پرش به محتوای اصلی
پرش به محتوای مقاله

سیلیکون اختصاصی در برابر سخت‌افزار عمومی برای مدل‌های زبانی بزرگ

·۱۶ مرداد ۱۴۰۵۴ دقیقه مطالعه۱ بازدید
تیم سیلیکون Anthropic برای تولید انبوه و رمپ تولید استخدام می‌کند
تیم سیلیکون Anthropic برای تولید انبوه و رمپ تولید استخدام می‌کند
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

تأیید رسمی تشکیل تیم طراحی تراشه در Anthropic؛ این اولین بار است که این شرکت به‌طور علنی از رویاپردازی درباره‌ی سخت‌افزار به سمت استخدام فعال برای تولید انبوج تراشه‌های ASIC حرکت می‌کند.

تصور کنید برای اجرای یک نرم‌افزار پیشرفته، مجبور باشید از سخت‌افزاری استفاده کنید که برای هزاران کاربر دیگر ساخته شده، نه دقیقاً برای نیازهای شما. این دقیقاً همان چالشی است که Anthropic اکنون با طراحی تراشه‌های اختصاصی خود به جنگ آن رفته است.

در حالی که ساخت سیلیکون سفارشی برای مدل Claude زمانی تنها یک شایعه بود، اکنون طبق آگهی‌های شغلی در پورتال استخدامی این شرکت، Anthropic به‌طور فعال در حال جذب تیمی متخصص است تا یک تراشه را از مرحله‌ی مشخصات اولیه (Blank Specification) تا تولید انبوه و کامل هدایت کنند. این اقدام که در ۵ اوت ۲۰۲۶ در گفتگو با Business Insider و TechCrunch تأیید شد، نشان‌دهنده‌ی چرخش این شرکت به سمت «یکپارچگی عمودی» است. با این حال، شرکت تأکید کرده که همچنان از رویکرد «چند-تراشه‌ای» (Multi-chip approach) پیروی می‌کند؛ یعنی سخت‌افزارهای سایر تأمین‌کنندگان همچنان در استراتژی مقیاس‌پذیری آن‌ها جای دارند و نقش مرکزی را ایفا می‌کنند، حتی در حالی که شرکت در حال توسعه سخت‌افزار خود است.

همان‌طور که در تحلیل قبلی ما درباره‌ی نحوه انتقال پیشگیری از دست دادن داده‌ها (DLP) به داخل نسخه‌ی سازمانی Claude اشاره کردیم، این پیشروی سخت‌افزاری لایه‌ی بعدی از استراتژی این شرکت است. همان‌طور که نرده‌های ایمنی نرم‌افزاری از داده‌های سازمانی محافظت می‌کنند، تراشه‌های اختصاصی نیز قرار است از حاشیه سود و عملکرد شرکت محافظت کنند.

این تغییر شبیه خرید یک کت‌وشلوار آماده در برابر دوخت سفارشی است که دقیقاً بر اساس اندازه شماست. Anthropic با طراحی هم‌زمان سخت‌افزار و مدل، تلاش می‌کند تا استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی در مقابل دوره‌ی آموزش آشپز — را سریع‌تر و بهینه‌تر کند. این تمرکز بر بهینه‌سازی استنتاج، یادآور تلاش‌های شرکت‌های دیگر برای مدیریت پیچیدگی‌های عملیاتی است، مشابه آنچه در خرید شرکت Wallaroo.ai توسط d-Matrix برای حل چالش‌های ارکستراسیون استنتاج مشاهده کردیم.

مدل عملیاتی

این شرکت قصد ندارد یک کارخانه‌ی عظیم و مستقل تراشه‌سازی داخلی بسازد. در عوض، تیمی کوچک را به عنوان «مرجع طراحی» (Design Authority) تشکیل می‌دهد تا شبکه‌ای از شرکای خارجی را مدیریت کند. این برنامه به‌طور ساختاری «شریک-محور» (Partner-heavy by design) است و بر موارد زیر تکیه دارد:

  • تأمین‌کنندگان خدمات طراحی مدار مجتمع کاربردی‌ویژه (ASIC) و فروشندگان مالکیت معنوی (IP).
  • یک کارخانه‌ی تولید تراشه (Foundry) برای ساخت؛ گزارش‌های The Information پیشنهاد می‌کنند که سامسونگ (Samsung) یک شریک احتمالی در این زمینه است.
  • پیمانکاران بسته‌بندی (Packaging) و تست.

این ساختار به یک تیم کوچک اجازه می‌دهد تا شبکه‌ی گسترده‌تری از پیمانکاران را هدایت کند. در این میان، نقش مدیر برنامه‌ی فنی (TPM) این است که تعاملات خارجی را پیش ببرد و در مورد تصمیمات «ساخت، خرید یا اجاره‌ی» (Build / Buy / License) قطعات با رهبری مهندسی به توافق برسد.

هم‌زمان، نقش مهندس سیلیکون بر جنبه‌های فنی این شراکت‌ها تمرکز دارد. این وظیفه شامل بررسی دقیق کارهای پیمانکاران خارجی و «حفظ یک استاندارد فنی بالا» است تا از کیفیت اجزای برون‌سپاری شده اطمینان حاصل شود.

جنگ استعدادها و بودجه

بازه حقوقی اعلام‌شده توسط شرکت، جدیت این رقابت برای جذب استعدادها را نشان می‌دهد. یک مهندس سیلیکون می‌تواند سالانه بین ۳۲۰,۰۰۰ تا ۴۸۵,۰۰۰ دلار درآمد داشته باشد، در حالی که حقوق مدیران برنامه‌ی فنی (TPM) برای بخش سیلیکون بین ۳۶۵,۰۰۰ تا ۴۳۵,۰۰۰ دلار تعیین شده است.

نقش مهندسی در این پروژه هشت حوزه‌ی حیاتی را پوشش می‌دهد، از جمله:

  • طراحی Front-end و تأیید پیش از تولید (Pre-silicon verification).
  • طراحی فیزیکی و طراحی برای تست (Design for test).
  • سیگنال‌های آنالوگ و مختلط (Mixed-signal).
  • فناوری و کارخانه (Foundry).
  • زیرساخت‌های طراحی.
  • بسته‌بندی با تأمین یکپارچگی سیگنال و توان (Signal and power integrity).

از هر فرد استخدام شده انتظار می‌رود که یک «سطح گسترده» (Large surface) از مسئولیت‌ها را پوشش دهد؛ به این معنی که آن‌ها باید در اتخاذ تصمیمات سرنوشت‌ساز، بدون تکیه بر یک بوروکراسی شرکتی عظیم، راحت باشند. شرکت در حال حاضر جستجو برای جذب نیرو در تمام این حوزه‌های کلیدی در شهرهای سان‌فرانسیسکو، نیویورک و سیاتل را آغاز کرده است.

حلقه‌ی بازخورد هوش مصنوعی

در یک چرخش جالب و بازگشتی، Anthropic می‌خواهد تیم سخت‌افزاری‌اش از هوش مصنوعی برای ساخت تراشه‌هایی استفاده کند که قرار است هوش مصنوعی را اجرا کنند. از مدیران برنامه (TPM) انتظار می‌رود تا مرزهای «مدیریت برنامه‌ی کمک‌گرفته از AI» را جابه‌جا کنند، در حالی که مهندسان باید قضاوت دقیقی ارائه دهند که ابزارهای AI در کجا کمک می‌کنند و در کجا شکست می‌خورند.

نقشه راه فنی بسیار سخت‌گیرانه است. مدیر برنامه (TPM) مالک توالی مراحل از بستن معماری (Architecture closure) و انجماد RTL تا نقاط عطف تأیید طراحی، تحویل IP، بستن طراحی فیزیکی، درج تست، Tapeout و در نهایت راه‌اندازی پس از تولید (Post-silicon bring-up) خواهد بود. متقاضیان باید هشت سال یا بیشتر تجربه در مدیریت برنامه‌های سیلیکون و مالکیت مستقیم حداقل یک برنامه داشته باشند که به مرحله تولید رسیده باشد.

این استراتژی وابستگی به تأمین‌کننده‌ای تک را مانند انویدیا (Nvidia) کاهش می‌دهد. با کنترل «اهرم‌های مستقیم» قابلیت، هزینه و قابلیت اطمینان، Anthropic می‌تواند زیرسیستم‌های حافظه، interconnectهای روی تراشه، محاسبات عددی و طراحی‌های کم‌مصرف را دقیقاً برای شتاب‌دهنده‌های یادگیری ماشین در مقیاس بزرگ بهینه کند.

برای رسیدن به این هدف، تمرکز بر «طراحی هم‌زمان سخت‌افزار و نرم‌افزار» (Hardware-software co-design) است. این شامل همکاری مستقیم با تیم‌های کامپایلر، کرنل یا Runtime است تا اطمینان حاصل شود که سیلیکون و مدل‌ها در کنار یکدیگر تکامل می‌یابند. از آنجا که «هیچ فرآیند پیشینی برای ارث بردن وجود ندارد»، تیم از یک صفحه سفید شروع می‌کند.

برای دنیای کسب‌وکار، این یعنی «مالیات AI» — یا همان هزینه‌ی هنگفت محاسبات — در صورت موفقیت آزمایشگاه‌های پیشرو در ساخت تراشه‌های اختصاصی، کاهش خواهد یافت. این موضوع رقابت را از یک مسابقه‌ی نرم‌افزاری به یک جنگ مهندسی تمام‌عیار در کل پشته (Full-stack) تبدیل می‌کند.

منتظر اعلام رسمی شراکت با یک کارخانه (Foundry) یا یک گره پردازشی (Process node) خاص باشید، زیرا این خبر دقیقاً فاش خواهد کرد که این تراشه‌های سفارشی چه زمانی وارد مراکز داده می‌شوند.

گام بعدی شما

  • اخبار مربوط به اعلام رسمی شراکت با کارخانه‌های تولید تراشه (Foundry) را دنبال کنید تا زمان دقیق ورود این سخت‌افزارها به مراکز داده مشخص شود.
  • اگر توسعه‌دهنده هستید، بررسی کنید که چگونه بهینه‌سازی‌های سخت‌افزاری در آینده می‌تواند هزینه‌ی توکن‌های مدل Claude را کاهش دهد.
  • مدل‌های جایگزین برای کاهش وابستگی به GPUهای انویدیا را در پروژه‌های خود بررسی کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این اقدام با تکیه بر تخصص مهندسی سخت‌افزار، می‌تواند هزینه‌ی استنتاج را به‌شدت کاهش دهد و دسترسی به مدل‌های قدرتمند را ارزان‌تر کند. در واقع، این یک حرکت استراتژیک برای تبدیل شدن به یک غول عمودی است که هم مغز (مدل) و هم بدن (تراشه) را کنترل می‌کند.

تأثیر برای ایران

این تحول در لایه‌ی سخت‌افزاری، اثر مستقیمی بر کاربران نهایی ایرانی ندارد، اما کاهش احتمالی هزینه‌ی APIهای Claude در آینده می‌تواند برای استارتاپ‌های ایرانی که از این مدل‌ها استفاده می‌کنند، سودآور باشد.

·نگاه ما
تحریریه دات‌هوش

تلاش Anthropic برای ورود به دنیای سخت‌افزار، پذیرش این واقعیت است که در سطح مدل‌های بنیادی، برتری نرم‌افزاری بدون بهینه‌سازی لایه‌ی فیزیکی، به بن‌بست هزینه‌ای می‌رسد. این حرکت نشان می‌دهد که رقابت از «کیستیِ مدل» به «بهره‌وریِ هر وات برق» تغییر جهت داده است. به نظر ما، این استراتژی ریسک بالایی دارد اما تنها راه برای خروج از انحصار انویدیا و دستیابی به حاشیه سود پایدار است.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.