سرمایه گذاری عظیم ByteDance روی پردازنده های NVIDIA در ۲۰۲۶

شرکت ByteDance، مالک چینی اپلیکیشن TikTok، بر پایه گزارش‌ها در حال برنامه‌ریزی برای خریدی گسترده از پردازنده‌های هوش مصنوعی شرکت NVIDIA است تا تلاش‌های خود در حوزه هوش مصنوعی مولد (generative AI) را تسریع کند. این شرکت قصد دارد در سال ۲۰۲۶ حدود ۱۰۰ میلیارد یوان (معادل تقریبی ۱۴ میلیارد دلار) هزینه خرید کارت‌های گرافیکی NVIDIA H200 کند، که بر موجودی قابل‌توجه سخت‌افزار NVIDIA در زیرساخت‌هایش افزوده خواهد شد.

چرا پردازنده‌های NVIDIA هنوز اهمیت دارند

از بیرون به نظر می‌رسد تصمیم ByteDance متناقض است: از یک سو این شرکت با شرکایی مانند Broadcom و TSMC روی طراحی تراشه‌های داخلی کار می‌کند، و از سوی دیگر هم‌چنان به خرید عمده GPUهای خارجی ادامه می‌دهد. پاسخ در نحوه استفاده از انواع مختلف تراشه نهفته است. کارت‌های نسل‌جدید NVIDIA مثل H200 برای کارهای سنگین آموزش مدل‌ها (training) بهینه‌سازی شده‌اند؛ یعنی برای ساختن مدل‌های پایه (foundation models) که به داده و توان محاسباتی بسیار بالا نیاز دارند. در مقابل، تراشه‌های داخلی و سفارشی اغلب برای اینفرانس (inference) طراحی می‌شوند — اجرای مدل‌های از پیش‌آموزش‌دیده شده در مقیاس داخل اپلیکیشن‌هایی مانند TikTok.

حتی اگر طراحی‌های داخلی بلندپروازانه‌ای در سال ۲۰۲۶ عرضه شوند، جایگزینی کامل GPUها برای آموزش مدل‌های بزرگ چندان محتمل به نظر نمی‌رسد. معماری‌های موازی، پهنای باند حافظه، اکوسیستم نرم‌افزاری و پشتیبانی از کتابخانه‌هایی مثل CUDA و cuDNN باعث شده‌اند که NVIDIA در زمینه آموزش مدل‌های بزرگ مزیت فنی و عملیاتی داشته باشد. به همین دلیل استراتژی ByteDance ترکیبی از سخت‌افزار اختصاصی برای اینفرانس و GPUهای برتر برای آموزش است؛ رویکردی هیبریدی که میان هزینه، کارایی و کنترل توازن برقرار می‌کند.

ByteDance پیش‌تر نشان داده که تمایل به سرمایه‌گذاری بزرگ در سخت‌افزار خارجی دارد. طبق گزارش‌ها در سال ۲۰۲۵ این شرکت حدود ۸۵ میلیارد یوان صرف خرید تراشه‌های NVIDIA کرده است. با ارزش بازاری نزدیک به ۵۰۰ میلیارد دلار و محصولی مثل TikTok که عملاً یک موتور بزرگ برای اجرای اینفرانس است — تولید پیشنهادهای محتوایی، توزیع تبلیغات و نظارت بر محتوا — این شرکت به ظرفیت گسترده هم‌برای آموزش (training) و هم برای ارائه سرویس (serving) به‌صورت هم‌زمان نیاز دارد.

نقش H200 و مزایای فنی GPUها

معماری H200 بر مبنای نسل قبلی Hopper قرار دارد و برای بارهای کاری توزیع‌شده و آموزش مدل‌های بزرگ طراحی شده است. این نوع GPUها معمولاً حافظه حجیم با پهنای باند بالا، پشتیبانی از فناوری‌های ارتباطی سرعت بالا (مثل NVLink و شبکه‌های مبتنی بر اینترکانکت) و توانایی‌های محاسباتی برای شتاب‌دهی به عملیات ماتریسی و محاسبات دقت پایین را ارائه می‌کنند که برای آموزش شبکه‌های عصبی بزرگ حیاتی است. علاوه‌براین، اکوسیستم توسعه نرم‌افزاری و بهینه‌سازی که NVIDIA فراهم می‌کند (شامل مدل‌های توزیع‌شده، کتابخانه‌های پرکاربرد و ابزارهای مانیتورینگ) هزینه توسعه و زمان عرضه مدل‌ها را کاهش می‌دهد.

برای شرکت‌هایی مانند ByteDance که نیاز به آموزش مداوم مدل‌های زبانی، توصیه‌گرها و مدل‌های بینایی ماشین دارند، توان خام محاسباتی، کارایی حافظه و پشتیبانی نرم‌افزاری اهمیت زیادی دارد. در مقابل، تراشه‌های داخلی معمولاً برای بارهای اجرای همزمان میلیون‌ها درخواست اینفرانس و کاهش مصرف انرژی در مراکز داده طراحی می‌شوند؛ جایی که ساختارهای محاسباتی می‌توانند متناسب با الگوهای درخواست اپلیکیشن بهینه‌سازی شوند.

مزیت تجاری و اقتصادی رویکرد هیبرید

ترکیب سخت‌افزار اختصاصی برای اینفرانس و GPU برای آموزش می‌تواند از نظر هزینه کل مالکیت (TCO) بهینه باشد: مدل‌ها را با GPUهای قدرتمند آموزش می‌کنید و پس از بهینه‌سازی، اجرای آنها را به تراشه‌های کم‌مصرف و سفارشی می‌سپارید. این رویکرد نه‌تنها هزینه‌های عملیاتی را کاهش می‌دهد بلکه به شرکت امکان کنترل بهتر روی زنجیره تأمین، امنیت و قوانین داده را می‌دهد.

از نظر عملیاتی، این مدل ترکیبی به ByteDance اجازه می‌دهد مدل‌های پایه را سریع‌تر آموزش دهد، نسخه‌های بهتر و دقیق‌تری از مدل‌ها تولید کند و سپس آنها را به سخت‌افزار داخلی برای استقرار در اپلیکیشن‌ها منتقل نماید. این استراتژی برای پلتفرمی که میلیاردها کاربر فعال دارد و نیاز به پاسخ‌گویی لحظه‌ای و شخصی‌سازی محتوا دارد، منطقی و کارآمد است.

سیاست، قوانین صادرات و راه‌حل‌های عملی

این تراکنش در پی تغییری در سیاست ایالات متحده رخ داده است: واشینگتن اخیراً اجازه فروش پردازنده‌های NVIDIA H200 (مبتنی بر معماری قدیمی‌تر Hopper) به چین را صادر کرد. این مجوز درهای خریدی را گشود که پیش‌تر تحت محدودیت‌های گسترده‌تر صادرات بسته شده بود. در سطح داخلی نیز پکن با احتیاط رفتار کرده و با شرکت‌های فناوری محلی گفت‌وگوهایی برای ارزیابی نیازها داشته است، در حالی که هم‌زمان فشار برای خودکفایی در فناوری مراکز داده و تراشه‌ها را افزایش داده است.

در پاسخ به ریسک‌های ژئوپلیتیک، ByteDance نیز گام‌هایی برداشته است تا تداوم سرویس‌ها و توسعه مدل‌ها را تضمین کند. حدود یک سال پیش این شرکت شروع به اجاره ظرفیت ابری خارج از چین کرد؛ راه‌حلی عملی برای حفظ دسترسی به محاسبات و توسعه مدل در میانه تحریم‌ها و محدودیت‌ها. چنین تصمیمی نشان‌دهنده پیچیدگی مدیریت زیرساخت‌های هوش مصنوعی در شرایط محدودیت‌های صادراتی و قوانین بین‌المللی است.

پیامدهای حقوقی و زنجیره تأمین

تغییر در مجوزهای صادرات و سیاست‌های تجاری می‌تواند پیامدهای متعددی برای زنجیره تأمین داشته باشد. از یک سو امکان دسترسی به GPUهای سطح بالا باعث تسریع توسعه مدل‌ها می‌شود، و از سوی دیگر وابستگی به فروشندگان خارجی ریسک‌هایی در برابر تغییرات ناگهانی سیاست را ایجاد می‌کند. در نتیجه، شرکت‌ها به دنبال تنوع‌بخشی به تامین‌کنندگان، سرمایه‌گذاری در طراحی تراشه‌های داخلی و ایجاد استراتژی‌های پشتیبان برای میزبانی ابری و مراکز داده بین‌المللی هستند.

علاوه‌بر این، قوانین مرتبط با حفاظت داده‌ها، شرایط استفاده از تکنولوژی‌های رمزنگاری و مقررات محتوایی نیز بر نحوه استقرار و استفاده از مدل‌های هوش مصنوعی تأثیر می‌گذارند. برای نمونه، اجرای مدل‌های توصیه‌گر و فیلترینگ محتوا در مقیاس جهانی نیازمند تطبیق با قوانین محلی و استانداردهای حفظ حریم خصوصی است که مدیریت و نگهداری مدل‌ها را پیچیده‌تر می‌کند.

راهکارهای فنی برای کاهش ریسک

به‌منظور کاهش ریسک وابستگی به سخت‌افزار خارجی، شرکت‌ها معمولاً از ترکیبی از راهکارها استفاده می‌کنند: ذخیره‌سازی مقادیر معینی از سخت‌افزار حیاتی (inventory)، استفاده از ابرهای چندمنطقه‌ای برای توزیع بارها، پیاده‌سازی معماری‌های قابل‌حمل نرم‌افزاری و طراحی مدل‌هایی که بتوانند روی سخت‌افزارهای متفاوت اجرا شوند. همچنین سرمایه‌گذاری در ابزارهای پرتکل‌بندی، هماهنگ‌سازی نسخه‌ها و خودکارسازی فرایندهای آموزش و استقرار (MLOps) به کاهش زمان پاسخ به شرایط بحرانی کمک می‌کند.

در سطح عملیاتی، انتخاب ترکیب مناسب بین GPUهای خارجی و شتاب‌دهنده‌های داخلی نیاز به تحلیل دقیق هزینه‌ها، تاخیر شبکه، توان مصرفی و انتظارات مقیاس‌پذیری دارد. از جنبه‌های فنی، بررسی پارامترهایی مانند پهنای باند حافظه، توان محاسباتی FP16/INT8، قابلیت تقسیم‌بندی مدل و پشتیبانی از فریم‌ورک‌های یادگیری عمیق نیز تعیین‌کننده است.

تحلیل راهبردی و آینده‌پژوهی

خرید گسترده NVIDIA توسط ByteDance را می‌توان پاسخ عملی به نیاز فوری برای ظرفیت GPU دانست، در حالی که تلاش برای توسعه تراشه‌های داخلی یک سرمایه‌گذاری راهبردی بلندمدت به حساب می‌آید. این ترکیب به شرکت امکان می‌دهد از مزایای هر دو رویکرد بهره‌مند شود: سرعت و توان آموزشی GPUهای پیشرفته برای توسعه مدل‌های پایه و استفاده از تراشه‌های داخلی برای کاهش هزینه‌های عملیاتی و افزایش کنترل بر اجرای اینفرانس در سطح محصول.

به‌طور خاص، برای پلتفرمی مانند TikTok که حجم عظیمی از درخواست‌های هم‌زمان برای پیشنهاد محتوا، تحلیل ویدئو و پردازش زنده را مدیریت می‌کند، بهینه‌سازی مسیرهای اجرا (inference paths)، فشرده‌سازی مدل‌ها و اجرای مدل‌های سبک‌تر روی سخت‌افزار داخلی می‌تواند تأثیر قابل‌توجهی بر مصرف انرژی و تجربه کاربری داشته باشد. هم‌زمان، آموزش مدل‌های بزرگ و به‌روز نگه داشتن آن‌ها به GPUهای با توان محاسباتی بالا نیاز دارد.

در چشم‌انداز ۲۰۲۶ و پس از آن، چند سناریو محتمل وجود دارد: یک) بازار به سمت تنوع‌ منابع سخت‌افزاری حرکت کند و تامین‌کنندگان جدید وارد عرصه شوند؛ دو) تراشه‌های داخلی به تدریج در وظایف اینفرانس غالب شوند ولی آموزش همچنان به GPUهای سطح بالا وابسته بماند؛ سه) پیشرفت‌های نرم‌افزاری و الگوریتمی باعث کاهش نیاز به پهنای باند محاسباتی شود که می‌تواند تأثیر بر ترکیب سخت‌افزاری داشته باشد.

در هر صورت، تصمیم ByteDance برای سرمایه‌گذاری سنگین در H200 نشان می‌دهد که دسترسی سریع به ظرفیت آموزش مدل یکی از اولویت‌های کلیدی شرکت‌های بزرگ فناوری است، به‌خصوص زمانی که رقابت در زمینه هوش مصنوعی مولد و ارائه تجربه‌های شخصی‌سازی‌شده شدت می‌گیرد.

نکات کلیدی برای مدیران فناوری و سرمایه‌گذاران

• توان محاسباتی GPU برای آموزش مدل‌های بزرگ همچنان یک دارایی حیاتی است؛
• تراشه‌های داخلی می‌توانند هزینه‌های عملیاتی را در بخش اینفرانس کاهش داده و کنترل بیشتری بر داده و حریم خصوصی فراهم کنند؛
• تنوع تامین‌کنندگان و استفاده از ظرفیت ابری چندمنطقه‌ای ریسک‌های زنجیره تأمین را کاهش می‌دهد؛
• سرمایه‌گذاری در ابزارهای MLOps و بهینه‌سازی مدل‌ها می‌تواند زمان عرضه و هزینه نگهداری مدل‌ها را به‌طور محسوسی کاهش دهد.

در نهایت، خرید گسترده NVIDIA توسط ByteDance نمونه‌ای از تعادل میان نیازهای کوتاه‌مدت فنی و اهداف بلندمدت راهبردی است: تامین ظرفیت عظیم و مقرون‌به‌صرفه برای آموزش مدل‌ها، در حالی که مسیر توسعه تراشه‌های داخلی و خودکفایی فناورانه همچنان دنبال می‌شود. این وضعیت نشان‌دهنده پیچیدگی‌های فنی، تجاری و سیاسی است که شرکت‌های فناور بزرگ در عصر هوش مصنوعی با آن مواجه‌اند.