NVIDIA - չիպերի արդյունաբերության պատմության մեջ առաջին ընկերությունը, որի կապիտալիզացիան գերազանցել է մեկ տրիլիոն դոլարը։ Ո՞րն է հաջողության գաղտնիքը:
Համոզված եմ, որ ձեզանից շատերը լսել են ընկերության մասին NVIDIA և ձեզանից շատերը դա կապում են հատուկ գրաֆիկական պրոցեսորների հետ, քանի որ արտահայտությունը «NVIDIA GeForce»-ը լսել են գրեթե բոլորը։
NVIDIA վերջերս ստեղծեց ֆինանսական պատմություն ՏՏ ոլորտում: Դա առաջին ինտեգրալ սխեմաների ընկերությունն է, որի շուկայական արժեքը գերազանցել է մեկ տրիլիոն դոլարը։ Սա նաև տեխնոլոգիայի հետ կապված հինգերորդ ընկերությունն է պատմության մեջ, որը հասել է նման մեծ (շուկայական կապիտալիզացիայի) հաջողության: Նախկինում միայն մարդիկ կարող էին պարծենալ նման բարձր վարկանիշով Apple, Microsoft, Alphabet (Google-ի սեփականատեր) և Amazon-ը։ Այդ պատճառով ֆինանսիստները երբեմն այն անվանում էին «Չորսի ակումբ», որն այժմ ընդլայնվել է NVIDIA.
Բացի այդ, շուկայական կապիտալիզացիայի առումով այն շատ զիջում է AMD-ին, Intel-ին, Qualcomm-ին և այլ տեխնոլոգիական ընկերություններին։ Դա հնարավոր չէր լինի առանց ընկերության տեսլականի քաղաքականության, որը ներդրվել է մեկ տասնամյակ առաջ:
Կարդացեք նաև. Կա՞ ապագա Իլոն Մասկի TruthGPT-ի համար:
Անհավանական պահանջարկ NVIDIA H100 Tensor Core
Ո՞րն է կապիտալիզացիայի նման աճի գաղտնիքը: Առաջին հերթին սա բորսայի արձագանքն է չիպի հաջողությանը NVIDIA H100 Tensor Core-ը, որը մեծ պահանջարկ ունի ամպային ենթակառուցվածքի և առցանց ծառայությունների առաջատար մատակարարների շրջանում: Այս չիպերը գնում են Amazon, Meta և Microsoft (իր և իր գործընկեր OpenAI ընկերության կարիքների համար): Դրանք հատկապես էներգաարդյունավետ են գեներատիվ արհեստական ինտելեկտին բնորոշ հաշվարկների արագացման համար, ինչպիսիք են ChatGPT կամ Dall-E: Սա արագացված հաշվարկների համար մեծության կարգի անհավանական թռիչք է: Մենք ստանում ենք աննախադեպ կատարողականություն, մասշտաբայնություն և անվտանգություն ցանկացած ծանրաբեռնվածության համար NVIDIA H100 Tensor Core GPU:
Օգտագործելով անջատիչ համակարգ NVIDIA NVLink-ը կարող է միացված լինել մինչև 256 H100 GPU-ի՝ exa մասշտաբով աշխատանքային ծանրաբեռնվածությունն արագացնելու համար: GPU-ն նաև ներառում է հատուկ տրանսֆորմատորային շարժիչ՝ տրիլիոնավոր պարամետրերով լեզվական մոդելներ լուծելու համար: H100-ի համակցված տեխնոլոգիական նորարարությունները կարող են արագացնել մեծ լեզուների մոդելները (LLM) անհավատալի 30 անգամ՝ համեմատած նախորդ սերնդի հետ՝ ապահովելով ոլորտի առաջատար խոսակցական AI: Մշակողները այն գրեթե իդեալական են համարում մեքենայական ուսուցման համար:
Այնուամենայնիվ, H100-ը ոչ մի տեղից չի հայտնվել: Եվ, ճիշտն ասած, առանձնապես հեղափոխական չէ։ NVIDIAԻնչպես ոչ մի ընկերություն, երկար տարիներ հսկայական ռեսուրսներ է ներդնում արհեստական ինտելեկտի մեջ։ Արդյունքում, ընկերությունը, որը հիմնականում կապված է GeForce գրաֆիկական քարտի ապրանքանիշի հետ, կարող է սպառողական շուկայի հետ վարվել գրեթե հոբբիի պես: Ի վերջո, սա իրական ուժ է ստեղծում ՏՏ հսկաների շուկայում NVIDIA կարող է արդեն հավասարը հավասարի պես խոսել նրանց հետ:
Հետաքրքիր է նաև. Ի՞նչ են 6G ցանցերը և ինչու են դրանք անհրաժեշտ:
Արդյո՞ք արհեստական ինտելեկտը ապագան է:
Այսօր դրանում համոզված են գրեթե բոլորը, նույնիսկ այս ոլորտի թերահավատ փորձագետները։ Հիմա դա գրեթե աքսիոմա է, տրիիզմ։ Չնայած նրան NViDIA գիտեր այդ մասին 20 տարի առաջ: Ես քեզ զարմացրի՞ր:
Տեխնիկապես առաջին սերտ շփումը NVIDIA արհեստական ինտելեկտի հետ տեղի ունեցավ 1999 թվականին, երբ շուկայում հայտնվեց GeForce 256 պրոցեսորը, որն ընդունակ էր արագացնել մեքենայական ուսուցման հաշվարկները: Այնուամենայնիվ NVIDIA սկսեց լրջորեն ներդրումներ կատարել արհեստական ինտելեկտի մեջ միայն 2006 թվականին, երբ ներկայացրեց CUDA ճարտարապետությունը, որը թույլ տվեց օգտագործել գրաֆիկական պրոցեսորների զուգահեռ մշակման հնարավորությունները վերապատրաստման և հետազոտության համար:
Ի՞նչ է CUDA-ն: Այն լավագույնս սահմանվում է որպես զուգահեռ հաշվողական հարթակ և կիրառական ծրագրավորման ինտերֆեյս (API), որը թույլ է տալիս ծրագրակազմին օգտագործել ընդհանուր նշանակության գրաֆիկայի մշակման միավորներ (GPGPU): Այս մոտեցումը կոչվում է ընդհանուր նշանակության հաշվարկ GPU-ների վրա: Բացի այդ, CUDA-ն ծրագրային շերտ է, որն ապահովում է ուղիղ մուտք դեպի վիրտուալ հրահանգների հավաքածու և գրաֆիկական պրոցեսորի զուգահեռ հաշվողական տարրեր: Այն նախատեսված է ծրագրավորման լեզուների հետ աշխատելու համար, ինչպիսիք են C, C++ և Fortran-ը:
Հենց այս հասանելիությունն է հեշտացնում զուգահեռ մշակողների համար օգտվել GPU ռեսուրսներից՝ ի տարբերություն նախորդ API-ների, ինչպիսիք են Direct3D-ը և OpenGL-ը, որոնք պահանջում էին գրաֆիկական ծրագրավորման առաջադեմ հմտություններ:
Կարևոր առաջընթաց էր ընկերության կողմից տրամադրումը NVIDIA հաշվողական հզորություն բեկումնային AlexNet նեյրոնային ցանցի համար: Այն կոնվոլյուցիոն նեյրոնային ցանց է (CNN), որը մշակվել է ուկրաինացի Ալեքս Կրիժևսկու կողմից՝ Իլյա Սուցկևերի և Ջեֆրի Գինթոնի հետ համագործակցությամբ։
Կովոլյուցիոն նեյրոնային ցանցերը (CNN) միշտ եղել են օբյեկտների ճանաչման հիմնական մոդելը. դրանք հզոր մոդելներ են, որոնք հեշտ է կառավարել և նույնիսկ ավելի հեշտ վարժեցնել: Նրանք տագնապալի չափով չափից դուրս չեն զգում, երբ օգտագործվում են միլիոնավոր պատկերների վրա: Նրանց կատարումը գրեթե նույնական է նույն չափի ստանդարտ սնուցման առաջնային նեյրոնային ցանցերին: Միակ խնդիրն այն է, որ դրանք դժվար է կիրառել բարձր լուծաչափով պատկերների վրա: ImageNet-ի մասշտաբը պահանջում էր նորամուծություններ, որոնք կօպտիմալացվեին GPU-ների համար և կկրճատեին ուսուցման ժամանակը` միաժամանակ բարելավելով աշխատանքը:
30 թվականի սեպտեմբերի 2012-ին AlexNet-ը մասնակցեց ImageNet լայնածավալ տեսողական ճանաչման մարտահրավերին: Ցանցը լավագույն հինգ սխալների թեստում ստացել է 15,3% միավոր՝ ավելի քան 10,8%-ով ցածր, քան երկրորդ տեղի միավորը:
Բնօրինակ աշխատանքից հիմնական եզրակացությունն այն էր, որ մոդելի բարդությունը պայմանավորված էր նրա բարձր կատարողականությամբ, որը նույնպես շատ հաշվողականորեն թանկ էր, բայց հնարավոր դարձավ վերապատրաստման գործընթացում գրաֆիկական մշակման միավորների (GPUs) օգտագործման շնորհիվ:
AlexNet կոնվոլյուցիոն նեյրոնային ցանցն ինքնին բաղկացած է ութ շերտերից. առաջին հինգը կոնվոլյուցիոն շերտեր են, որոնցից մի քանիսին նախորդում են առավելագույն զուգակցված շերտերը, իսկ վերջին երեքը լիովին միացված շերտեր են։ Ցանցը, բացառությամբ վերջին շերտի, բաժանված է երկու օրինակի, որոնցից յուրաքանչյուրն աշխատում է մեկ GPU-ով:
Այսինքն՝ դրա շնորհիվ NVIDIA և դեռ փորձագետների և գիտնականների մեծ մասը կարծում է, որ AlexNet-ը աներևակայելի հզոր մոդել է, որն ի վիճակի է հասնել բարձր ճշգրտության շատ բարդ տվյալների հավաքածուների վրա: AlexNet-ը առաջատար ճարտարապետությունն է օբյեկտների հայտնաբերման ցանկացած առաջադրանքի համար և կարող է ունենալ շատ լայն կիրառումներ համակարգչային տեսողության ոլորտում արհեստական ինտելեկտի խնդիրների համար: Ապագայում AlexNet-ը կարող է ավելի շատ օգտագործվել, քան CNN-ը պատկերավորման ոլորտում։
Հետաքրքիր է նաև. Bluesky ֆենոմենը. ի՞նչ ծառայություն է դա և ինչքա՞ն տևողությամբ:
Արհեստական ինտելեկտը միայն լաբորատորիաներում և տվյալների կենտրոններում չէ
В NVIDIA AI-ի համար մեծ հեռանկարներ տեսավ նաև սպառողական սարքերի և իրերի ինտերնետի տեխնոլոգիաներում: Մինչ մրցակիցները նոր են սկսում մտածել նոր տեսակի ինտեգրալ սխեմաների մեջ ավելի լայն ներդրումներ կատարելու մասին, NVIDIA արդեն աշխատում է դրանց մանրանկարչության վրա։ Հավանաբար հատկապես կարևոր է Tegra K1 չիպը, որը մշակվել է Tesla-ի և այլ ավտոմոբիլային ընկերությունների հետ համագործակցությամբ։
Tegra K1 պրոցեսորն առաջին պրոցեսորներից է NVIDIA, որը հատուկ նախագծված է շարժական և ներկառուցված սարքերում AI հավելվածների համար: Tegra K1-ն օգտագործում է նույն GPU-ի ճարտարապետությունը, ինչ գրաֆիկական քարտերի և համակարգերի շարքը NVIDIA GeForce, Quadro և Tesla, որոնք ապահովում են բարձր կատարողականություն և համատեղելիություն գրաֆիկայի և հաշվողական ստանդարտների հետ, ինչպիսիք են OpenGL 4.4, DirectX 11.2, CUDA 6.5 և OpenCL 1.2: Դրա շնորհիվ Tegra K1 պրոցեսորը կարող է աջակցել առաջադեմ արհեստական ինտելեկտի ալգորիթմներին, ինչպիսիք են խորը նեյրոնային ցանցերը, ամրապնդման ուսուցումը, պատկերների և խոսքի ճանաչումը և տվյալների վերլուծությունը: Tegra K1-ն ունի 192 CUDA միջուկ:
2016 թ NVIDIA թողարկել է Pascal պրոցեսորների մի շարք, որոնք օպտիմիզացված են խորը նյարդային ցանցերին և արհեստական ինտելեկտի այլ մոդելներին աջակցելու համար: Մեկ տարվա ընթացքում շուկայում հայտնվեցին Volta պրոցեսորների շարք արհեստական ինտելեկտի հետ կապված հավելվածների համար, որոնք էլ ավելի արդյունավետ են ու էներգախնայող։ 2019թ NVIDIA գնում է Mellanox Technologies-ը՝ տվյալների կենտրոնների և գերհամակարգիչների համար բարձրորակ համակարգչային ցանցեր արտադրող:
Արդյունքում նրանք բոլորն օգտագործում են պրոցեսորներ NVIDIA. Սպառողական շուկայում, օրինակ, գեյմերները օգտագործում են հեղափոխական DLSS պատկերի վերակառուցման ալգորիթմը, որը թույլ է տալիս նրանց ավելի հստակ գրաֆիկայից օգտվել խաղերում՝ առանց գրաֆիկական քարտի վրա մեծ գումար ծախսելու: Բիզնեսի շուկայում ընդունված է, որ չիպսերը NVIDIA շատ առումներով, քան այն, ինչ առաջարկում են մրցակիցները: Չնայած այնպես չէ, որ Intel-ը և AMD-ն ամբողջությամբ քնել են ինտելեկտուալ հեղափոխությունը:
Հետաքրքիր է նաև. Արհեստական ինտելեկտի վրա հիմնված լավագույն գործիքները
Intel-ը և AMD-ն արհեստական ինտելեկտի ոլորտում
Խոսենք անմիջական մրցակիցների մասին NVIDIA շուկայի այս հատվածում: Intel-ը և AMD-ն այստեղ ավելի ու ավելի ակտիվ են աշխատում, բայց երկար ուշացումով։
Intel-ը ձեռք է բերել մի քանի AI ընկերություններ, ինչպիսիք են Nervana Systems-ը, Movidius-ը, Mobileye-ն և Habana Labs-ը՝ ամրապնդելու AI տեխնոլոգիաների և լուծումների իր պորտֆելը: Intel-ն առաջարկում է նաև ապարատային և ծրագրային հարթակներ արհեստական ինտելեկտի համար, ինչպիսիք են Xeon պրոցեսորները, FPGA-ները, NNP չիպերը և օպտիմալացման գրադարանները: Intel-ը նաև համագործակցում է պետական և մասնավոր հատվածի գործընկերների հետ՝ զարգացնելու AI նորարարությունն ու կրթությունը:
AMD-ը մշակել է Epyc պրոցեսորների և Radeon Instinct գրաֆիկական քարտերի մի շարք, որոնք օպտիմիզացված են AI և խորը ուսուցման հավելվածների համար: AMD-ն աշխատում է նաև այնպիսի ընկերությունների հետ, ինչպիսիք են Google-ը, Microsoft, IBM և Amazon՝ տրամադրելով ամպային լուծումներ AI-ի համար: AMD-ը նաև ձգտում է մասնակցել արհեստական ինտելեկտի հետազոտություններին և զարգացմանը ակադեմիական հաստատությունների և ոլորտի կազմակերպությունների հետ համագործակցության միջոցով: Այնուամենայնիվ, ամեն ինչ շատ լավ է NVIDIA արդեն նրանցից շատ առաջ, և նրա հաջողությունները AI ալգորիթմների մշակման և աջակցության ոլորտում անհամեմատ ավելի մեծ են։
Հետաքրքիր է նաև. Google I/O 2023-ի ամփոփում. Android 14, Pixel և շատ AI
NVIDIA տասնամյակներ շարունակ ասոցացվում է տեսախաղերի հետ
Սա նույնպես չպետք է մոռանալ։ NVIDIA չի տրամադրում իր եկամուտների ճշգրիտ բաշխումը սպառողական և բիզնես շուկաների միջև, բայց դրանք կարող են գնահատվել գործառնական սեգմենտների հիման վրա, որոնք ընկերությունը բացահայտում է իր ֆինանսական հաշվետվություններում: NVIDIA առանձնացնում է չորս գործառնական սեգմենտներ՝ խաղեր, պրոֆեսիոնալ պատկերացում, տվյալների կենտրոններ և ավտոմոբիլաշինություն:
Կարելի է ենթադրել, որ խաղային հատվածը հիմնականում կենտրոնացած է սպառողական շուկայի վրա, քանի որ այն ներառում է GeForce վիդեո քարտերի և Tegra չիպերի վաճառքը խաղային կոնսուլների համար։ Պրոֆեսիոնալ վիզուալիզացիայի հատվածը հիմնականում կենտրոնացած է բիզնեսի շուկայի վրա, քանի որ այն ներառում է Quadro վիդեո քարտերի և RTX չիպերի վաճառք աշխատանքային կայանների և պրոֆեսիոնալ հավելվածների համար: Տվյալների կենտրոնի սեգմենտը նույնպես հիմնականում կենտրոնացած է բիզնեսի շուկայի վրա, քանի որ այն ներառում է սերվերների և ամպային ծառայությունների համար GPU-ների և NPU-ների (այսինքն՝ հաջորդ սերնդի չիպսեր. այլևս GPU-ներ չեն, այլ նախատեսված են բացառապես AI-ի համար) վաճառքը: Ավտոմոբիլային սեգմենտը ուղղված է ինչպես սպառողական, այնպես էլ բիզնես շուկաներին, քանի որ այն ներառում է Tegra և Drive համակարգերի վաճառքը տեղեկատվական զվարճանքի և ինքնավար վարելու համար:
Այս ենթադրությունների հիման վրա կարելի է գնահատել սպառողական և բիզնես շուկաներից ստացված եկամուտների մասնաբաժինը ընդհանուր եկամուտների մեջ. NVIDIA. Համաձայն 2022 թվականի վերջին ֆինանսական հաշվետվության՝ ընկերության եկամուտները NVIDIA ըստ գործառնական սեգմենտների եղել են հետևյալը.
- Խաղեր՝ 12,9 միլիարդ դոլար
- Պրոֆեսիոնալ վիզուալիզացիա՝ 1,3 միլիարդ դոլար
- Տվյալների կենտրոններ՝ 9,7 միլիարդ դոլար
- Ավտոմեքենաներ՝ 0,8 մլրդ դոլար
- Մնացած բոլոր հատվածները՝ 8,7 մլրդ դոլար
Ընդհանուր եկամուտ NVIDIA կազմել է $33,4 մլրդ Եթե ենթադրենք, որ ավտոմոբիլային հատվածը բաժանված է մոտավորապես հավասարապես սպառողական և բիզնես շուկաների միջև, ապա կարելի է հաշվարկել հետևյալ համամասնությունները.
- Եկամուտ սպառողական շուկայից՝ (12,9 + 0,4) / 33,4 = 0,4 (40%)
- Եկամուտ բիզնեսի շուկայից՝ (1,3 + 9,7 + 0,4 + 8,7) / 33,4 = 0,6 (60%)
Սա նշանակում է, որ եկամտի մոտ 40%-ը NVIDIA գալիս է սպառողական շուկայից, իսկ մոտ 60%-ը՝ բիզնեսի շուկայից։ Այսինքն՝ հիմնական ուղղությունը բիզնես սեգմենտն է։ Բայց խաղային արդյունաբերությունը նույնպես բավականին լավ եկամուտ է բերում։ Ամենակարևորն այն է, որ նրանք ամեն տարի աճում են:
Հետաքրքիր է նաև. Դժգույն ծերուկի օրագիրը. Bing-ն ընդդեմ Google-ի
Ի՞նչ կբերի մեզ ապագան:
Ակնհայտ է, որ NVIDIA արդեն կա արհեստական ինտելեկտի ալգորիթմների մշակմանը մասնակցելու ծրագիր։ Եվ դա շատ ավելի լայն է և խոստումնալից, քան իր անմիջական մրցակիցներից որևէ մեկը:
Միայն վերջին ամսում NVIDIA հայտարարեց արհեստական ինտելեկտի ոլորտում բազմաթիվ նոր ներդրումների մասին։ Դրանցից մեկը GET3D մեխանիզմն է, որն ունակ է ստեղծել տարբեր առարկաների և կերպարների բարդ եռաչափ մոդելներ, որոնք հավատարմորեն արտացոլում են իրականությունը։ GET3D-ը կարող է ստեղծել մոտ 20 օբյեկտ վայրկյանում մեկ գրաֆիկական չիպի միջոցով:
Պետք է նշել ևս մեկ հետաքրքիր նախագիծ. Իսրայել-1-ի մասին արհեստական ինտելեկտի ծրագրերի սուպերհամակարգիչ է, որը NVIDIA ստեղծում է Իսրայելի գիտության և տեխնիկայի նախարարության և Mellanox ընկերության հետ համագործակցությամբ։ Ակնկալվում է, որ մեքենան կունենա ավելի քան 7 պետաֆլոպ հաշվողական հզորություն և կօգտագործի ավելի քան 1000 GPU: NVIDIA A100 Tensor Core. Իսրայել-1-ը կօգտագործվի հետազոտությունների և զարգացման համար այնպիսի ոլորտներում, ինչպիսիք են բժշկությունը, կենսաբանությունը, քիմիան, ֆիզիկան և կիբերանվտանգությունը: Իսկ դրանք արդեն շատ խոստումնալից կապիտալ ներդրումներ են՝ հաշվի առնելով երկարաժամկետ հեռանկարները։
Նաև, արդեն կա ևս մեկ նախագիծ. NVIDIA ACE. Սա նոր տեխնոլոգիա է, որը պատրաստվում է հեղափոխել խաղերի արդյունաբերությունը՝ թույլ տալով խաղացողին բնական և իրատեսական կերպով փոխազդել ոչ խաղացող կերպարի (NPC) հետ: Այս կերպարները կկարողանան բաց երկխոսություն վարել խաղացողի հետ, արձագանքել նրա հույզերին և ժեստերին և նույնիսկ արտահայտել սեփական զգացմունքներն ու մտքերը: NVIDIA ACE-ն օգտագործում է առաջադեմ լեզվական մոդելներ և AI-ի վրա հիմնված պատկերների գեներատորներ:
Առաջին տրիլիոն դոլարը NVIDIA. Կարծես շուտով ավելի շատ կլինեն: Մենք անպայման կհետևենք ընկերության առաջընթացին և կտեղեկացնենք ձեզ:
Կարդացեք նաև.