درون استراتژی گوگل برای بهینه‌سازی اقتصاد محاسباتی مدل‌های زبانی

اگر امروز هزینه‌های عملیاتی مدل‌های هوش مصنوعی را می‌بینید، باید بدانید گوگل برای حذف این هزینه‌ها دست به سخت‌افزاری مخاطره‌آمیز زده است. تراشه جدید این شرکت می‌تواند به ازای هر واحد انرژی، تا ۱۰ برابر بیشتر از سخت‌افزارهای فعلی توکن تولید کند.

این سخت‌افزار که در داخل شرکت Frozen v2 نامیده می‌شود، هدفش افزایش چشمگیر بهره‌وری مدل‌های جمنای (Gemini) است. طبق گزارش نشریه The Information در ۲۰ ژوئیه ۲۰۲۶، این تراشه برای عرضه در سال ۲۰۲۸ برنامه‌ریزی شده است. گوگل در اینجا از استنتاج (Inference) — که مثل خودِ آشپزی است، نه دوره‌ی آموزش آشپز — برای کاهش هزینه‌های هر توکن تولیدشده استفاده می‌کند. این رویکرد مشابه استراتژی شرکت‌های نوظهوری است که برای کاهش وابستگی به سخت‌افزارهای تجاری، بر طراحی تراشه‌های سفارشی برای استنتاج تمرکز کرده‌اند.

همان‌طور که در تحلیل قبلی ما درباره‌ی رقابت سخت‌افزاری غول‌های فناوری اشاره کردیم، تمرکز گوگل اکنون از درگیری‌های داخلی به اقتصاد بی‌رحمانه‌ی محاسبات تغییر یافته است. پیش از این، ما به تنش‌های داخلی گوگل، مانند اعتراض و ترک شرکت دانشجویان استنفورد علیه سوندار پیچای، مدیرعامل گوگل، پرداخته بودیم؛ اما اکنون اولویت شرکت به هزینه‌های سنگین پردازشی تغییر یافته است. برای بقا در عصر «هزینه‌های سنگین AI»، شرکت‌ها باید قیمت هر توکن تولید شده را پایین بیاورند. به همین دلیل، گوگل استراتژی طراحی یکپارچه سخت‌افزار و نرم‌افزار (Full-stack co-design) را پیش گرفته است.

به گزارش TechCrunch، گوگل اگرچه پروژه Frozen v2 را رسماً تایید نکرد، اما تأکید کرد که جست‌وجوی دقیق برای نوآوری‌های جدید، محور اصلی استراتژی آن‌هاست. این تلاش سخت‌افزاری بخشی از یک به‌روزرسانی گسترده‌تر در اکوسیستم است که شامل عرضه مدل‌های Gemini 3.6 Flash و Gemini 3.5 Flash Cyber می‌شود. مدل دومی، یک جایگزین مقرون‌به‌صرفه برای مدل‌های امنیتی مانند Mythos متعلق به شرکت آنتروپیک (Anthropic) است.

بر اساس مستندات فنی، اهداف این سخت‌افزار بسیار بلندپروازانه هستند:

• بهبود بهره‌وری: افزایش ۶ تا ۱۰ برابری توکن در هر وات نسبت به تراشه‌های هوش مصنوعی موجود.
• زمان عرضه: هدف‌گذاری برای انتشار در سال ۲۰۲۸.
• مقیاس سرمایه‌گذاری: گوگل قصد دارد در سال جاری بین ۱۸۰ تا ۱۹۰ میلیارد دلار برای استراتژی AI خود هزینه کند.

این چرخش، یک حرکت دفاعی هوشمندانه برای ترازنامه مالی شرکت آلفابت است. با مالکیت تراشه، گوگل «مالیات انویدیا» (Nvidia tax) را حذف کرده و سخت‌افزار را دقیقاً برای معماری خاص مدل‌های جمنای بهینه می‌کند. این ساختار عموداً یکپارچه (Vertically integrated stack) به آن‌ها اجازه می‌دهد تا مقیاس استنتاج را بدون افزایش خطی در هزینه‌های انرژی گسترش دهند.

رقبای دیگر نیز از همین دستورالعمل پیروی می‌کنند. OpenAI اخیراً پردازشگر استنتاج اختصاصی خود به نام Jalapeño را معرفی کرد و گزارش‌ها حاکی از آن است که آنتروپیک در حال مذاکره با سامسونگ برای ایجاد یک مشارکت در زمینه تولید تراشه است؛ موضوعی که پیش‌تر در خبر همکاری‌های استراتژیک این دو شرکت به تفصیل بررسی شده بود.

گام بعدی شما

• گزارش سوددهی آتی گوگل را برای بررسی اینکه آیا سرمایه‌گذاران همچنان به این چرخش سخت‌افزاری پاداش می‌دهند یا خیر، دنبال کنید.
• رصد کنید که آیا این بهره‌وری در سال ۲۰۲۸ منجر به کاهش قیمت API مدل‌های جمنای برای کاربران می‌شود یا خیر.
• معماری مدل‌های Flash را بررسی کنید تا متوجه شوید چگونه نرم‌افزار هم‌زمان با سخت‌افزار در حال بهینه‌سازی است.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ اثر این تغییرات بر مصرف انرژی مراکز داده را در گزارش بعدی بررسی خواهیم کرد.