پات گلزینگر: کوانتوم و پایان احتمالی سلطه GPU

پات گلزینگر، مدیرعامل سابق اینتل، با این ادعا که یک پیشرفت در رایانش کوانتومی می‌تواند تب و تاب فعلی هوش مصنوعی را کاهش دهد و اینکه GPUها — ستون فقراتِ پشته‌های فعلی هوش مصنوعی — ممکن است طی این دهه تاب نیاورند، جنجالی در دنیای فناوری به‌پا کرده است.

چرا گلزینگر معتقد است کوانتوم ترکیب بازی در هوش مصنوعی را تغییر می‌دهد

در مصاحبه‌ای جامع با روزنامه Financial Times، گلزینگر رایانش کوانتومی را بخشی از یک «سه‌گانگی» جدید محاسباتی دانست که در کنار سیستم‌های کلاسیک و سامانه‌های مبتنی بر هوش مصنوعی قرار می‌گیرد. او با تکیه بر تجربه‌هایش در همکاری با شرکت سرمایه‌گذاری Playground Global و آشنایی مستقیم با پژوهش‌های کوانتومی، اشاره کرد که بیت‌های کوانتومی (qubit) می‌توانند رویکرد مبتنی بر GPU را سریع‌تر از آنچه خیلی‌ها پیش‌بینی می‌کنند، منسوخ کنند.

دیدگاه گلزینگر تحریک‌آمیز است: او به جای یک تحول تدریجی، احتمال یک تغییر نسبتاً سریع را در صورت وقوع یک پیشرفت معنا‌دار کوانتومی محتمل می‌داند. او هشدار داد که چنین تغییری می‌تواند حباب سرمایه‌گذاری در محاسبات مبتنی بر GPU و مقیاس‌گذاری مدل‌ها را که حول هزینه‌های قابل‌توجه پردازشی شکل گرفته است، بخواباند — خصوصاً جایی که ارزش‌گذاری‌های تجاری بر اساس بقا و برتری این تراشه‌ها بنا شده است.

رابطه سه‌گانه: کلاسیک، کوانتومی و هوش مصنوعی

گلزینگر روی این نکته پافشاری کرد که رایانش آینده احتمالاً براساس ترکیبی از سه مدل شکل می‌گیرد: محاسبات کلاسیک برای وظایف عمومی، شتاب‌دهنده‌های مبتنی بر GPU و تسهیلات ابرمحاسباتی برای مدل‌های یادگیری عمیق، و در کنار آن، سامانه‌های کوانتومی برای مسائلی که ماهیتاً از الگوریتم‌های کوانتومی بهره می‌برند. این «سه‌گانگی» نشان‌دهنده تغییر در معماری‌های نرم‌افزاری و سخت‌افزاری است که بر هزینه، بهره‌وری و مدل کسب‌وکارها اثر مستقیم خواهد داشت.

شوک دوساله یا حرکت چند دهه‌ای؟ بحث بر سر زمان‌بندی شدت می‌گیرد

در مورد زمان تبدیلات کوانتومی اجماعی وجود ندارد. جِنسِن هوانگ، مدیرعامل Nvidia، قبلاً گفته است که ورود کوانتوم به جریان اصلی ممکن است چند دهه زمان ببرد. گلزینگر اما این مدل زمانی را بسیار کوتاه‌تر تصور می‌کند و احتمال بروز یک «نقطه عطف» را در افق نزدیک محتمل می‌داند. صرف‌نظر از اینکه افق زمانی دو سال باشد یا بیست سال، هر دو دیدگاه بر یک نکته توافق دارند: دهه پیش‌رو برای جهت‌گیری محاسباتی تعیین‌کننده خواهد بود.

چرا زمان‌بندی اهمیت دارد

رشد فعلی هوش مصنوعی به شدت بر GPU برای آموزش و اجرا (inference) مدل‌ها تکیه دارد. اگر سامانه‌های کوانتومی در برخی بارهای کاری مزیت واقعی ارائه کنند، سرمایه‌ها سریعاً دوباره تخصیص خواهند یافت و شرکت‌هایی که حول اکوسیستم GPU شکل گرفته‌اند یا باید راهبرد خود را تغییر دهند یا در معرض فشار سریع بازار قرار خواهند گرفت. این جابجایی می‌تواند شامل تغییر در قراردادهای مرکز داده، ساختار قیمت‌گذاری خدمات ابری و حتی معماری نرم‌افزاری مدل‌های ML باشد.

تصویر بازار و فناوری: چرا GPUها ممکن است آسیب‌پذیر شوند

برای درک چشم‌انداز بهتر است به چند جنبه فنی و اقتصادی توجه کنیم:

• مزیت الگوریتمی: الگوریتم‌هایی مانند شُر (Shor) و گروِر (Grover) نشان داده‌اند که برای مسائل خاص (رمزگشایی، جستجو و بهینه‌سازی) کوانتوم می‌تواند برتری آنگافی ارائه دهد. اگر الگوریتم‌های جدیدی توسعه یابند که برای وظایف مرتبط با یادگیری ماشین یا شبیه‌سازی‌های فیزیکی مفید باشند، فشار بر اکوسیستم GPU بالا خواهد رفت.
• هزینه و کارایی: بازار فعلی هوش مصنوعی حول هزینه هر ساعت آموزش و استنتاج مدل‌ها شکل گرفته است. اگر «هزینه موثر» محاسباتی با دستگاه‌های کوانتومی برای برخی مشکلات کاهش یابد، سازمان‌ها منابع خود را به سرعت بازتخصیص خواهند کرد.
• زیرساخت و اکوسیستم: برنده در میدان فناوری نه صرفاً کسی است که بهترین عملکرد را در آزمایشگاه داشته باشد، بلکه کسی است که اکوسیستم نرم‌افزاری، قراردادهای ابری و مدل توزیع را کنترل کند. قراردادهای میان مایکروسافت و OpenAI اخیراً نمونه‌ای از این واقعیت بوده‌اند.

موانع عملیاتی برای رایانش کوانتومی

با وجود چشم‌انداز امیدوارکننده، چالش‌هایی مهم نیز وجود دارد: خطاها و decoherence در کیوبیت‌ها، نیاز به تصحیح خطا (error correction) که هزینه‌های زیادی دارد، محدودیت در مقیاس‌پذیری و نیاز به سرمایش‌های شدید یا فناوری‌های محافظت. این مسائل عملیاتی ممکن است ورود سریع کوانتوم به بازار را کند سازند، اما پیشرفت‌های مستمر در سخت‌افزار، الگوریتم‌ها و بسته‌بندی کوانتومی (quantum packaging) می‌تواند این موانع را در طول زمان کاهش دهد.

چرا زمان‌بندی مهم است: توسعه هوش مصنوعی امروز تا حد زیادی بر روی GPUها برای آموزش مدل‌ها و اجرای استنتاج اتکا دارد. اگر سامانه‌های کوانتومی شروع به ارائه مزایای واقعی در برخی بارهای کاری خاص کنند، سرمایه‌ها سریعاً به سمت آن‌ها جریان پیدا خواهند کرد — و شرکت‌هایی که حول اکوسیستم GPU شکل گرفته‌اند ممکن است مجبور به تغییر مسیر یا مواجهه با فشار بازار سریع شوند.

پژوهش و کسب‌وکار: بازتابی در سطح صنعت — مایکروسافت، OpenAI و بازی‌های قدیمی نرم‌افزاری

گلزینگر یک موازی تاریخی کشید و همکاری میان مایکروسافت و OpenAI را به اتحاد بیل گیتس با آی‌بی‌ام در دهه ۱۹۹۰ تشبیه کرد. او OpenAI را به‌عنوان یک شریک توزیع‌کننده دانست که از ظرفیت عظیم محاسباتی مایکروسافت بهره می‌برد — و این یادآوری است که توافقات استراتژیک ابری و محاسباتی تعیین می‌کنند کدام فناوری‌ها از منظر تجاری پیروز می‌شوند، نه صرفاً آنچه که در آزمایشگاه بهتر عمل می‌کند.

نقش قراردادهای ابری در شکل‌دهی پیروز بازار

توافقات بزرگ ابری می‌توانند دسترسی به مقیاس و هزینه‌های رقابتی را برای شرکت‌های نوپا فراهم کنند. زمانی که یک ارائه‌دهنده ابری بزرگ سرمایه‌گذاری عظیمی در یک نوع سخت‌افزار یا شتاب‌دهنده کند، این حرکت پیامدهای زنجیره‌ای برای اکوسیستم نرم‌افزاری و سهام‌داران خواهد داشت. اگر در آینده ارائه‌دهندگان ابری بخواهند ظرفیت کوانتومی را تجاری‌سازی کنند، آن‌ها می‌توانند مسیر توسعه نرم‌افزار و مدل‌های کسب‌وکار را تغییر دهند.

داستان داخلی اینتل: انضباط، تاخیرها و ماجرای 18A

مصاحبه گلزینگر تنها محدود به کوانتوم نبود. او با صداقت در مورد دوران حضورش در اینتل صحبت کرد و دوره‌ای را توصیف کرد که به گفته خودش «انضباط‌های پایه» از دست رفته بودند. او به خبرنگاران FT گفت که در پنج سال پیش از بازگشتش، حتی یک محصول اینتل طبق برنامه زمان‌بندی عرضه نشده بود — فرسایشی که عمیق‌تر از آن چیزی بود که تصور می‌کرد.

یکی از قربانیان این وضعیت، گره تولیدی جاه‌طلبانه اینتل تحت عنوان 18A بود. گلزینگر گفت که اگرچه او به رهبری وعده جدول زمانی پنج‌ساله برای تحویل 18A داده بود، مشکلات سازمانی و تاخیرها باعث شد شرکت از اهداف داخلی خود باز بماند. پس از خروج او، مدیرعامل جدید تصمیم گرفت پروژه را در همان بازه زمانی متوقف کند؛ این تصمیم نشان می‌دهد که نقشه راه‌های فنی و تغییرات رهبری می‌توانند سرنوشت یک سازنده تراشه را خیلی سریع دگرگون کنند.

آنچه از تجربه اینتل می‌آموزیم

• اهمیت انضباط اجرایی: حتی بهترین برنامه‌های فنی بدون رعایت انضباط اجرایی و مدیریت پروژه به تاخیر و شکست می‌انجامند.
• نقش رهبران در تغییر جهت فنی: تغییر در مدیریت می‌تواند به سرعت اولویت‌ها را تغییر دهد؛ محصولاتی که بر اساس یک استراتژی طراحی شده‌اند ممکن است با سیاست جدید کنار گذاشته شوند.
• پیچیدگی تولید تراشه: حرکت به گره‌های پیشرفته مانند 18A نیازمند هماهنگی بالا در طراحی، لیتوگرافی، بسته‌بندی و زنجیره تأمین است و کوچک‌ترین اختلالی می‌تواند جدول زمانی را دگرگون کند.

این چه معنایی برای فناوران و سرمایه‌گذاران دارد

چه شما پژوهشگر، مهندس یا سرمایه‌گذار باشید، اظهارنظرهای گلزینگر یادآور این است که باید چند محور فناوری را به‌طور همزمان زیر نظر گرفت. هوش مصنوعی امروز عمیقاً به اقتصاد GPU و مقیاس مراکز داده وابسته است. رایانش کوانتومی این احتمال را مطرح می‌کند که برخی از مسائل سنگین محاسباتی دوباره روی بستری متفاوت بازتعریف شوند و این برندگان و بازندگان را در سخت‌افزار، خدمات ابری و فراهم‌کنندگان پلتفرم‌های AI جابه‌جا خواهد کرد.

راهبردهای پیشنهادی برای حرفه‌ای‌ها و سرمایه‌گذاران

• تنوع در ریسک فناوری: به‌جای شرط‌بندی کامل روی یک شتاب‌دهنده یا معماری، سبدی از فناوری‌ها را بررسی کنید: GPU، TPU، شتاب‌دهنده‌های اختصاصی و پیگیری پیشرفت‌های کوانتومی.
• نظارت بر توسعه الگوریتمی: پیشرفت در الگوریتم‌های کوانتومی یا هیبریدی می‌تواند نشانه‌ای از نزدیک شدن «مزیت کوانتومی» برای کاربردهای واقع‌بینانه باشد.
• بررسی قراردادهای ابری و همکاری‌های راهبردی: توجه کنید کدام ارائه‌دهندگان ابر در سرمایه‌گذاری یا عرضه ظرفیت کوانتومی پیش‌قدم می‌شوند؛ این قراردادها می‌توانند جهت بازار را تعیین کنند.
• آمادگی نرم‌افزاری: معماری‌های نرم‌افزاری که اجازه جابجایی بین شتاب‌دهنده‌ها یا یکپارچه‌سازی موتورهای کوانتومی-کلاسیک را بدهند، برنده خواهند بود.

تصور کنید دنیایی را که در آن برخی مسائل بهینه‌سازی یا شبیه‌سازی به شکلی طبیعی‌تر توسط دستگاه‌های کوانتومی حل می‌شوند — این تغییر می‌تواند پشته‌های نرم‌افزاری، تصمیمات خرید و برآوردهای استراتژیک را دگرگون کند. در حال حاضر، بحث در مورد زمان‌بندی ادامه دارد. اما صدای گلزینگر، که با سوابق صنعتی او و برخوردهای اخیرش با استارتاپ‌های کوانتومی تقویت شده، وزن به استدلالی می‌بخشد که می‌گوید باید برای شگفتی‌های مخرب آماده باشیم.

نتیجه‌گیری موقت: آماده‌سازی برای چند سناریو

در نگاه نهایی، سناریوها می‌توانند متفاوت باشند: از یک انتقال سریع که بازار GPU را تحت فشار قرار می‌دهد تا یک تحول تدریجی که سال‌ها زمان می‌برد. بهترین رویکرد برای شرکت‌ها، پژوهشگران و سرمایه‌گذاران این است که چند گام هم‌زمان بردارند: پایش پیشرفت‌های فنی، توسعه قابلیت‌های نرم‌افزاری قابل‌انتقال، و حفظ انعطاف در تصمیمات سرمایه‌گذاری و زنجیره تأمین. به این ترتیب، خواه کوانتوم در دو سال یا بیست سال تغییر ایجاد کند، سازمان‌ها آمادگی واکنش مؤثر را خواهند داشت.