การต้านอำนาจเหนือของ Nvidia: กลยุทธ์การพัฒนา ML ที่คล่องตัวสำหรับผู้เล่นที่ไม่ใช่ Big Tech (ท่ามกลางความท้าทายด้านการผลิตและต้นทุน)

การสร้างธุรกิจในเกมที่มีผู้เล่นที่แท้จริงไม่เคยเป็นเรื่องง่าย ในปี 2023 การแข่งขันในภาค AI ถึงจุดสูงสุดใหม่ โดยได้รับแรงผลักดันจากความก้าวหน้าที่น่าประหลาดใจของเทคโนโลยี การเปิดตัว GPT-4 ของ OpenAI การรวม ChatGPT เข้ากับ Bing การเปิดตัว Bard ของ Google และการเปิดตัว Llama 2 ที่มีข้อขัดแย้งของ Meta มันฟังดูเหมือนเป็นรายการยาวของชื่อที่มีชื่อเสียง แต่สิ่งที่น่าตื่นเต้นอาจฟังดูเหมือนเช่นนั้น ส่วนใหญ่ของนวัตกรรมอยู่ที่ที่ที่เงินไหล และการแข่งขันที่ผู้เล่นที่เล็กกว่าต้องผ่านกำลังจะรุนแรงขึ้นทุกวัน

ในภูมิทัศน์ที่เปลี่ยนแปลงอย่างรวดเร็วของอุตสาหกรรมเทคโนโลยี Nvidia (NVDA ) ยังคงยืนยันตำแหน่งของตนเองในฐานะผู้เล่นหลักในด้านโครงสร้างพื้นฐาน AI ในระหว่างการประชุมทางโทรศัพท์รายงานทางการเงินในเดือนสิงหาคม Jensen Huang ประธานของ Nvidia เน้นย้ำถึงความต้องการที่เพิ่มขึ้นสำหรับโปรเซสเซอร์ของ Nvidia ซึ่งได้รับการยืนยันจากข้อมูลรายได้ของ Nvidia ใน Q3 ซึ่งแสดงให้เห็นถึงผลการดำเนินงานที่น่าประทับใจเมื่อเทียบกับปีที่แล้ว ในขณะเดียวกัน การคาดการณ์ของ Gartner ชี้ให้เห็นว่าจะมีการใช้จ่ายชิปเพิ่มขึ้นอย่างมากในช่วงสี่ปีข้างหน้า ปัจจุบันซอฟต์แวร์สแต็กและโปรเซสเซอร์ของ Nvidia ยังคงไม่มีใครเทียบได้ ทำให้อุตสาหกรรมไม่แน่ใจว่าเมื่อไหร่จะมีผู้แข่งขันที่น่าเชื่อถือเกิดขึ้น

รายงานล่าสุดจาก Bloomberg และ Financial Times เผยให้เห็นถึงการเจรจากับนักลงทุนในตะวันออกกลางเพื่อเริ่มการผลิตชิป โดยมีเป้าหมายที่จะลดความพึ่งพาชิปของ Nvidia ในภาค AI การท้าทาย Nvidia ซึ่งมีมูลค่าตลาดเกือบ 1.5 ล้านล้านดอลลาร์อาจมีราคา Sam Altman ระหว่าง 5 ล้านล้านดอลลาร์ถึง 7 ล้านล้านดอลลาร์ และใช้เวลาหลายปี

อย่างไรก็ตาม การแก้ไขปัญหาต้นทุนของโมเดล ML สำหรับธุรกิจเป็นสิ่งที่บริษัทต่างๆ ต้องทำ ngay สำหรับธุรกิจที่อยู่นอกเหนือจาก Big Tech การพัฒนาโมเดล ML ที่มีประสิทธิภาพคือมากกว่าแค่กระบวนการทางธุรกิจ – มันเป็นกลยุทธ์การอยู่รอดที่สำคัญ บทความนี้สำรวจกลยุทธ์ที่เป็นไปได้四ประการ ที่ช่วยให้บริษัททุกขนาดสามารถพัฒนาโมเดลของตนเองโดยไม่ต้องมีการลงทุน R&D อย่างกว้างขวาง และยังคงยืดหยุ่นเพื่อหลีกเลี่ยงการล็อกผู้ขาย

ทำไม Nvidia จึงมีอำนาจเหนือในตลาด AI

โดยสรุป Nvidia ได้สร้างแบบจำลองการฝึกอบรมที่สมบูรณ์แบบโดยการบรรลุสมดุลระหว่าง GPU ที่มีประสิทธิภาพสูงและซอฟต์แวร์สแต็กการฝึกอบรมแบบเฉพาะที่เรียกว่า CUDA Toolkit

CUDA (เปิดตัวในปี 2007) เป็นชุดเครื่องมือการคำนวณขนานและ API สำหรับการใช้ GPU ของ Nvidia อย่างมีประสิทธิภาพ สาเหตุที่มันถูกใช้กันอย่างแพร่หลายคือความสามารถที่ไม่มีใครเทียบได้ในการเร่งการคำนวณทางคณิตศาสตร์ที่ซับซ้อน ซึ่งจำเป็นสำหรับการเรียนรู้ลึก นอกจากนี้ยังมีระบบนิเวศที่มั่งคัง เช่น cuDNN สำหรับเครือข่ายประสาทลึก ซึ่งเพิ่มประสิทธิภาพและความง่ายในการใช้งาน

การรวมกันของซอฟต์แวร์สแต็กที่แข็งแกร่งและฮาร์ดแวร์ที่มีประสิทธิภาพสูงได้พิสูจน์แล้วว่าเป็นกุญแจสำคัญในการยึดครองตลาด ในขณะที่บางคนอาจโต้แย้งว่าอำนาจเหนือของ Nvidia อาจเป็นปรากฏการณ์暂時 แต่ก็ยากที่จะทำนายสิ่งนี้ในภูมิทัศน์ปัจจุบัน

ผลกระทบหนักของอำนาจเหนือของ Nvidia

การมีอำนาจเหนือของ Nvidia ในด้านการพัฒนา AI ทำให้เกิดความกังวลหลายประการ ไม่เพียงแต่ในด้านจริยธรรม แต่ยังรวมถึงความไม่เท่าเทียมกันในการวิจัยและพัฒนา ซึ่งเป็นสาเหตุหนึ่งที่ทำให้การเข้าสู่ตลาดยากขึ้นสำหรับผู้เล่นที่เล็กกว่า และยังรวมถึงการลดลงของความสนใจจากนักลงทุนเนื่องจากความเสี่ยงที่สูงขึ้น ทำให้การได้รับการลงทุน R&D ที่มากขึ้นเป็นเรื่องที่ยากเกินไป

การอาศัยฮาร์ดแวร์ของ Nvidia อย่างมากทำให้เกิดความกดดันในการรักษาความสม่ำเสมอของห่วงโซ่อุปทานและเปิดโอกาสให้เกิดการหยุดชะงักและล็อกผู้ขาย ซึ่งลดความยืดหยุ่นของตลาดและเพิ่มความยากในการเข้าสู่ตลาด

กลยุทธ์ที่ผู้เล่นที่ไม่ใช่ Big Tech สามารถปรับใช้เพื่อต้านอำนาจเหนือของ Nvidia:

1. เริ่มสำรวจ AMD’s RocM

AMD ได้ลดช่องว่างในการพัฒนา AI กับ Nvidia โดยการสนับสนุน RocM ใน PyTorch’s main libraries ในช่วงปีที่ผ่านมา ซึ่งได้นำไปสู่ความเข้ากันได้และประสิทธิภาพที่ดีขึ้น โดยเฉพาะอย่างยิ่งด้วยการเปิดตัว MI300 ซึ่งเป็นชิปที่มีประสิทธิภาพสูง

2. หาแพลตฟอร์มฮาร์ดแวร์อื่นๆ

นอกเหนือจากความก้าวหน้าของ AMD Google ได้แนะนำ Tensor Processing Units (TPUs) ซึ่งเป็นฮาร์ดแวร์ที่ออกแบบมาเพื่อเร่งการทำงานของ AI โดยเฉพาะ

ผู้เล่นที่เล็กกว่า เช่น Graphcore และ Cerebras (CBRS ) ก็ได้ทำการเปลี่ยนแปลงในพื้นที่ฮาร์ดแวร์ AI ด้วย การทำงานร่วมกันระหว่างผู้เล่นเหล่านี้แสดงให้เห็นถึงการเปลี่ยนแปลงสู่ระบบนิเวศฮาร์ดแวร์ AI ที่หลากหลายมากขึ้น

3. เริ่มลงทุนในการปรับให้เหมาะสมด้านประสิทธิภาพ

การปรับให้เหมาะสมด้านซอฟต์แวร์เป็นปัจจัยสำคัญในการลดผลกระทบของอำนาจเหนือของ Nvidia โดยการใช้อัลกอริทึมที่มีประสิทธิภาพ การลดการคำนวณที่ไม่จำเป็น และการนำเทคนิคการประมวลผลขนานมาใช้ ผู้เล่นที่ไม่ใช่ Big Tech สามารถเพิ่มประสิทธิภาพของโมเดล ML บนฮาร์ดแวร์ที่มีอยู่

4. เริ่มร่วมมือกับองค์กรอื่นๆ เพื่อสร้างคลัสเตอร์ที่กระจาย

การร่วมมือกันสามารถเกี่ยวข้องกับการแบ่งปันผลการวิจัย การลงทุนร่วมกันในตัวเลือกฮาร์ดแวร์อื่นๆ และการสนับสนุนการพัฒนาเทคโนโลยี AI ใหม่ๆ ผ่านโครงการโอเพ่นซอร์ส โดยการกระจายการอนุมานและการใช้ทรัพยากรการประมวลผลแบบกระจาย ผู้เล่นที่ไม่ใช่ Big Tech สามารถสร้างสนามแข่งขันที่เท่าเทียมกันในอุตสาหกรรมการพัฒนา AI

สรุป

ในระดับโลก ความจำเป็นสำหรับกลยุทธ์ที่กล่าวมาข้างต้นเป็นที่ชัดเจน เมื่อหนึ่งองค์กรครอบงำตลาด มันจะขัดขวางการพัฒนาและยับยั้งการกำหนดราคาที่สมเหตุสมผล

ผู้เล่นที่ไม่ใช่ Big Tech สามารถต้านอำนาจเหนือของ Nvidia โดยการสำรวจตัวเลือกอื่นๆ เช่น AMD’s RocM การลงทุนในการปรับให้เหมาะสมด้านประสิทธิภาพ และการร่วมมือกับองค์กรอื่นๆ เพื่อสร้างคลัสเตอร์ที่กระจาย

กลยุทธ์เหล่านี้มีเป้าหมายที่จะลดความพึ่งพาราคาของ Nvidia และการจัดหาสินค้า โดยเพิ่มความน่าสนใจในการลงทุน ลดความเสี่ยงของการชะลอตัวการพัฒนา และส่งเสริมการเติบโตที่เป็นธรรมชาติในอุตสาหกรรมทั้งหมด