8 دقیقه
مدیرعامل پیشین اینتل، پت گِلسینگر، با طرح این ادعا که یک دستاورد محاسبات کوانتومی ممکن است هیجان فعلی پیرامون هوشمصنوعی را تضعیف کند، بار دیگر دنیای فناوری را به گفتگو واداشته است — و او هشدار داده که GPUها، ستون فقرات بسیاری از پشتههای فعلی هوشمصنوعی، ممکن است در طول این دهه جایگاه خود را از دست بدهند.
چرا گِلسینگر معتقد است کوانتوم میتواند ترکیب کارتها در هوشمصنوعی را بازآرایی کند
در گفتوگویی گسترده با Financial Times، گِلسینگر محاسبات کوانتومی را بخشی از یک «تثلیث» جدید محاسباتی دانست که در کنار سیستمهای کلاسیک و سیستمهای مبتنی بر هوشمصنوعی قرار میگیرد. او با استناد به نقش خود در شرکت سرمایهگذاری Playground Global و برخورد مستقیم با پژوهشهای کوانتومی، اشاره کرد که کیوبیتها میتوانند روشهای مبتنی بر GPU را خیلی سریعتر از آنچه بسیاری انتظار دارند منسوخ کنند.
دیدگاه گِلسینگر چالشبرانگیز است: او تحول را نه به شکل تدریجی بلکه بهصورت جهشی و نسبتاً سریعی محتمل میداند، بهویژه اگر دستاوردی معنادار در محاسبات کوانتومی رخ دهد. او هشدار داد که این تغییر میتواند حباب سرمایهگذاری در هوشمصنوعی را که حول محاسبات پرهزینه GPU و افزایش مقیاس مدلها شکل گرفته، تا حد زیادی تخلیه کند — مخصوصاً در حوزههایی که ارزیابیهای تجاری بر پایهٔ برتری بیبدیل این تراشهها استوار است.
این گزاره شامل چند مؤلفهٔ فنی و اقتصادی است: اولاً فرض بر این است که محاسبات کوانتومی در الگوریتمها یا بارهای کاری خاص بتواند مزیت محاسباتی واقعی ارائه دهد؛ ثانیاً بازار و سرمایهگذاران باید پذیرای انتقال سریع سرمایه به سمت فناوری جدید باشند؛ و ثالثاً سازندگان سختافزار و سرویسدهندگان ابری باید توان و انگیزهٔ لازم برای بازسازی اکوسیستم را داشته باشند. در همهٔ این سطوح، اثرات بر شبکهٔ تأمین، مراکز داده، و بازار کار مهندسی قابلتوجه خواهد بود.
آیا شوک دو ساله رخ میدهد یا تحول دههها طول میکشد؟ بحث داغتر میشود
در مورد زمانبندی تحول، نظرات متفاوت است. جنسن هوانگ، مدیرعامل Nvidia، قبلاً گفته که ورود گستردهٔ کوانتوم به جریان اصلی ممکن است دههها طول بکشد. اما گِلسینگر برعکس، احتمال یک افق زمانی بسیار کوتاهتر را مطرح کرده است. فارغ از این اختلاف بر سر زمان، هر دو دیدگاه در یک نکته مشترکاند: دههٔ پیشِ رو برای محاسبات تعیینکننده خواهد بود.
علت اهمیت زمانبندی روشن است: توسعهٔ هوشمصنوعی کنونی تا حد زیادی متکی به GPUها برای آموزشِ مدلها و اجرای استنتاج است. اگر سامانههای کوانتومی برای برخی از بارهای کاری مزایای واقعی و اقتصادی ارائه دهند — مثلاً در بهینهسازیهای پیچیده، شبیهسازیهای مولکولی یا رمزگشایی الگوریتمی — سرمایهها به سرعت بازتوزیع خواهند شد و شرکتهایی که حول اکوسیستم GPU شکل گرفتهاند ناچارند مدل کسبوکار یا معماری فنی خود را بازنگری کنند یا با فشار بازار مواجه شوند.
اهمیت زمانبندی بیش از این است که صرفاً سؤال «چه زمانی» مطرح شود؛ بلکه پرسشهای مرتبط با هزینهٔ مهاجرت، استانداردسازی، امنیت و قابلیت اعتماد به سیستمهای کوانتومی نیز مطرح میشوند. مهاجرت از اکوسیستمهای مبتنی بر GPU به پلتفرمهای کوانتومی نه تنها به جایگزینی سختافزار محدود نمیشود، بلکه نیازمند تغییر در استک نرمافزاری، الگوریتمها، ابزارهای توسعه، و آموزش نیروی انسانی است. بنابراین حتی اگر یک پیشرفت فنی چشمگیر رخ دهد، تحقق کامل اثرات آن در بازار به مجموعهای از عوامل همزمان وابسته است.
انعکاس در صنعت: مایکروسافت، OpenAI و بازیهای قدیمی نرمافزاری
گِلسینگر همچنین رابطهٔ تاریخی را مورد اشاره قرار داد و شراکت مایکروسافت و OpenAI را با اتحاد بیل گیتس و IBM در دههٔ 1990 مقایسه کرد. او OpenAI را بهعنوان یک شریکی توزیعی توصیف کرد که از ظرفیت عظیم محاسباتی مایکروسافت بهره میبرد — یادآوری این نکته که قراردادهای استراتژیک ابری و محاسباتی تعیین میکنند کدام فناوریها در بازار پیروز میشوند، نه صرفاً آنچه در آزمایشگاه عملکرد بهتری دارد.
این مقایسه به ما یادآوری میکند که پیروزی در میدان فناوری تنها محصول برتری فنی نیست؛ شبکههای توزیع، دسترسی به سرمایهٔ کلان، مهارت در بازاریابی و قراردادهای کلان با شرکتهای ابری نیز نقش حیاتی دارند. در نتیجه، حتی اگر کوانتوم در زمینهٔ برخی از مسائل مزیت ارائه کند، پذیرش تجاری آن بستگی به قراردادهای شرکای بزرگ، اکوسیستم نرمافزاری، و توانایی شرکتها در ارائه راهحلهای عملی و قابلاعتماد دارد.
از منظر سرمایهگذاری، بازیگران بزرگ ابر مانند مایکروسافت یا آمازون میتوانند با تضمین ظرفیت محاسباتی و خدمات مدیریتشده، سرعت پذیرش فناوریهای جدید را تسریع یا کند کنند. این واقعیت نشان میدهد که استراتژیهای شرکتها و توافقات تجاری میتوانند همعرض (و گاهی فراتر از) مزیتهای مطلق تکنیکی باشند.
داستان داخلی اینتل: انضباط، تأخیرها و پروندهٔ 18A
گفتوگو تنها معطوف به کوانتوم نبود. گِلسینگر با صراحت در مورد دوران مدیریتی خود در اینتل نیز صحبت کرد و دورهای را توصیف کرد که به گفتهٔ او «انضباطهای پایه» از بین رفته بود. او به گزارشگران Financial Times گفت که در پنج سال پیش از بازگشتش، هیچ یک از محصولات اینتل طبق زمانبندی تعیینشده عرضه نشده بود — فروپاششی که او میگفت عمق بیشتری از آنچه انتظار داشت داشته است.
از جمله قربانیان این بینظمی، گرهٔ جاهطلبانهٔ 18A اینتل بود. گِلسینگر گفت که اگرچه او به رهبری وعده داده بود که در یک بازهٔ پنجساله 18A را تحویل دهد، مشکلات سازمانی و تأخیرها باعث شد شرکت اهداف داخلی خود را از دست بدهد. پس از ترک او، مدیرعامل جدید تصمیم گرفت پروژه را در همان بازه زمانی متوقف کند؛ تصمیمی که نشان میدهد نقشههای فنی و تغییرات رهبری میتوانند سرنوشت یک سازندهٔ تراشه را به سرعت تغییر دهند.
این روایت بر اهمیت مدیریت عملیات تولید نیمههادی، تضمین زنجیرهٔ تأمین، و برنامهریزی واقعبینانه تأکید میکند. در صنعتی که چرخهٔ توسعهٔ محصول و سرمایهگذاریهای زیرساختی طولانی و پرهزینه است، فقدان انضباط اجرایی میتواند آثار بلندمدت و فراتر از چند نسل محصول داشته باشد. تجربهٔ اینتل در این مورد برای شرکتها و سرمایهگذاران یادآور اهمیت تراز میان نوآوری تکنیکی و قابلیت اجرای عملیاتی است.
این حرفها برای فناوران و سرمایهگذاران چه معنایی دارد
چه شما پژوهشگر باشید، چه مهندس، یا سرمایهگذار، اظهارنظرهای گِلسینگر یادآوری میکند که باید همزمان بر چند محور فناوری نظارت داشت. هوشمصنوعی امروز به شدت به اقتصاد GPU و مقیاس مراکز داده وابسته است. محاسبات کوانتومی احتمال میدهد برخی از پراستنزاییترین مسائل محاسباتی روی بستر متفاوتی بازتعریف شوند و برندگان و بازندگان را در میان تولیدکنندگان سختافزار، ارائهدهندگان ابر، و فراهمکنندگان پلتفرمهای هوشمصنوعی جابهجا کند.
بهعنوان مثال، تصور کنید دنیایی را که در آن برخی مسایل بهینهسازی یا شبیهسازیها بهطرزی طبیعیتر توسط دستگاههای کوانتومی حل شوند — چنین آیندهای ساختار پشتههای نرمافزاری، تصمیمات خرید سازمانی، و شرطبندیهای استراتژیک را تغییر خواهد داد. توسعهدهندگان نرمافزار باید الگوریتمها و کتابخانههای خود را برای تعامل با موتورهای کوانتومی یا هیبریدی بازطراحی کنند؛ مراکز داده باید معماریهای جدیدی برای ترکیب منابع کلاسیک و کوانتومی توسعه دهند؛ و مدیریت ریسک سرمایهگذاران نیازمند بازتعریف معیارهای ارزیابی پروژهها خواهد بود.
برای تیمهای تحقیقاتی و مهندسی توصیههای عملی عبارتاند از: سرمایهگذاری در آموزش و مهارتهای کوانتومی-کلاسیک، پیادهسازی آزمایشی الگوریتمهای هیبریدی، و پیگیری استانداردهای در حال شکلگیری برای امنیت و قابلیت اعتماد کوانتومی. برای سرمایهگذاران، پیشنهاد میشود سبد سرمایهگذاری را طوری ساختاربندی کنند که در برابر سناریوهای مختلف فناوری مقاومت داشته باشد؛ از جمله اختصاص سهمی به استارتاپهای کوانتومی، سازندگان سختافزار مقاوم، و ارائهدهندگان سرویسهای ابری که قابلیت تکامل به سمت معماریهای هیبریدی را دارند.
حرف آخر: بحث بر سر زمانبندی ادامه دارد، اما صدای گِلسینگر، با پشتوانهٔ سوابق صنعتی و تماس مستقیم با استارتاپهای کوانتومی، وزن بیشتری به این نکته میدهد که باید برای شگفتیهای مخرب آماده بود. ترکیب این آمادگی شامل رصد فناوریهای نوظهور، بازآموزی نیروی انسانی، و انعطافپذیری در برنامهریزی کسبوکار است؛ آمادهسازیای که میتواند تفاوت میان موفقیت و از دست دادن بازار در دههٔ آینده باشد.
منبع: wccftech
ارسال نظر