News - نِیودیا نخستین شرکت جهان با ارزش بازار ۵ تریلیون دلار است، اما روایتِ زیرکانهٔ مدیرعاملِ جِنسِن هوانگ دربارهٔ محاسباتِ با شتاب و بینشِ استثنایی که به انقلابِ هوش مصنوعیِ امروز انجامید، چندان با واقعیت همخوانی ندارد.

همین که این جملات را می‌نویسم، ارزش بازار Nvidia با ۵.۱۲ تریلیون دلار در حال ثبت است. بله، Nvidia به اولین شرکت جهان با ارزش ۵ تریلیون دلار تبدیل شده است. واقعاً، این اعداد دیوانه‌کننده هستند. البته واقعاً واقعاً دور نیست که گزارش کردیم Nvidia با ارزش ۳.۳ تریلیون دلار، ارزشمندترین شرکت جهان شده است. تنها چند ماه پیش بود که Nvidia از مرز ۴ تریلیون عبور کرد. اما اکنون در نقطه‌ای هستیم که ارزشش به ۵ تریلیون دلار رسیده است. پایان این داستان به کجا می‌رسد؟ به طور فزاینده‌ای، تحلیلگران بازار فکر می‌کنند کل داستان هوش مصنوعی حبابی است که به شکستی فاجعه‌بار منجر می‌شود. یا شاید هوش مصنوعی واقعاً واقعیت است و در آینده نه چندان دور نوعی آپوکالیپس بسیار متفاوتی بر سر ما فرود خواهد آمد. اما یک چیز روشن است. فرقی ندارد نتیجه چه باشد، هیچ شک و تردیدی درباره انهاد Nvidia به عنوان نقشی کاملاً محوری وجود ندارد. این شرکت در هر دو حوزه سخت‌افزار و پلتفرم‌های توسعه نرم‌افزاری که پایه و اساس این همه چیز است، در صنعت هوش مصنوعی سلطه دارد. اما همانطور که دیروز در کنفرانس کلیدی مدیرعامل Jensen Huang در رویداد GTC را تماشا می‌کردم، روایت او از Nvidia کمی بیش از حد مرتب و کمی هم خیلی شیرین به نظر می‌رسید. اگر از کلام او برداشت کنیم، Nvidia همه چیز را از قبل دیده بود. شخصاً فکر می‌کنم قسمت زیادی از ماجرا با شانس همراه بوده است. در GTC، هوانگ اشاره کرد که مقیاس‌پذیری دنارد حدود ده سال پیش از کار افتاد. مقیاس دنارد چیزی شبیه به هم‌سری با قانون مور است. در حالی که قانون مور پیش‌بینی‌ها یا حداقل مشاهداتی درباره تراکم ترانزیستورها و هزینه‌های آن در تراشه‌های کامپیوتری ارائه می‌کند، مقیاس‌پذیری دنارد به مصرف انرژی و فرکانس کار مرتبط است. داده‌های روند Nvidia به‌درستی نشان می‌دهند فرکانس‌های چیپ‌ها عمدتاً متوقف شده‌اند، در حالی که کارایی مصرف انرژی نیز به تدریج بهبود می‌یابد. همزمان، تراکم ترانزیستورها نیز بیشتر و بیشتر به سمت مقادیر بالاتر گام برمی‌دارد. بنابراین، به یک الگوی محاسباتی نیاز است که از قانون مور بهره ببرد و بتواند پایان یافتن دنارد را جبران کند. هوانگ می‌گوید Nvidia از همه اینها باخبر بوده و فهمیده که محاسبات موازی یا تسریع‌یافته راه‌حل است. «ما این مشاهده را مدت‌ها قبل انجام دادیم و برای ۳۰ سال است که این شکل از محاسبات را پیش می‌بریم؛ آن را محاسباتِ تسریع‌یافته می‌نامیم. ما GPU را اختراع کردیم، مدل برنامه‌نویسی به نام CUDA را اختراع کردیم، و دیدیم که اگر بتوانیم پردازنده‌ای اضافه کنیم که از ترانزیستورهای بیشتر استفاده کند، محاسبات موازی را به کار بگیریم و آن را به یک CPU پردازش توالی اضافه کنیم تا بتوانیم قابلیت‌های محاسباتی را فراتر از گذشته گسترش دهیم و آن لحظه واقعاً رسیده است.» او به وضوح درست می‌گوید که لحظهٔ محاسباتِ موازی یا تسریع‌یافته رسیده است. من مطمئن نیستم Nvidia و هوانگ آنقدر دقیق پیش‌بینی‌کننده بوده‌اند که او می‌گوید. خود من چه کسی هستم که به دانش فنی و مالی مدیرعامل ارزشمندترین شرکت جهان شک کنم؟ هیچکس، اما بیش از بیست سال است که Nvidia را به شکل حرفه‌ای دنبال می‌کنم و قطعاً می‌توانم دید مشخصی نسبت به پیام‌هایی که Nvidia در این مدت ارائه داده است داشته باشم. برداشت من این است که Nvidia در روزهای اولیه بیشتر درباره گرافیک بود. این شرکت تراشه‌های گرافیکی را طراحی می‌کرد نه با هدف موازی‌سازی همه چیز. پس از ساخت تراشه‌های گرافیکی، جاه‌طلبی‌های شرکت برای پول بیشتر او را وادار کرد به دنبال کاربردهای جایگزینی باشد که بتواند به لطف آنچه باهوشانه به عنوان GPU بازاریابی می‌شود روی آن‌ها اجرا شود، با آگاهی از واژه CPU که برای پردازنده‌های کامپیوتری به کار می‌رود. به خاطر دارم سال‌ها Nvidia تقریباً هر چیزی را به دیوار می‌کوبید تا ببینند آیا می‌چسبد. پردازش ویدیوی دو بعدی، شبیه‌سازی‌های فیزیک، تاخوردگی پروتئین، اکتشاف مواد معدنی — در همان سال‌های آغازین همگی را امتحان کردند. قابل توجه اینکه تا حدود ۲۰۱۲ نبود که Nvidia نام هوش مصنوعی را به عنوان کاربردی برای GPUهایش بیاورد؛ و حتی آن زمان نیز AI تنها یکی از فهرست بلندبالای کاربردهای کاندید برای GPUهای Nvidia بود که در دستهٔ گستردهٔ GPGPU یا محاسبات GPU با کاربری عمومی قرار می‌گرفت. من معتقدم هیچ ادعایی که Nvidia و هوانگ انقلاب هوش مصنوعی امروز را پیش‌بینی کرده‌اند — با مدل‌های ترنسفورمر روی GPU — به بررسی دقیق نمی‌ارزد. همچنین نمی‌توان آن را با آنچه Nvidia تا مدت‌ها می‌گفته یا انجام می‌داده در مقایسه قرار داد. این به معنای این نیست که Nvidia شایستگی موفقیت خود را ندارد. هیچ شرکت دیگری روی GPUها به اندازه Nvidia سرمایه‌گذاری نکرد. هیچ شرکت دیگری به اندازه Nvidia در ایجاد چهارچوب نرم‌افزاری پشتیبان در CUDA این قدر تلاش نکرد. اما هوش مصنوعی به طور کلی در سال‌های اخیر به شدت رشد کرده و مدل‌های ترنسفورمر هم برای ایجاد مدل‌های هوش مصنوعی و هم برای اجرا روی GPUها به خوبی مناسب‌اند؛ اینها چیزی نیست که Nvidia قبل از آن پیش‌بینی کرده باشد. حداقل اگر چنین می‌کرد، Nvidia آن را کاملاً پنهان نگه می‌داشت در حالی که هزینه‌های زیادی را صرف می‌کرد تا شرکت‌ها را تشویق کند تا از GPUهایش برای کارها و بارهای کاری غیر از هوش مصنوعی استفاده کنند. بنابراین، البته باید به Nvidia بابت موفقیت خارق‌العاده‌اش تبریک گفت. اما باور ندارم که این به این معنا باشد که شرکت واقعاً دیدگاه عمیقی نسبت به آینده دارد. و اگر چنین درکی درست باشد، قطعاً پیامدهایی برای همه چیز دارد، از بازار سهام تا آیندهٔ هوش مصنوعی.