Reuters Breakingviews
Μία από τις μεγαλύτερες εκπλήξεις της έκρηξης της τεχνητής νοημοσύνης είναι ότι όλοι θέλουν να γίνουν κατασκευαστές chips. Για δεκαετίες, οι τεχνολογικές εταιρείες ανέθεταν την ανάπτυξη ημιαγωγών σε ειδικούς όπως η Nvidia, επειδή ήταν φθηνότερο και πιο αποδοτικό. Η άνοδος της τεχνητής νοημοσύνης έχει αλλάξει αυτόν τον υπολογισμό: γίγαντες όπως οι Alphabet, Amazon.com, Microsoft και Meta Platforms ενισχύουν τις εσωτερικές τους προσπάθειες για ανάπτυξη δικών τους chips. Υπάρχει κάποια λογική στο να ξαναεφευρίσκουν τον τροχό.
Η Apple άνοιξε τον δρόμο το 2010 όταν λάνσαρε το iPhone 4 με δικά της chips. Εκείνη την εποχή, η εταιρεία κινητών τηλεφώνων ήταν εξαίρεση. Αλλά η κυριαρχία της Nvidia, με χρηματιστηριακή αξία 4,6 τρισεκατομμυρίων δολαρίων, στην ανάπτυξη προηγμένων μονάδων επεξεργασίας γραφικών (GPUs) που είναι κρίσιμες για την εκπαίδευση μοντέλων ΤΝ, έχει αναγκάσει ολόκληρο τον κλάδο να επαναπροσδιορίσει τη στρατηγική του.
Οι τεχνολογικοί μεγιστάνες ανησυχούν για το ότι εξαρτώνται από έναν μόνο προμηθευτή για ένα τόσο σημαντικό εξάρτημα. Το σχεδόν μονοπώλιο της Nvidia της δίνει τεράστια δύναμη τιμολόγησης επίσης. Το τμήμα data centers της αναμένεται να αποφέρει μικτό περιθώριο κέρδους 74% σε έσοδα 187 δισ. δολαρίων μέχρι τον Ιανουάριο του 2026, σύμφωνα με τη Visible Alpha.
Η κούρσα εξοπλισμών της ΤΝ απαιτεί επίσης όλο και μεγαλύτερες ποσότητες υπολογιστικής ισχύος. Παρά τις ταχείες προόδους της Nvidia, το κόστος εκπαίδευσης προηγμένων μοντέλων ΤΝ αυξάνεται κατά 2,4 φορές ετησίως από το 2016, σύμφωνα με μία περσινή μελέτη. Αν αυτή η αύξηση συνεχιστεί, μπορεί να κοστίζει πάνω από 1 δισ. δολάρια για την εκπαίδευση των μεγαλύτερων μοντέλων έως το 2027, προσθέτοντας επιπλέον κίνητρο στις εταιρείες να βρουν φθηνότερο hardware.
Γι’ αυτό οι μεγαλύτεροι πάροχοι cloud στον κόσμο – Alphabet, Amazon και Microsoft – καθώς και η Meta, έχουν αναπτύξει τους δικούς τους προσαρμοσμένους επεξεργαστές, γνωστούς ως ASICs (application-specific integrated circuits). Αυτοί οι ημιαγωγοί σχεδιάζονται για έναν και μόνο σκοπό, κάτι που τους διαφοροποιεί από τα έτοιμα chips της Nvidia ή της AMD.
Η Google της Alphabet, για παράδειγμα, ανέπτυξε τις μονάδες Tensor Processing πριν από πάνω από μία δεκαετία για λειτουργίες μετατροπής ομιλίας σε κείμενο. Σήμερα, η Google χρησιμοποιεί τα TPU της για την εκπαίδευση μοντέλων ΤΝ καθώς και για την απάντηση σε ερωτήματα χρηστών – μια διαδικασία γνωστή ως inference. Microsoft, Amazon και Meta έχουν ακολουθήσει την ίδια πρακτική. Τον περασμένο μήνα, ένα στέλεχος της Meta επιβεβαίωσε σχέδια για την εξαγορά της startup Rivos προκειμένου να ενισχύσει τις εσωτερικές ικανότητες chip της εταιρείας.
Ένα από τα οφέλη της στρατηγικής «φτιάξ’ το μόνος σου» είναι ότι δίνει στις εταιρείες μεγαλύτερο έλεγχο στο hardware, το οποίο μπορεί να βελτιστοποιηθεί και να προσαρμοστεί στις δικές τους πλατφόρμες υπολογιστικού νέφους και αλγορίθμους ΤΝ. Η Microsoft υποστηρίζει ότι η στρατηγική «silicon to service» – δηλαδή η προσαρμογή του data center από την κορυφή έως τη βάση, συμπεριλαμβανομένου του λογισμικού, των servers, των racks και των συστημάτων ψύξης – μπορεί να ενισχύσει την απόδοση και την αποδοτικότητα για τους χρήστες του Azure.
Ένα ακόμη πλεονέκτημα είναι ότι είναι σχετικά εύκολο να «φτιάξεις» ένα προσαρμοσμένο chip. Αυτό συμβαίνει διότι οι εταιρείες αφήνουν τη δύσκολη δουλειά της εκτύπωσης των ημιαγωγών σε δίσκους πυριτίου σε προμηθευτές όπως η Broadcom, αξίας 1,6 τρισ. δολαρίων, αλλά και μικρότερους, όπως οι Marvell και MediaTek. Αυτές οι εταιρείες βοηθούν στον σχεδιασμό και τη μηχανική των επεξεργαστών, συνεργάζονται με κατασκευαστές chips όπως η TSMC, προμηθεύονται μνήμες και άλλα. Η αγορά AI ASIC αναμένεται να αυξηθεί έως και 55% ετησίως και να φτάσει τα 60 δισ. δολάρια το 2028, σύμφωνα με αναλυτές της Bernstein – αν και αυτό το ποσό είναι μικρό μπροστά στα 375 δισ. δολάρια σε πωλήσεις που αναμένεται να πραγματοποιήσει η Nvidia την ίδια περίοδο.
Δεν είναι μόνο οι αμερικανικές εταιρείες που αγκαλιάζουν αυτή την προσέγγιση. Κινεζικοί γίγαντες όπως οι Alibaba και Baidu αναπτύσσουν δικούς τους ημιαγωγούς στο πλαίσιο της προσπάθειας της χώρας να μειώσει την εξάρτησή της από την αμερικανική τεχνολογία. Οι αυτοκινητοβιομηχανίες εξετάζουν επίσης προσαρμοσμένα chips για πρωτοβουλίες αυτόνομης οδήγησης. Η έκρηξη έχει ωθήσει τη SoftBank της Ιαπωνίας – ιδιοκτήτρια της Arm – να εξετάσει εξαγορά της Marvell αξίας 75 δισ. δολαρίων, σύμφωνα με δημοσίευμα του Bloomberg τον Νοέμβριο.
Τον Οκτώβριο, η OpenAI, δημιουργός του chatbot ChatGPT, ανακοίνωσε ότι θα αναπτύξει από κοινού με την Broadcom 10 gigawatts προσαρμοσμένων AI accelerators. Αν και δεν αποκαλύφθηκαν οικονομικοί όροι, ο επικεφαλής της Nvidia, Jensen Huang, δήλωσε πρόσφατα ότι κάθε gigawatt δυναμικότητας data center μεταφράζεται σε 35 δισ. δολάρια έσοδα για την εταιρεία του. Αυτό υποδηλώνει ότι η συνεργασία της OpenAI αντιστοιχεί σε 350 δισ. δολάρια χαμένων πωλήσεων για τη Nvidia.
Ωστόσο, το να αποτρέπεις πωλήσεις από τη Nvidia δεν σημαίνει απαραίτητα ότι οι αγοραστές βγαίνουν κερδισμένοι. Ένα μεγάλο μέρος των πιθανών εξοικονομήσεων της OpenAI πιθανότατα θα πάει στη Broadcom, η οποία, σύμφωνα με τον Mark Li της Bernstein, απολαμβάνει μικτό περιθώριο έως 60% στη δραστηριότητα ASIC της. Με τον καιρό, οι εταιρείες μπορεί να αποκτήσουν αρκετή τεχνογνωσία ώστε να συνεργάζονται απευθείας με κατασκευαστές όπως η TSMC, όπως κάνει σήμερα η Apple. Η Google φαίνεται πιο μπροστά: ο Li εκτιμά ότι η εταιρεία μπορεί να χειριστεί τον βασικό «frontend» σχεδιασμό chip εσωτερικά και σύντομα θα αναθέσει σχεδιασμό back-end και περιφερειακών εξαρτημάτων στη MediaTek, η οποία χρεώνει λιγότερο από τη Broadcom, οδηγώντας σε ετήσια εξοικονόμηση 5 δισ. δολαρίων.
Το μικτό περιθώριο 40% της Apple για τα iPhone δείχνει ότι η κάθετη ολοκλήρωση έχει αποδώσει. Η περίπτωση των παρόχων cloud δεν είναι τόσο ξεκάθαρη. Η χρήση προσαρμοσμένων chips που είναι φθηνότερα αλλά λιγότερο ισχυρά μπορεί τελικά να κοστίσει περισσότερο όταν λαμβάνονται υπόψη κόστος γης, ηλεκτροδότησης και υποδομών.
Κλειδί σε αυτό το επιχείρημα είναι το τεχνολογικό προβάδισμα της Nvidia. Ανάλυση της Morgan Stanley τον Δεκέμβριο διαπίστωσε ότι οι τελευταίες GPUs Blackwell προσφέρουν 1,9 φορές μεγαλύτερη απόδοση ανά watt σε σχέση με τα Trainium 2 της Amazon κατά την εκπαίδευση μοντέλων ΤΝ, βάσει ορισμένων παραδοχών. Με άλλα λόγια, η Amazon χρειάζεται σχεδόν διπλάσια ηλεκτρική ενέργεια για να επιτύχει το ίδιο επίπεδο υπολογιστικής ισχύος. Αυτό εξηγεί γιατί οι μεγαλύτερες τεχνολογικές εταιρείες θα παραμείνουν οι κορυφαίοι πελάτες της Nvidia στο άμεσο μέλλον.
Παρόλα αυτά, τα οικονομικά των ASIC μπορούν να λειτουργήσουν εφόσον υπάρχει αρκετή κλίμακα. Στην περίπτωση του inference, το οποίο δεν απαιτεί τόσο μεγάλη υπολογιστική ισχύ, η εγκατάσταση ενός cluster 24.000 επεξεργαστών Blackwell σημαίνει αρχικό κόστος hardware 852 εκατ. δολαρίων και ετήσιες αποσβέσεις 213 εκατ. για τέσσερα χρόνια, σύμφωνα με τη Morgan Stanley. Ένα ισοδύναμου μεγέθους cluster TPU της Google θα κοστίσει 99 εκατ. για hardware και 25 εκατ. ετησίως για αποσβέσεις. Η ανάπτυξη ικανοτήτων κατασκευής chips θα επιτρέψει επίσης στις εταιρείες να διαπραγματευτούν πιο επιθετικά με τη Nvidia.
Τελικά, οι επενδυτές θα παρακολουθούν την απόδοση που μπορούν να αποκομίσουν οι τεχνολογικές εταιρείες από τις επενδύσεις τους. Χαμηλότερα αρχικά και λειτουργικά κόστη μπορεί να βοηθήσουν, αλλά τα ASIC πρέπει επίσης να είναι ανταγωνιστικά σε απόδοση και να δημιουργούν έσοδα. Αυτό θα καθορίσει αν άξιζε τελικά να ξαναεφευρεθεί ο τροχός του πυριτίου.
