6 دقیقه
شرکت ByteDance، مالک چینی اپلیکیشن پرطرفدار TikTok، طبق گزارشها در حال آمادهسازی خریدی گسترده از پردازندههای هوش مصنوعی شرکت NVIDIA است؛ اقدامی که در چارچوب توسعه سریع فعالیتهای این شرکت در زمینه هوش مصنوعی مولد صورت میگیرد. براساس گزارشها، ByteDance قصد دارد در سال ۲۰۲۶ حدود ۱۰۰ میلیارد یوان (معادل تقریبی ۱۴ میلیارد دلار) را برای خرید کارتهای گرافیکی NVIDIA H200 اختصاص دهد، مبلغی که به موجودی عظیم سختافزاری NVIDIA این شرکت افزوده خواهد شد. این تصمیم نشاندهنده تمرکز مجدد روی ظرفیتهای آموزش مدلهای هوش مصنوعی و زیرساختهای مرکز داده است که از اجزای کلیدی اجرای راهکارهای نسل بعدی هوش مصنوعی به شمار میآیند.
چرا GPUهای NVIDIA هنوز اهمیت دارند
در نگاه نخست این اقدام ممکن است متناقض به نظر برسد: از یک سو ByteDance در همکاری با شرکتهایی مانند Broadcom و TSMC در حال توسعه تراشههای بومی است، و از سوی دیگر همچنان به خرید انبوه واحدهای GPU خارجی ادامه میدهد. کلید فهم این پارادوکس در نحوه استفاده متفاوت از انواع تراشهها نهفته است. کارتهای NVIDIA مدل H200 و نمونههای مشابه برای بارهای کاری سنگین آموزش (training) بهینهسازی شدهاند؛ کارهایی که روی ساخت مدلهای پایه (foundation models) متمرکز بوده و نیازمند توان محاسباتی بسیار بالا، حافظه سریع و قابلیتهای ارتباطی پیشرفته بین شتابدهندهها هستند. در مقابل، تراشههای بومی داخلی معمولاً برای استنتاج (inference) طراحی میشوند، به این معنی که اجرای مدلهای از پیش آموزشدیده در سطح برنامههایی نظیر TikTok را با بهرهوری انرژی و هزینه کمتر بر عهده میگیرند.
حتی با وجود طرحهای داخلی جاهطلبانه که انتظار میرود در سال ۲۰۲۶ محصولات قابلتوجهی عرضه کنند، جایگزینی کامل GPUها برای فرآیند آموزش مدلهای بزرگ در کوتاهمدت بعید به نظر میرسد. معماریهایی مانند Hopper/NVIDIA H200 که بهخاطر قابلیتی مانند طراحی برای محاسبات با دقت مختلط، پهنای باند حافظه بالا و اکوسیستم نرمافزاری بالغ (CUDA، cuDNN و کتابخانههای مربوط به توزیع آموزش) شناخته میشوند، همچنان در مرحله آموزش مدلهای عظیم برتری فنی قابلتوجهی دارند. بنابراین، استراتژی ByteDance ترکیبی از سختافزار اختصاصی برای استنتاج و GPUهای سطح بالا برای آموزش است؛ رویکردی هیبرید که توازن میان هزینه، عملکرد و کنترل را هدف قرار میدهد و امکان نوآوری سریع در الگوریتمها و مدلها را فراهم میسازد.
این شرکت پیشتر نیز نشان داده است که آمادگی سرمایهگذاری گسترده در سختافزار خارجی را دارد. در سال ۲۰۲۵ گزارشهایی منتشر شد مبنی بر اینکه ByteDance حدود ۸۵ میلیارد یوان را در تراشههای NVIDIA سرمایهگذاری کرده است. با ارزش بازاری در حدود نیم تریلیون دلار و محصولی مانند TikTok که در عمل یک موتور عظیم استنتاج محسوب میشود — موتور پیشنهاد محتوا، تحویل تبلیغات، و مدیریت محتوا در مقیاس بسیار وسیع — شرکت نیازمند ظرفیتهای هم برای آموزش و هم برای سرویسدهی است. در نتیجه، ترکیب ظرفیت آموزشی بالا (GPUهای NVIDIA) با سختافزار بهینهسازیشده برای استنتاج، به ByteDance اجازه میدهد تا مدلهای مولد و سامانههای توصیهگر را با سرعت توسعه، تست و مقیاسبندی کند و تجربه کاربری را بهبود دهد.
سیاست، قوانین صادرات و راهکارهای عملیاتی
این معامله در پی تغییراتی در سیاست ایالات متحده انجام میشود: واشینگتن اخیراً فروش پردازندههای NVIDIA H200 (بر پایه معماری قدیمیتر Hopper) به چین را مجاز دانسته است. این تغییر در فرآیند مقرراتی، راه را برای خریدهایی باز کرده که پیشتر زیر محدودیتهای گستردهتر کنترل صادرات قرار داشتند. از منظر پکن، موضع محتاطانهای اتخاذ شده و مقامات در گفتوگو با شرکتهای فناوری محلی در حال ارزیابی نیازها و ریسکهای موجود بودهاند، در حالی که همزمان فشار شدیدی برای دستیابی به خودکفایی در فناوری مراکز داده و تراشههای تخصصی اعمال میکنند.
ByteDance همچنین اقداماتی برای کاهش ریسکهای ژئوپلیتیکی برداشته است. حدود یک سال پیش این شرکت شروع به اجاره ظرفیت ابری خارج از چین کرد؛ راهکاری عملی که با هدف حفظ تداوم سرویسها و توسعه مدلها در شرایط وجود تحریمها و محدودیتهای صادراتی پیاده شد. این اقدام نشاندهنده یک استراتژی چندلایه است: حفظ دسترسی به فناوریهای پیشرفته خارجی وقتی لازم است، در کنار سرمایهگذاری و توسعه منابع داخلی برای کاهش وابستگی بلندمدت. ترکیب استفاده از ابرهای بینالمللی، مراکز داده داخلی و سختافزار سفارشی، چارچوبی انعطافپذیر برای مقابله با عدم قطعیتهای سیاسی فراهم میآورد.
در نهایت، خرید گسترده NVIDIA توسط ByteDance پاسخی عملی به یک نیاز فنی فوری است: ظرفیت عظیم و نسبتاً مقرونبهصرفه GPU برای آموزش سریع و مکرر مدلهای هوش مصنوعی. این نیاز، حتی وقتی شرکت در حال توسعه تراشههای استنتاج داخلی است، پابرجا خواهد بود؛ زیرا آموزش مدلهای پایه بزرگ نیازمند حافظه و شبکه بین شتابدهندهای است که در حال حاضر توسط اکوسیستم NVIDIA و همکارانش بهتر پشتیبانی میشود. علاوه بر این، سرمایهگذاری در GPUهای خارجی امکان دسترسی به ابزارهای نرمافزاری بالغ، زنجیره تأمین آماده و تجارب عملیاتی گسترده را فراهم میآورد که در کوتاهمدت به افزایش سرعت نوآوری و بهبود کیفیت مدلها کمک میکند.
از منظر فنی، مواردی مانند پهنای باند حافظه HBM، قابلیتهای ارتباطی NVLink/NIC، پشتیبانی از توزیع مقیاسپذیر آموزش (Distributed Training)، و اکوسیستم نرمافزاری مانند CUDA، TensorRT و کتابخانههای بهینهسازی، همچنان دلایلی قوی برای تکیه بر GPUهای پیشرفته فراهم میکنند. از منظر اقتصادی نیز، سفارشهای حجیم به تولیدکنندگان خارجی میتواند در کوتاهمدت هزینههای هر واحد را کاهش دهد و زمان دسترسی به ظرفیت محاسباتی را کوتاهتر سازد؛ چیزی که برای شرکتهایی با نیازهای پویا و رشد سریع مانند ByteDance اهمیت حیاتی دارد.
در سطح بازار و رقابت، این حرکت ByteDance سیگنالی قوی به دیگر بازیگران حوزه فناوری و هوش مصنوعی ارسال میکند: حتی شرکتهایی که روی توسعه تراشههای داخلی سرمایهگذاری میکنند، در بلندمدت احتمالاً به ترکیبی از سختافزار داخلی و خارجی متکی خواهند بود تا هم انعطافپذیری داشته باشند و هم از مزیتهای رقابتی زمانبندی و هزینه بهرهمند شوند. برای ناظران بازار، پیگیری روندهای سرمایهگذاری در سختافزارهای AI، سیاستهای صادراتی، و نوآوریهای معماری تراشه، نمایی روشنتر از مسیر توسعه هوش مصنوعی در سطح جهانی ارائه میدهد.
منبع: smarti
ارسال نظر