চিপের বাইরে Nvidia: ওপেন সোর্স, AI কারখানা ও পরিকাঠামোর শক্তি
Nvidia শুধু চিপ নয়, পরিকাঠামো বিক্রি করে
বিশ্লেষণ | ১৩ নভেম্বর ২০২৬। ডেটা সেন্টারে AI মডেল প্রশিক্ষণ ও চালানোর উচ্চমানের চিপের প্রধান সরবরাহকারী Nvidia; শিল্পের হিসাবে বিশ্ববাজারে তার অংশ প্রায় ৮০%। গুরুত্ব প্রসেসর ছাড়িয়ে সফটওয়্যার, ডেভেলপার টুল, ক্লাউড ও প্রকৌশল পদ্ধতিতে বিস্তৃত। সচল কম্পিউটিং প্ল্যাটফর্ম বদলানো প্রতিদ্বন্দ্বী প্রসেসর তৈরির চেয়ে বড় কাজ। বাজারের অংশ নির্দিষ্ট বাজার মাপে, সব AI কোম্পানির সংখ্যা বা একমাত্র সরবরাহকারীর ওপর নির্ভরতা প্রমাণ করে না।
সঞ্চিত তথ্য উদ্ধারের বদলে তাৎক্ষণিকভাবে প্রসঙ্গভিত্তিক উত্তর তৈরির পরিবর্তন কম্পিউটিংয়ের অর্থনৈতিক ভূমিকা বদলায়। AI শুধু আগে তৈরি ফাইল দেয় না, গণনা করে ফল তৈরি করে। এখান থেকেই AI কারখানার ধারণা: পরিকাঠামো ডিজিটাল পরিষেবা উৎপাদনের অংশ হয়। বাণিজ্যিক পরীক্ষা হলো ফল এতটা উপযোগী কি না যে তা সরবরাহের খরচের চেয়ে বেশি আয় আনবে।
ওপেন সোর্স ইঞ্জিনের অংশ, কিন্তু CUDA পুরোপুরি উন্মুক্ত নয়
ওপেন সোর্স গবেষক ও ডেভেলপারকে লাইসেন্স অনুযায়ী সফটওয়্যার দেখা, বদলানো ও ভাগ করতে দেয়; কোম্পানি ও দেশের মধ্যে সহযোগিতা সম্ভব করে। PyTorch তার উদাহরণ: Linux Foundation-এ যাওয়ার সময় AMD, AWS, Google Cloud, Meta, Microsoft Azure ও Nvidia-র মতো সদস্য যুক্ত হয়। উন্মুক্ত AI সফটওয়্যার তাই একটি চিপ কোম্পানির একক সম্পত্তি বা অর্জন নয়।
Nvidia অংশ নেয়, আবার মালিকানাধীন অংশও রাখে। CUTLASS লাইব্রেরির লাইসেন্স BSD; Linux GPU kernel modules-এর দ্বৈত MIT/GPL। কিন্তু kernel modules খোলা মানে পুরো driver, firmware বা CUDA Toolkit ওপেন সোর্স নয়। Toolkit-এর নিজস্ব লাইসেন্স ও বাধা আছে। বিনামূল্যে ডাউনলোড, ওপেন সোর্স ও উন্মুক্ত weights আলাদা বিষয়; প্রতিটি অংশ আলাদা যাচাই করতে হবে।
উন্মুক্ত মডেলের তিনটি সম্পর্কিত উদ্দেশ্য: ভবিষ্যৎ মডেল কাঠামো বোঝা, কয়েকটি মালিকানাধীন সরবরাহকারীর বাইরে AI ছড়ানো, এবং ভাষার পাশাপাশি জীববিজ্ঞান, পদার্থবিদ্যা ও রোবোটিক্সকে সহায়তা করা। Nemotron 3 Super উদাহরণ। Nvidia একে মোট ১২০ বিলিয়ন ও সক্রিয় ১২ বিলিয়ন প্যারামিটারের মিশ্র Mamba-Transformer mixture-of-experts মডেল বলে; checkpoints, ডেটাসেট ও তৈরির পদ্ধতিও প্রকাশিত। এটি নির্দিষ্ট ধরনের উন্মুক্ততা, সব পণ্যে বাধাহীনতা নয়।
সুবিধা হলো ধারণা থেকে সচল ব্যবস্থায় পৌঁছানোর পথ
CUDA, GPU-ত্বরিত অ্যাপের জন্য প্রোগ্রামিং প্ল্যাটফর্ম, compiler, লাইব্রেরি ও টুল দেয়। গবেষক প্রতিটি অপারেশন সরাসরি CUDA-তে না লিখে উচ্চস্তরের framework ব্যবহার করতে পারেন। কিন্তু নিচের বাস্তবায়ন-পছন্দ মেমরি, গণনা ও যন্ত্রগুলোর যোগাযোগে প্রভাব ফেলে।
CUDA-র প্রতিষ্ঠিত ব্যবহারভিত্তি মূল প্রতিযোগিতামূলক শক্তি। সমর্থিত সফটওয়্যার, প্রশিক্ষিত প্রকৌশলী, debugging টুল ও পরিচিত স্থাপন-পদ্ধতি মডেলকে পরিষেবায় নেওয়ার অনিশ্চয়তা কমায়। প্রতিদ্বন্দ্বী শুধু চিপের স্পেসিফিকেশনের সংখ্যার সঙ্গে নয়, এই সচল সমন্বয়ের সঙ্গে লড়ে। বদলাতে সফটওয়্যার অভিযোজন, ফল যাচাই ও পরিচালন দক্ষতা আবার গড়তে হতে পারে। অসুবিধা বাস্তব, কিন্তু খরচ কাজভেদে বদলায়; এটি চিরস্থায়ী আটকে পড়া নয়।
OpenAI ও ক্লাউড: বড় নির্ভরতা, সর্বজনীন একচেটিয়া নয়
ChatGPT, OpenAI-র পরিষেবা, এখানে আলাদা চিপ ক্রেতা নয়। সেপ্টেম্বর ২০২৫-এর ঘোষণায় OpenAI, Nvidia-কে পছন্দের কৌশলগত কম্পিউটিং ও নেটওয়ার্ক সহযোগী বলেছিল এবং অন্তত ১০ গিগাওয়াট Nvidia ব্যবস্থা স্থাপনের অভিপ্রায়পত্র ঘোষণা করেছিল। Nvidia-র ধাপে সর্বোচ্চ US$১০০ বিলিয়ন বিনিয়োগের ইচ্ছাও ছিল। এগুলো তারিখযুক্ত ঘোষিত পরিকল্পনা, পুরো ক্ষমতা চালু বা বিনিয়োগ পরিশোধের প্রমাণ নয়।
ক্লাউড নিজস্ব server না কিনে Nvidia hardware ব্যবহারের পথ দেয়। AWS, প্রশিক্ষণ, inference ও উচ্চক্ষমতার কম্পিউটিংয়ের জন্য H100 GPU-সহ EC2 P5 এবং H200-সহ P5e/P5en নথিভুক্ত করেছে। সরবরাহকারী hardware-এর চারপাশে নেটওয়ার্ক ও ক্ষমতা ব্যবস্থাপনার পরিষেবা দেয়। সম্পর্ক চিপ কেনাবেচার চেয়ে বিস্তৃত।
Nvidia বৃহত্তর বাজারে প্রভাবশালী, তবে বিকল্প ইতিমধ্যেই গুরুত্বপূর্ণ কাজ করছে। Google নিজের Trillium TPU-তে Gemini 2.0 প্রশিক্ষণ দিয়েছে। AWS জানিয়েছে Project Rainier-এর Trainium2 পরিকাঠামোয় Anthropic-এর কাজ চলছে। এগুলো বাস্তব বিকল্প, প্রতিটি প্রতিদ্বন্দ্বী প্রতিটি কাজে সস্তা, দ্রুত বা সমান সুলভ তার প্রমাণ নয়। বাস্তব হলো উল্লেখযোগ্য নির্ভরতার সঙ্গে বেছে প্রতিস্থাপন, সবার একমাত্র Nvidia-নির্ভরতা নয়।
চ্যাটের বাইরে: স্বাস্থ্য, রোবোটিক্স ও সেন্সরের কাছে গণনা
Nvidia-র নথিভুক্ত প্ল্যাটফর্ম চিকিৎসা-চিত্র, জিনোমিক্স, ওষুধ আবিষ্কারের গবেষণা ও রোবোটিক্সে বিস্তৃত। স্বাস্থ্য উপকরণে imaging AI-এর MONAI ও genomics-এর Parabricks আছে; IGX শিল্প, রোবট ও চিকিৎসার edge ব্যবহারের জন্য। এগুলো পণ্যের ক্ষমতা ও নির্ধারিত ব্যবহার, আরোগ্য, ক্লিনিক্যাল অনুমতি বা সব হাসপাতালে স্থাপনের প্রমাণ নয়।
ডেটা সেন্টার ও edge-এর পার্থক্য গুরুত্বপূর্ণ। কেন্দ্রীয় ব্যবস্থা বড় ভাগাভাগি সম্পদ দেয়; edge ব্যবস্থা camera, যন্ত্র বা সেন্সরের কাছে তথ্য প্রক্রিয়া করে। এতে স্থানীয় সাড়া ও বাছা তথ্য পাঠানো মূল্যবান হতে পারে। পরিবেশভেদে বিদ্যুৎ, নির্ভরযোগ্যতা ও নিরাপত্তার চাহিদা বদলায়। এক কাঠামো বহু ক্ষেত্রে মানেই একই যন্ত্র সর্বত্র উপযুক্ত নয়।
Nvidia মহাকাশে পৌঁছেছে; কক্ষপথের AI কারখানা আলাদা দাবি
মহাকাশের নির্দিষ্ট নথিভুক্ত উদাহরণ আছে। জুন ২০২৩-এর Jet Propulsion Laboratory উপস্থাপনায় আন্তর্জাতিক মহাকাশ স্টেশনের HPE Spaceborne Computer-2 প্যাকেজে চারটি Nvidia Tesla T4 GPU আছে। কর্মসূচি অন্য প্রসেসরও দেখেছে। এটি কক্ষপথের পরীক্ষায় Nvidia ব্যবহারের সমর্থন, সব উপগ্রহ বা মহাকাশের প্রথম GPU হওয়ার প্রমাণ নয়।
NASA-র বিবরণ radiation সমস্যা ও প্রয়োজনে নজরদারি করে গতি কমানোর HPE সফটওয়্যার পদ্ধতি ব্যাখ্যা করে। কক্ষপথের কম্পিউটিং প্রকৌশল সমস্যা, শুধু server বায়ুমণ্ডলের ওপরে নেওয়া নয়। radiation, অতিরিক্ত বিকল্প ব্যবস্থা, বিদ্যুৎ ও তাপ সরানো জরুরি। উপগ্রহের সেন্সরের কাছে ছবি প্রক্রিয়া করা বড় কক্ষীয় AI কারখানা বানানো থেকে আলাদা। দ্বিতীয়টি ভবিষ্যৎ দিশা, সমাধান হয়ে যাওয়া cooling বা নিশ্চিত সময়সূচি নয়।
মূল্যায়ন: বাজারদর ও পূর্বাভাস আলাদা করুন
এই লেখার জন্য যাচাই করা বাজারতথ্যে ১২ নভেম্বর ২০২৬ মার্কিন বাজার বন্ধের আশপাশে Nvidia-র শেয়ারমূল্যভিত্তিক মোট মূল্য প্রায় US$৪.০১ ট্রিলিয়ন। এটি তারিখযুক্ত, গোল করা অনুমান, ১৩ নভেম্বর মার্কিন লেনদেনের সরাসরি দর নয়। বাজারমূল্য শেয়ারের মূল্য; বার্ষিক আয়, ব্যাংকের নগদ বা AI-এর সব সামাজিক উপকার নয়।
ভবিষ্যৎ US$১০ ট্রিলিয়ন মূল্য বা US$৩ ট্রিলিয়ন বার্ষিক revenue উচ্চাকাঙ্ক্ষী বৃদ্ধির পরিস্থিতি, অর্জিত ফল নয়। যুক্তি হলো AI কারখানা পুরোনো বাজারের অংশ নেওয়ার বাইরে নতুন চাহিদা তৈরি করবে। লাভ নির্ভর করে উপযোগী ফলের জন্য গ্রাহকের অর্থদান, পরিকাঠামো খরচ ও প্রযুক্তির অগ্রগতির ওপর। এগুলো দীর্ঘমেয়াদি সম্ভাবনা, এই বিশ্লেষণ অনুমোদিত বা নিশ্চিত লক্ষ্য নয়।
পরের সীমা পুরো কারখানা
গণনার একক GPU থেকে computer, cluster ও পুরো AI কারখানায় বিস্তৃত হয়েছে। OpenAI পরিকল্পনা ও AWS-এর GPU cluster বিবরণ দেখায় processor-এর সঙ্গে নেটওয়ার্ক ও স্থাপন কেন গুরুত্বপূর্ণ। বিদ্যুৎ, cooling, সফটওয়্যার নির্ভরযোগ্যতা ও ব্যবহারের হার একসঙ্গে বিচার করতে হবে। accelerator কেনা আর উৎপাদনশীল পরিষেবা চালানো এক নয়। গ্রহ-স্তরের গণনা দীর্ঘমেয়াদি দিশা, সম্পূর্ণ ক্ষমতা নয়।
ওপেন সোর্স অংশগ্রহণ ও অভিযোজন বাড়ায়, কিন্তু বিদ্যুৎ দেয় না, hardware খরচ মুছে দেয় না বা অ্যাপ খরচ তুলবে নিশ্চিত করে না। মালিকানাধীন hardware ও software-ও নির্ভরতা স্থায়ী না করে উপকারী কাজ দিতে পারে। সাধারণ টুল ও বাণিজ্যিক প্ল্যাটফর্মের ভারসাম্য চলমান প্রতিযোগিতা, স্থির শিল্পনীতি নয়।
উপসংহার: বদলানো কঠিন মানে অসম্ভব নয়
Nvidia-র গুরুত্ব সমন্বয়ে: ত্বরিত গণনা, পরিণত সফটওয়্যার, ডেভেলপার আস্থা, ক্লাউড এবং গবেষণাগার থেকে কক্ষীয় পরীক্ষা পর্যন্ত ব্যবহার। উন্মুক্ত কাজ বেশি মানুষকে তৈরি করতে দেয়, মালিকানাধীন স্তরও বাণিজ্যিকভাবে জরুরি থাকে। প্রশ্ন GPU নকল করা নয়, নির্দিষ্ট গ্রাহকের পূর্ণ নির্ভরযোগ্য ব্যবস্থা বিকল্প দিতে পারবে কি না।
তাই বহু ক্ষেত্রে Nvidia বদলানো কঠিন, সব ক্ষেত্রে অসম্ভব নয়। Google TPU ও AWS Trainium ইতিমধ্যেই চূড়ান্ত দাবিটি খণ্ডন করে। ভবিষ্যৎ নির্ভর করে গ্রহণযোগ্য খরচে প্রকৌশল ও ইকোসিস্টেমকে উপকারী কাজে রূপান্তরিত করতে থাকার ওপর। বড় মূল্য প্রত্যাশা দেখায়, নিশ্চয়তা নয়। এটি সম্পাদকীয় বিশ্লেষণ, বিনিয়োগ পরামর্শ নয়।