من [GeForce] إلى الذكاء الاصطناعي [AI]: لماذا غيّر قرار [NVIDIA] بشأن [CUDA] مستقبل الشركة؟
مقدمة: هل يمكن التضحية بأرباح اليوم لبناء عالم الحوسبة غدا؟
تنفق شركة مبالغ كبيرة على قدرة لا يطلبها عملاؤها فورا. تؤدي إضافتها إلى زيادة تكلفة الإنتاج، لكن العملاء غير مستعدين لدفع سعر إضافي مقابلها. ومع ذلك لا تتراجع الشركة. فهي لا تريد بيع منتج جديد فقط، بل بناء منصة حوسبة [Computing Platform] يستطيع الآخرون إنشاء أعمالهم عليها في المستقبل.
كان هذا أساس قرار [NVIDIA] إدخال [CUDA] إلى معالجات الرسوميات [GPU] من فئة [GeForce]. وكما أوضح جنسن هوانغ [Jensen Huang]، لم يجلب القرار نجاحا فوريا. بل جلب تكاليف وضغطا على الأرباح وانتظارا طويلا. لكنه أصبح لاحقا أحد أسس نمو التعلم العميق [Deep Learning].
1. من تسريع مهمة محدودة إلى منصة حوسبة [Computing Platform] أوسع
كانت [NVIDIA] في البداية شركة تسرّع مهمة محددة. منحها هذا التخصص قوة، لكن الاعتماد على سوق ضيقة كان قد يحد أيضا من قدرتها على البحث والتطوير [Research and Development].
كان هناك تناقض. فالتخصص الشديد في مهمة واحدة قد يصعّب تنفيذ أعمال حوسبة أوسع، ومحاولة فعل كل شيء قد تفقد الشركة ميزتها الأصلية. كان نهج هوانغ التحرك تدريجيا بين هذين الطرفين.
يصف مظلل البكسل القابل للبرمجة [Programmable Pixel Shader] بأنه الخطوة الأولى. ثم أضيفت حسابات الفاصلة العائمة ذات 32 بت المتوافقة مع المعيار [IEEE-compatible FP32] إلى المظللات [Shaders]. وهذا دفع الباحثين إلى التساؤل عما إذا كان المعالج المصمم للرسوميات يستطيع إجراء حسابات أخرى.
ثم جاء [Cg] المستند إلى لغة البرمجة [C]. وانتهت هذه الرحلة إلى [CUDA]. لم يكن الأمر حلا سحريا ظهر في يوم واحد، بل مسارا متصلا يربط قدرة تقنية بأخرى.
2. الأهم من إنشاء [CUDA] هو أين أوصلته الشركة
إنشاء تقنية ممتازة لا يجعل الناس يستخدمونها تلقائيا. فهي تحتاج إلى مطورين [Developers] يكتبون البرامج وإلى أعداد كبيرة تستطيع استخدام تلك البرامج.
لا تكمن قوة منصة الحوسبة [Computing Platform] في أناقة تصميمها وحدها، بل في عدد الأشخاص الذين يمتلكونها بالفعل. يشرح هوانغ ذلك بوصفه أهمية قاعدة الأجهزة المثبتة [Installed Base].
يستشهد بمعمارية [x86] التي استمرت رغم الانتقادات بفضل انتشار استخدامها. ويشير أيضا إلى أن بعض معماريات مجموعة التعليمات المخفضة [RISC Architectures] المصممة بأناقة لم تحقق النجاح المتوقع. وهذا لا يعني فشل جميع تصميمات [RISC]. الفكرة الأساسية هي أن الأناقة التقنية وحدها لا تضمن نجاح المنصة.
كانت [GeForce] تبيع بالفعل ملايين الوحدات سنويا آنذاك. لذلك امتلكت [NVIDIA] طريقا جاهزا لإيصال القدرة الحاسوبية الجديدة إلى الناس.
3. [CUDA] في كل معالج [GeForce]: أساس أُعد قبل أن يطلبه المستخدمون
كان يمكن حصر [CUDA] في عدد قليل من أجهزة البحث باهظة الثمن. لكن ذلك كان سيجعل عدد القادرين على الوصول إليه محدودا للغاية.
بدلا من ذلك، قررت الشركة إيصال هذه القدرة إلى الحواسيب الشخصية [PC] الواسعة الانتشار عبر [GeForce]. فأصبح المنتج الذي اشتُري للألعاب يتيح فرصة للبحث أيضا. واستطاع طالب أو مختبر جامعي أو باحث يجمع حاسوبه بنفسه تجربة حسابات جديدة بالأدوات الموجودة لديه.
لا ينبغي فهم ذلك على أن [CUDA] كان يعمل على كل حاسوب. المقصود أن قاعدة أجهزة [GeForce] المثبتة [Installed Base] شكلت أساسا أوليا أتاح هذه القدرة لعدد أكبر من الناس.
يقول هوانغ إن الجهد لم يقتصر على توفير الأجهزة، بل شمل التدريس في الجامعات وتأليف الكتب وإقامة الدروس. لا ينتهي بناء منصة ببيع منتجها؛ بل يجب بناء المعرفة والمجتمع القادرين على استخدامها.
4. الثمن الفوري: ارتفاع التكلفة وضغط على الأرباح
لم يكن العبء الاقتصادي لهذا القرار صغيرا. يتذكر هوانغ أن إضافة [CUDA] رفعت تكلفة المعالج بنحو 50 في المئة، بينما كانت الشركة تعمل بهامش ربح إجمالي [Gross Margin] يقارب 35 في المئة.
لم يكن مستخدمو الألعاب سيدفعون أكثر مقابل قدرة حاسوبية لا يستخدمونها. لذلك اضطرت الشركة إلى تحمل التكلفة. ويصفها هوانغ بأنها كانت كبيرة بما يكفي لالتهام كامل قيمة الربح الإجمالي [Gross Profit Dollars].
لا يمكن طرح هاتين النسبتين مباشرة لتحديد الوضع المالي للشركة. إحداهما مبنية على تكلفة الإنتاج، والأخرى هامش ربح محسوب من الإيرادات. ما يؤكد عليه ليس مسألة حسابية بسيطة، بل صعوبة التضحية بدخل اليوم من أجل منصة الغد.
ويقدّر من ذاكرته أن القيمة السوقية [Market Capitalisation] للشركة كانت نحو ستة إلى ثمانية مليارات دولار أمريكي، ثم انخفضت إلى نحو مليار ونصف المليار. هذه تقديرات مستمدة من تذكره، ولا يصح استنتاج أن [CUDA] وحده تسبب في التغير بأكمله.
ومع ذلك، تبقى ملاحظته أن العائد المنشود استغرق قرابة عقد مهمة. لم يكن القرار من أجل أرباح الربع التالي.
5. لماذا أصبح هذا القرار أساسا للتعلم العميق [Deep Learning]؟
من العقبات الصعبة أمام البحث الجديد تكلفة الوصول إلى الأجهزة ومشقته. إذا أمكن بدء تجربة جديدة على أدوات يمتلكها كثيرون بالفعل، انخفض جزء من هذا العائق.
أرسى انتشار [CUDA] عبر [GeForce] أساسا يتيح للباحثين التجربة في بيئة برمجة [Programming Environment] مشتركة. وأصبحت المعرفة والبرامج والخبرة الناتجة مفيدة للمحاولات التالية أيضا.
عندما نما التعلم العميق [Deep Learning]، كانت الأدوات المناسبة لحساباته المتوازية الواسعة [Parallel Computing] والأشخاص الذين يعرفون استخدامها موجودين بالفعل. كانت هذه أفضلية مهمة.
لا يعتمد تاريخ التعلم العميق [Deep Learning] بأكمله على شركة واحدة أو أداة واحدة. لكن لهذا القرار مكانة مهمة في إتاحة منصة الحوسبة [Computing Platform] اللازمة على نطاق واسع. لذلك يشدد هوانغ على فكرة أن [NVIDIA] هي البيت الذي بنته [GeForce].
6. بناء الثقة قبل القرار التقني
قد تكون صورة المستقبل واضحة في ذهن القائد. لكن هذا الوضوح لا يكفي إذا لم يتقبله مجلس الإدارة والمديرون والموظفون والعملاء والشركاء.
يصف هوانغ نهجه بأنه شرح للأسباب خطوة بخطوة. كلما ظهرت معلومات جديدة أو تقدم بحثي أو إنجاز هندسي، يوضح لمن حوله كيف يرتبط ذلك بالاتجاه المستقبلي.
ينبغي ألا يكون يوم إعلان القرار الكبير صدمة مفاجئة للجميع. بل يرى أن أساسه يجب أن يكون ممهدا مسبقا إلى درجة يتساءل معها الناس: لماذا استغرق كل هذا الوقت؟
وقفت وراء قرار [CUDA] أيضا ثقة طويلة الأجل وصبر من هذا النوع. فإلى جانب اختيار المسار التقني، كان لا بد من إعداد الشركة التي ستتحمل تكلفته لهذه الرحلة.
7. ليس منتجا فقط، بل منصة يستطيع الشركاء البناء عليها
من المهم أيضا أن [NVIDIA] ترى نفسها شركة منصات [Platform Company]. يقوم هذا النهج على إتاحة مجال للشركات الأخرى للمساهمة والبناء المشترك في كل طبقة.
لا يعني ذلك أن جميع برامجها مفتوحة المصدر [Open Source]. فإتاحة الفرص للشركاء للبناء معا تختلف عن نشر الشفرة المصدرية [Source Code] للجميع.
لا تنمو المنصة الجيدة بفضل الشركة التي أنشأتها وحدها. بل تنمو أيضا بالتطبيقات التي يبنيها عليها الباحثون والمطورون [Developers] والشركات والمؤسسات التعليمية. وقد فتح قرار [CUDA] الباب لهذا النمو.
8. درس اليوم: لا يكفي تسريع معالج واحد
في أعباء الحوسبة الموزعة الكبيرة [Distributed Workloads]، لا يؤدي تسريع جزء واحد إلى تسريع النظام كله بالنسبة نفسها. يشرح قانون أمدال [Amdahl's Law] هذا الأمر.
لنفترض أننا نستطيع تحسين نصف الوقت الذي تستغرقه مهمة فقط. مهما سرّعنا هذا النصف، يبقى النصف الآخر بلا تغيير. حتى لو أصبح الجزء المحسن لا يستغرق أي وقت، فلن تزيد سرعة المهمة الكاملة على الضعف.
لذلك يجب تصميم معالج الرسوميات [GPU] والمعالج المركزي [CPU] والشبكات [Networking] والذاكرة [Memory] والطاقة [Power] والتبريد [Cooling] لتعمل معا بتوافق. يصف هوانغ ذلك بالتصميم المشترك شديد الترابط [Extreme Co-design].
هنا تظهر استمرارية مع قرار [CUDA] المبكر. لا تكفي قدرة أداة منفردة؛ بل يجب أن تتطور معها البيئة الكاملة التي تستخدمها.
خاتمة: قرار صنع الاستخدام المستقبلي
لم تكن أهمية تقديم [CUDA] مجرد ظهور قدرة برمجية جديدة. تمثلت أهميته الأعمق في ربطها بمنتج [GeForce] الذي كان يباع بكميات كبيرة بالفعل، ووضعها مسبقا في أيدي من سيستخدمونها مستقبلا.
لو اقتصر النظر على التكلفة الآنية، لربما بدا القرار خاطئا. لكن [NVIDIA] أدركت أن قيمة منصة الحوسبة [Computing Platform] تشمل أيضا التطبيقات التي سيبنيها الآخرون عليها.
اجتمعت التقنية والانتشار والتعليم ومجتمع المطورين [Developer Community] وصبر الشركة لتصنع فرصة جديدة. ثم ارتبطت هذه الفرصة بنمو الذكاء الاصطناعي [AI]. هذا درس قرار [CUDA]: يحتاج تحول الغد الكبير إلى أساس يستطيع كثيرون البدء بالبناء عليه اليوم.
Powered By K7