مواجهة هيمنة نفيديا: استراتيجيات التطوير السريع للذكاء الاصطناعي للمشاركين غير الكبار في مجال التكنولوجيا (في ظل التحديات الإمدادية والتكلفة)

إن بناء مشروع تجاري في مجال الألعاب بين اللاعبين الكبار لم يكن مهمة سهلة قط. في عام 2023، وصلت المنافسة في قطاع الذكاء الاصطناعي إلى أوجه غير مسبوقة، مدفوعة bởi اختراقات حقيقية ومذهلة. إطلاق OpenAI ل GPT-4، وتكامل ChatGPT مع Bing، وإطلاق Google ل Bard، وإطلاق Meta ل Llama 2 المثير للجدل “مفتوح المصدر”. يبدو الأمر وكأنه قائمة طويلة من الأسماء الكبيرة، أليس كذلك؟ ومع ذلك، فإن معظم الابتكارات تقع في مكان يتدفق فيه المال، والمنافسة التي يجب على المشاركين الصغار اجتيازها تصبح أكثر شدة يومًا بعد يوم.

في المناظر المتغيرة لصناعة التكنولوجيا، تواصل نفيديا تعزيز مكانتها كلاعب رئيسي في بنية الذكاء الاصطناعي. خلال مكالمة تелефонية لتقديم التقرير المالي في أغسطس، أشار جنسن هوانغ، رئيس نفيديا، إلى الطلب المتزايد على معالجات نفيديا. هذا الادعاء مدعوم من قبل بيانات العرض التقديمي للمستثمرين في نفيديا، التي كشفت عن أداء ممتاز على مدار العام. في الوقت الحالي، لا تزال مجموعة برامج نفيديا ومعالجاتها بدون منافس، مما يترك الصناعة غير متأكدة من متى قد يظهر منافس مقبول. (NVDA )

تشير التقارير الحديثة من بلومبرغ و الفاينانشال تايمز إلى محادثات سام ألتمان، الرئيس التنفيذي ل OpenAI، مع المستثمرين في الشرق الأوسط لبدء إنتاج الشريحة، بهدف تقليل اعتماد قطاع الذكاء الاصطناعي على شريحة نفيديا. من المحتمل أن يتكلف تحدي نفيديا، مع قيمتها السوقية التي تبلغ 거의 1.5 تريليون دولار، ألتمان بين 5 تريليونات و 7 تريليونات دولار، وسيستغرق ذلك عدة سنوات.

ومع ذلك، فإن معالجة فعالية نماذج التعلم الآلي للمشاريع التجارية هي شيء يجب على الشركات القيام به الآن. بالنسبة للمشاريع التجارية خارج نطاق التكنولوجيا الكبيرة، فإن تطوير نماذج التعلم الآلي الفعالة تكلفة هو أكثر من مجرد عملية تجارية — إنه استراتيجية بقاء حيوية. هذا المقال يبحث في أربعة استراتيجيات عملية تمكن المشاريع من تطوير نماذجها دون استثمارات بحثية وتطويرية مكثفة، وتظل مرنة لتجنب حبس البائع.

لماذا تهيمن نفيديا على سوق الذكاء الاصطناعي

باختصار، أنشأت نفيديا نموذج تدريب مثالي عن طريق تحقيق التآزر بين معالجات الجرافيك عالية الأداء وبرامج تدريب النماذج المملوكة، وهي أداة CUDA الشهيرة.

CUDA (المقدمة في عام 2007) هي أداة حوسبة موازية شاملة وواجهة برمجة تطبيقات لاستخدام معالجات الجرافيك من نفيديا بفعالية. السبب الرئيسي لشعبيتها هو khả năngها الفريدة لتسريع الحسابات الرياضية المعقدة، التي هي ضرورية للتعلم العميق. بالإضافة إلى ذلك، توفر بيئة غنية مثل cuDNN للشبكات العصبية العميقة، مما يعزز الأداء وسهولة الاستخدام. إنه ضروري للمطورين بسبب التكامل السلس مع الإطارات الرئيسية للتعلم العميق، مما يسمح بالنمو السريع والتحديث.

الجمع بين مجموعة برامج قوية ومعالجات فعالة أثبت أنه مفتاح السيطرة على السوق. بينما يجادل بعض الأشخاص بأن هيمنة نفيديا قد تكون ظاهرة مؤقتة، من الصعب إصدار مثل هذه التنبؤات في المناظر الحالية.

الضريبة الثقيلة لهيمنة نفيديا

لقد أثيرت مخاوف كثيرة حول هيمنة نفيديا في مجال تطوير التعلم الآلي، ليس فقط في المجال الأخلاقي ولكن أيضًا فيما يتعلق bằng الفجوات المتزايدة في ميزانيات البحث والتطوير، والتي هي واحدة من الأسباب التي تجعل من الصعب على المشاركين الصغار الدخول إلى السوق، ناهيكم عن الشركات الناشئة. أضف إلى ذلك انخفاض اهتمام المستثمرين بسبب المخاطر الأعلى، وتصبح مهمة الحصول على استثمارات بحثية وتطويرية مكثفة أمرًا مستحيلًا، مما يخلق سوقًا غير متكافئة للغاية.

ومع ذلك، فإن الاعتماد الشديد على أجهزة نفيديا يزيد من الضغط على استمرار سلسلة التوريد ويفتح بابًا للاضطرابات و حبس البائع، مما يقلل من مرونة السوق ويرفع حواجز الدخول إلى السوق.

“ بعضهم يجمع الأموال لضمان عدم ترك المستخدمين في حيرة. في كل مكان، المصطلحات الهندسية مثل “التنظيم” و “حجم النموذج الأصغر” هي في الموضة لأن الشركات تحاول تقليص احتياجاتها من وحدات معالجة الرسومات، والمستثمرين هذا العام قد وضعوا مئات الملايين من الدولارات على الشركات الناشئة التي تساعد الشركات على التعامل مع وحدات معالجة الرسومات التي لديهم.

نقص شريحة نفيديا يترك الشركات الناشئة في مجال الذكاء الاصطناعي في حيرة بواسطة باреш ديف

الآن هو الوقت لاعتماد نهج استراتيجي، لأن هذا قد يكون الشيء الذي سيعطي مشروعك فرصة للازدهار في ظل النفوذ الواسع لشركة نفيديا في تطوير التعلم الآلي.

استراتيجيات يمكن للمشاركين غير الكبار في مجال التكنولوجيا أن يعتمدوها لمواجهة هيمنة نفيديا:

1. ابدأ في استكشاف RocM من AMD

لقد قامت AMD بتقليص الفجوة في تطوير الذكاء الاصطناعي مع نفيديا، وهذا الإنجاز تم تحقيقه من خلال دعم RocM في مكتبات PyTorch الرئيسية على مدار العام الماضي. هذا الجهد المستمر أدى إلى تحسين التوافق والأداء، كما هو موضح في شريحة MI300، الإصدار الأخير من AMD. وقد أظهرت MI300 أداءً قويًا في مهام الاستدلال للغة الكبيرة، خاصةً مع نماذج مثل LLama-70b. هذا النجاح يبرز التقدم الكبير في القدرة على المعالجة والكفاءة التي حققتها AMD.

2. ابحث عن بديلات أجهزة أخرى

بالإضافة إلى تقدم AMD، قامت جوجل بتقديم وحدات معالجة التنسور (TPU)، وهي أجهزة متخصصة مصممة خصيصًا لتسريع حمولة التعلم الآلي، وتقدم بديلاً قويًا لتدريب نماذج الذكاء الاصطناعي الكبيرة.

وراء هذه الشركات العملاقة، هناك لاعبون صغار ولكنهم مؤثرون مثل Graphcore و Cerebras (CBRS ) يقدمون مساهمات ملحوظة في مجال أجهزة الذكاء الاصطناعي. وحدة معالجة الذكاء من Graphcore، المصممة لэффективية الحسابات الآلية، لفتت الانتباه إلى إمكانياتها في المهام عالية الأداء، كما هو موضح في تجربة تويتر. من ناحية أخرى، تقوم Cerebras بتحدي الحدود مع شرائحها المتقدمة، مع التركيز على القدرة على التوسع والقوة الحسابية الخام لتطبيقات الذكاء الاصطناعي.

الجهود الجماعية لهذه الشركات تشير إلى تحول نحو نظام أجهزة الذكاء الاصطناعي أكثر تنوعًا. هذا التباين يقدم استراتيجيات قابلة للتطبيق لتقليل الاعتماد على نفيديا، مما يوفر للمطورين والباحثين مجموعة أوسع من المنصات لتطوير الذكاء الاصطناعي.

3. ابدأ في الاستثمار في تحسين الأداء

بالإضافة إلى استكشاف بديلات الأجهزة، يثبت تحسين البرمجيات أنه عاملاً حاسمًا في تقليل تأثير هيمنة نفيديا. من خلال استخدام الخوارزميات الفعالة، وتقليل الحسابات غير الضرورية، وتنفيذ تقنيات المعالجة الموازية، يمكن للمشاركين غير الكبار في مجال التكنولوجيا تحقيق أقصى استفادة من أداء نماذج التعلم الآلي على الأجهزة الحالية، مما يقدم نهجًا عمليًا لجسر الفجوة دون الاعتماد فقط على ترقيات الأجهزة المكلفة.

مثال على هذا النهج هو تقنية AutoNAC من Deci Ai. هذه الابتكار أظهر khả năng تسريع استدلال النموذج بمعامل 3-10 مرات، كما هو موضح في اختبار MLPerf المعترف به على نطاق واسع. من خلال إظهار مثل هذه التقدم، يصبح من الواضح أن تحسين البرمجيات يمكن أن يعزز فعالية تطوير التعلم الآلي بشكل كبير، مما يقدم بديلاً قابلاً للتطبيق لتخفيف تأثير هيمنة نفيديا في هذا المجال.

4. ابدأ في التعاون مع منظمات أخرى لإنشاء مجموعات متกระصة

يمكن أن يشمل هذا النهج التعاوني مشاركة نتائج البحث، والاستثمار المشترك في بديلات أجهزة بديلة، وتعزيز تطوير تقنيات التعلم الآلي الجديدة من خلال المشاريع مفتوحة المصدر. من خلال توزيع الاستدلال وتحويل الموارد الحاسوبية، يمكن للمشاركين غير الكبار في مجال التكنولوجيا تسوية الساحة وإنشاء مناظر أكثر تنافسية في صناعة تطوير التعلم الآلي.

اليوم، يكتسب نهج مشاركة الموارد الحاسوبية زخمًا عبر صناعة التكنولوجيا. يُظهر محرك جوجل كوبيرنيتس (GKE) دعمًا لتعاون المجموعة، مما يسمح بالاستفادة الفعالة من الموارد وتكاملها مع الخدمات الخارجية. هذا الاتجاه يظهر أيضًا من خلال المبادرات التي تقودها المجتمع، مثل Petals، التي توفر شبكة موزعة لتشغيل نماذج الذكاء الاصطناعي، مما يجعل الحوسبة القوية متاحة دون استثمار كبير. بالإضافة إلى ذلك، توفر منصات مثل Together.ai وصولًا بدون خادم إلى مجموعة واسعة من النماذج مفتوحة المصدر، مما يسهل التطوير والتعاون. عند النظر في هذه المنصات، يمكنك الوصول إلى الموارد الحاسوبية وفرص التطوير التعاوني، مما يساعد على تحسين عملية التطوير وتقليل التكاليف، بغض النظر عن حجم المنظمة.

الختام

على الصعيد العالمي، يصبح ضرورة استراتيجيات المذكورة أعلاه واضحة. عندما تهيمن كيان واحد على السوق، فإنها تكبت التطوير وتعوق تحديد الأسعار المعقولة.

يمكن للمشاركين غير الكبار في مجال التكنولوجيا أن يتحديوا هيمنة نفيديا عن طريق استكشاف بديلات مثل RocM من AMD، والاستثمار في تحسين الأداء من خلال خوارزميات فعالة ومعالجة موازية، وتعزيز التعاون مع منظمات أخرى لإنشاء مجموعات متกระصة. هذا يعزز مناظر أكثر تنوعًا وتنافسية في صناعة أجهزة وبرمجيات الذكاء الاصطناعي، مما يسمح للمشاركين الصغار بالحصول على فرصة للتعبير عن رأيهم في مستقبل تطوير الذكاء الاصطناعي.

تهدف هذه الاستراتيجيات إلى تقليل الاعتماد على أسعار وواردات نفيديا، مما يعزز جاذبية الاستثمار، ويقلل من خطر تباطؤ نمو الأعمال في ظل المنافسة على الأجهزة، ويعزز النمو العضوي في جميع أنحاء الصناعة.