8 دقیقه
بایتدنس، مالک چینی تیکتاک، طبق گزارشها در حال آماده شدن برای خرید گستردهای از پردازندههای هوش مصنوعی انویدیا است در حالی که تلاشهای خود در زمینه هوش مصنوعی مولد را افزایش میدهد. این شرکت قصد دارد در سال ۲۰۲۶ حدود ۱۰۰ میلیارد یوان (معادل تقریبی ۱۴ میلیارد دلار) بر روی کارتهای گرافیکی NVIDIA H200 هزینه کند تا به موجودی قابلتوجه سختافزار انویدیا که هماکنون در اختیار دارد افزوده شود.
چرا کارتهای گرافیکی NVIDIA هنوز مهم هستند
در نگاه نخست این اقدام ممکن است متناقض به نظر برسد: از یک طرف بایتدنس همراه با شریکانی مانند Broadcom و TSMC در حال توسعه تراشههای اختصاصی هوش مصنوعی است، و از طرف دیگر به خرید انبوه GPUهای خارجی ادامه میدهد. نقطهٔ کلیدی در نحوهٔ استفادهٔ متفاوت از انواع تراشهها نهفته است. کارتهای گرافیکی مانند H200 انویدیا برای بارهای کاری سنگین آموزش مدلها (training) بهینهسازی شدهاند؛ این سختافزارها برای ساخت مدلهای پایه (foundation models) و آموزش شبکههای بزرگ زبانی یا مولد نیاز به توان محاسباتی بالا، پهنای باند حافظه زیاد و زیرساختی برای مقیاسپذیری توزیعشده دارند. در مقابل، تراشههای بومی و طراحیهای داخلی معمولاً برای استنتاج (inference) — اجرای مدلهای آموزشدیده در مقیاس داخل اپلیکیشنها مانند تیکتاک — تنظیم میشوند و بیشتر بر مصرف انرژی کمتر و هزینهٔ هر پرسوجو تمرکز دارند.
ویژگیهای فنی H200 و مزایای آن برای آموزش
کارتهای سری H انویدیا، از جمله H100 و H200، مبتنی بر معماریهایی طراحی شدهاند که برای شتابدهی به عملیات ماتریسی و محاسبات موازی بسیار بهینهاند. این ویژگیها شامل هستههای ماتریسی تخصصی، پشتیبانی از حافظه با پهنای باند بالا، قابلیت اتصال سریع بین شتابدهندهها (مانند NVLink یا فناوریهای مشابه)، و قابلیت اجرای بارهای Mixed-Precision برای افزایش کارایی آموزشی میشود. در آموزش مدلهای بزرگ زبانی و مولد، این پارامترها میتوانند تفاوت بزرگی در زمان لازم برای آموزش مدل، هزینهٔ کلی و سرعت آزمایش و تکرار (iterate) ایجاد کنند.
علاوه بر این، اکوسیستم نرمافزاری پیرامون GPUها — شامل فریمورکهای محبوب یادگیری عمیق، کتابخانههای بهینهسازی شده، ابزارهای توزیعشده مثل NCCL و پشتیبانی از نرمافزار مدیریت خوشه — تجربهٔ توسعه و اجرای مدلهای بزرگ را تسهیل میکند. برای شرکتهایی که نیاز به آموزش مکرر مدلها و آزمایشهای متعدد دارند، این مزایا میتواند توجیهکنندهٔ سرمایهگذاری هنگفت در GPUهای آمادهٔ بازار باشد.
چرا سیلیکون داخلی جایگزین کامل نخواهد شد
حتی با طراحیهای داخلی جاهطلبانه که انتظار میرود در ۲۰۲۶ ظاهر شوند، احتمال جایگزینی کامل GPUها برای آموزش مدلهای بزرگ ضعیف به نظر میرسد. توسعهٔ تراشههای آموزش (training accelerators) که بتوانند به سرعت، قابلیت اطمینان و اکوسیستم نرمافزاری گستردهای مشابه آنچه انویدیا ارائه میدهد را فراهم کنند، به زمان زیادی نیاز دارد. علاوه بر طراحی سختافزاری، بهبود نرمافزار، ابزارهای برنامهنویسی، پشتیبانی از کتابخانهها و اکوسیستم توسعه از نظر مهندسی و زنجیرهٔ تأمین حیاتی هستند؛ این موارد معمولاً مزایای اولیهٔ شرکتهای بزرگی مانند انویدیا را مستحکم میکند.
به همین دلیل استراتژی منطقی برای بسیاری از بازیگران بزرگ فناوری، از جمله بایتدنس، ترکیب سختافزار اختصاصی برای استنتاج با GPUهای پیشرفته برای آموزش است. این رویکرد هیبریدی تلاش میکند که هزینهها را کاهش دهد، کارایی را حفظ کند و در عین حال کنترل بیشتری روی استقرار و بهینهسازی مدلها فراهم آورد. بهعبارتدیگر، استفاده از تراشههای داخلی برای پاسخدهی بلادرنگ و مصرف پایین انرژی و اتکا به GPUها برای فرآیندهای آموزش سنگین یک راهبرد ترکیبی و متعادل است.
این ترکیب همچنین به شرکتها اجازه میدهد که خطرات مرتبط با وابستگی صرف به یک منبع یا یک نوع فناوری را کاهش دهند: وقتی بخشی از استنتاج روی سیلیکون داخلی اجرا میشود، هزینهٔ عملیاتی و تاخیر کاهش مییابد؛ و وقتی آموزش مدلها روی GPUهای اثباتشده انجام شود، سرعت توسعهٔ مدل و مقیاسپذیری حفظ میشود.
در سال ۲۰۲۵ نیز بایتدنس نشان داد که تمایل به سرمایهگذاری بزرگ در سختافزار خارجی دارد؛ طبق گزارشها این شرکت حدود ۸۵ میلیارد یوان را در آن سال به خرید چیپهای انویدیا اختصاص داد. با ارزشی در حدود نیم تریلیون دلار و محصولی مانند تیکتاک که عملاً به یک موتور عظیم استنتاج تبدیل شده — موتورهایی که توصیهٔ محتوا، تحویل تبلیغات و پالایش محتوا را پیش میبرند — بایتدنس نیازمند ظرفیت گسترده هم برای آموزش و هم برای سرویسدهی مدلها در مقیاس است.
سیاست، قوانین صادرات و راهکارهای عملی
این تراکنش در پی تغییراتی در سیاست ایالات متحده رخ میدهد: واشینگتن اخیراً اجازهٔ فروش پردازندههای NVIDIA H200 (مبتنی بر معماری هوپر — Hopper) را به چین صادر کرد. این تغییر در مقررات، خریدهایی را که پیشتر تحت کنترلهای صادراتی محدود شده بودند ممکن ساخت. در مقابل، پکن با احتیاط عمل کرده و همزمان با شرکتهای فناوری داخلی به گفتوگو نشسته تا نیازها و اولویتها را ارزیابی کند، در حالی که سیاستهای تقویت خودکفایی در فناوری مراکز داده و تراشهها را نیز پیگیری میکند.
تأثیر قوانین صادرات بر زنجیرهٔ تأمین تراشه
قوانین صادرات و محدودیتهای فناوری میتوانند تأثیر چشمگیری بر زمانبندی خریدها، استراتژیهای تامین و حتی طراحی محصولات داشته باشند. شرکتها برای کاهش این ریسکها معمولاً از رویکردهای چندگانه استفاده میکنند: متنوعسازی تامینکنندگان، ذخیرهٔ موجودی سختافزاری، سرمایهگذاری در طراحیهای بومی و اجارهٔ ظرفیت محاسباتی در مراکز دادهٔ خارجی. این اقدامات به آنها کمک میکند تا در مواجهه با تغییرات ناگهانی سیاستی یا محدودیتهای تحریمی تداوم فعالیت داشته باشند.
راهکارهای عملی بایتدنس برای کاهش ریسک ژئوپلیتیکی
بایتدنس پیشتر قدمهایی برای کاهش ریسک ژئوپلیتیکی برداشته است. حدود یک سال پیش این شرکت شروع به اجارهٔ ظرفیت ابری خارج از چین کرد؛ راهکاری که هدف آن حفظ ادامهٔ سرویسها و توسعهٔ مدلها در مواجهه با تحریمها و محدودیتها بود. استفاده از ابر خارجی میتواند به شرکتها امکان دهد تا دسترسی به سختافزار یا نرمافزار خاص را حفظ کنند، آزمایشها و آموزش مدلها را در محیطهای مختلف انجام دهند و در عین حال از تاثیرات بالقوهٔ قطع دسترسی داخلی جلوگیری کنند.
همچنین مدیریت موجودی سختافزار، برنامهریزی بلندمدت خرید، و انعقاد قراردادهای بلندمدت با تولیدکنندگان و تامینکنندگان بینالمللی میتواند به عنوان ابزاری برای کاهش نوسانات عرضه و قیمت عمل کند. ترکیب این استراتژیها با توسعهٔ داخلی تراشههای استنتاج میتواند انعطافپذیری عملیاتی را افزایش دهد.
پیامدهای اقتصادی و فنی خرید بزرگ H200
خرید گستردهٔ کارتهای H200 برای بایتدنس فقط یک اقدام تأمین سختافزاری نیست؛ این اقدام دارای پیامدهای استراتژیک، فنی و اقتصادی است. از منظر فنی، افزایش ظرفیت GPU به شرکت اجازه میدهد تا پروژههای تحقیق و توسعهٔ هوش مصنوعی مولد را با سرعت و حجم بیشتری پیگیری کند، آزمایشهای گستردهتری روی مدلهای پایه انجام دهد و همانطور که نیاز بازار تغییر میکند سریعتر تکرار و بهینهسازی انجام دهد. از منظر اقتصادی، هزینهٔ بالای سرمایهای در مقابل هزینهٔ بهرهبرداری (OPEX) و مزایای مقیاس که میتواند هزینهٔ آموزش هر مدل را کاهش دهد باید سنجیده شود.
همچنین این خرید میتواند به بایتدنس در رقابت با دیگر بازیگران بزرگ فناوری چینی کمک کند؛ شرکتهایی مانند علیبابا، بایدو، هواوی و دیگران نیز در حال سرمایهگذاری در زیرساختهای هوش مصنوعی هستند و ظرفیت محاسباتی عظیم یکی از عوامل کلیدی تمایز در توسعهٔ مدلهای پیشرفته خواهد بود. علاوه بر این، وجود سختافزار قدرتمند داخلی به تیمهای تحقیقاتی این امکان را میدهد که مدلهای سفارشیسازیشده، بهینهشده برای بازارهای محلی و با کنترل بیشتر روی داده و حریم خصوصی توسعه دهند.
در نهایت، اقدام به خرید مقیاسپذیر GPUهای انویدیا بخشی از یک استراتژی بلندمدت فناوری است که بین سرمایهگذاری در فناوریهای آمادهٔ بازار و توسعهٔ قابلیتهای داخلی تعادل برقرار میکند. این ترکیب میتواند ریسکهای تجاری را کاهش دهد، زمان عرضهٔ محصولات مبتنی بر هوش مصنوعی را کوتاه کند و به شرکت امکان دهد از هر دو دنیای نوآوری خارجی و کنترل داخلی بهرهمند شود.
خلاصه اینکه خرید بزرگ بایتدنس از انویدیا پاسخی عملی به نیاز فنی فوری است: فراهم آوردن ظرفیت عظیم و مقرونبهصرفهٔ GPU برای آموزش و تکرار سریع مدلهای هوش مصنوعی، همزمان با توسعهٔ تراشههای داخلی برای استنتاج و مدیریت پیچیدگیهای نظارتی و ژئوپلیتیکی. این رویکرد نشانگر یک استراتژی واقعگرایانه است که تلاش میکند از مزایای فناوری جهانی بهرهمند شود در حالی که به سوی خوداتکایی و کاهش آسیبپذیری در برابر شوکهای خارجی پیش میرود.
منبع: smarti
نظرات
نیک_پ
کمی زیادی خرج میکنن؟ احتمالا، ولی بدون اکوسیستم نرمافزاری انویدیا عملا نمیتونن جلو برن. بذاریم ببینیم نتیجه چی میشه…
امیر
خلاصهش اینه: واقعگرایی. نه وابستگی کامل، نه خودکفایی مطلق. هیبریدی جلو رفتن، منطقی به نظر میاد
بیونیکس
تو یه شرکت دیدم همین مدل رو: GPU برای training، چیپ خودی برای inference. سرعت تغییرات عجیبـیه، تجربهام میگه ترکیبی بهتره..
توربوام
آیا واقعاً انویدیا رو میشه کامل جایگزین کرد؟ قوانین هر لحظه عوض میشن، این حرکت جسورانهست یا ریسکی عجیب؟
کوینپال
معقول به نظر میاد، ترکیب GPU برای آموزش و سیلیکون داخلی برای استنتاج منطقیه، به شرطی که قیمت و تحریم ها دست نزنن به قضیه
دیتاپالس
وای... جدی؟ این همه H200؟ بایتدنس داره حسابی روی گاز میزنه، ولی امیدوارم این خرید فقط جو نباشه، ریسک سیاسی بالاست
ارسال نظر