Ηγέτες σκέψης
Αντιμετωπίζοντας τη Δομινάντηση της Nvidia: Ευέλικτες Στρατηγικές Ανάπτυξης ML για Μη Μεγάλες Τεχνολογικές Εταιρείες (Μέσα σε Προκλήσεις Προσφοράς και Κόστους)
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Η δημιουργία ενός επιχειρηματικού μοντέλου στο παιχνίδι μεταξύ των πραγματικών μεγάλων παικτών δεν ήταν ποτέ μια εύκολη задачα. Το 2023, η ανταγωνιστικότητα στον τομέα του AI έφτασε σε αδιανόητα ύψη, κατευθυνόμενο από πραγματικές, νευροεπιστημονικές προόδους. Η κυκλοφορία του GPT-4 της OpenAI, η ενσωμάτωση του ChatGPT με το Bing, η κυκλοφορία του Bard από τη Google και η αμφιλεγόμενη “ανοιχτό κώδικας” κυκλοφορία του Llama 2 από τη Meta. Η λίστα φαίνεται μεγάλη, σωστά; Όσο ενθουσιαστικό και αν ακούγεται, η πλειοψηφία της καινοτομίας βρίσκεται εκεί όπου ρέει το χρήμα, και η ανταγωνιστικότητα που αντιμετωπίζουν οι μικρότερες τεχνολογικές εταιρείες γίνεται ολοένα και πιο έντονη με την πάροδο της ημέρας.
Στον διαρκώς εξελισσόμενο τοπίο της τεχνολογικής βιομηχανίας, η Nvidia (NVDA ) συνεχίζει να εδραιώνει τη θέση της ως ο βασικός παίκτης στην υποδομή του AI. Κατά τη διάρκεια μιας τηλεδιάσκεψης για την οικονομική έκθεση του Αυγούστου, ο Jensen Huang, Πρόεδρος της NVIDIA, τόνισε την αυξανόμενη ζήτηση για τους επεξεργαστές της Nvidia. Αυτός ο ισχυρισμός υποστηρίζεται από την επιβεβαίωση της Nvidia’s Q3 In Presentation revenue data, η οποία αποκαλύπτει ένα εντυπωσιακό ετήσιο ρεκόρ, ορατό ήδη από τον Νοέμβριο. Εν τω μεταξύ, οι προβλέψεις της Gartner υποδεικνύουν μια σημαντική αύξηση στις δαπάνες για chíπ τα επόμενα τέσσερα χρόνια. Προς το παρόν, το λογισμικό και οι επεξεργαστές της Nvidia παραμένουν ακατανίκητοι, αφήνοντας τη βιομηχανία αβέβαιη για το πότε μπορεί να εμφανιστεί ένας πιστός ανταγωνιστής.
Πρόσφατες αναφορές από το Bloomberg και το Financial Times αποκαλύπτουν τις διαπραγματεύσεις του Sam Altman, Διευθύνοντος Συμβούλου της OpenAI, με επενδυτές από τη Μέση Ανατολή για την έναρξη παραγωγής chíπ, με στόχο τη μείωση της εξάρτησης του τομέα του AI από τους chíπ της Nvidia. Η πρόκληση της Nvidia, με την téměř 1,5 τρισεκατομμυρίων δολαρίων αγοραία κεφαλαιοποίηση, πιθανότατα θα κοστίσει στον Altman μεταξύ 5 και 7 τρισεκατομμυρίων δολαρίων και θα διαρκέσει αρκετά χρόνια.
Ωστόσο, η αντιμετώπιση της κοστοευεργεσίας των μοντέλων ML για τις επιχειρήσεις είναι κάτι που οι εταιρείες πρέπει να κάνουν τώρα. Για τις επιχειρήσεις πέρα από τον κόσμο της μεγάλης τεχνολογίας, η ανάπτυξη κοστοευεργετικών μοντέλων ML είναι περισσότερο από μια επιχειρηματική διαδικασία — είναι μια ζωτική στρατηγική επιβίωσης. Αυτό το άρθρο εξετάζει τέσσερις πρακτικές στρατηγικές που ενδυναμώνουν τις επιχειρήσεις όλων των μεγεθών να αναπτύξουν τα μοντέλα τους χωρίς εκτεταμένες επενδύσεις σε έρευνα και ανάπτυξη και να παραμείνουν ευέλικτες για να αποφευχθεί η κλειδωμένη σχέση με τον προμηθευτή.
Γιατί η Nvidia Κυριαρχεί στην Αγορά του AI
Σύντομο και καλό, η Nvidia έχει δημιουργήσει το ιδανικό μοντέλο εκπαίδευσης με την επίτευξη συμφωνίας μεταξύ υψηλής απόδοσης GPU και του ιδιόκτητου λογισμικού εκπαίδευσης μοντέλων, του ευρέως αναγνωρισμένου CUDA toolkit.
Το CUDA (παρουσιασμένο το 2007) είναι ένα綜合 παράλληλο υπολογιστικό toolkit και API για την βέλτιστη αξιοποίηση των επεξεργαστών GPU της Nvidia. Ο κύριος λόγος που είναι τόσο δημοφιλές είναι η απαράμιλλη ικανότητά του για την επιτάχυνση σύνθετων μαθηματικών υπολογισμών, οι οποίοι είναι κρίσιμοι για το βαθύ μάθηση. Επιπλέον, προσφέρει ένα πλούσιο οικοσύστημα όπως το cuDNN για τα βαθιά νευρωνικά δίκτυα, βελτιώνοντας την απόδοση και την ευκολία χρήσης. Είναι απαραίτητο για τους dévelopπερς λόγω της άρτιας ενσωμάτωσής του με τα κύρια πλαίσια βαθύ μαθήματος, ermögνωντας τη γρήγορη ανάπτυξη και επανάληψη μοντέλων.
Η συνδυασμένη χρήση ενός τόσο ισχυρού λογισμικού με υψηλής απόδοσης υλικού έχει αποδειχθεί ότι είναι ο κλειδί για την κατοχή της αγοράς. Ενώ κάποιοι ισχυρίζονται ότι η κυριαρχία της Nvidia μπορεί να είναι ένα προσωρινό φαινόμενο, είναι δύσκολο να κάνουν τέτοιες προβλέψεις στο τρέχον τοπίο.
Η Βαρία Τιμή της Κυριαρχίας της Nvidia
Η Nvidia έχει την υπεροχή στο πεδίο της ανάπτυξης ML, έχει προκαλέσει πολλές ανησυχίες, όχι μόνο στο ηθικό πεδίο αλλά και σε σχέση με τις αυξανόμενες ανισότητες προϋπολογισμού έρευνας και ανάπτυξης, οι οποίες είναι ένας από τους λόγους που η είσοδος στην αγορά έχει γίνει εκθετικά πιο δύσκολη για τις μικρότερες εταιρείες, ακόμη και για τις startups. Προσθέστε την πτώση του ενδιαφέροντος των επενδυτών λόγω υψηλότερων κινδύνων, και η αποστολή της απόκτησης σημαντικών επενδύσεων σε έρευνα και ανάπτυξη (όπως αυτές της Nvidia) γίνεται απλά αδύνατη, δημιουργώντας ένα πολύ άνισο πεδίο.
Ωστόσο, αυτή η έντονη εξάρτηση από το υλικό της Nvidia δημιουργεί ακόμη περισσότερη πίεση στην σταθερότητα της αλυσίδας προμήθειας και ανοίγει το ρίσκο για διακοπές και κλειδωμένη σχέση με τον προμηθευτή, μειώνοντας την ευελιξία της αγοράς και αυξάνοντας τα εμπόδια εισόδου.
“Ορισμένοι συγκεντρώνουν κεφάλαια για να διασφαλίσουν ότι δεν θα αφήσουν τους χρήστες στην ανησυχία. Παντού, οι τεχνικοί όροι όπως ‘βελτιστοποίηση’ και ‘μικρότερο μέγεθος μοντέλου’ είναι στην μόδα, καθώς οι εταιρείες προσπαθούν να μειώσουν τις ανάγκες τους σε GPU, και οι επενδυτές φέτος έχουν στοιχηματίσει εκατοντάδες εκατομμύρια δολάρια σε startups που βοηθούν τις εταιρείες να κάνουν το καλύτερο με τις GPU που έχουν.
Τώρα είναι η ώρα να υιοθετήσουμε στρατηγικές προσεγγίσεις,既然 αυτό μπορεί να είναι το ίδιο που θα δώσει στην επιχείρησή σας την ευκαιρία να ευδοκιμήσει εν μέσω της εκτεταμένης επιρροής της Nvidia στην ανάπτυξη ML.
Στρατηγικές που οι Μη Μεγάλες Τεχνολογικές Εταιρείες Μπορούν να Προσαρμοστούν στην Κυριαρχία της Nvidia:
1. Αρχίστε να Εξερευνάτε το RocM της AMD
Η AMD έχει μειώσει συνεχώς το χάσμα ανάπτυξης AI με τη Nvidia, ένα επίτευγμα που έχει επιτευχθεί μέσω της συνεχούς υποστήριξής της για το Rocm στις κύριες βιβλιοθήκες του PyTorch κατά το τελευταίο χρόνο. Αυτή η συνεχής προσπάθεια έχει οδηγήσει σε βελτιωμένη συμβατότητα και απόδοση, που παρουσιάζεται με το MI300 chipset, την τελευταία κυκλοφορία της AMD. Το MI300 έχει δείξει ισχυρή απόδοση σε εργασίες LLM inference, ιδιαίτερα σε μοντέλα όπως το LLama-70b. Αυτή η επιτυχία υπογραμμίζει σημαντικές προόδους στην επεξεργαστική ισχύ και αποδοτικότητα που έχουν επιτευχθεί από την AMD.
2. Βρείτε Άλλες Υλικές Εναλλακτικές
Εκτός από τις προσπάθειες της AMD, η Google έχει εισαγάγει τις Μονάδες Επεξεργασίας Τενσόρ (TPU), ειδικό υλικό που σχεδιάστηκε ρητά για την επιτάχυνση των φόρτων εργασίας του ML, προσφέροντας μια ισχυρή εναλλακτική για την εκπαίδευση μεγάλων μοντέλων AI.
Πέρα από τους γίγαντες της βιομηχανίας, μικρότερες αλλά σημαντικές εταιρείες όπως η Graphcore και η Cerebras (CBRS ) συμβάλλουν σημαντικά στον χώρο του υλικού AI. Η Intelligence Processing Unit (IPU) της Graphcore, σχεδιασμένη για αποδοτικότητα σε υπολογισμούς AI, έχει κερδίσει προσοχή για το δυναμικό της σε εργασίες υψηλής απόδοσης, όπως έχει αποδειχθεί από την πειραματική χρήση της Twitter. Η Cerebras, από την άλλη πλευρά,推ує τα όρια με τα προηγμένα chíπ της, τονίζοντας την κλιμακωσιμότητα και την خامη υπολογιστική δύναμη για εφαρμογές AI.
Οι συλλογικές προσπάθειες αυτών των εταιρειών σηματοδοτούν μια μετατόπιση προς ένα πιο διαφοροποιημένο οικοσύστημα υλικού AI. Αυτή η διαφοροποίηση παρέχει βιώσιμες στρατηγικές για τη μείωση της εξάρτησης από την Nvidia, παρέχοντας στους dévelopπερ και ερευνητές ένα ευρύτερο φάσμα πλατφορμών για την ανάπτυξη AI.
3. Αρχίστε να Επενδύετε στη Βελτιστοποίηση Απόδοσης
Εκτός από την εξερεύνηση υλικών εναλλακτικών, η βελτιστοποίηση του λογισμικού αποδεικνύεται ότι είναι ένας κρίσιμος παράγοντας για τη μείωση της επίδρασης της κυριαρχίας της Nvidia. Χρησιμοποιώντας αποτελεσματικούς αλγορίθμους, μειώνοντας τις περιττές υπολογισμούς και εφαρμόζοντας τεχνικές παράλληλης επεξεργασίας, οι μη μεγάλες τεχνολογικές εταιρείες μπορούν να μεγιστοποιήσουν την απόδοση των μοντέλων ML τους σε υπάρχοντα υλικό, προσφέροντας μια πρακτική προσέγγιση για τη γέφυρα του χάσματος χωρίς να εξαρτώνται αποκλειστικά από ακριβές υλικές αναβαθμίσεις.
Ένα παράδειγμα αυτής της προσέγγισης είναι η τεχνολογία AutoNAC της Deci Ai. Αυτή η καινοτομία έχει δείξει την ικανότητα να επιταχύνει την εύρεση μοντέλων με ένα εντυπωσιακό παράγοντα 3-10 φορές, όπως έχει αποδειχθεί από το MLPerf Benchmark. Παρουσιάζοντας τέτοιες προόδους, γίνεται σαφές ότι η βελτιστοποίηση του λογισμικού μπορεί να βελτιώσει σημαντικά την αποδοτικότητα της ανάπτυξης ML, προσφέροντας μια βιώσιμη εναλλακτική για τη μείωση της επιρροής της Nvidia στην αγορά.
4. Αρχίστε να Συνεργάζεστε με Άλλες Οργανώσεις για τη Δημιουργία Αποκεντρωμένων Κλαστών
Αυτή η συνεργατική προσέγγιση μπορεί να περιλαμβάνει την κοινή χρήση ερευνητικών αποτελεσμάτων, την κοινή επένδυση σε εναλλακτικές υλικές επιλογές και την προώθηση της ανάπτυξης νέων τεχνολογιών ML μέσω ανοιχτών προγραμμάτων. Μέσω της αποκέντρωσης της εύρεσης και της χρήσης κατανεμημένων υπολογιστικών πόρων, οι μη μεγάλες τεχνολογικές εταιρείες μπορούν να ισοπεδώσουν το πεδίο και να δημιουργήσουν ένα πιο ανταγωνιστικό τοπίο στην αγορά της ανάπτυξης ML.
Σήμερα, η στρατηγική της κοινής χρήσης υπολογιστικών πόρων κερδίζει ορμή σε όλη τη τεχνολογική βιομηχανία. Το Google Kubernetes Engine (GKE) είναι ένα παράδειγμα, υποστηρίζοντας την πολυκατοικία κλαστών, ermögνωντας την αποτελεσματική αξιοποίηση των πόρων και την ενσωμάτωση με υπηρεσίες τρίτων. Αυτή η τάση είναι περαιτέρω ενισχυμένη από κοινοτικές πρωτοβουλίες όπως το Petals, το οποίο προσφέρει ένα κατανεμημένο δίκτυο για την εκτέλεση μοντέλων AI, καθιστώντας την υψηλής απόδοσης υπολογιστική προσβάσιμη χωρίς σημαντικές επενδύσεις. Επιπλέον, πλατφόρμες όπως το Together.ai παρέχουν serverless πρόσβαση σε ένα ευρύ φάσμα ανοιχτών μοντέλων, διευκολύνοντας την ανάπτυξη και την συνεργασία. Λαμβάνοντας υπόψη τέτοιες πλατφόρμες μπορεί να σας επιτρέψει να αποκτήσετε πρόσβαση σε υπολογιστικούς πόρους και συνεργατικές ευκαιρίες ανάπτυξης, βοηθώντας στην оптимποίηση της διαδικασίας ανάπτυξής σας και στη μείωση των κόστων, ανεξάρτητα από το μέγεθος της οργάνωσής σας.
Συμπέρασμα
Σε παγκόσμιο επίπεδο, η αναγκαιότητα για τις παραπάνω στρατηγικές γίνεται εμφανής. Όταν ένα οντότητα κυριαρχεί στην αγορά, στερεί την ανάπτυξη και εμποδίζει την καθιέρωση λογικών τιμών.
Οι μη μεγάλες τεχνολογικές εταιρείες μπορούν να αντιμετωπίσουν την κυριαρχία της Nvidia εξερευνώντας εναλλακτικές όπως το RocM της AMD, επενδύοντας στη βελτιστοποίηση απόδοσης μέσω αποτελεσματικών αλγορίθμων και παράλληλης επεξεργασίας, και προωθώντας τη συνεργασία με άλλες οργανώσεις για τη δημιουργία αποκεντρωμένων κλαστών. Αυτό προάγει ένα πιο διαφοροποιημένο και ανταγωνιστικό τοπίο στην αγορά του υλικού και της ανάπτυξης AI, επιτρέποντας στις μικρότερες εταιρείες να έχουν ένα λόγο στη μελλοντική ανάπτυξη του AI.
Αυτές οι στρατηγικές στοχεύουν στη μείωση της εξάρτησης από τις τιμές και τις προμήθειες της Nvidia, ενισχύοντας την ελκυστικότητα επένδυσης, μειώνοντας τον κίνδυνο επιβράδυνσης της ανάπτυξης επιχειρήσεων εν μέσω ανταγωνισμού υλικού, και προάγοντας την οργανική ανάπτυξη σε ολόκληρη τη βιομηχανία, επιτρέποντας στις μικρότερες εταιρείες να έχουν ένα λόγο στο μέλλον της ανάπτυξης του AI.
