[GeForce] سے مصنوعی ذہانت [AI] تک: [CUDA] کے بارے میں [NVIDIA] کے فیصلے نے ایک کمپنی کا مستقبل کیوں بدل دیا؟
تمہید: کیا کوئی کمپنی کل کی کمپیوٹر دنیا بنانے کے لیے آج کا منافع قربان کر سکتی ہے؟
ایک کمپنی اپنے صارفین کی فوری طور پر نہ مانگی گئی سہولت پر بڑی رقم خرچ کرتی ہے۔ اس سہولت کے اضافے سے پیداواری لاگت بڑھ جاتی ہے۔ لیکن صارفین اس کے لیے اضافی رقم دینے کو تیار نہیں۔ اس کے باوجود کمپنی پیچھے نہیں ہٹی۔ کیونکہ وہ صرف ایک نئی پیداوار بیچنا نہیں چاہتی تھی؛ وہ مستقبل میں دوسروں کے لیے اپنی تخلیقات بنانے کا ایک کمپیوٹنگ پلیٹ فارم [Computing Platform] قائم کرنا چاہتی تھی۔
[GeForce] گرافکس پروسیسرز [GPU] میں [CUDA] کی سہولت لاتے وقت [NVIDIA] نے جو فیصلہ کیا، اس کی بنیاد یہی تھی۔ [Jensen Huang] نے جیسا کہ واضح کیا، اس فیصلے نے کمپنی کو فوری کامیابی نہیں دی۔ اس کے بدلے یہ لاگت، منافع کے دباؤ اور طویل انتظار لے کر آیا۔ لیکن بعد ازاں یہی فیصلہ [Deep Learning] کی ترقی کی بنیادوں میں سے ایک بنا۔
1. محدود کاموں کے لیے رفتار بڑھانے والے سے وسیع کمپیوٹنگ پلیٹ فارم تک
آغاز میں [NVIDIA] ایک مخصوص کام تیزی سے کرنے والی کمپنی تھی۔ یہی مخصوص مہارت اس کی طاقت تھی۔ اسی وقت، صرف ایک محدود بازار پر انحصار اس کی [Research and Development] کی صلاحیت کے لیے حد بن سکتا تھا۔
یہاں ایک تضاد موجود تھا۔ اگر کمپنی خود کو مکمل طور پر ایک مخصوص کام کے مطابق ڈھالے تو وسیع کمپیوٹنگ کام کرنا مشکل ہو سکتا ہے۔ اگر سب کچھ کرنے کی کوشش کرے تو ابتدائی مخصوص مہارت کھو سکتی ہے۔ [Jensen Huang] کا طریقہ یہ تھا کہ ان دونوں کے درمیان آہستہ آہستہ بڑھنا ہے۔
ان کے بیان کے مطابق اس کا پہلا قدم [Programmable Pixel Shader] بنا۔ اس کے بعد [Shaders] میں معیار کے مطابق بتیس بٹ فلوٹنگ پوائنٹ حساب [IEEE-compatible FP32] لایا گیا۔ اس سے محققین کے ذہن میں یہ سوال اٹھا کہ کیا گرافکس کے لیے بنایا گیا پروسیسر دوسرے حسابات کے لیے بھی استعمال ہو سکتا ہے؟
پھر (C) پروگرامنگ زبان پر مبنی [Cg] آیا۔ یہ سفر بالآخر [CUDA] کی طرف بڑھا۔ لہٰذا یہ ایک ہی دن میں بننے والا کوئی جادوی حل نہیں۔ ایک تکنیکی صلاحیت کو اگلی صلاحیت سے جوڑنے کا مسلسل سفر ہے۔
2. [CUDA] کا بنانا اتنا اہم نہیں جتنا اسے کہاں تک پہنچایا گیا
صرف ایک بہترین ٹیکنالوجی بنا لینے سے لوگ اسے استعمال کرنے نہیں لگتے۔ اس کے لیے پروگرام لکھنے والوں [Developers] کی ضرورت ہوتی ہے۔ اور ان کے لکھے ہوئے پروگرام استعمال کرنے والی بڑی تعداد میں لوگ بھی چاہئیں۔
کمپیوٹنگ پلیٹ فارم [Computing Platform] کی طاقت صرف اس کے ڈیزائن کی خوبصورتی میں نہیں؛ یہ بھی اس میں ہے کہ پہلے سے کتنے لوگوں کے پاس وہ موجود ہے۔ [Jensen Huang] اسے انسٹال شدہ استعمال کی بنیاد [Installed Base] کی اہمیت کے طور پر بیان کرتے ہیں۔
ان کی دی ہوئی مثال [x86] آرکیٹیکچر ہے: بہت سی تنقیدوں کے باوجود یہ وسیع استعمال کی طاقت سے قائم رہا۔ اسی کے ساتھ وہ بتاتے ہیں کہ خوبصورتی سے ڈیزائن کی گئی کچھ کم ہدایات والی آرکیٹیکچرز [RISC Architectures] متوقع کامیابی حاصل نہ کر سکیں۔ اس کا مطلب یہ نہیں کہ تمام [RISC] ڈیزائن ناکام ہوئے۔ یہاں اہم بات یہ ہے کہ صرف تکنیکی نفاست کسی پلیٹ فارم کی کامیابی کی ضمانت نہیں دیتی۔
اس وقت [GeForce] پہلے ہی سالانہ لاکھوں کی تعداد میں بک رہی تھی۔ لہٰذا [NVIDIA] کے پاس نئی کمپیوٹنگ صلاحیت کو لوگوں تک پہنچانے کا ایک تیار راستہ موجود تھا۔
3. ہر [GeForce] پروسیسر میں [CUDA]: صارفین کے مانگنے سے پہلے رکھی گئی بنیاد
[CUDA] کی سہولت صرف چند مہنگی تحقیقی مشینوں میں بھی رکھی جا سکتی تھی۔ لیکن اگر ایسا کیا جاتا تو اس تک رسائی حاصل کرنے والوں کی تعداد بہت کم رہتی۔
اس کے بجائے کمپنی نے فیصلہ کیا کہ اس صلاحیت کو [GeForce] کے ذریعے وسیع پیمانے پر دستیاب ذاتی کمپیوٹرز [PC] میں لایا جائے۔ کھیل کے لیے خریدی گئی چیز میں تحقیق کا موقع بھی موجود تھا۔ ایک طالب علم، یونیورسٹی کی لیبارٹری، یا خود کمپیوٹر جوڑنے والا محقق، اپنے پاس موجود آلہ ہی سے نئے حسابات آزما سکنے کی صورت میں آ گیا۔
اسے اس طرح نہیں سمجھنا چاہیے کہ ہر کمپیوٹر پر [CUDA] چل رہا تھا۔ بات یہ ہے کہ انہوں نے [GeForce] کے انسٹال شدہ استعمال کو ابتدائی بنیاد بنا کر اس صلاحیت کو مزید لوگوں کی دسترس میں لایا۔
[Jensen Huang] کہتے ہیں کہ صرف آلہ فراہم کرنے پر نہیں رکے، بلکہ یونیورسٹیوں میں جا کر پڑھایا، کتابیں لکھیں اور کورسز کروائے۔ پلیٹ فارم بنانا اس کی پیداوار بیچنے کے ساتھ ختم نہیں ہوتا؛ اسے استعمال کر سکنے والے علم اور معاشرہ بھی بنانا ہوتا ہے۔
4. فوری قیمت: بڑھی ہوئی لاگت اور دباؤ میں آیا منافع
اس فیصلے کا معاشی بوجھ چھوٹا نہیں تھا۔ [Jensen Huang] یاد کرتے ہیں کہ [CUDA] کی صلاحیت کے اضافے سے اس پروسیسر کی لاگت تقریباً 50 فیصد بڑھ گئی، اور اس وقت کمپنی تقریباً 35 فیصد مجموعی منافع کی شرح [Gross Margin] کے ساتھ کام کر رہی تھی۔
گیمنگ صارفین ایسی کمپیوٹنگ صلاحیت کے لیے اضافی قیمت نہیں دیں گے جسے وہ استعمال نہیں کرتے۔ لہٰذا کمپنی کو لاگت خود برداشت کرنی پڑی۔ ان کے بیان کے مطابق یہ اس حد تک تھا کہ وہ کمپنی کے مجموعی منافع کے ڈالرز [Gross Profit Dollars] مکمل طور پر نگل جاتا۔
ان دونوں فیصدوں کو براہ راست گھٹا کر کمپنی کی مالی حالت کا تعین نہیں کیا جا سکتا۔ ایک کی بنیاد پیداواری لاگت ہے؛ دوسرے کی بنیاد آمدنی سے نکالی گئی منافع کی شرح ہے۔ وہ جو زور دیتے ہیں وہ سادہ حساب نہیں؛ آج کی آمدنی کو کل کے پلیٹ فارم کے لیے قربان کرنے کی مشکل صورتحال ہے۔
وہ اندازاً بتاتے ہیں کہ اس وقت کمپنی کی بازاری مالیت [Market Capitalisation] تقریباً چھ سے آٹ ارب امریکی ڈالر کے قریب تھی، اور بعد میں یہ تقریباً ڈیڑھ ارب ڈالر تک گر گئی۔ یہ ان کے یادداشت پر مبنی تخمینے ہیں۔ اس سے یہ نتیجہ نہیں نکالنا چاہیے کہ اس پوری تبدیلی کی واحد وجہ صرف [CUDA] تھی۔
اس کے باوجود ان کی یہ بات اہم ہے کہ متوقع فائدہ آنے میں تقریباً ایک دہائی لگی۔ یہ فیصلہ اگلی سہ ماہی کی آمدنی کے لیے نہیں کیا گیا تھا۔
5. یہ فیصلہ [Deep Learning] کی بنیاد کیوں بنا؟
نئی تحقیق کے سامنے بڑی رکاوٹ آلات تک رسائی کی لاگت اور مشکل ہے۔ اگر نئی کوشش اس آلہ سے شروع ہو سکے جو پہلے سے بہت سے لوگوں کے پاس موجود ہے، تو اس رکاوٹ کا ایک حصہ کم ہو جاتا ہے۔
[GeForce] کے ذریعے پھیلا ہوا [CUDA] نے وہ بنیاد بنائی جس سے محققین ایک جیسے پروگرامنگ ماحول [Programming Environment] میں آزمائش کر سکتے تھے۔ اس سے پیدا ہونے والا علم، پروگرام اور تجربہ اگلی کوششوں کے لیے بھی کام آیا۔
جب [Deep Learning] ترقی کر رہا تھا، تو اس کے لیے درکار بڑے پیمانے پر متوازی حسابات [Parallel Computing] کے موزوں آلات اور انہیں استعمال کرنا جاننے والے لوگ پہلے ہی تیار تھے۔ یہی اہم سبقت تھی۔
[Deep Learning] کی پوری تاریخ کسی ایک کمپنی یا ایک آلہ پر منحصر نہیں۔ لیکن درکار کمپیوٹنگ پلیٹ فارم کو وسیع پیمانے پر دستیاب بنانے میں اس فیصلے کا اہم مقام ہے۔ اسی لیے [Jensen Huang] اس بات پر زور دیتے ہیں کہ [NVIDIA] وہ گھر ہے جسے [GeForce] نے بنایا۔
6. تکنیکی فیصلے سے پہلے قائم کی گئی وثوق
کسی قائد کے ذہن میں مستقبل واضح ہو سکتا ہے۔ لیکن اگر ڈائریکٹرز کا بورڈ، منتظمین، ملازمین، صارفین اور حصہ دار اسے قبول نہ کریں تو صرف وہ وضاحت کافی نہیں۔
[Jensen Huang] اپنا طریقہ مرحلہ وار وجہ سمجھانا بتاتے ہیں۔ جب بھی کوئی نئی معلومات، تحقیقی پیش رفت یا انجینئرنگ کامیابی سامنے آتی، وہ اردگرد کے لوگوں کو سمجھاتے کہ یہ مستقبل کی سمت سے کیسے جڑتی ہے۔
جس دن بڑا فیصلہ اعلان ہو، وہ سب کے لیے اچانک دھچکا نہیں ہونا چاہیے۔ بلکہ اس کی بنیاد پہلے سے اتنی مضبوط رکھی جا چکی ہونی چاہیے کہ لوگ سوچیں کہ اتنا وقت کیوں لگا - یہی ان کا خیال ہے۔
[CUDA] کے فیصلے کے پیچھے بھی اسی قسم کا طویل مدتی اعتماد اور صبر موجود تھا۔ تکنیکی راستہ چننے کے ساتھ ساتھ، اس کی لاگت اٹھانے والی کمپنی کو بھی اس سفر کے لیے تیار کرنا تھا۔
7. ایک پیداوار نہیں، شراکت داروں کے بنانے کے قابل ایک پلیٹ فارم
[NVIDIA] کا خود کو ایک پلیٹ فارم کمپنی [Platform Company] سمجھنے کا طریقہ بھی یہاں اہم ہے۔ اس طریقے کا مرکز یہ ہے کہ اس کی ہر تہہ میں دوسری کمپنیوں کے لیے حصہ ڈالنے اور مل کر بنانے کی گنجائش موجود ہے۔
اس کا مطلب یہ نہیں کہ اس کے تمام پروگرام اوپن سورس [Open Source] کے طور پر فراہم کیے جاتے ہیں۔ شراکت داروں کے مل کر بنانے کے موقع اور سورس کوڈ کو عوام کے لیے کھولنے میں فرق ہے۔
اچھا پلیٹ فارم صرف اس بنانے والی کمپنی سے نہیں بڑھتا۔ اس پر محققین، پروگرامرز، کمپنیاں اور تعلیمی ادارے جو ایپلیکیشنز بناتے ہیں ان سے بھی بڑھتا ہے۔ [CUDA] سے متعلق فیصلے نے اس ترقی کا دروازہ کھولا۔
8. آج کا سبق: صرف ایک پروسیسر تیز کرنا کافی نہیں
بڑے پیمانے پر تقسیم کر کے کیے جانے والے کمپیوٹنگ کاموں [Distributed Workloads] میں، صرف ایک حصہ تیز کرنے سے پورا نظام اسی تناسب سے تیز نہیں ہوتا۔ [Amdahl's Law] اسے واضح کرتی ہے۔
فرض کریں ہم کسی کام کے وقت کا صرف نصف حصہ بہتر بنا سکتے ہیں۔ اس نصف کو جتنا بھی تیز کر لیں، باقی نصف جو تبدیل نہیں ہوا ویسا ہی رہے گا۔ خواہ بہتر بنایا گیا حصہ اتنا تیز ہو کہ وقت ہی نہ لے، پورے کام کی رفتار زیادہ سے زیادہ دوگنی ہی ہو سکتی ہے۔
اسی لیے گرافکس پروسیسر [GPU]، مرکزی پروسیسر [CPU]، نیٹ ورکنگ [Networking]، میموری [Memory]، بجلی کی فراہمی [Power] اور ٹھنڈک [Cooling] سب کو ایک دوسرے سے ہم آہنگ ڈیزائن کرنا ضروری ہے۔ [Jensen Huang] اسے انتہائی قریبی مشترکہ ڈیزائن [Extreme Co-design] کہتے ہیں۔
یہاں ابتدائی [CUDA] فیصلے سے تسلسل نظر آتا ہے۔ صرف ایک آلہ کی صلاحیت کافی نہیں۔ اسے استعمال کرنے والے پورے ماحول کو بھی ساتھ بڑھنا ہوتا ہے۔
اختتامیہ: مستقبل کے فائدے کو بنانے والا فیصلہ
[CUDA] کے متعارف ہونے کی اہمیت صرف اس میں نہیں کہ ایک نئی پروگرامنگ سہولت آئی۔ اس کی گہری اہمیت اس میں ہے کہ اس سہولت کو پہلے ہی بڑی مقدار میں بکنے والی [GeForce] کے ساتھ جوڑ کر، مستقبل میں اس پر ایپلیکیشنز بنانے والے لوگوں تک پہلے ہی پہنچا دیا گیا۔
اگر صرف اس وقت کی لاگت دیکھی جاتی تو یہ فیصلہ غلط لگ سکتا تھا۔ لیکن [NVIDIA] جانتی تھی کہ کمپیوٹنگ پلیٹ فارم کی قدر ان ایپلیکیشنز میں بھی ہے جو دوسرے اس پر بنائیں گے۔
ٹیکنالوجی، وسیع استعمال، تعلیم، پروگرامروں کا معاشرہ اور کمپنی کا صبر جب ایک ساتھ آئے تو ایک نیا موقع پیدا ہوا۔ وہ موقع بعد میں مصنوعی ذہانت [AI] کی دنیا کی ترقی سے جا ملا۔ [CUDA] کا فیصلہ ہمیں جو سبق دکھاتا ہے وہ یہ ہے: کل کی بڑی تبدیلی کے لیے، آج ہی ایک ایسی بنیاد درکار ہے جس پر بہت سے لوگ مل کر بنا سکیں۔
Powered By K7