11 دقیقه
پت گلزینگر، مدیرعامل سابق اینتل، با این ادعا که یک پیشرفت بزرگ در محاسبات کوانتومی میتواند هیجان فعلی درباره هوش مصنوعی را تحت تاثیر قرار دهد و اینکه پردازندههای گرافیکی (GPU) که امروز ستون فقرات اکوسیستم‌های هوش مصنوعی هستند ممکن است تا پایان این دهه موقعیت خود را از دست بدهند، فضای فناوری را به تکان درآورده است. این اظهار نظرها باعث شده تا بحث‌های گسترده‌ای میان مهندسان، پژوهشگران و سرمایهگذاران در مورد مسیر آتی محاسبات و نقش سخت‌افزارهای فعلی شکل بگیرد.
چرا گلزینگر معتقد است محاسبات کوانتومی دست‌چین بازی هوش مصنوعی را تغییر می‌دهد
در یک گفت‌وگوی جامع با روزنامه Financial Times، گلزینگر محاسبات کوانتومی را بخشی از یک «سه‌گانگی» جدید محاسباتی نامید که در کنار سیستم‌های کلاسیک و سامانه‌های مبتنی بر هوش مصنوعی قرار می‌گیرد. او با استناد به تجربه‌هایش در همکاری با شرکت سرمایهگذاری Playground Global و آشنایی مستقیم با پژوهش‌های کوانتومی گفت که کوبیت‌ها ممکن است طرز تفکر فعلی مبتنی بر GPU را خیلی سریعتر از آنچه بسیاری تصور میکنند منسوخ سازند.
دیدگاه گلزینگر تحریک‌آمیز است: به جای یک تکامل تدریجی و آهسته، او احتمال رخداد یک جابه‌جایی نسبتاً سریع را مطرح می‌کند، به‌خصوص اگر به نقطه عطف مهمی در توسعه محاسبات کوانتومی دست پیدا شود. او هشدار داد که چنین تغییری میتواند حباب سرمایهگذاری فعلی در حوزه هوش مصنوعی — که حول هزینه‌های سنگین محاسبات GPU و مقیاس‌گذاری مدل‌ها شکل گرفته — را تخلیه کند، به‌ویژه در مواردی که ارزش‌گذاری‌های تجاری بر فرض برتری بی‌رقیب این تراشه‌ها استوار است.
مبانی فنی که گلزینگر به آنها اشاره می‌کند
در سطح فنی، استدلال بر این پایه استوار است که محاسبات کوانتومی میتواند برای بعضی انواع مسئله‌ها — مانند مسائل بهینه‌سازی پیچیده، نمونه‌برداری از توزیعات پیچیده، شبیه‌سازی سیستم‌های کوانتومی و برخی عملیات ماتریسی خاص — مزیت‌های الگوریتمی قابل‌توجهی ارائه دهد. این مزیت‌ها نه لزوماً به‌صورت جایگزینی کلی در همه بارکاری‌ها، بلکه به‌عنوان یک بستر مکمل یا در مواردی جایگزین برای محاسبات کلاسیک و شتاب‌یافته توسط GPU مطرح می‌شوند.
از منظر پژوهشی، مفاهیمی مانند برتری کوانتومی (quantum supremacy یا quantum advantage)، تصحیح خطا (quantum error correction)، و توسعه کوبیت‌های با نرخ خطای پایین‌تر، همگی عواملی هستند که میتوانند سرعت انتقال از مدل فعلی به نسل بعدی محاسبات را تعیین کنند. همچنین تفاوت میان دستگاه‌های NISQ (نسل فعلی با سروصدای کوانتومی) و سیستم‌های قابلیت‌پذیر برای مقیاس‌پذیری بلندمدت از جمله موضوعاتی است که میتواند زمان‌بندی این تغییر را مشخص سازد.
آیا شوک دو‌ساله خواهد بود یا انتقالی دهه‌ای؟ مناقشه بالا می‌گیرد
در مورد جدول زمانی اتفاق‌نظر وجود ندارد. جنسن هوانگ، مدیرعامل انویدیا، پیش‌تر گفته است که رسیدن محاسبات کوانتومی به مرحله فراگیر شدن ممکن است دههها طول بکشد. مقابل این دیدگاه، گلزینگر پیشنهاد داد که این بازه زمانی میتواند به‌شدت کوتاه‌تر باشد؛ حتی اشاره کرد که با ظهور نقطه عطف مناسب، تحول میتواند سریع و غافلگیرکننده باشد. مهم نیست که آیا این تحول در دو سال رخ می‌دهد یا در بیست سال — هر دو دیدگاه در یک نکته مشترک‌اند: دهه آینده برای سرنوشت معماری‌های محاسباتی حیاتی خواهد بود.
دلیل اهمیت زمان‌بندی روشن است: توسعه فعلی هوش مصنوعی به‌شدت بر اقتصاد GPU، هزینه برق، پهنای باند حافظه و زیرساخت‌های مرکز داده تکیه دارد. اگر سیستم‌های کوانتومی بتوانند برای برخی بارهای کاری مزایای واقعی ارائه دهند، سرمایه‌گذاری‌ها به سرعت بازتوزیع خواهد شد و شرکت‌هایی که صرفاً حول اکوسیستم‌های GPU ساخته شده‌اند ناچار به تغییر مسیر یا پذیرش فشار شدید بازار خواهند شد.
وقایع و سناریوهای ممکن در بازه‌های زمانی مختلف
سناریوی کوتاه‌مدت (1–5 سال): ظهور شواهد عملی از برتری کوانتومی برای مسائل خاص باعث میشود که شرکت‌ها و مراکز تحقیقاتی شروع به سرمایهگذاری هدفمند روی شتاب‌دهنده‌ها و سرویس‌های کوانتومی کنند. این سناریو ممکن است به توسعه نمونه‌های ترکیبی (hybrid quantum-classical) منجر شود که در آن کوانتوم به‌عنوان شتاب‌دهنده برای زیرمساله‌های خاص به‌کار گرفته میشود.
سناریوی میان‌مدت (5–10 سال): پیشرفت در تصحیح خطا و مقیاس‌پذیری میتواند قابلیت استفاده عملی از کوانتوم را گسترش دهد و رقابت بیشتری را میان ارائه‌دهندگان خدمات ابری (cloud providers) و شرکت‌های سازنده سخت‌افزار آغاز کند. در این دوره، مدلهای تجاری و زنجیره تامین فعلی، از جمله اکوسیستم GPU، تحت فشار قرار خواهند گرفت و نیاز به بازآرایی استراتژیک احساس میشود.
سناریوی بلندمدت (بیش از 10 سال): ظهور سیستم‌های کوانتومی با قابلیت عمومیت‌بخشی بالا میتواند معماری محاسباتی کلی را به‌طور بنیادین دگرگون کند، ولی رسیدن به این نقطه به پیشرفتهای فنی عمیق، استانداردسازی و راهحلهای عملی برای خطای کوانتومی نیاز دارد.
یک پژواک صنعتی: مایکروسافت، OpenAI و بازی‌های قدیمی نرم‌افزاری
گلزینگر در این مصاحبه علاوه بر مسائل فنی، یک شباهت تاریخی را نیز مطرح کرد و شراکت مایکروسافت و OpenAI را با اتحاد بیل گیتس و IBM در دهه 1990 مقایسه نمود. او OpenAI را به‌عنوان یک شریک توزیع توصیف کرد که از توان محاسباتی عظیم مایکروسافت بهره می‌برد — یادآوری اینکه قراردادهای استراتژیک ابری و دسترسی به ظرفیت محاسباتی هستند که اغلب تعیین میکنند کدام فناوری‌ها در بازار پیروز می‌شوند، نه صرفاً آنچه در آزمایشگاه بهتر کار می‌کند.
این نکته برای تحلیلگران بازار و مدیران فناوری اهمیت دارد: دسترسی به زیرساخت ابری، قراردادهای اختصاصی، و توان عملیاتی مراکز داده میتواند مزیت رقابتی پایداری فراهم کند که توسعه‌دهندگان و استارتاپ‌های کوانتومی یا هوش مصنوعی را به سمت انتخاب‌های مشخص هدایت کند. بنابراین حتی اگر یک فناوری در آزمایشگاه بهتر عمل کند، بدون شبکه توزیع و سرمایهگذاری زیرساختی ممکن است نتواند به برنده بازار تبدیل شود.
نقش ابر و قراردادهای کلیدی در شکل‌دهی رقابت فناوری
قراردادهای بین شرکت‌های نرم‌افزاری و ارائه‌دهندگان ابر (مانند مایکروسافت، آمازون و گوگل) معمولاً شامل ضمانت‌های ارائه سرویس، دسترسی به سخت‌افزار اختصاصی و سرمایهگذاری مشترک در تحقیق و توسعه میشود. این نوع قراردادها میتوانند به سرعت اکوسیستم‌های بسته‌ای شکل دهند که ورود فناوری‌های رقیب را دشوار کنند. در چشم‌انداز کوانتومی، شرکت‌هایی که زودتر پلتفرم‌های خدمات کوانتومی قابل‌اعتماد و مقرون‌به‌صرفه ارائه دهند، میتوانند جایگاه قدرتمندی کسب کنند.
داستان داخلی اینتل: نظم، تأخیرها و ماجرای 18A
مصاحبه تنها متمرکز بر کوانتوم نبود. گلزینگر با صراحت دربارۀ دوران مدیریتش در اینتل صحبت کرد و توصیف کرد که دوره‌ای وجود داشته که آنچه او «انضباط‌های پایه‌ای» نامید، از دست رفته بود. او به گزارشگران Financial Times گفت که در پنج سال پیش از بازگشتش، هیچ‌یک از محصولات اینتل طبق برنامه زمانی عرضه نشده‌اند — فرسایشی که او اذعان کرد عمیق‌تر از آن چیزی بوده که تصور می‌کرد.
یکی از قربانیان این وضعیت، گره تولیدی جاه‌طلبانه 18A اینتل بود. گلزینگر گفت که او به رهبری شرکت قول داده بود که در عرض پنج سال گره 18A را تحویل دهند، اما مشکلات سازمانی و تأخیرها باعث شد تا اهداف داخلی شرکت محقق نشود. پس از ترک او، مدیرعامل جدید تصمیم گرفت پروژه را در همان بازه زمانی متوقف کند، که نشان می‌دهد جداول زمانی فنی و تغییرات رهبری چقدر سریع میتوانند سرنوشت یک تولیدکننده تراشه را دگرگون کنند.
درس‌های مدیریتی و پیامدهای صنعتی
ماجرای 18A و سخنان گلزینگر در مورد از دست رفتن «انضباط پایه‌ای» به‌طور روشن نشان می‌دهد که موفقیت در حوزه نیمه‌هادی تنها به نوآوری فنی محدود نمی‌شود؛ مدیریت پروژه، هم‌راستایی سازمانی، فرهنگ اجرا و توانایی مدیریت زنجیره تامین نیز عناصر حیاتی هستند. در صنعتی که نیازمند سرمایهگذاریهای سنگین، زمان‌بندی دقیق و تخصص فنی فراوان است، ضعف در هر یک از این مؤلفه‌ها میتواند هزینه‌های بلندمدت و از دست رفتن رقابت را به همراه داشته باشد.
برای رقبا و سرمایهگذاران، این یادآوری مهم است که بررسی نقشه راه فنی (roadmap)، شاخص‌های اجرا و ثبات مدیریتی شرکت‌ها، بخش مهمی از ارزیابی بازار و تصمیم‌گیری سرمایهگذاری است.
این برای فناوران و سرمایهگذاران چه معنایی دارد
چه پژوهشگر باشید، چه مهندس و چه سرمایه‌گذار، اظهارات گلزینگر یادآور این نکته است که لازم است چند محور فناورانه را همزمان رصد کنید. هوش مصنوعی امروز پیوند عمیقی با اقتصاد GPU و مقیاس دیتاسنتر دارد. محاسبات کوانتومی این امکان را مطرح می‌کند که برخی از پیچیده‌ترین مسائل محاسباتی بتوانند روی یک زیربنای متفاوت بازاندیشی شوند و برندگان و بازندگان در حوزه سخت‌افزار، خدمات ابری و ارائه‌دهندگان پلتفرم‌های هوش مصنوعی تغییر کنند.
تصور کنید دنیایی که در آن برخی مسائل بهینه‌سازی یا شبیه‌سازی به‌طور طبیعی‌تر و مقرون‌به‌صرفه‌تر توسط دستگاه‌های کوانتومی حل شوند — این امر ساختار پشته‌های نرم‌افزاری، تصمیمات تدارکاتی و شرط‌بندی‌های راهبردی شرکت‌ها را دگرگون خواهد کرد. در چنین چشم‌اندازی، مهندسان نرم‌افزار باید رویکردهای هیبریدی را یاد بگیرند، مهندسان سخت‌افزار باید برای سازگاری با معماری‌های جدید آماده شوند و سرمایهگذاران باید نشانه‌های اولیه مزیت کوانتومی را دنبال کنند.
جنبه‌های امنیتی و رمزنگاری
یکی دیگر از پیامدهای بالقوه توسعه سریع محاسبات کوانتومی، تأثیر آن بر امنیت و رمزنگاری است. الگوریتمهای کوانتومی مانند الگوریتم شور (Shor) در صورتی که به مقیاس کافی برسند، میتوانند رمزهای متداول مبتنی بر عوامل اول تجزیه‌پذیر مانند RSA را تهدید کنند. بنابراین سازمان‌ها و دولت‌ها باید روی رمزنگاری مقاوم در برابر کوانتوم (post-quantum cryptography) سرمایهگذاری و برنامهریزی نمایند تا از داده‌ها و زیرساخت‌ها در برابر تهدیدات آینده محافظت کنند.
پیشنهاداتی عملی برای تکنولوژیست‌ها و سرمایهگذاران
- تنوعبخشی به سرمایهگذاریهای فناورانه: علاوه بر GPU و سخت‌افزار کلاسیک، به شرکت‌ها و استارتاپ‌های فعال در محاسبات کوانتومی و شتاب‌دهنده‌های هیبریدی توجه کنید.
- پایش قراردادهای ابری و ائتلاف‌های استراتژیک: مشاهده کنید کدام بازیگران ابری برای ارائه خدمات کوانتومی و شتاب‌دهنده‌های اختصاصی سرمایهگذاری میکنند، زیرا این قراردادها میتوانند معیاری از نفوذ بازار باشند.
- آموزش و توسعه مهارت‌ها: مهندسین نرم‌افزار و پژوهشگران باید پایه‌های محاسبات کوانتومی، الگوریتمهای کوانتومی و روش‌های ترکیب با محاسبات کلاسیک را بیاموزند.
- آمادگی برای مهاجرت فناوری: شرکت‌ها باید سناریوهای مهاجرت فناوری و برنامه‌های آزمون برای ارزیابی گزینه‌های کوانتومی را آماده کنند.
برای جمع‌بندی، در حالی که مشخص نیست محاسبات کوانتومی چقدر سریع کل منظر محاسبات را دگرگون خواهد کرد، اظهارات گلزینگر — که از پیشینه صنعتی و تعامل نزدیک با استارتاپ‌ها و پژوهش‌های کوانتومی نشأت می‌گیرد — تأکید می‌کند که باید آماده شگفتی‌های مخرب باشیم. ترکیب دانش فنی، ارزیابی نقشه‌های راه، توجه به قراردادهای ابری و برنامهریزی برای ریسکهای رمزنگاری، همه از جمله کارهایی هستند که بازیگران صنعتی در سال‌های آتی باید در دستور کار قرار دهند.
در نهایت، دهه پیش‌رو احتمالاً شاهد پویایی‌های رقابتی پیچیده‌تری خواهد بود: رقابت بین تولیدکنندگان سخت‌افزار (از جمله شرکت‌های سنتی نیمه‌هادی و بازیگران جدید کوانتومی)، ارائه‌دهندگان ابر، و شرکت‌های نرم‌افزاری هوش مصنوعی که میتوانند از مزیت‌های فنی جدید به نفع خود بهره‌برداری کنند. نظارت مستمر بر تحولات پژوهشی، سرمایهگذاریهای زیرساختی و قراردادهای استراتژیک، کلید آماده‌سازی در برابر تحولات سریع این حوزه خواهد بود.
چرا زمان‌بندی مهم است: رشد و توسعه مدلهای هوش مصنوعی امروز به‌شدت متکی به GPUها برای آموزش (training) و اجرای مدل (inference) است. اگر سامانه‌های کوانتومی شروع به ارائه مزیت‌های واقعی برای برخی بارهای کاری کنند، سرمایه به‌سرعت بازتخصیص خواهد یافت — و شرکت‌هایی که حول اکوسیستم GPU شکل گرفته‌اند ممکن است نیاز داشته باشند مسیر خود را تغییر دهند یا در برابر فشار بازار مقاومت نشان دهند. رصد تحولات کوانتومی، تحلیل تاثیر بر اقتصاد مراکز داده و بررسی سناریوهای ترکیبی کوانتوم-کلاسیک از الزامات برنامهریزی فناوری در آینده نزدیک است.
منبع: wccftech
ارسال نظر