در رویداد GTC 2025 شرکت NVIDIA در روز سهشنبه، این شرکت مجموعهای از پیشرفتهای جدید را در زمینه سختافزار هوش مصنوعی (Artificial Intelligence)، ابررایانههای شخصی، خودروهای خودران و رباتهای انساننما ارائه کرد. علاوه بر این، این رویداد با حضور یک مهمان غیرمنتظره، تغییری غیرمنتظره داشت.
مطمئناً، اگر پت گلسینگر هنوز مدیرعامل اینتل بود، هیچ راهی نداشت که او را در حال معاشرت با جنسن هوانگ (Jensen Huang)، مدیرعامل NVIDIA، در یک رویداد NVIDIA ببینند. با این حال، گلسینگر قطعا خودداری نکرد و چند برداشت قوی از صنعت ارائه داد.
او در یک میزگرد در کنار میزبانان پادکست Acquired و چند کارشناس دیگر صنعت شرکت کرد. در حالی که گلسینگر از دستاوردهای NVIDIA در عصر حاضر هوش مصنوعی استقبال کرد، با هوانگ در مورد مسائل کلیدی خاصی اختلاف نظر داشت - به طور خاص، جدول زمانی برای ورود محاسبات کوانتومی (quantum computing) و استفاده از واحدهای پردازش گرافیکی (GPU) برای استنتاج.
"مراکز داده دارای واحدهای پردازش مرکزی (CPU)، واحدهای پردازش گرافیکی (GPU) و واحدهای پردازش کوانتومی (QPU) خواهند بود"
گلسینگر، که به طور قابل توجهی نسبت به محاسبات کوانتومی خوشبین است، اظهار داشت که میتواند در چند سال آینده محقق شود.
این در تضاد با اظهارات هوانگ در اوایل سال جاری است، جایی که او گفت که آوردن "رایانههای کوانتومی بسیار مفید" به بازار میتواند بین ۱۵ تا ۳۰ سال طول بکشد. اظهارات او باعث فروش گسترده در بخش محاسبات کوانتومی شد و تقریباً ۸ میلیارد دلار از ارزش بازار را از بین برد.
گلسینگر گفت: "من با جنسن مخالفم" و افزود که مراکز داده آینده دارای واحدهای پردازش کوانتومی (QPU) خواهند بود که وظایف را همراه با واحدهای پردازش گرافیکی (GPU) و واحدهای پردازش مرکزی (CPU) انجام میدهند.
مشابه نحوه استقرار واحدهای پردازش گرافیکی (GPU) برای انجام وظایف برای آموزش مدلهای هوش مصنوعی (AI) در زبان و رفتار انسانمانند، گلسینگر معتقد است که داشتن یک مدل محاسبات کوانتومی (quantum computing) فقط برای بخشهای پیچیده بشریت مناسب است. وی گفت: "جالبترین چیزها در بشریت اثرات کوانتومی هستند."
وی افزود که بسیاری از مشکلات حل نشده امروزی بر روی اثرات کوانتومی اجرا میشوند و رایانههای کوانتومی به تحقق بسیاری از ایدهها مانند ابررسانایی، مواد کامپوزیتی، برودتشناسی و پیشرفتهای پزشکی و غیره کمک میکنند.
او گفت: "به همین دلیل است که این یک زمان هیجانانگیز برای یک متخصص فناوری است. فقط آرزو میکنم ۲۰ سال جوانتر بودم تا کارهای بیشتری انجام دهم."
در حالی که گلسینگر با هوانگ متفاوت است، اما دیدگاه خوشبینانهای را با بیل گیتس (Bill Gates)، بنیانگذار مایکروسافت، و گوگل (Google) به اشتراک میگذارد.
گیتس به یاهو فایننس گفت: "این احتمال وجود دارد که او (هوانگ) اشتباه کند. این احتمال وجود دارد که در سه تا پنج سال آینده، یکی از این تکنیکها بتواند بیتهای کوانتومی منطقی واقعی کافی برای حل برخی از مشکلات بسیار سخت به دست آورد."
علاوه بر این، حتی مایکروسافت و آمازون (Amazon) نیز در سه ماهه اول سال، گامهای بزرگی در محاسبات کوانتومی (quantum computing) برداشتهاند. از طرف دیگر، مارک زاکربرگ (Mark Zuckerberg)، مدیرعامل متا (Meta)، با هوانگ طنینانداز شد. زاکربرگ چند ماه پیش در یک قسمت از پادکست گفت: "درک من این است که [محاسبات کوانتومی] هنوز با تبدیل شدن به یک پارادایم بسیار مفید فاصله دارد."
از قضا، به نظر میرسد NVIDIA برنامههای بزرگی برای محاسبات کوانتومی (quantum computing) دارد. این شرکت در رویداد GTC اعلام کرد که در حال ساخت یک مرکز تحقیقاتی در بوستون برای پیشبرد محاسبات کوانتومی (quantum computing) است.
"هوانگ با هوش مصنوعی خوش شانس بود"
علاوه بر این، گلسینگر تصریح کرد که از واحدهای پردازش گرافیکی (GPU) برای استنتاج مدل هوش مصنوعی (AI) - فرآیندی که در آن یک مدل هوش مصنوعی از پیش آموزش دیده، آموختههای خود را برای تولید خروجی اعمال میکند - طرفدار نیست.
او به روزهای اولیه بازگشت که یک واحد پردازش مرکزی (CPU) یا خوشهای از آنها، "پادشاه تپه" بدون منازع برای اجرای وظایف بر روی سیستمهای کامپیوتری بود. گلسینگر گفت، وقتی هوانگ تصمیم گرفت از یک دستگاه گرافیکی (GPU) برای همین منظور استفاده کند، در پایان، او با هوش مصنوعی "خوش شانس" بود.
در حالی که او تصدیق کرد که الگوریتمهای هوش مصنوعی و یادگیری ماشین (machine learning) معماری واحد پردازش گرافیکی (GPU) را میطلبند، که بیشتر پیشرفتها امروزه در آنجا انجام میشود، همچنین اشاره کرد: "کارهای بیشتری باید انجام شود، و مطمئن نیستم که همه آنها در آینده بر روی واحدهای پردازش گرافیکی (GPU) قرار خواهند گرفت."
گلسینگر افزود: در حالی که واحدهای پردازش گرافیکی (GPU) برای آموزش به خوبی کار میکنند، باید یک راه حل بهینهتر برای استنتاج وجود داشته باشد. "یک واحد پردازش گرافیکی (GPU) بسیار گران است. من استدلال میکنم که ۱۰۰۰۰ برابر گرانتر از آن است که به طور کامل آنچه را که میخواهیم با استقرار استنتاج هوش مصنوعی انجام دهیم، تحقق بخشیم."
احساسات او همچنین توسط اکوسیستم رو به رشد سختافزار ویژه استنتاج منعکس میشود که بر ناکارآمدیهای ناشی از واحدهای پردازش گرافیکی (GPU) غلبه میکند. شرکتهایی مانند Groq، Cerebras و SambaNova نتایج ملموس و مفید دنیای واقعی را برای ارائه استنتاج با سرعت بالا به دست آوردهاند.
به عنوان مثال، استارتآپ هوش مصنوعی فرانسوی Mistral اخیراً برنامه خود را "Le Chat" سریعترین دستیار هوش مصنوعی با استقرار استنتاج بر روی سختافزار Cerebras نامید.
حتی هوانگ نیز در گذشته این موضوع را اذعان کرده است. او سال گذشته در یک قسمت از پادکست گفت که یکی از چالشهای این شرکت ارائه استنتاج کارآمد و با سرعت بالا است. با این گفته، شرکتهایی که روی سختافزار استنتاج هوش مصنوعی کار میکنند، ممکن است اصلاً با NVIDIA رقابت نکنند.
جاناتان راس (Jonathan Ross)، مدیرعامل Groq، گفت: "آموزش باید روی واحدهای پردازش گرافیکی (GPU) انجام شود." او همچنین پیشنهاد کرد که NVIDIA تمام واحدهای پردازش گرافیکی (GPU) را که برای آموزش میسازد، خواهد فروخت.
با در نظر گرفتن همه چیز، اولین حضور گلسینگر پس از استعفا شامل چندین بیانیه قوی بود. با این حال، این موضوع روشن است که او هنوز یک طرفدار بزرگ هوانگ و کاری است که NVIDIA انجام داده است.
وقتی DeepSeek تأثیر قابل توجهی بر قیمت سهام NVIDIA گذاشت، گلسینگر استدلال کرد که واکنش بازار اشتباه بوده است. او همچنین فاش کرد که خریدار سهام NVIDIA است و ابراز داشت که از سود بردن از قیمتهای پایینتر "خوشحال" است.