Nvidia فراتر از تراشه: متن‌باز، کارخانه‌های هوش مصنوعی و مزیت زیرساخت
Nvidia زیرساخت می‌فروشد، نه فقط تراشه
تحلیل | ۱۳ نوامبر ۲۰۲۶. Nvidia تأمین‌کننده غالب تراشه‌های پیشرفته برای آموزش و اجرای مدل‌های هوش مصنوعی در مراکز داده است؛ برآوردهای صنعت سهم جهانی آن را حدود ۸۰٪ می‌دانند. اهمیتش به نرم‌افزار، ابزار توسعه، ابر و روش‌های مهندسی می‌رسد. جایگزینی یک بستر محاسباتی فعال دشوارتر از طراحی پردازنده رقیب است. سهم بازار، بازار مشخصی را می‌سنجد، نه تعداد همه شرکت‌های هوش مصنوعی یا وابستگی انحصاری آن‌ها را.
گذار از بازیابی اطلاعات ذخیره‌شده به تولید پاسخ متناسب با زمینه در لحظه، نقش اقتصادی محاسبات را تغییر می‌دهد. هوش مصنوعی برای ساخت خروجی محاسبه می‌کند، نه اینکه فقط پرونده‌ای از پیش آماده تحویل دهد. مفهوم کارخانه هوش مصنوعی از همین‌جا می‌آید: زیرساخت بخشی از تولید خدمات دیجیتال می‌شود. آزمون تجاری این است که خروجی آن‌قدر مفید باشد که درآمدش از هزینه ارائه بیشتر شود.
متن‌باز بخشی از موتور است، اما CUDA کاملاً متن‌باز نیست
متن‌باز به پژوهشگران و توسعه‌دهندگان اجازه می‌دهد نرم‌افزار را طبق مجوز بررسی، اصلاح و به اشتراک بگذارند و میان شرکت‌ها و کشورها همکاری کنند. PyTorch نمونه این بنیان مشترک است: انتقالش به Linux Foundation اعضایی چون AMD، AWS، Google Cloud، Meta، Microsoft Azure و Nvidia را گرد هم آورد. پس نرم‌افزار باز هوش مصنوعی دارایی یا دستاورد یک شرکت تراشه نیست.
Nvidia در این ساختار مشارکت می‌کند و اجزای اختصاصی هم نگه می‌دارد. کتابخانه CUTLASS مجوز BSD دارد و ماژول‌های هسته Linux برای GPU با مجوز دوگانه MIT/GPL منتشر می‌شوند. ولی بازبودن ماژول هسته، کل درایور، میان‌افزار یا CUDA Toolkit را متن‌باز نمی‌کند. Toolkit مجوز و محدودیت خود را دارد. دانلود رایگان، متن‌باز و وزن‌های باز مفاهیم متفاوت‌اند و هر جزء باید جدا بررسی شود.
مدل‌های باز سه هدف مرتبط دارند: شناخت معماری‌های آینده، گسترش هوش مصنوعی فراتر از چند عرضه‌کننده اختصاصی و پشتیبانی از زیست‌شناسی، فیزیک و رباتیک، نه فقط زبان. Nemotron 3 Super نمونه مشخصی است. Nvidia آن را مدل ترکیبی Mamba-Transformer با مخلوط متخصصان، ۱۲۰ میلیارد پارامتر کل و ۱۲ میلیارد فعال معرفی کرده و نقاط وارسی، مجموعه‌داده‌ها و روش ساخت را منتشر کرده است. این یک شکل مشخص از گشودگی است، نه بی‌محدودیت بودن همه محصولات.
مزیت، مسیر رسیدن از ایده به سامانه فعال است
CUDA بستر برنامه‌نویسی، کامپایلر، کتابخانه و ابزار کاربردهای شتاب‌یافته با GPU را فراهم می‌کند. پژوهشگر می‌تواند از چارچوب سطح بالا استفاده کند، بی‌آنکه هر عملیات را مستقیماً در CUDA بنویسد. با این حال انتخاب‌های پیاده‌سازی زیر آن بر حافظه، محاسبات و ارتباط میان دستگاه‌ها اثر می‌گذارند.
پایه نصب‌شده CUDA مزیت رقابتی مهمی است. نرم‌افزار پشتیبانی‌شده، مهندسان آموزش‌دیده، ابزار اشکال‌زدایی و راه‌های آشنای استقرار عدم‌قطعیت ورود مدل به بهره‌برداری را کاهش می‌دهند. رقیب با این ترکیب فعال رقابت می‌کند، نه تنها عدد مشخصات تراشه. جایگزینی ممکن است تطبیق نرم‌افزار، اعتبارسنجی نتایج و بازسازی تخصص عملیاتی بخواهد. دشواری واقعی است، ولی هزینه با بار کاری فرق می‌کند؛ قفل‌شدگی دائمی نیست.
OpenAI و ابر: وابستگی زیاد، نه انحصار همگانی
ChatGPT خدمت OpenAI است، نه خریدار جداگانه تراشه در این مقایسه. اعلامیه سپتامبر ۲۰۲۵ OpenAI، Nvidia را شریک راهبردی ترجیحی محاسبات و شبکه معرفی و نامه قصد استقرار دست‌کم ۱۰ گیگاوات سامانه Nvidia را اعلام کرد. قصد Nvidia برای سرمایه‌گذاری تدریجی تا ۱۰۰ میلیارد دلار آمریکا هم ذکر شد. این‌ها برنامه‌های اعلام‌شده در تاریخی مشخص‌اند، نه اثبات راه‌اندازی کل ظرفیت یا پرداخت کل سرمایه.
ابر دسترسی به سخت‌افزار Nvidia را بدون خرید سرور شخصی ممکن می‌کند. AWS نمونه‌های EC2 P5 با GPU H100 و P5e/P5en با H200 را برای آموزش، استنتاج و محاسبات پربازده مستند کرده است. عرضه‌کننده پیرامون سخت‌افزار خدمات شبکه و مدیریت ظرفیت ارائه می‌کند. این رابطه از معامله تراشه گسترده‌تر است.
Nvidia بر بازار گسترده مسلط است، اما جایگزین‌ها همین حالا کار مهم انجام می‌دهند. Google مدل Gemini 2.0 را با TPU Trillium خود آموزش داد. AWS از بارهای Anthropic روی زیرساخت Trainium2 در Project Rainier گزارش داده است. این‌ها بدیل واقعی‌اند، نه اثبات ارزانی، سرعت یا دسترسی برابر هر رقیب برای هر کار. وضعیت عملی وابستگی قابل‌توجه همراه جایگزینی انتخابی است، نه وابستگی انحصاری همه.
فراتر از گفت‌وگو: سلامت، رباتیک و محاسبه نزدیک حسگر
بسترهای مستند Nvidia به تصویربرداری پزشکی، ژنومیک، پژوهش کشف دارو و رباتیک می‌رسند. مطالب سلامت MONAI را برای هوش تصویربرداری و Parabricks را برای ژنومیک توصیف می‌کنند؛ IGX برای کاربردهای صنعتی، رباتیک و پزشکی لبه طراحی شده است. این‌ها قابلیت و کاربرد موردنظرند، نه اثبات درمان، تأیید بالینی یا استقرار در همه بیمارستان‌ها.
تفاوت مرکز داده و لبه مهم است. سامانه مرکزی منابع مشترک بزرگی می‌دهد؛ سامانه لبه نزدیک دوربین، ماشین یا حسگر پردازش می‌کند. این می‌تواند پاسخ محلی و انتقال گزینشی داده را ارزشمند کند. محیط‌های مختلف نیازهای برق، قابلیت اعتماد و ایمنی متفاوت دارند. حضور یک معماری در چند حوزه به معنای مناسب‌بودن دستگاهی یکسان در همه‌جا نیست.
Nvidia به فضا رسیده؛ کارخانه مداری هوش مصنوعی ادعای دیگری است
نمونه فضایی مستند وجود دارد. ارائه ژوئن ۲۰۲۳ Jet Propulsion Laboratory چهار GPU Nvidia Tesla T4 را در بسته HPE Spaceborne Computer-2 روی ایستگاه فضایی بین‌المللی فهرست می‌کند. همان برنامه پردازنده‌های دیگری را هم بررسی کرد. این استفاده در آزمایش محاسبات مداری را تأیید می‌کند، نه حضور در همه ماهواره‌ها یا اولین GPU بودن در فضا را.
شرح NASA از برنامه Spaceborne Computer مشکل تابش و روش نرم‌افزاری HPE برای پایش و کندکردن سامانه در صورت نیاز را توضیح می‌دهد. محاسبات مداری مسئله مهندسی است، نه فقط بردن سرورها بالای جو. تابش، افزونگی، برق و دفع گرما مهم‌اند. پردازش تصویر نزدیک حسگر ماهواره با ساخت کارخانه مداری بزرگ فرق دارد. دومی چشم‌انداز است، نه مسئله سرمایش حل‌شده یا برنامه تحویل قطعی.
ارزش‌گذاری: قیمت بازار را از پیش‌بینی جدا کنید
داده‌های بررسی‌شده برای این مقاله، ارزش بازار سهام Nvidia را حوالی پایان معاملات آمریکا در ۱۲ نوامبر ۲۰۲۶ حدود ۴٫۰۱ تریلیون دلار آمریکا قرار می‌دادند. این برآورد گرد‌شده و تاریخ‌دار است، نه قیمت زنده معاملات ۱۳ نوامبر آمریکا. ارزش بازار، ارزش سهام است؛ نه درآمد سالانه، پول بانک یا کل منفعت اجتماعی هوش مصنوعی.
ارزش‌گذاری آینده ۱۰ تریلیون دلار یا درآمد سالانه ۳ تریلیون دلار متعلق به سناریوی بلندپروازانه رشد است، نه نتایج حاصل‌شده. استدلال توسعه بر ایجاد تقاضای تازه توسط کارخانه‌های هوش مصنوعی تکیه دارد، نه فقط گرفتن سهم موجود. سودآوری به پرداخت مشتری برای خروجی مفید، هزینه زیرساخت و پیشرفت فنی وابسته است. این‌ها امکان‌های بلندمدت‌اند، نه هدف تأییدشده یا تضمین‌شده این تحلیل.
محدودیت بعدی کل کارخانه است
واحد محاسبه از GPU به رایانه، خوشه و کارخانه کامل رسیده است. برنامه‌های OpenAI و شرح خوشه‌های GPU در AWS اهمیت شبکه و استقرار را کنار پردازنده نشان می‌دهند. برق، سرمایش، اعتمادپذیری نرم‌افزار و میزان استفاده باید با هم سنجیده شوند. خرید شتاب‌دهنده معادل اداره خدمت مولد نیست. محاسبات سیاره‌ای همچنان جهت بلندمدت است، نه قابلیت تکمیل‌شده.
متن‌باز مشارکت و سازگاری را گسترش می‌دهد، اما برق نمی‌دهد، هزینه سخت‌افزار را حذف نمی‌کند و بازگشت هزینه برنامه را تضمین نمی‌کند. سخت‌افزار و نرم‌افزار اختصاصی هم می‌توانند عملکرد مفید بدهند بی‌آنکه وابستگی دائمی شود. تعادل ابزار مشترک و بستر تجاری رقابتی ادامه‌دار است، نه قانون قطعی صنعت.
نتیجه: دشوار بودن جایگزینی به معنای ناممکن بودن نیست
اهمیت Nvidia در ترکیب محاسبات شتاب‌یافته، نرم‌افزار بالغ، اعتماد توسعه‌دهنده، ابر و کاربرد از آزمایشگاه تا آزمایش مداری است. کار باز آن امکان ساخت را برای افراد بیشتری فراهم می‌کند و لایه‌های اختصاصی اهمیت تجاری دارند. پرسش، کپی‌کردن GPU نیست؛ توان ارائه سامانه کامل و قابل‌اعتماد برای مشتری مشخص است.
این Nvidia را در بسیاری موقعیت‌ها دشوار برای جایگزینی می‌کند، نه در همه غیرقابل‌جایگزین. Google TPU و AWS Trainium همین حالا مانع آن ادعای مطلق‌اند. آینده به تبدیل مهندسی و گستره زیست‌بوم به کار مفید با هزینه پذیرفتنی وابسته است. ارزش بالا انتظارات را نشان می‌دهد، نه تضمین آن‌ها. این تحلیل تحریریه است، نه توصیه سرمایه‌گذاری.