اخیرا رویترز گزارش داد که OpenAI در حال بررسی تراشه های خود توسعه یافته است. بر اساس این گزارش، از سال گذشته، OpenAI به طور فعال به دنبال راه‌حل‌هایی برای کمبود تراشه‌های آموزشی برای مدل‌های هوش مصنوعی (مخصوصاً کمبود پردازنده‌های گرافیکی Nvidia) بوده است. در حال حاضر، OpenAI به طور فعال در حال آماده سازی برای تراشه های خود توسعه یافته برای پاسخگویی به نیازهای آینده برای تراشه های AI است. در واقع، چندی پیش، سم آلتمن، مدیر عامل OpenAI، علناً تأثیر قابل توجه کمبود پردازنده گرافیکی Nvidia بر OpenAI و کل صنعت هوش مصنوعی را تایید کرد. علاوه بر این، از سال جاری، OpenAI استعدادهایی را در زمینه‌های مرتبط با سخت‌افزار جذب می‌کند، با چندین موقعیت مرتبط با طراحی مشترک نرم‌افزار-سخت‌افزار که در وب‌سایت رسمی آن آگهی شده است. علاوه بر این، در سپتامبر سال جاری، OpenAI اندرو تولوچ، یک متخصص مشهور در زمینه کامپایلرهای هوش مصنوعی را نیز به خدمت گرفت که نشان دهنده سرمایه گذاری آنها در تراشه های خود توسعه است. مقامات OpenAI از اظهار نظر در مورد این موضوع خودداری کرده‌اند، اما اگر به نتیجه برسد، OpenAI به جمع غول‌های فناوری دره سیلیکون مانند گوگل، آمازون، مایکروسافت و تسلا در توسعه تراشه‌های خود می‌پیوندد.

چرا OpenAI می خواهد تراشه های خود را توسعه دهد؟

همانطور که قبلا ذکر شد، دلیل اصلی توسعه تراشه های OpenAI توسط OpenAI به دلیل کمبود GPU است. به طور خاص، قیمت خرید پردازنده‌های گرافیکی Nvidia و استفاده از سرویس‌های ابری مبتنی بر GPU بسیار بالاست، به‌ویژه با توجه به افزایش تصاعدی در قدرت محاسباتی مورد نیاز برای آموزش مدل‌های آینده OpenAI.

OpenAI چندین سال است که به طور استراتژیک در هوش مصنوعی مولد سرمایه گذاری کرده است. با انتشار GPT-3 در سال گذشته و ChatGPT در نیمه دوم سال، قابلیت‌های این مدل‌های زبان مولد در مقیاس بزرگ به طور قابل توجهی در چند سال گذشته بهبود یافته است و به مرحله‌ای رسیده است که می‌توانند در گفتگوهای معنادار با انسان‌ها شرکت کنند. . در نتیجه، OpenAI به عنوان یک پیشرو در زمینه هوش مصنوعی ظاهر شده است و هوش مصنوعی مولد به یکی از تاثیرگذارترین فناوری‌هایی تبدیل شده است که انتظار می‌رود جامعه بشری را در سال‌های آینده شکل دهد. به گزارش رویترز، OpenAI در سال گذشته 28 میلیون دلار درآمد ثبت کرد، اما متحمل ضرر کلی 540 میلیون دلاری شد که در درجه اول به دلیل هزینه های مربوط به قدرت محاسباتی بود. شایان ذکر است که این ضرر هنگفت 540 میلیون دلاری در سال 2022 و درست قبل از افزایش هوش مصنوعی مولد اتفاق افتاد.

با نگاهی به آینده، انتظار می رود هزینه های مربوط به توان محاسباتی به طور تصاعدی افزایش یابد. این در درجه اول به دلیل:

• رقابت در مدل‌های مقیاس بزرگ در حال شدیدتر شدن است و سرعت تکامل مدل سریع‌تر می‌شود و نیاز به افزایش سریع قدرت محاسباتی دارد. علاوه بر OpenAI، غول‌های فناوری مانند گوگل نیز مدل‌های بزرگ خود را عرضه می‌کنند که سرعت تکامل مدل‌ها را به میزان قابل توجهی تسریع کرده است. انتظار می‌رود که نسل جدیدی از مدل‌ها هر سه ماه تا نیم سال نیاز به به‌روزرسانی داشته باشند، و برآورد می‌شود که قدرت محاسباتی مورد نیاز برای پیشرفته‌ترین مدل‌ها هر سال به میزانی افزایش یابد.

• مدل‌های مقیاس بزرگ در طیف وسیع‌تری از سناریوها استفاده می‌شوند. در حال حاضر، مایکروسافت و گوگل استفاده از مدل های بزرگ را در زمینه های جستجو و کدنویسی آغاز کرده اند. انتظار می‌رود در آینده کاربردهای بیشتری برای مدل‌های مقیاس بزرگ وجود داشته باشد، از جمله پردازش خودکار وظایف، پرسش و پاسخ چندوجهی، و غیره. .

بر اساس تحلیل شرکت مالی آمریکایی Bernstein، اگر ترافیک ChatGPT به یک دهم جستجوی گوگل برسد (که یکی از اهداف مهم OpenAI در آینده است)، هزینه‌های سالانه GPU OpenAI به 16 میلیارد دلار می‌رسد. چنین هزینه هایی می تواند به طور بالقوه به یک گلوگاه مهم برای مقیاس بندی بیشتر OpenAI تبدیل شود.

بنابراین، اگر OpenAI تراشه های خود را توسعه دهد، چقدر هزینه می تواند صرفه جویی کند؟ در حال حاضر، هزینه خرید یک سرور با هشت پردازنده گرافیکی Nvidia H100 تقریباً 300,000 دلار است و کل هزینه استفاده از این سرور به مدت سه سال، با احتساب حق بیمه ارائه دهندگان خدمات ابری، حدود 1 میلیون دلار است (این قیمت رسمی است که توسط AWS نقل شده است. ، با قیمت های سایر ارائه دهندگان خدمات ابری انتظار می رود در همین محدوده باشد). اگر OpenAI بتواند هزینه چنین سرور هشت GPU را با تراشه های خود توسعه داده به زیر 100,000 دلار کاهش دهد، هزینه های آنها را به میزان قابل توجهی کاهش می دهد. از سوی دیگر، اگر تراشه های خود توسعه یافته موفق باشند، کنترل هزینه یک کارت شتاب دهنده به زیر 10,000 دلار در صورت استقرار در مقیاس بزرگ بسیار امیدوارکننده است. به عبارت دیگر، کنترل هزینه یک سرور هشت GPU زیر 100,000 دلار هدف دست نیافتنی نیست.

ادامه دارد...