Նախքան ԱՄՆ-ում IPO-ն՝ բրիտանական Nscale AI-ը ներգրավել է 3,36 մլրդ դոլարի ֆինանսավորում

Գեներատիվ արհեստական բանականության (AI) стընթաց արագացումը տեսական հիփից անցում է կատարել դեպի կապիտալ ծախսերի ագրեսիվ աճի փուլ։ Գործարար ղեկավարների համար հարցն այլևս միայն այն չէ, թե որ մոդելը կիրառել, այլ այն, թե որտեղ կտեղակայվեն հիմնարար հաշվարկային հզորությունները (compute): Վերջերս բրիտանական Nscale AI նեոամպային (neocloud) մատակարարի կողմից 3,36 միլիարդ դոլարի փոխարկելի ֆինանսավորում ստանալու մասին հայտարարությունը, որին աջակցում են ոլորտի այնպիսի հսկաներ, ինչպիսիք են Third Point-ը և Nvidia-ն, հստակ ազդանշան է, որ «հաշվարկային հզորությունների սպառազինությունների մրցավազքը» թևակոխում է նոր՝ արդյունաբերական մասշտաբի փուլ։

Կապիտալի այս հսկայական ներհոսքը նախատեսված է մասնագիտացված տվյալների կենտրոնների կառուցման համար, որոնք նախագծված են հատուկ խոշոր լեզվական մոդելների (LLM) և բաշխված AI աշխատանքային ծանրաբեռնվածության եզակի, բարձր ինտենսիվության պահանջների համար։ Մինչ ձեռնարկությունները բախվում են հանրային ամպային ծառայությունների գնագոյացման և ուշացումների (latency) սահմանափակումներին, «նեոամպի» վերելքը թվային ենթակառուցվածքների ռազմավարության մեջ առանցքային շրջադարձ է նշանակում։

Տեղաշարժ դեպի ուղղահայաց ինտեգրված ենթակառուցվածքներ

Ամպային ծառայությունների ավանդական մատակարարները վաղուց գերիշխում են շուկայում՝ առաջարկելով ընդհանուր նշանակության հաշվարկային հզորություններ: Այնուամենայնիվ, AI-ի եզակի ճարտարապետական պահանջները՝ հատկապես զանգվածային զուգահեռ մշակումը և բարձր թողունակությամբ միացումները, բացահայտեցին «մեկ չափսը բոլորի համար» մոտեցման անարդյունավետությունը:

Nscale-ի ռազմավարությունը արտացոլում է աճող միտումը՝ «AI-native» (AI-ի համար նախատեսված) ամպային միջավայրերի առաջացումը։ Կառուցելով տվյալների կենտրոններ՝ ի սկզբանե հարմարեցված բարձր խտության GPU կլաստերների համար՝ Nscale-ի նման ընկերությունները փորձում են լուծել մատակարարման շղթայի այն խոչընդոտները, որոնք խոչընդոտում են AI-ի ներդրմանը։ Գործարար ղեկավարների համար սա անմիջական ազդեցություն ունի շահութաբերության վրա.

• Ծախսերի կանխատեսելիություն. AI-ի համար նախատեսված հատուկ ամպային համակարգերը հաճախ առաջարկում են ավելի թափանցիկ և բարձր արդյունավետությամբ գնագոյացման մոդելներ՝ համեմատած հիպերսքեյլերների բարդ ելքային վճարների (egress fees) և տատանվող սփոթ-գնային (spot-instance) առաջարկների:
• Արդյունավետության օպտիմալացում. Մոդելների ուսուցման և ինֆերենսի (եզրակացությունների) ժամանակ ուշացումների կրճատումն ուղղակիորեն հանգեցնում է AI գործակալների և ավտոմատացված աշխատանքային հոսքերի ներդրման ավելի արագ ցիկլերի:
• Սուվերեն AI-ի մասշտաբայնություն. Քանի որ ընկերությունները ձգտում են իրենց սեփական տվյալները պահել որոշակի իրավասությունների սահմաններում, տարածաշրջանային նեոամպերը կենսունակ միջին տարբերակ են հանդիսանում հանրային ամպերի և թանկարժեք սեփական սերվերային ենթակառուցվածքների (on-premises) միջև:

Nvidia-ի մասնակցությունը հատկապես խոսուն է։ Այն ընդգծում է ռազմավարական շահագրգռվածությունը՝ երաշխավորելու, որ հիմքում ընկած ապարատային էկոհամակարգին աջակցեն այնպիսի ենթակառուցվածքներ, որոնք կարող են առավելագույնի հասցնել GPU-ի օգտագործումը: Երբ ապարատային ծախսերը կազմում են AI նախագծի կապիտալ ծախսերի մեծ մասը, օպտիմալացված ամպային միջավայր գտնելն այլևս պարզապես IT խնդիր չէ, այն ներդրումների վերադարձի (ROI) վերլուծության հիմնական բաղադրիչն է։

Թվային վերափոխման վերաիմաստավորումը հաշվարկային հզորությունների դարաշրջանում

Ձեռնարկությունների համար մասնագիտացված հաշվարկային ռեսուրսների հասանելիությունը թվային վերափոխման համապարփակ ռազմավարության մեջ պակասող օղակն է: Շատ կազմակերպություններ փորձարկել են AI-ի վրա հիմնված Հաճախորդների հետ հարաբերությունների կառավարման (CRM) համակարգեր կամ բարդ ավտոմատացման խողովակաշարեր, սակայն բախվել են սահմանափակումների՝ դրանք ամբողջ ձեռնարկությունում մասշտաբայնացնելու փորձերի ժամանակ։

Երբ ենթակառուցվածքը դառնում է «շշի պարանոց», նորարարությունը կանգ է առնում: Նեոամպային նախագծերում ներդրված միլիարդները վկայում են այն մասին, որ մենք շարժվում ենք դեպի մի ապագա, որտեղ հաշվարկային հզորությունը դիտարկվում է որպես ապրանք, որը կարող է դինամիկ կերպով տրամադրվել հատուկ, բարձր արժեք ունեցող խնդիրների համար: Այս տեղաշարժը հնարավորություն է տալիս կազմակերպչական մի շարք կարևոր առաջընթացների.

• Բարդ AI գործակալների տեղակայում. Պարզ չաթ-բոտերից այն կողմ՝ ընկերություններն այժմ ձգտում են տեղակայել ինքնավար AI գործակալներ, որոնք կարող են կառավարել բիզնես գործընթացներն ամբողջությամբ՝ մատակարարման շղթայի լոգիստիկայից մինչև իրական ժամանակի ֆինանսական հաշվետվություններ: Դրանք պահանջում են կայուն և անընդհատ աշխատող ենթակառուցվածք:
• Տվյալների իրական ժամանակի մշակում. Ավտոմատացումը նույնքան լավն է, որքան այն տվյալները, որոնք այն օգտագործում է: Օգտագործելով մասնագիտացված ամպային միջավայրեր՝ ընկերությունները կարող են մշակել հոսքային տվյալները և ավտոմատացված արձագանքներ գործարկել ոչ թե րոպեների, այլ միլիվայրկյանների ընթացքում:
• Մոդելների արագացված ճշգրտում (Fine-tuning). Ձեռնարկությունները գնալով հեռանում են ընդհանուր մոդելներից՝ դեպի իրենց սեփական մասնավոր տվյալների վրա հիմնված մոդելների ճշգրտումը: Այս գործընթացը հաշվարկային առումով ծախսատար է և պահանջում է բարձր արդյունավետության այն մատչելիությունը, որը նպատակ ունեն ապահովել նեոամպերը:

Ձեռնարկության հաշվարկային ռազմավարության ապագան

Ներդրումների այս հսկայական մասշտաբը հասունացող AI շուկայի նախանշանն է: Գործար