کمبود سخت‌افزار هوش مصنوعی ممکن است تا دو یا سه سال آینده همچنان یکی از چالش‌های اصلی صنعت فناوری باقی بماند. لیپ‌بو تان، مدیرعامل اینتل، در نشستی در سنگاپور هشدار داده است که تقاضا برای زیرساخت‌های هوش مصنوعی همچنان از ظرفیت عرضه پیشی می‌گیرد. این وضعیت فقط به پردازنده‌های گرافیکی محدود نمی‌شود و حافظه‌های پرسرعت، ظرفیت تولید تراشه و فناوری‌های پیشرفته بسته‌بندی نیز در زنجیره تأمین نقش مهمی دارند. در نتیجه، شرکت‌های فعال در حوزه هوش مصنوعی برای توسعه دیتاسنترها و تأمین توان پردازشی موردنیاز خود با محدودیت‌هایی روبه‌رو هستند. با این حال، پیش‌بینی ادامه کمبود به معنای گران‌تر شدن قطعی تمام قطعات یا پایان‌نیافتن بحران در یک تاریخ مشخص نیست؛ وضعیت بازار به سرعت افزایش ظرفیت تولید، رشد تقاضا و سرمایه‌گذاری شرکت‌ها بستگی دارد.

🔎 هشدار مدیرعامل اینتل درباره کمبود سخت‌افزار هوش مصنوعی چه می‌گوید؟

لیپ‌بو تان، مدیرعامل اینتل، معتقد است صنعت هوش مصنوعی در دو تا سه سال آینده نیز با کمبود سخت‌افزار روبه‌رو خواهد بود. این اظهارنظر در شرایطی مطرح شده که شرکت‌های فناوری سرمایه‌گذاری گسترده‌ای برای توسعه مدل‌های هوش مصنوعی، ساخت دیتاسنترهای جدید و افزایش توان پردازشی خود انجام می‌دهند.

گزارش DIGITIMES درباره هشدار مدیرعامل اینتل نشان می‌دهد که فاصله میان تقاضا و عرضه همچنان یکی از نگرانی‌های صنعت است. محدودیت در تأمین حافظه، ظرفیت ساخت ویفر و بسته‌بندی پیشرفته تراشه‌ها از جمله عواملی هستند که می‌توانند افزایش عرضه سخت‌افزار را دشوار کنند.

اهمیت این هشدار در آن است که رشد هوش مصنوعی تنها به طراحی مدل‌های قدرتمندتر وابسته نیست. شرکت‌ها برای آموزش مدل‌ها و ارائه خدمات به کاربران به مجموعه‌ای از قطعات، سرورها، شبکه‌ها و زیرساخت‌های برق و خنک‌سازی نیاز دارند. اگر تأمین یکی از اجزای مهم این مجموعه با مشکل روبه‌رو شود، توسعه کل سیستم می‌تواند کندتر پیش برود.

البته باید میان پیش‌بینی مدیرعامل اینتل و یک برآورد قطعی از آینده بازار تفاوت قائل شد. گفته او نشان‌دهنده نگرانی درباره تداوم محدودیت عرضه است، اما به‌تنهایی مشخص نمی‌کند که کمبود هر قطعه دقیقاً چه زمانی برطرف خواهد شد یا قیمت محصولات مصرفی چقدر تغییر می‌کند.

چرا این هشدار برای صنعت فناوری اهمیت دارد؟

در سال‌های اخیر، هوش مصنوعی از یک حوزه تخصصی در مراکز تحقیقاتی به بخشی از محصولات روزمره تبدیل شده است. موتورهای جست‌وجو، دستیارهای هوشمند، ابزارهای تولید تصویر و ویدئو، نرم‌افزارهای برنامه‌نویسی و سرویس‌های سازمانی همگی به توان پردازشی نیاز دارند.

هرچه تعداد کاربران و پیچیدگی مدل‌ها افزایش پیدا کند، شرکت‌ها نیز باید منابع محاسباتی بیشتری در اختیار داشته باشند. این تقاضا به خرید شتاب‌دهنده‌های هوش مصنوعی، توسعه سرورها، تأمین حافظه و افزایش ظرفیت دیتاسنترها منجر می‌شود.

مشکل زمانی شکل می‌گیرد که افزایش تقاضا سریع‌تر از توسعه ظرفیت تولید پیش برود. ساخت کارخانه نیمه‌رسانا، نصب تجهیزات تخصصی، افزایش بازده تولید و راه‌اندازی خطوط بسته‌بندی پیشرفته به زمان و سرمایه قابل‌توجهی نیاز دارد. به همین دلیل، حتی سرمایه‌گذاری‌های بزرگ نیز لزوماً نمی‌توانند در کوتاه‌مدت تمام محدودیت‌های بازار را برطرف کنند.

⚙️ چرا صنعت با کمبود سخت‌افزار هوش مصنوعی روبه‌رو شده است؟

برای درک بهتر کمبود سخت‌افزار هوش مصنوعی باید به کل زنجیره تأمین نگاه کرد. تصور رایج این است که مشکل فقط کمبود GPU است؛ درحالی‌که یک شتاب‌دهنده قدرتمند برای تبدیل‌شدن به محصولی آماده استفاده، به حافظه، بسته‌بندی تخصصی، بردهای الکترونیکی، سیستم خنک‌کننده و زیرساخت مناسب نیاز دارد.

اگر یکی از این اجزا به تعداد کافی تولید نشود، شرکت سازنده ممکن است نتواند محصول نهایی را به میزان موردنیاز بازار عرضه کند.

رشد سریع تقاضا برای پردازش هوش مصنوعی

آموزش مدل‌های بزرگ هوش مصنوعی به انجام حجم عظیمی از محاسبات نیاز دارد. شرکت‌ها برای این کار از خوشه‌هایی متشکل از تعداد زیادی پردازنده و شتاب‌دهنده استفاده می‌کنند. پس از آموزش مدل نیز کار تمام نمی‌شود؛ هر بار که کاربر از یک سرویس هوش مصنوعی استفاده می‌کند، سیستم باید پاسخ موردنیاز را تولید کند.

این مرحله که استنتاج یا Inference نام دارد، با گسترش دستیارهای هوشمند و ابزارهای مبتنی بر عامل‌های هوش مصنوعی اهمیت بیشتری پیدا کرده است. در چنین شرایطی، تقاضا فقط از سوی آزمایشگاه‌های بزرگ مدل‌سازی ایجاد نمی‌شود؛ ارائه‌دهندگان خدمات ابری، شرکت‌های نرم‌افزاری، سازمان‌ها و کسب‌وکارهای کوچک نیز به توان پردازشی نیاز دارند.

در نتیجه، سازندگان سخت‌افزار باید هم نیاز پروژه‌های عظیم آموزشی و هم تقاضای روزافزون برای اجرای مدل‌ها را در نظر بگیرند. افزایش بهره‌وری مدل‌ها می‌تواند بخشی از فشار را کاهش دهد، اما رشد تعداد کاربران نیز ممکن است بخشی از این صرفه‌جویی را خنثی کند.

محدودیت ظرفیت کارخانه‌های تولید تراشه

ساخت تراشه‌های پیشرفته به تجهیزات پیچیده، مواد اولیه تخصصی و فرایندهای تولید بسیار دقیق وابسته است. افزایش ظرفیت یک کارخانه نیز به‌سادگی اضافه‌کردن چند دستگاه یا افزایش ساعات کاری نیست.

شرکت‌ها باید خطوط تولید را توسعه دهند، تجهیزات را نصب و تنظیم کنند، فرایندهای کنترل کیفیت را بهبود دهند و به بازده تولید قابل‌قبول برسند. حتی پس از افزایش ظرفیت اسمی کارخانه، میزان تراشه سالم و قابل‌استفاده اهمیت دارد؛ زیرا همه تراشه‌های تولیدشده الزاماً کیفیت موردنیاز محصول نهایی را ندارند.

رقابت بر سر فناوری‌های ساخت پیشرفته نیز این مسئله را پیچیده‌تر می‌کند. سازندگان تراشه‌های هوش مصنوعی به فرایندهایی نیاز دارند که بتوانند تعداد زیادی ترانزیستور را در فضایی کوچک جای دهند و هم‌زمان مصرف انرژی و تولید گرما را کنترل کنند.

گزارش TrendForce درباره رقابت بر سر ظرفیت ساخت تراشه و بسته‌بندی پیشرفته به محدودیت ظرفیت برخی فرایندهای پیشرفته و فشار تقاضای هوش مصنوعی بر زنجیره تأمین اشاره می‌کند.

رقابت میان شرکت‌های بزرگ برای تأمین قطعات

شرکت‌های بزرگ فناوری معمولاً برای ساخت دیتاسنترها به حجم بالایی از سخت‌افزار نیاز دارند. آن‌ها می‌توانند از مدت‌ها قبل ظرفیت تولید را رزرو کنند یا با تأمین‌کنندگان قراردادهای بلندمدت ببندند.

این اقدام برای برنامه‌ریزی تولید منطقی است، اما می‌تواند تهیه قطعات را برای شرکت‌هایی که سفارش‌های کوچک‌تری دارند دشوارتر کند. یک استارتاپ ممکن است نتواند با همان شرایط مالی و قدرت خرید یک شرکت بزرگ ابری قرارداد ببندد.

بااین‌حال، این وضعیت به معنای آن نیست که همه خریداران کوچک الزاماً با کمبود یکسانی مواجه می‌شوند. نوع قطعه، زمان سفارش، منطقه جغرافیایی، کانال توزیع و نوع قرارداد بر دسترسی به سخت‌افزار اثر می‌گذارند.

🧩 کمبود سخت‌افزار هوش مصنوعی دقیقاً شامل چه قطعاتی می‌شود؟

کمبود در بازار هوش مصنوعی یک مسئله یکپارچه نیست. ممکن است تأمین یک قطعه بهتر شود، اما محدودیت در بخش دیگری ادامه پیدا کند. شناخت این تفاوت‌ها کمک می‌کند مشخص شود چرا افزایش تولید یک نوع تراشه به‌تنهایی برای رفع مشکل کافی نیست.

پردازنده‌های گرافیکی و شتاب‌دهنده‌های هوش مصنوعی

GPUها به دلیل توانایی انجام محاسبات موازی، در آموزش و اجرای بسیاری از مدل‌های هوش مصنوعی نقش مهمی دارند. شرکت‌ها همچنین از شتاب‌دهنده‌های اختصاصی استفاده می‌کنند که برای بارهای کاری مشخص طراحی شده‌اند.

این قطعات معمولاً در سرورهای تخصصی و خوشه‌های پردازشی قرار می‌گیرند. در چنین محیطی، قدرت محاسباتی، پهنای باند حافظه، مصرف برق و ارتباط میان پردازنده‌ها اهمیت زیادی دارد.

بااین‌حال، همه بارهای کاری هوش مصنوعی به GPU یکسان نیاز ندارند. برخی وظایف به پردازنده مرکزی، حافظه بیشتر یا سخت‌افزار اختصاصی وابستگی بیشتری دارند. گسترش عامل‌های هوش مصنوعی نیز می‌تواند ترکیب نیازهای پردازشی را تغییر دهد؛ زیرا اجرای یک عامل ممکن است علاوه بر مدل زبانی، به ابزارها، پایگاه داده و سرویس‌های نرم‌افزاری مختلف متکی باشد.

بنابراین، بررسی بازار نباید فقط به تعداد GPUهای عرضه‌شده محدود بماند. توانایی تأمین کل سیستم و تناسب آن با نوع کار نیز اهمیت دارد.

حافظه HBM؛ قطعه‌ای کوچک با نقشی حیاتی

حافظه HBM یا High Bandwidth Memory یکی از اجزای مهم بسیاری از شتاب‌دهنده‌های پیشرفته هوش مصنوعی است. این حافظه برای انتقال حجم زیادی از داده با پهنای باند بالا طراحی شده و در کنار پردازنده قرار می‌گیرد تا داده‌ها با سرعت بیشتری در دسترس واحدهای محاسباتی باشند.

مدل‌های هوش مصنوعی هنگام پردازش به پارامترها، داده‌های میانی و اطلاعات دیگری نیاز دارند. اگر پردازنده نتواند داده را با سرعت کافی دریافت کند، بخشی از توان محاسباتی آن بلااستفاده می‌ماند. به همین دلیل، عملکرد حافظه برای این سیستم‌ها اهمیت زیادی دارد.

تولید HBM نیز پیچیدگی‌های خاص خود را دارد. این حافظه از چندین لایه تراشه تشکیل می‌شود و تولید، اتصال، آزمایش و بسته‌بندی آن باید با دقت بالایی انجام شود. در نتیجه، افزایش ظرفیت تولید حافظه معمولی الزاماً به معنای افزایش هم‌اندازه عرضه HBM نیست.

در تحلیل منتشرشده از سوی Gartner درباره گلوگاه‌های سخت‌افزار هوش مصنوعی در سال‌های ۲۰۲۶ و ۲۰۲۷، حافظه HBM و بسته‌بندی پیشرفته از عوامل مهم محدودکننده زیرساخت هوش مصنوعی معرفی شده‌اند.

بسته‌بندی پیشرفته؛ چرا ساخت تراشه به‌تنهایی کافی نیست؟

پس از تولید بخش محاسباتی تراشه، اجزای مختلف باید به شکلی کنار هم قرار بگیرند که محصول نهایی بتواند داده‌ها را با سرعت بالا منتقل کند و در شرایط کاری پایدار بماند. این مرحله را بسته‌بندی نیمه‌رسانا می‌نامند.

در شتاب‌دهنده‌های پیشرفته، بسته‌بندی ممکن است اتصال تراشه محاسباتی به چند پشته حافظه HBM و دیگر اجزای تخصصی را در بر بگیرد. این فرایند با بسته‌بندی ساده تراشه‌های معمولی تفاوت دارد و به تجهیزات، مواد و کنترل کیفیت پیشرفته نیازمند است.

فناوری‌هایی مانند CoWoS که در بسته‌بندی تراشه‌های پیشرفته استفاده می‌شوند، امکان اتصال متراکم اجزا را فراهم می‌کنند. با افزایش اندازه تراشه‌ها و تعداد اجزای داخل یک بسته، پیچیدگی ساخت نیز بیشتر می‌شود.

به همین دلیل ممکن است یک سازنده بتواند تراشه محاسباتی بیشتری تولید کند، اما به دلیل محدودیت بسته‌بندی نتواند همان تعداد محصول نهایی را تحویل دهد. در چنین شرایطی، افزایش ظرفیت کارخانه اصلی تنها بخشی از راه‌حل است.

سرورها، شبکه و تجهیزات جانبی دیتاسنتر

شتاب‌دهنده‌ها به‌تنهایی یک مرکز پردازش هوش مصنوعی را تشکیل نمی‌دهند. سرورها به پردازنده مرکزی، حافظه سیستم، ذخیره‌سازی، بردهای تخصصی، تجهیزات شبکه و منابع تغذیه نیاز دارند.

در خوشه‌های بزرگ، ارتباط سریع میان سرورها نیز اهمیت زیادی دارد. اگر شبکه نتواند داده‌ها را به‌موقع جابه‌جا کند، کارایی کل مجموعه کاهش می‌یابد. سیستم‌های خنک‌کننده و تجهیزات برق نیز باید با مصرف بالای انرژی سازگار باشند.

بنابراین، محدودیت عرضه می‌تواند به قطعاتی فراتر از تراشه اصلی گسترش پیدا کند. حتی در شرایطی که شتاب‌دهنده در دسترس است، آماده‌نبودن سرور، شبکه یا زیرساخت برق ممکن است زمان راه‌اندازی دیتاسنتر را عقب بیندازد.

🏭 چرا افزایش تولید سخت‌افزار هوش مصنوعی زمان‌بر است؟

یکی از دلایل دشواری رفع کمبود سخت‌افزار هوش مصنوعی، هماهنگی لازم میان مراحل مختلف تولید است. شرکت‌ها باید نه‌تنها ظرفیت ساخت تراشه، بلکه تولید حافظه، بسته‌بندی، آزمایش و آماده‌سازی سیستم‌های نهایی را نیز افزایش دهند.

برای نمونه، اگر ظرفیت ساخت تراشه افزایش پیدا کند اما خطوط بسته‌بندی پیشرفته نتوانند همان میزان محصول را پردازش کنند، تعداد شتاب‌دهنده‌های آماده عرضه همچنان محدود می‌ماند. همین مسئله درباره حافظه و دیگر قطعات تخصصی نیز صدق می‌کند.

افزون بر این، تولیدکنندگان باید درباره میزان تقاضای آینده تصمیم بگیرند. ساخت ظرفیت جدید به سرمایه‌گذاری سنگین نیاز دارد و اگر تقاضا در آینده کمتر از انتظار باشد، کارخانه یا خط تولید ممکن است با ظرفیت بلااستفاده روبه‌رو شود. به همین دلیل، شرکت‌ها نمی‌توانند بدون درنظرگرفتن ریسک بازار، ظرفیت تولید را نامحدود افزایش دهند.

آیا ظرفیت تولید در سال ۲۰۲۷ بهتر می‌شود؟

افزایش ظرفیت تولید می‌تواند به کاهش بخشی از فشار عرضه کمک کند، اما زمان و میزان تأثیر آن برای همه قطعات یکسان نیست. TrendForce در گزارش آوریل ۲۰۲۶ خود انتظار داشت کمبود شدید ظرفیت بسته‌بندی دوبعدی‌ونیم و سه‌بعدی از سال ۲۰۲۷ تا حدی کاهش پیدا کند و به برنامه افزایش ظرفیت CoWoS شرکت TSMC اشاره کرده بود.

این پیش‌بینی به معنای رفع کامل کمبود همه قطعات در سال ۲۰۲۷ نیست. ممکن است ظرفیت بسته‌بندی بیشتر شود، اما رشد تقاضا یا محدودیت در حافظه و سایر بخش‌ها همچنان فشار وارد کند.

از سوی دیگر، ظرفیت جدید معمولاً به‌تدریج وارد چرخه تولید می‌شود. راه‌اندازی یک خط تولید با رسیدن آن به حداکثر بازده یکسان نیست. بنابراین، ارزیابی بازار به بررسی هم‌زمان ظرفیت اسمی، میزان تولید واقعی و سفارش‌های مشتریان نیاز دارد.

💰 ادامه کمبود سخت‌افزار هوش مصنوعی چه تأثیری بر بازار می‌گذارد؟

وقتی تقاضا برای قطعات از عرضه بیشتر باشد، شرکت‌ها ممکن است برای تأمین سریع‌تر تجهیزات هزینه بیشتری بپردازند یا برای دریافت سفارش خود زمان بیشتری منتظر بمانند. بااین‌حال، شدت این اثر به نوع قطعه و شرایط قرارداد بستگی دارد و نمی‌توان یک روند یکسان را برای تمام محصولات پیش‌بینی کرد.

هزینه ساخت و توسعه دیتاسنترها

شرکت‌های ارائه‌دهنده خدمات ابری برای توسعه زیرساخت هوش مصنوعی به خرید شتاب‌دهنده، سرور، حافظه و تجهیزات شبکه نیاز دارند. محدودیت در هرکدام از این بخش‌ها می‌تواند هزینه برنامه‌ریزی و راه‌اندازی پروژه را افزایش دهد.

گاهی مشکل فقط قیمت خرید نیست. تأخیر در تحویل سخت‌افزار می‌تواند زمان بهره‌برداری از دیتاسنتر را عقب بیندازد. اگر شرکتی برای ارائه یک سرویس جدید به ظرفیت پردازشی مشخصی نیاز داشته باشد، دیررسیدن تجهیزات ممکن است برنامه تجاری آن را نیز تحت تأثیر قرار دهد.

شرکت‌ها برای کاهش این ریسک ممکن است سفارش‌ها را زودتر ثبت کنند، از چند تأمین‌کننده کمک بگیرند یا بخشی از نیاز خود را از طریق خدمات ابری تأمین کنند. هرکدام از این روش‌ها هزینه‌ها و محدودیت‌های خود را دارد.

تأثیر بر استارتاپ‌ها و شرکت‌های کوچک

شرکت‌های کوچک معمولاً بودجه و قدرت خرید کمتری نسبت به غول‌های فناوری دارند. اگر تهیه سخت‌افزار گران‌تر شود یا تحویل آن به تأخیر بیفتد، ساخت زیرساخت اختصاصی برای آن‌ها دشوارتر خواهد شد.

این شرایط می‌تواند استفاده از سرویس‌های ابری را به گزینه‌ای عملی تبدیل کند. به‌جای خرید تعداد زیادی شتاب‌دهنده، یک استارتاپ می‌تواند منابع محاسباتی را متناسب با نیاز خود اجاره کند. البته اگر تقاضای عمومی برای خدمات پردازشی افزایش یابد، هزینه سرویس‌های ابری نیز ممکن است تغییر کند.

در عین حال، محدودیت سخت‌افزار لزوماً مانع ورود همه شرکت‌های کوچک به بازار نمی‌شود. بسیاری از محصولات هوش مصنوعی به آموزش مدل پایه از ابتدا نیاز ندارند و می‌توانند از مدل‌های آماده، مدل‌های کوچک‌تر یا روش‌های بهینه‌سازی استفاده کنند.

آیا خدمات هوش مصنوعی گران‌تر می‌شوند؟

افزایش هزینه سخت‌افزار می‌تواند یکی از عوامل فشار بر هزینه ارائه خدمات هوش مصنوعی باشد، اما قیمت نهایی سرویس به عوامل دیگری نیز بستگی دارد؛ از جمله هزینه انرژی، بهره‌وری مدل، رقابت میان ارائه‌دهندگان، میزان استفاده مشتریان و روش قیمت‌گذاری شرکت‌ها.

برای مثال، یک شرکت ممکن است با بهینه‌سازی نرم‌افزار و استفاده بهتر از سخت‌افزار موجود، هزینه هر درخواست را کاهش دهد. شرکت دیگری ممکن است برای توسعه قابلیت‌های جدید سرمایه‌گذاری کند و هزینه بیشتری بپردازد.

به همین دلیل، نمی‌توان صرفاً از هشدار درباره کمبود قطعات نتیجه گرفت که تمام ابزارهای هوش مصنوعی حتماً گران‌تر خواهند شد. آنچه می‌توان گفت این است که محدودیت عرضه ممکن است هزینه توسعه زیرساخت را بالا نگه دارد و شرکت‌ها را به استفاده کارآمدتر از منابع پردازشی سوق دهد.

🖥️ آیا کمبود سخت‌افزار هوش مصنوعی روی قیمت کامپیوتر و کارت گرافیک اثر می‌گذارد؟

این سؤال برای کاربران عادی اهمیت زیادی دارد؛ به‌خصوص افرادی که قصد خرید کارت گرافیک، لپ‌تاپ یا کامپیوتر جدید دارند. بااین‌حال، باید میان شتاب‌دهنده‌های مخصوص دیتاسنتر و محصولات مصرفی تفاوت قائل شد.

شتاب‌دهنده‌های هوش مصنوعی برای اجرای بارهای کاری سنگین در سرورها طراحی می‌شوند و مشخصات، حافظه، بسته‌بندی و الگوی خرید آن‌ها با کارت‌های گرافیک گیمینگ یکسان نیست. از طرف دیگر، محصولات مصرفی نیز به زنجیره تأمین تراشه، حافظه و دیگر قطعات وابسته‌اند؛ بنابراین، این دو بازار کاملاً جدا از هم نیستند.

اگر تقاضای دیتاسنترها ظرفیت تولید برخی قطعات مشترک را تحت فشار قرار دهد، ممکن است بر هزینه یا دسترسی محصولات دیگر نیز اثر بگذارد. اما این تأثیر به شرایط تولید، تصمیم شرکت‌ها، موجودی بازار و نوع قطعه بستگی دارد.

آیا باید خرید کارت گرافیک را به تعویق انداخت؟

هشدار مدیرعامل اینتل به‌تنهایی دلیل کافی برای جلو انداختن یا عقب انداختن خرید نیست. اگر قصد خرید کارت گرافیک یا لپ‌تاپ داری، بهتر است قیمت و موجودی همان محصول را بررسی کنی و تصمیم را بر اساس نیاز واقعی خود بگیری.

برای خریدهای گیمینگ، عملکرد محصول در بازی‌ها، مقدار حافظه، مصرف برق، سازگاری با سیستم و قیمت اهمیت بیشتری از پیش‌بینی کلی بازار سخت‌افزار هوش مصنوعی دارد. اگر به سیستم برای کارهای حرفه‌ای مانند اجرای مدل‌های محلی نیاز داری، باید ظرفیت حافظه و پشتیبانی نرم‌افزاری را نیز در نظر بگیری.

همچنین افزایش تقاضا برای شتاب‌دهنده‌های دیتاسنتری الزاماً به معنای افزایش قیمت تمام کارت‌های گرافیک نیست. برای چنین نتیجه‌ای باید داده‌های بازار مصرفی و گزارش‌های مربوط به قیمت و عرضه همان گروه محصول بررسی شوند.

🧠 آیا کمبود سخت‌افزار هوش مصنوعی راهکار جایگزین دارد؟

حتی اگر افزایش ظرفیت تولید زمان ببرد، صنعت می‌تواند با استفاده کارآمدتر از سخت‌افزار موجود بخشی از فشار را کاهش دهد. این راهکارها لزوماً جایگزین کامل شتاب‌دهنده‌های قدرتمند نیستند، اما در بسیاری از کاربردها می‌توانند هزینه پردازش را پایین بیاورند.

استفاده از مدل‌های کوچک‌تر و بهینه‌سازی‌شده

همه پروژه‌ها به بزرگ‌ترین مدل موجود نیاز ندارند. برای کارهایی مانند دسته‌بندی متن، استخراج اطلاعات، پاسخ به پرسش‌های محدود یا پردازش داده‌های مشخص، ممکن است مدل کوچک‌تر نیز کیفیت مناسبی ارائه دهد.

روش‌هایی مانند کوانتیزه‌سازی می‌توانند حجم حافظه موردنیاز مدل را کاهش دهند. در این روش، نمایش عددی وزن‌ها با دقت پایین‌تری انجام می‌شود؛ البته میزان افت کیفیت و بهبود سرعت به مدل، روش اجرا و سخت‌افزار بستگی دارد.

تقطیر دانش نیز می‌تواند به ساخت مدلی کوچک‌تر کمک کند که بخشی از توانایی‌های یک مدل بزرگ را حفظ می‌کند. انتخاب درست مدل، تنظیم مناسب و حذف محاسبات غیرضروری ممکن است نیاز به سخت‌افزار گران‌قیمت را کاهش دهد.

اجرای مدل‌ها روی دستگاه‌های محلی

برخی وظایف هوش مصنوعی را می‌توان روی کامپیوتر شخصی، لپ‌تاپ یا دستگاه‌های مجهز به سخت‌افزار مناسب اجرا کرد. این روش برای کاربردهایی که به مدل بسیار بزرگ یا پردازش هم‌زمان تعداد زیادی کاربر نیاز ندارند، می‌تواند گزینه مناسبی باشد.

اجرای محلی ممکن است وابستگی به سرویس ابری را کاهش دهد و برای بعضی کاربردها مزایای حریم خصوصی نیز داشته باشد. بااین‌حال، دستگاه‌های مصرفی محدودیت‌هایی از نظر حافظه، سرعت و مصرف انرژی دارند و اجرای محلی برای همه مدل‌ها مناسب نیست.

بنابراین، گسترش هوش مصنوعی روی دستگاه‌ها می‌تواند بخشی از بار دیتاسنترها را کاهش دهد، اما به‌تنهایی مشکل کمبود سخت‌افزار پیشرفته را حل نمی‌کند.

استفاده بهینه‌تر از منابع ابری

کسب‌وکارها می‌توانند با مدیریت بهتر درخواست‌ها، استفاده از حافظه نهان، دسته‌بندی مناسب پردازش‌ها و انتخاب مدل متناسب با هر وظیفه، منابع کمتری مصرف کنند. برای مثال، لازم نیست تمام درخواست‌ها به یک مدل بزرگ و پرهزینه فرستاده شوند؛ بعضی وظایف را می‌توان با مدل سبک‌تر انجام داد و فقط موارد پیچیده را به مدل قدرتمندتر سپرد.

این روش‌ها می‌توانند هزینه هر درخواست را کاهش دهند و ظرفیت موجود را برای تعداد بیشتری از کاربران قابل‌استفاده کنند. بااین‌حال، میزان صرفه‌جویی به نوع محصول و الگوی استفاده بستگی دارد.

📅 آیا کمبود سخت‌افزار هوش مصنوعی تا سال ۲۰۲۸ ادامه خواهد داشت؟

اگر بازه دو تا سه ساله‌ای را که مدیرعامل اینتل مطرح کرده از اکتبر ۲۰۲۶ در نظر بگیریم، این پیش‌بینی به حدود سال‌های ۲۰۲۸ تا ۲۰۲۹ می‌رسد. بااین‌حال، این محاسبه فقط تبدیل بازه زمانی اعلام‌شده به سال تقویمی است و نباید آن را تاریخ قطعی پایان کمبود دانست.

وضعیت عرضه در هر بخش می‌تواند متفاوت باشد. ممکن است تولید یک نوع حافظه سریع‌تر رشد کند، اما محدودیت بسته‌بندی یا قطعات دیگر همچنان ادامه یابد. همچنین افزایش ظرفیت تولید می‌تواند به کاهش فشار بازار کمک کند، ولی اگر تقاضا هم‌زمان با سرعت زیادی افزایش پیدا کند، فاصله میان عرضه و نیاز مشتریان ممکن است باقی بماند.

برای ارزیابی اینکه بازار به سمت تعادل می‌رود یا نه، باید چند نشانه را دنبال کرد:

• افزایش ظرفیت واقعی تولید: افتتاح کارخانه یا اعلام سرمایه‌گذاری به‌تنهایی کافی نیست؛ میزان تولید قابل‌استفاده نیز اهمیت دارد.
• بهبود عرضه حافظه HBM: افزایش تولید این حافظه می‌تواند به تکمیل شتاب‌دهنده‌های بیشتری کمک کند.
• گسترش ظرفیت بسته‌بندی پیشرفته: تولید تراشه باید با ظرفیت مونتاژ و بسته‌بندی نهایی هماهنگ باشد.
• زمان تحویل سفارش‌ها: کاهش زمان انتظار می‌تواند نشانه‌ای از بهترشدن دسترسی به برخی قطعات باشد.
• رشد تقاضای دیتاسنترها: سرمایه‌گذاری شرکت‌ها و میزان استفاده از خدمات هوش مصنوعی بر تعادل عرضه و تقاضا اثر می‌گذارد.

در نهایت، ممکن است کمبود از یک قطعه به قطعه دیگری منتقل شود. به همین دلیل، بررسی کل زنجیره تأمین تصویر دقیق‌تری از آینده بازار ارائه می‌دهد.

❓ پرسش‌های متداول درباره کمبود سخت‌افزار هوش مصنوعی

کمبود سخت‌افزار هوش مصنوعی تا چه سالی ادامه دارد؟

لیپ‌بو تان، مدیرعامل اینتل، پیش‌بینی کرده است که این صنعت طی دو تا سه سال آینده همچنان با محدودیت عرضه روبه‌رو باشد. اگر این بازه را از اکتبر ۲۰۲۶ محاسبه کنیم، به حدود سال‌های ۲۰۲۸ تا ۲۰۲۹ می‌رسیم؛ اما این تاریخ، زمان قطعی پایان کمبود نیست.

کدام قطعات بیشتر در معرض محدودیت عرضه هستند؟

شتاب‌دهنده‌های هوش مصنوعی، حافظه HBM، ظرفیت تولید تراشه‌های پیشرفته و فناوری‌های بسته‌بندی تخصصی از بخش‌های مهم این زنجیره هستند. تجهیزات سرور، شبکه و زیرساخت دیتاسنتر نیز می‌توانند بر سرعت توسعه مراکز پردازشی اثر بگذارند.

چرا شرکت‌ها نمی‌توانند سریع‌تر تراشه تولید کنند؟

ساخت تراشه‌های پیشرفته به کارخانه‌ها و تجهیزات تخصصی، فرایندهای دقیق، مواد اولیه مناسب و کنترل کیفیت نیاز دارد. افزایش ظرفیت تولید و رسیدن به بازده مناسب زمان‌بر است. علاوه بر این، ساخت تراشه تنها یکی از مراحل تولید شتاب‌دهنده نهایی محسوب می‌شود.

آیا کمبود سخت‌افزار هوش مصنوعی باعث افزایش قیمت کارت گرافیک می‌شود؟

چنین احتمالی را نمی‌توان به‌طور کامل رد کرد، اما افزایش قیمت همه کارت‌های گرافیک نتیجه قطعی این هشدار نیست. بازار کارت‌های گرافیک مصرفی با بازار شتاب‌دهنده‌های دیتاسنتری تفاوت دارد و قیمت نهایی به موجودی، هزینه تولید، تقاضا و سیاست شرکت‌ها وابسته است.

آیا کمبود سخت‌افزار مانع پیشرفت هوش مصنوعی می‌شود؟

محدودیت عرضه می‌تواند هزینه توسعه زیرساخت را افزایش دهد یا راه‌اندازی بعضی پروژه‌ها را به تأخیر بیندازد، اما لزوماً به توقف پیشرفت هوش مصنوعی منجر نمی‌شود. بهینه‌سازی مدل‌ها، استفاده از سخت‌افزارهای متنوع و افزایش ظرفیت تولید می‌توانند بخشی از فشار را کاهش دهند.

📝 جمع‌بندی؛ چرا کمبود سخت‌افزار هوش مصنوعی به مسئله‌ای بلندمدت تبدیل شده است؟

هشدار مدیرعامل اینتل نشان می‌دهد که رشد صنعت هوش مصنوعی همچنان با چالش‌های جدی در زنجیره تأمین روبه‌رو است. تقاضای بالای پردازش، محدودیت تولید تراشه‌های پیشرفته، نیاز به حافظه HBM و پیچیدگی بسته‌بندی تخصصی باعث شده‌اند افزایش عرضه سخت‌افزار به فرایندی زمان‌بر تبدیل شود.

بااین‌حال، کمبود سخت‌افزار هوش مصنوعی را نباید بحرانی یکسان برای تمام قطعات و محصولات دانست. وضعیت هر بخش به ظرفیت تولید، سفارش‌های بازار و سرعت رشد تقاضا وابسته است. افزایش ظرفیت کارخانه‌ها و بهبود فرایندهای تولید می‌تواند به کاهش محدودیت‌ها کمک کند، اما زمان دقیق رسیدن بازار به تعادل مشخص نیست.

برای شرکت‌های فناوری، استفاده کارآمدتر از منابع پردازشی و انتخاب سخت‌افزار متناسب با نیاز اهمیت بیشتری پیدا می‌کند. برای کاربران عادی نیز بهتر است تصمیم خرید بر اساس قیمت و موجودی محصول موردنظر گرفته شود، نه صرفاً بر پایه یک پیش‌بینی کلی درباره آینده بازار.

در نهایت، سال‌های پیش رو مشخص خواهند کرد که افزایش ظرفیت تولید تا چه اندازه می‌تواند با رشد تقاضای هوش مصنوعی هماهنگ شود. تا آن زمان، حافظه، بسته‌بندی و زیرساخت تولید در کنار خود پردازنده‌ها از مهم‌ترین بخش‌هایی هستند که باید برای درک آینده بازار سخت‌افزار هوش مصنوعی زیر نظر داشت.

برای اخبار و مطالب بیشتر هوش مصنوعی، اینجا کلیک کنید.

جدیدترین اخبار سخت‌افزار را اینجا دنبال کنید.

برای مشاهده مطالب بیشتر کلیک کنید…