AI-стартапы получают новый шанс на рынке чипов для искусственного интеллекта благодаря изменению акцентов в вычислениях: компании переключаются с обучения моделей на их эксплуатацию. В условиях растущей конкуренции со стороны гигантов, таких как Nvidia, эти стартапы стремятся занять свою нишу.
Смена парадигмы в вычислениях
Инференция, то есть процесс использования обученных моделей для принятия решений, требует других подходов к вычислениям. В отличие от тренировки, она включает более разнообразные рабочие нагрузки. Это создаёт благоприятные условия для AI-стартапов, которые разрабатывают специализированные решения для конкретных задач.
К примеру, Nvidia недавно приобрела стартап Groq за $20 миллиардов. Это сделано для расширения возможностей своей платформы, где на графических процессорах обрабатываются ресурсоемкие задачи, оставляя для Groq функции, требующие высокой пропускной способности. Однако конкуренты также продолжают активные шаги: AWS и Intel уже представили свои решения для дезагрегированных вычислений.
Технологические новшества от стартапов
На фоне всех изменений Lumai анонсировала свой оптический ускоритель. Он опирается на свет для выполнения матричных операций, используя при этом значительно меньше энергии по сравнению с традиционной цифровой архитектурой. К 2029 году Lumai планирует достичь производительности в 1 экса операции в секунду при мощности 10 кВт.
Однако не все AI-стартапы заинтересованы в дезагрегации вычислений. Например, CEO компании Tenstorrent Джим Келлер выразил сомнение в этой стратегии, указывая на растущую сложность и несовместимость между различными решениями. Он заявляет, что текущие продвинутые платформы могут стать причиной проблем с интеграцией в будущем.
Значение для рынка и стартапов
Для разработчиков и предпринимателей из СНГ это создаёт дополнительные возможности: рынок чипов для AI по-прежнему дает простор для новых идей и решений. С каждым годом возрастает значимость специализированного оборудования, что может способствовать снижению зависимости от крупных компаний, таких как Nvidia. Если ваша команда работает над ML-технологиями, стоит рассмотреть возможность интеграции новых решений и методов работы с чипами.
Следующим шагом для стартапов станет оптимизация своих продуктов под требования рынка, а также укоренение на платформе для масштабирования своих решений.
