جنگ ستارگان سیلیکون ولی: خیزش گوگل و TPUها برای پایان دادن به دیکتاتوری انویدیا

در دنیای تکنولوژی، جنگ‌های واقعی و سرنوشت‌ساز همیشه روی صفحه‌ی مانیتور و با خطوط کد (Code) رخ نمی‌دهند؛ خشنترین، گرانترین و بی‌رحمانهترین جنگ‌ها در مقیاس نانومتر و روی قطعات سیلیکونی در جریان است. امروز، صنعت جهانی تکنولوژی در چنگال یک بحران بی‌سابقه گرفتار شده است: عطش سیری‌ناپذیر برای قدرت پردازشیِ هوش مصنوعی (AI Compute). و در مرکز این میدان نبرد، شرکتی قرار دارد که قصد دارد قوانین فیزیک و اقتصاد این بازی را برای همیشه تغییر دهد: Google.

1. پایان دوران صلح: چرا گوگل به جنگ انویدیا می رود؟

برای درک چراییِ شکل‌گیری این جنگِ تاریخی، باید به وضعیت فعلی بازار سخت‌افزار نگاه کنیم. شرکت انویدیا (Nvidia) به رهبری جنسن هوانگ، با درک زودهنگام پتانسیل هوش مصنوعی، توانست با کارت‌های گرافیک سری A100، H100 و اکنون خانواده Blackwell، به حاکم بلامنازع و دیکتاتور این بازار تبدیل شود. انویدیا نه تنها سخت‌افزار را می‌فروشد، بلکه با حاشیه سودهای افسانه‌ای (گاهی بالای ۷۵ درصد خالص)، عملاً مالیات سنگینی بر کل صنعت هوش مصنوعی وضع کرده است.

1.1. باج خواهی سیلیکونی و بحران هزینه های Training

شرکت‌هایی مانند گوگل، مایکروسافت، متا (فیسبوک) و OpenAI، بزرگترین مشتریان انویدیا هستند. اما خرید کلاسترهای عظیم متشکل از ده‌ها هزار تراشه H100 با قیمت هر کدام ۳۰ تا ۴۰ هزار دلار، حتی برای شرکتی به ثروتمندی گوگل، یک کابوس مالی و لاجستیکِ وحشتناک است. بدتر از آن، صف‌های انتظار طولانی (Lead Times) و وابستگی مطلق به زنجیره تامینِ انویدیا، سرعت نوآوری این شرکت‌ها را به شدت کند کرده است. مدیران ارشد گوگل به این نتیجه‌ی قطعی رسیده‌اند که برای پیروزی در رقابت هوش مصنوعی (و توسعه مدل‌های قدرتمندتری مثل Gemini Ultra)، نمیتوانند موتورِ ماشینِ مسابقه‌ای خود را از رقیب اصلی‌شان بخرند. استقلال سخت‌افزاری در سال ۲۰۲۶، دیگر یک انتخاب استراتژیک نیست، بلکه تنها شرط بقاست.

2. آناتومی یک سلاح: TPU (Tensor Processing Unit) چیست؟

برخلاف مایکروسافت و متا که به تازگی در حال دست و پا زدن برای طراحی تراشه‌های اختصاصی خود هستند، گوگل بیش از یک دهه است که در سکوتِ کامل آزمایشگاه‌های خود، روی سخت‌افزار اختصاصی‌اش کار می‌کند. TPU (واحد پردازش تنسور)، تراشه‌هایی هستند که گوگل مشخصاً و منحصراً برای اجرای الگوریتم‌های یادگیری ماشین (Machine Learning) و شبکه‌های عصبی عمیق طراحی کرده است.

2.1. نبرد معماری ها: ASIC در برابر General Purpose GPU

پردازنده‌های گرافیکی (GPU) انویدیا، در ابتدا برای رندر کردن گرافیک بازی‌های ویدیویی (مثل سایه‌زنی و پردازش پیکسل‌ها) طراحی شدند و سپس با نبوغ مهندسی برای محاسبات هوش مصنوعی تغییر کاربری دادند. آن‌ها پردازنده‌هایی «همه‌کاره» (General Purpose) هستند که کارهای مختلفی را به خوبی انجام می‌دهند. اما در مقابل، TPUهای گوگل، مدارهای مجتمع با کاربرد خاص (ASIC) هستند. آن‌ها هیچ درکی از رندر کردن گرافیک ندارند؛ آن‌ها فقط و فقط یک کار را انجام می‌دهند: محاسبات ماتریسی عظیم (Matrix Multiplication) که دقیقاً قلب تپنده‌ی ریاضیاتیِ تمام شبکه‌های عصبی و مدل‌های زبانی (LLMs) است.

به دلیل همین تمرکز تک‌بعدی و مهندسی تخصصی، TPUها (به ویژه نسل‌های جدیدتر مثل TPU v5p) در پردازش و آموزش مدل‌های زبانی بزرگ، ترانزیستورهای اضافی (Dark Silicon) ندارند. در نتیجه، مصرف انرژی بسیار کمتری دارند، گرمای کمتری تولید می‌کنند و از نظر هزینه به ازای هر عملیات پردازشی (Cost per FLOP)، به شدت مقرون‌به‌صرفهتر از رقبای انویدیایی خود هستند.

3. خندق نرم افزاری CUDA: بزرگترین سد دفاعی انویدیا

اگر TPUهای گوگل از نظر معماری برای هوش مصنوعی بهینهتر هستند، چرا تا به حال جایگزین انویدیا نشده‌اند؟ پاسخ این معمای بزرگ در یک کلمه‌ی چهار حرفی نهفته است: CUDA. کودا، پلتفرم نرم‌افزاری و رابط برنامه‌نویسیِ (API) انویدیاست که بیش از ۱۵ سال پیش معرفی شد و اکنون به استاندارد طلایی و غیرقابل‌جایگزینِ برنامه‌نویسان هوش مصنوعی تبدیل شده است.

3.1. چرا فرار از زندان طلایی CUDA سخت است؟

انویدیا با توسعه‌ی هوشمندانه‌ی CUDA، یک "خندق نرم‌افزاری" (Software Moat) بسیار عمیق دور قلعه‌ی سخت‌افزاری خود کشیده است. اکثر فریم‌ورک‌های محبوب هوش مصنوعی به شدت و در پایینترین سطح، برای اجرای بی‌نقص و بدون باگ روی معماری CUDA بهینه‌سازی شده‌اند. وقتی یک استارتاپ کدهای خود را بر اساس لایبرری‌های CUDA می‌نویسد، مهاجرت به سخت‌افزار دیگری (مثل TPU گوگل یا تراشه‌های Instinct شرکت AMD) به معنای بازنویسیِ ماه‌ها کد پایه، مواجهه با افت شدید پرفورمنس و رویارویی با باگ‌های ناشناخته است. جنگ اصلی گوگل، مبارزه با سیلیکون و فیزیکِ انویدیا نیست؛ بلکه مبارزه‌ای روانی و نرم‌افزاری برای متقاعد کردن مهندسان به خروج از این «زندانِ طلایی» است.

4. اقتصاد توکن ها (Tokennomics): چرا TPUها در مقیاس بزرگ ارزان ترند؟

برای درک استراتژی گوگل، باید به مفهوم "اقتصاد توکن" در هوش مصنوعی نگاه کنیم. وقتی شما از یک هوش مصنوعی (مثل ChatGPT یا Gemini) سوالی می‌پرسید، هزینه پاسخگویی بر اساس پردازش هر کلمه (Token) محاسبه می‌شود. وقتی یک سیستم میلیون‌ها کاربر همزمان داشته باشد، تفاوتِ یک دهمِ سنت در پردازش هر توکن، به میلیاردها دلار صرفه‌جویی یا ضرر در سال تبدیل می‌شود.

تراشه‌های TPU گوگل به دلیل طراحیِ شبکه (Networking) فوق‌سریعِ درونتراشه‌ای (Optical Circuit Switches)، در اتصال هزاران پردازنده به یکدیگر (Cluster Scaling) عملکردی جادویی دارند. در مدل‌های زبانی عظیم که روی یک تراشه جا نمی‌شوند و باید روی هزاران تراشه توزیع شوند، TPUها افت سرعت کمتری نسبت به کلاسترهای انویدیا نشان می‌دهند. این یعنی گوگل میتواند هزینه تولید (Inference) هر توکن را به شدت کاهش دهد و در جنگِ قیمت‌گذاریِ سرویس‌های هوش مصنوعی (API Pricing)، رقبا را از میدان به در کند.

5. استراتژی زمین سوخته گوگل در فضای ابری (Cloud)

گزارش‌های وال‌استریت ژورنال و تحلیلگران مالی نشان می‌دهد که گوگل قصد دارد از سلاح هسته‌ای خود در این نبرد استفاده کند: ذخایر نقدیِ افسانه‌ای بیش از ۱۰۰ میلیارد دلاری!

استراتژی گوگل، فروش فیزیکیِ چیپست‌ها در بازار آزاد (مثل کاری که انویدیا یا اینتل می‌کنند) نیست. گوگل می‌خواهد استارتاپ‌ها را به داخل اکوسیستم ابری خود یعنی Google Cloud Platform (GCP) بکشاند. تاکتیک آن‌ها یک استراتژی کلاسیکِ "زمین سوخته" است: گوگل به استارتاپ‌های هوش مصنوعی پیشنهاد می‌دهد: "به جای اینکه میلیون‌ها دلار سرمایه خود را به انویدیا بدهید تا سرور فیزیکی بخرید، به پلتفرم ابری ما بیایید. ما ابزارهای کامپایلر (مثل XLA) را برای ترجمه کدهای شما به کدهای TPU به صورت رایگان در اختیار شما می‌گذاریم و قدرت پردازشیِ TPUها را با قیمتی بسیار ارزانتر (با یارانه و Subsidized Pricing) به شما اجاره می‌دهیم." گوگل حاضر است در کوتاه‌مدت میلیاردها دلار از جیب خود یارانه بدهد (ضرر مالی)، تا سهم بازارِ انویدیا را در فضای ابری نابود کند و مشتریان را به اکوسیستم خود معتاد سازد.

6. ترکش های جنگ: وضعیت AMD، Intel و پردازنده های اختصاصی

این نبرد تنها بین دو غول (گوگل و انویدیا) نیست؛ ترکش‌های این جنگ به مایکروسافت، آمازون و تراشه‌سازان سنتی نیز اصابت خواهد کرد. در حال حاضر، AMD با تراشه‌های MI300 در تلاش است تا جایگزینی برای انویدیا باشد، اما آن‌ها نیز با مشکل فقدان نرم‌افزار قدرتمند (مشابه CUDA) دست‌وپنجه نرم می‌کنند.

از سوی دیگر، ارائه‌دهندگان ابری (Cloud Providers) متوجه خطر شده‌اند. مایکروسافت (با تراشه‌های Maia) و آمازون (با تراشه‌های Trainium و Inferentia) به شدت در حال توسعه سیلیکون‌های اختصاصی خود هستند. اگر گوگل موفق شود با TPUها قیمت پردازش هوش مصنوعی را بشکند، مایکروسافت (Azure) و آمازون (AWS) که به شدت به خرید تراشه‌های گران‌قیمت انویدیا وابسته‌اند، توانایی رقابت در قیمت‌گذاری را از دست خواهند داد. این جنگ، یک مسابقه تسلیحاتی برای ساخت «سیلیکون‌های درون‌سازمانی» (In-house Silicon) به راه انداخته است.

7. شورش نرم افزارهای متن باز: PyTorch و Triton علیه انویدیا

مهمترین متحد گوگل در این جنگ، جامعه نرم‌افزارهای متن‌باز (Open-Source) است. توسعه‌دهندگان در سراسر جهان از انحصار انویدیا خسته شده‌اند. فریم‌ورک محبوب PyTorch 2.0 (که توسط متا پشتیبانی می‌شود) تغییرات بنیادینی در کامپایلر خود ایجاد کرده است تا وابستگی کمتری به سخت‌افزار خاص داشته باشد.

همچنین، پروژه قدرتمند Triton (که توسط OpenAI توسعه می‌یابد)، زبانی است که به برنامه‌نویسان اجازه می‌دهد کدهایی بنویسند که بدون نیاز به درگیری مستقیم با CUDA، روی سخت‌افزارهای مختلف (از جمله تراشه‌های AMD و احتمالاً TPUها) با بالاترین پرفورمنس اجرا شوند. این شورش نرم‌افزاری متن‌باز، در حال پر کردنِ آرامِ خندق دفاعیِ انویدیاست و راه را برای پیروزی سخت‌افزارهایی مثل TPU هموار می‌کند.

8. پیامدها برای توسعه دهندگان، استارتاپ ها و صنعت گیمینگ

برای توسعه‌دهندگان مستقل، استارتاپ‌های کوچک و صنعت بازی‌سازی (که تشنه‌ی استفاده از NPCهای هوشمند و تولید محتوای مولد هستند)، این جنگ یک خبر فوق‌العاده و رهایی‌بخش است. انحصار همیشه به معنای قیمت‌های بالا، دسترسی محدود و نوآوریِ کُند است.

ورود تمام‌قدِ گوگل به بازار پردازش هوش مصنوعی، باعث ایجاد یک جنگ قیمتی (Price War) خونین خواهد شد. با شکسته شدن قیمت‌ها، استارتاپ‌های بیشتری میتوانند ایده‌های دیوانه‌وار خود را بدون نیاز به جذب سرمایه‌های صدها میلیون دلاری، اجرایی کنند. اگر استودیویی بخواهد یک بازی با جهان‌های کاملاً تولید شده توسط هوش مصنوعی (مثل پروژه Genie گوگل) بسازد، به لطف پردازش ارزانتر TPUها در فضای ابری، این رویا از نظر اقتصادی توجیه‌پذیر خواهد شد.

9. جمع بندی نهایی تکین آنالیز: آیا امپراتوری سبز سقوط می کند؟

آیا گوگل با تمام ثروت و زیرساخت خود میتواند انویدیا را به طور کامل نابود کند؟ پاسخ کوتاه: خیر. حداقل نه در این دهه. خندق نرم‌افزاری CUDA بسیار عمیقتر و وفاداری مهندسان به آن قویتر از آن است که با یک شبه‌حمله پر شود. به‌علاوه، انویدیا ثابت کرده است که سرعت نوآوریِ خارق‌العاده‌ای دارد و معماری‌های جدیدش نشان می‌دهد که قصد ندارد پدال گاز را رها کند.

اما گوگل نیازی به نابودی کامل انویدیا ندارد. هدف گوگل، شکستنِ انحصار مطلق و تبدیل کردن بازار از حالت "انویدیا در برابر هیچکس" به حالت "انویدیا در برابر اکوسیستم گوگل" است. اگر گوگل بتواند تنها ۲۰ الی ۳۰ درصد از بازار پردازش‌های کلان هوش مصنوعی را به زیرساخت TPUهای خود منتقل کند و استارتاپ‌ها را به این پلتفرم عادت دهد، این یک پیروزی استراتژیک، اقتصادی و تاریخی برای مهندسان Mountain View خواهد بود که توازن قدرت را در سیلیکون ولی برای همیشه تغییر خواهد داد.