Đối Mặt Với Sự Đominance Của Nvidia: Chiến Lược Phát Triển ML Linh Hoạt Cho Các Người Chơi Không Là Big Tech (Trong Bối cảnh Thách Thức Cung Cấp và Chi Phí)

Xây dựng một doanh nghiệp trong lĩnh vực cạnh tranh với những người chơi lớn chưa bao giờ là một nhiệm vụ dễ dàng. Vào năm 2023, sự cạnh tranh trong lĩnh vực AI đã đạt đến mức độ chưa từng có, được thúc đẩy bởi những đột phá thực sự đáng kinh ngạc. Việc phát hành GPT-4 của OpenAI, tích hợp ChatGPT với Bing, Google ra mắt Bard, và việc Meta phát hành “mã nguồn mở” Llama 2. Điều này nghe có vẻ như một danh sách dài những cái tên lớn, phải không? Mặc dù nó có vẻ thú vị, nhưng đa số các đổi mới nằm ở nơi tiền bạc chảy, và sự cạnh tranh mà các người chơi nhỏ hơn phải vượt qua đang trở nên gay gắt hơn mỗi ngày.

Trong cảnh quan công nghệ luôn thay đổi, Nvidia (NVDA ) tiếp tục củng cố vị trí của mình như một người chơi chính trong cơ sở hạ tầng AI. Trong một cuộc họp báo cáo tài chính vào tháng 8, Jensen Huang, Tổng thống của NVIDIA, đã nhấn mạnh nhu cầu tăng cao đối với bộ xử lý Nvidia. Điều này được hỗ trợ bởi báo cáo của Nvidia về doanh thu trong quý 3, cho thấy một kỷ lục về hiệu suất hàng năm, bắt đầu từ tháng 11. Trong khi đó, dự báo của Gartner chỉ ra một sự tăng trưởng đáng kể trong chi tiêu cho chip trong bốn năm tới. Hiện tại, phần mềm và bộ xử lý của Nvidia vẫn chưa có đối thủ, khiến ngành công nghiệp không chắc chắn về khi nào một đối thủ cạnh tranh sẽ xuất hiện.

Các báo cáo gần đây từ Bloomberg và Financial Times đã làm sáng tỏ các cuộc đàm phán của Sam Altman, CEO của OpenAI, với các nhà đầu tư từ Trung Đông để khởi động sản xuất chip, nhằm giảm sự phụ thuộc của ngành AI vào chip của Nvidia. Thách thức Nvidia, với vốn hóa thị trường gần 1,5 nghìn tỷ đô la, có thể sẽ khiến Altman phải chi từ 5 nghìn tỷ đến 7 nghìn tỷ đô la và mất vài năm.

Tuy nhiên, giải quyết vấn đề hiệu quả về chi phí của các mô hình ML cho doanh nghiệp là điều mà các công ty phải làm ngay bây giờ. Đối với các doanh nghiệp ngoài phạm vi của các công ty công nghệ lớn, việc phát triển các mô hình ML hiệu quả về chi phí không chỉ là một quá trình kinh doanh – mà còn là một chiến lược sinh tồn quan trọng. Bài viết này khám phá bốn chiến lược thực tế mà cho phép các doanh nghiệp thuộc mọi quy mô phát triển mô hình của mình mà không cần đầu tư nghiên cứu và phát triển lớn, và vẫn linh hoạt để tránh bị khóa bởi nhà cung cấp.

Tại Sao Nvidia Đominance Thị Trường AI

Tóm lại, Nvidia đã tạo ra một mô hình đào tạo lý tưởng bằng cách đạt được sự kết hợp giữa bộ xử lý GPU hiệu suất cao và phần mềm đào tạo mô hình độc quyền của mình, bộ công cụ CUDA được hoan nghênh rộng rãi.

CUDA (được giới thiệu vào năm 2007) là một bộ công cụ tính toán song song toàn diện và API để sử dụng tối ưu bộ xử lý GPU của Nvidia. Lý do chính nó trở nên phổ biến là khả năng không thể sánh được của nó trong việc tăng tốc các tính toán toán học phức tạp, cần thiết cho học sâu. Ngoài ra, nó cung cấp một hệ sinh thái phong phú như cuDNN cho mạng nơ-ron sâu, tăng cường hiệu suất và dễ sử dụng. Nó là điều cần thiết cho các nhà phát triển do sự tích hợp liền mạch với các khuôn khổ học sâu chính, cho phép phát triển và lặp lại mô hình nhanh chóng.

Sự kết hợp của phần mềm mạnh mẽ và phần cứng hiệu quả đã chứng minh là chìa khóa để chiếm lĩnh thị trường. Mặc dù một số người cho rằng sự thống trị của Nvidia có thể là một hiện tượng tạm thời, nhưng rất khó để đưa ra dự đoán như vậy trong bối cảnh hiện tại.

Chi Phí Nặng Nề Của Sự Đominance Của Nvidia

Sự thống trị của Nvidia trong lĩnh vực phát triển máy học đã gây ra nhiều lo ngại, không chỉ trong lĩnh vực đạo đức mà còn về sự chênh lệch ngày càng tăng giữa ngân sách nghiên cứu và phát triển, điều này đã khiến việc xâm nhập thị trường trở nên khó khăn hơn đối với các người chơi nhỏ, thậm chí là các công ty khởi nghiệp. Thêm vào đó, sự suy giảm sự quan tâm của nhà đầu tư do rủi ro cao hơn, và việc thu hút đầu tư nghiên cứu và phát triển lớn (như của Nvidia) trở nên gần như không thể, tạo ra một sân chơi rất không công bằng.

Tuy nhiên, sự phụ thuộc nặng nề vào phần cứng của Nvidia tạo ra áp lực lên sự nhất quán của chuỗi cung ứng và mở ra rủi ro về gián đoạn và khóa bởi nhà cung cấp, giảm sự linh hoạt của thị trường và tăng rào cản gia nhập thị trường.

“Một số người đang tích lũy tiền để đảm bảo rằng họ sẽ không bỏ rơi người dùng. Ở mọi nơi, các thuật ngữ kỹ thuật như ‘tối ưu hóa’ và ‘kích thước mô hình nhỏ hơn’ đang trở thành mốt khi các công ty cố gắng cắt giảm nhu cầu GPU của họ, và các nhà đầu tư trong năm nay đã đặt cược hàng trăm triệu đô la vào các công ty khởi nghiệp giúp các công ty tận dụng GPU mà họ đã có.”

Thiếu Hụt Chip Của Nvidia Để lại Các Công Ty Khởi Nghiệp AI Bối Rối Trong Việc Tìm Kiếm Năng Lực Tính Toán Bởi Paresh Dave

Bây giờ là thời điểm để áp dụng các phương pháp tiếp cận chiến lược, vì điều này có thể là điều sẽ mang lại cho doanh nghiệp của bạn cơ hội để phát triển mạnh trong ảnh hưởng rộng lớn của Nvidia trong phát triển ML.

Chiến Lược Cho Các Người Chơi Không Là Big Tech Để Đối Mặt Với Sự Đominance Của Nvidia:

1. Bắt Đầu Khám Phá AMD’s RocM

AMD đã tích cực thu hẹp khoảng cách phát triển AI với NVIDIA, một thành tựu đạt được thông qua sự hỗ trợ nhất quán cho Rocm trong các thư viện chính của PyTorch trong suốt năm qua. Nỗ lực này đã dẫn đến sự cải thiện về tính tương thích và hiệu suất, được thể hiện rõ ràng bởi bộ xử lý MI300 mới nhất của AMD. Bộ xử lý này đã chứng minh hiệu suất mạnh mẽ trong các nhiệm vụ suy luận của Mô hình Ngôn ngữ Lớn (LLM), đặc biệt là với các mô hình như LLama-70b. Sự thành công này nhấn mạnh những tiến bộ đáng kể về năng lực xử lý và hiệu quả đạt được bởi AMD.

2. Tìm Các Giải Pháp Phần Cứng Khác

Ngoài những bước tiến của AMD, Google đã giới thiệu các Bộ Xử Lý Tensor (TPU), phần cứng được thiết kế đặc biệt để tăng tốc các khối lượng công việc học máy, cung cấp một giải pháp thay thế mạnh mẽ cho việc đào tạo các mô hình AI quy mô lớn.

Ngoài những gã khổng lồ trong ngành, các công ty nhỏ hơn nhưng có ảnh hưởng như Graphcore và Cerebras (CBRS ) đang đóng góp đáng kể vào không gian phần cứng AI. Bộ Xử Lý Thông Minh (IPU) của Graphcore, được thiết kế cho hiệu quả trong tính toán AI, đã thu hút sự chú ý vì tiềm năng của nó trong các nhiệm vụ hiệu suất cao, như được chứng minh bởi việc Twitter thử nghiệm. Cerebras, mặt khác, đang đẩy ranh giới với các chip tiên tiến, nhấn mạnh vào khả năng mở rộng và sức mạnh tính toán thô cho các ứng dụng AI.

Những nỗ lực tập thể của các công ty này đánh dấu một sự chuyển dịch hướng tới một hệ sinh thái phần cứng AI đa dạng hơn. Sự đa dạng này cung cấp các chiến lược khả thi để giảm sự phụ thuộc vào Nvidia, mang lại cho các nhà phát triển và nhà nghiên cứu một loạt các nền tảng rộng lớn hơn cho phát triển AI.

3. Bắt Đầu Đầu Tư Vào Tối Ưu Hóa Hiệu Suất

Ngoài việc khám phá các giải pháp phần cứng thay thế, tối ưu hóa phần mềm chứng minh là một yếu tố quan trọng trong việc giảm thiểu tác động của sự thống trị của Nvidia. Bằng cách sử dụng các thuật toán hiệu quả, giảm thiểu các tính toán không cần thiết và thực hiện các kỹ thuật xử lý song song, các người chơi không phải là Big Tech có thể tối đa hóa hiệu suất của các mô hình ML trên phần cứng hiện có, cung cấp một cách tiếp cận thực tế để thu hẹp khoảng cách mà không phụ thuộc hoàn toàn vào việc nâng cấp phần cứng đắt tiền.

Một ví dụ về cách tiếp cận này là công nghệ AutoNAC của Deci Ai. Sự đổi mới này đã chứng minh khả năng tăng tốc suy luận mô hình lên đến 3-10 lần, như được chứng minh bởi Benchmark MLPerf được công nhận rộng rãi. Bằng cách展示 những tiến bộ như vậy, nó trở nên rõ ràng rằng tối ưu hóa phần mềm có thể tăng cường đáng kể hiệu quả của phát triển ML, cung cấp một giải pháp thay thế khả thi để giảm thiểu ảnh hưởng của sự thống trị của Nvidia trong lĩnh vực.

4. Bắt Đầu Hợp Tác Với Các Tổ Chức Khác Để Tạo Ra Các Cluster Phân Tán

Cách tiếp cận hợp tác này có thể bao gồm việc chia sẻ kết quả nghiên cứu, đầu tư chung vào các lựa chọn phần cứng thay thế và thúc đẩy sự phát triển của các công nghệ ML mới thông qua các dự án mã nguồn mở. Bằng cách phân tán suy luận và sử dụng tài nguyên tính toán phân tán, các người chơi không phải là Big Tech có thể tạo ra một sân chơi cạnh tranh hơn và tạo ra một môi trường cạnh tranh hơn trong ngành công nghiệp phát triển ML.

Ngày nay, chiến lược chia sẻ tài nguyên tính toán đang trở nên phổ biến trên toàn ngành công nghệ. Google Kubernetes Engine (GKE) là một ví dụ, hỗ trợ đa租 bao và cho phép sử dụng tài nguyên hiệu quả cũng như tích hợp với các dịch vụ của bên thứ ba. Xu hướng này được chứng minh thêm bởi các sáng kiến do cộng đồng dẫn đầu như Petals, cung cấp một mạng phân tán để chạy các mô hình AI, giúp tính toán mạnh mẽ trở nên dễ tiếp cận mà không cần đầu tư lớn. Ngoài ra, các nền tảng như Together.ai cung cấp quyền truy cập không cần máy chủ vào một loạt các mô hình mã nguồn mở, giúp đơn giản hóa việc phát triển và thúc đẩy sự hợp tác. Xem xét những nền tảng như vậy có thể cho phép bạn truy cập vào tài nguyên tính toán và cơ hội phát triển hợp tác, giúp tối ưu hóa quá trình phát triển và giảm chi phí, bất kể quy mô của tổ chức.

Kết Luận

Trên quy mô toàn cầu, sự cần thiết của những chiến lược trên trở nên rõ ràng. Khi một thực thể thống trị thị trường, nó kìm hãm sự phát triển và cản trở việc thiết lập giá cả hợp lý.

Các người chơi không phải là Big Tech có thể đối mặt với sự thống trị của Nvidia bằng cách khám phá các giải pháp thay thế như AMD’s RocM, đầu tư vào tối ưu hóa hiệu suất thông qua các thuật toán hiệu quả và xử lý song song, và thúc đẩy hợp tác với các tổ chức khác để tạo ra các cluster phân tán. Điều này thúc đẩy một môi trường cạnh tranh và đa dạng hơn trong ngành công nghiệp phần cứng và phát triển AI, cho phép các người chơi nhỏ hơn có tiếng nói trong tương lai của phát triển AI.

Những chiến lược này nhằm giảm thiểu sự phụ thuộc vào giá cả và cung cấp của Nvidia, từ đó tăng cường sự hấp dẫn đầu tư, giảm thiểu rủi ro về sự chậm lại trong phát triển kinh doanh giữa cạnh tranh phần cứng, và thúc đẩy sự phát triển hữu cơ trong toàn bộ ngành công nghiệp.