تصور کنید دنیای پردازش را بر اساس فیزیک نور بازطراحی کنیم. این همان شرطی است که پت گلسینگر، مدیرعامل سابق اینتل، برای «بیداری» دوباره قانون مور بسته است. گلسینگر در جریان گفتگو با WIRED در حاشیه اجلاس RAISE در جولای ۲۰۲۴ در پاریس، جزئیات استراتژی خود را برای تامین مالی استارتاپ‌های نیمه‌رسانایی توضیح داد؛ شرکت‌هایی که قادرند تراشه‌ها را در مقیاسی حک کنند که پیش از این غیرممکن تصور می‌شد.
برای دهه‌ها، صنعت تراشه از قانونی پیروی می‌کرد که توسط گوردون مور، یکی از بنیان‌گذاران اینتل، وضع شده بود: این قانون بیان می‌کرد که تعداد ترانزیستورها روی یک تراشه تقریباً هر دو سال یک‌بار دو برابر می‌شود و در نتیجه، جهشی متناظر در عملکرد پردازشی رخ می‌دهد. اما اکنون، در حالی که شرکت‌های نیمه‌رسانا به مرزهای مطلق فیزیک فشار می‌آورند، کوچک‌تر کردن ترانزیستورها در مقیاس اتمی به‌شدت دشوار و هزینه‌بر شده است. در حال حاضر، بخش بزرگی از جهان به شرکت هلندی ASML وابسته است که از نور با طول موج ۱۳.۵ نانومتر برای لیتوگرافی استفاده می‌کند. گلسینگر استدلال می‌کند که برای دستیابی به جهش بعدی در عملکرد، باید از این سقف فعلی عبور کنیم.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های سخت‌افزاری مدل‌های زبانی بررسی کردیم، گلوگاه فعلی هوش مصنوعی دیگر فقط کد نیست، بلکه ماده است.
مسیر رسیدن به پلی‌گراند کپیتال
گلسینگر پس از ترک اینتل در اواخر سال ۲۰۲۴، وارد دوره‌ای از ارزیابی شدید شخصی شد. او ۱۰۰ روز را صرف برگزاری ۱۰۰ جلسه مختلف کرد تا گزینه‌های خود را برای گام بعدی زندگی حرفه‌ای‌اش محدود و دقیق کند. او این مسیر را یک «فرآیند استنتاجی» (Deductive Process) توصیف می‌کند.
او مسیرهای متعددی را بررسی کرد، از جمله پذیرش نقش‌های مدیرعامل در شرکت‌های دیگر، پست‌های دانشگاهی، نقش‌های دولتی و سرمایه‌گذاری خصوصی (Private Equity). در نهایت، او نقش‌های عمومی را رد کرد زیرا دیگر تمایلی به مدیریت تماس‌های عمومی گزارش سود (Earnings Calls) نداشت و خود را به عنوان یک سیاستمدار نمی‌دید. او سرمایه‌گذاری خطرپذیر (Venture Capital) را به سرمایه‌گذاری خصوصی ترجیح داد؛ زیرا سرمایه‌گذاری خصوصی بیشتر بر نوشتن چک‌های کلان برای بازده‌های مالی متمرکز است، در حالی که او می‌خواست بر «تکنولوژی‌های جذاب» و اثبات تئوری‌های علمی تمرکز کند. در این گذار، دیدگاه همسرش نیز اثرگذار بود که به سادگی به او گفت: «تو هنوز کارت تمام نشده است».
در مارس ۲۰۲۵، گلسینگر به عنوان شریک عمومی (General Partner) به شرکت Playground Capital پیوست. آنچه او را جذب کرد، تخصص این شرکت در «تکنولوژی‌های عمیق» یا Deep Tech بود؛ یعنی پذیرفتن ریسک روی فناوری‌های نوپایی که بر پایه علوم جدید بنا شده‌اند. در حالی که بسیاری از شرکت‌های سرمایه‌گذاری خطرپذیر در پاسخ به تحولات صنعت، مسیر خود را به سمت نرم‌افزارهای هوش مصنوعی تغییر می‌دهند، گلسینگر روی علوم سختی (Hard Science) سرمایه‌گذاری می‌کند که در واقع زیربنای وجود نرم‌افزارها هستند.
قمار لیتوگرافی
گلسینگر اکنون کرسی در هیئت مدیره شرکت xLight دارد؛ یکی از شرکت‌های پرتفول شرکت Playground که در حال توسعه تکنیک‌های نوین لیتوگرافی است. این شرکت همچنین سرمایه‌گذاری‌هایی را از سوی دولت ایالات متحده دریافت کرده است. گلسینگر باور دارد که لیتوگرافی مرکز تمامی پیشرفت‌های نیمه‌رسانا است؛ خواه بحث بر سر مواد ابررسانا باشد یا مواد فروالکتریک، هر ساختار جدیدی برای تحقق یافتن به لیتوگرافی نیاز دارد. او برای تاکید بر اهمیت مرکزی این فناوری، مکرراً از عبارت کتاب مقدس «خداوند فرمود: نور باد!» نقل‌قول می‌کند.
- هدف: عبور از محدودیت ۱۳.۵ نانومتری برای باز کردن قفل پردازنده‌های قدرتمندتر.
- سازوکار: بهره‌گیری از لیزرهای الکترون آزاد (Free-electron lasers) برای رسیدن به طول موج‌های نوری بسیار کوچک، در حد ۵، ۴، ۳ یا حتی ۲ نانومتر.
- استراتژی: گلسینگر تصریح می‌کند که هدف xLight رقابت با ASML نیست، بلکه همکاری با آن‌هاست. هدف اصلی این است که منبع نوری جدید آن‌ها را به ماشین‌های موجود ASML متصل کنند تا کارایی این ماشین‌ها به‌شدت افزایش یابد.
ارزیابی تکنولوژی‌های عمیق
سرمایه‌گذاری در علومی که هنوز اثبات نشده‌اند، مستلزم یک فرآیند خاص است. گلسینگر توضیح می‌دهد که Playground از یک تیم سرمایه‌گذاری به‌شدت فنی متشکل از دارندگان مدرک PhD، پروفسورها و مهندسان استفاده می‌کند. آن‌ها یک فرآیند بررسی دقیق (Diligence) را به کار می‌گیرند که شامل بررسی‌های پیشینه و مصاحبه‌های عمیق است تا متوجه شوند آیا یک بنیان‌گذار می‌تواند «مسئله سخت» فنی را که در حال حل آن است، با جزئیات و عمق شرح دهد یا خیر.
او اشاره می‌کند که تک-تکنولوژی‌های عمیق معمولاً الگویی دارند که در آن دو یا سه شرکت به سمت یک ایده پیشرو مشترک حرکت می‌کنند. او از سرمایه‌گذاری در شرکت‌های «پرنده دودو» (Dodo bird) — یعنی شرکت‌هایی که ایده‌های کاملاً ایزوله و تک‌نفره را دنبال می‌کنند — پرهیز می‌کند و در عوض، بر انتخاب بهترین تیم از میان چند گروهی که سعی در حل یک مانع علمی یکسان دارند، تمرکز می‌کند.
فراتر از GPU
در حالی که در حال حاضر شرکت انویدیا بر چشم‌انداز هوش مصنوعی تسلط دارد، گلسینگر معتقد است که دوران بعدی، از «آموزش» (Training) به سمت «استنتاج» (Inference) تغییر جهت خواهد داد. او استدلال می‌کند که آموزش، قلعه اصلی GPUها بوده است، اما GPUها برای تمام وظایف استنتاجی مناسب نیستند. او آینده‌ای را متصور است که در آن فروشندگان مدل‌ها، خود را از سخت‌افزار زیرین انتزاع (Abstract) می‌کنند و این امر اجازه می‌دهد تا یک ساختار سخت‌افزاری ناهمگون (Heterogeneous) شکل بگیرد. این رویکرد با استراتژی شرکت‌هایی مانند سامبانووا همسو است که با جذب سرمایه‌های کلان، تمرکز خود را بر مقیاس‌بندی استنتاج‌های سطح بالا قرار داده‌اند.
هدف او در Playground Capital کمک به خلق تراشه‌هایی است که هوش مصنوعی را نه فقط ۱۰ برابر، بلکه ۱۰,۰۰۰ برابر بهتر کنند. او باور دارد که این امر نیازمند تراشه‌هایی است که شبیه به GPUهای امروزی نباشند.
حافظه و عملکرد
گلسینگر حافظه را به عنوان یک گلوگاه حیاتی برای پیشرفت هوش مصنوعی شناسایی می‌کند. در حالی که حافظه با پهنای‌باند بالا (HBM) در حال حاضر بهترین فناوری موجود است، گلسینگر انتظار دارد که این فناوری جایگزین شود.
- تغییر: پیش‌بینی می‌شود معماری‌های حافظه پشته‌ای (Stacked memory) تا پایان این دهه به‌طور بسیار گسترده‌تری غالب شوند.
- بازیگران: او به شرکت‌هایی مانند d-Matrix، Fractile و Cerebras به عنوان نهادهایی اشاره می‌کند که در حال شکستن مرزهای طراحی حافظه هستند.
- تاثیر: این نوآوری‌های سخت‌افزاری می‌توانند ۱۰ تا ۱۰۰ برابر بهتر باشند و به‌طور موثری اجازه دهند که یک گیگاوات توان، ارزشی معادل ۱۰ گیگاوات توکن تولید کند.
بحران انرژی
ظرفیت انرژی اکنون محدودیت نهایی برای ظرفیت اقتصادی در عصر AI است. گلسینگر گسترش تک‌رقمی و اندک ظرفیت انرژی ایالات متحده در دهه گذشته را «ناچیز» (Despicable) توصیف می‌کند و می‌گوید تمرکز بر تغییرات اقلیمی باعث شد کشور مسئله ظرفیت تولید را فراموش کند.
او به یک تناقض زمانی عظیم در ایالات متحده اشاره می‌کند:
- توربین‌های گاز: واحدهای جدید دارای زنجیره تامین ۸ ساله هستند.
- هسته‌ای: ساخت نیروگاه‌های جدید یک دهه زمان می‌برد.
- خورشیدی: به‌شدت به زنجیره‌های تامین چینی وابسته است.
برای دور زدن این موانع، او روی Alva Energy سرمایه‌گذاری کرده است که بر ارتقای هسته‌ای تمرکز دارد. هدف این است که با استخراج ارزش بیشتر از footprint هسته‌ای موجود در حال حاضر، «مسیر سریع» را طی کنند و همزمان ساخت نیروگاه‌های هسته‌ای جدید را دوباره فعال نمایند. گلسینگر معتقد است برندگان رقابت AI کشورهایی خواهند بود که ظرفیت انرژی لازم برای تامین برق سیستم‌های خود را داشته باشند، در حالی که این ظرفیت توسط یک پشته کامل از نوآوری‌ها، از جمله تنظیم ولتاژ و تبدیل انرژی، پشتیبانی شود.
ژئوپلیتیک و مقررات
در رابطه با رقابت تکنولوژیک آمریکا و چین، گلسینگر همچنان حامی سرسخت رهبری ایالات متحده است. او استدلال می‌کند که آمریکا باید در رقابت مدل‌های بنیادی پیروز شود، زیرا می‌خواهد این مدل‌ها بر اساس ارزش‌های غربی باشند و برای ارتقای تجربه انسانی طراحی شوند. این تلاش برای حفظ حاکمیت تکنولوژیک، مشابه رویکرد Prime Intellect در تسهیل ساخت عامل‌های حاکمیتی برای سازمان‌ها و دولت‌ها است. از نظر او، رهبری ایالات متحده و توزیع مزایای AI با یکدیگر در تضاد نیستند.
در مورد مقررات، گلسینگر پیشنهاد می‌کند که صنعت سریع‌تر از نظارت‌های سنتی حرکت می‌کند و اشاره می‌کند که هر چهار هفته یک مدل بنیادی بزرگ منتشر می‌شود. او محیط رگولاتوری فعلی را وضعیتی توصیف می‌کند که در آن همه در حال یادگیری و تصمیم‌گیری در لحظه (Real-time) هستند.
او به جای محدودیت‌های ساده، خواستار «یکپارچگی فرآیند» (Integrity of Process) است. به‌طور خاص، او موارد زیر را می‌خواهد:
- شفافیت: قابلیت رویت در مورد اینکه مدل‌های بنیادی اختصاصی بر روی چه داده‌هایی آموزش دیده‌اند.
- تست: بنچ‌مارک‌های شدید برای اطمینان از الزامات امنیتی و همسویی با ارزش‌ها.
- نظارت: سیستمی که در آن یا صنعت این بررسی‌ها را انجام دهد یا دولت وارد عمل شود تا اطمینان حاصل شود که این کار انجام شده است.
این چرخش به سمت سرمایه‌گذاری خطرپذیر سخت‌افزار-محور نشان می‌دهد که عصر «فقط نرم‌افزار» در رشد AI به یک دیوار فیزیکی برخورد کرده است. اثر ثانویه این موضوع، فوریت دوباره در انرژی هسته‌ای و فیزیک اتمی است که AI را از یک چالش کدنویسی به یک چالش مهندسی صنعتی تبدیل می‌کند.
اگر شما پشته AI را دنبال می‌کنید، معیار حیاتی بعدی دیگر تعداد پارامترهای یک مدل نیست، بلکه طول موج نانومتری نوری است که برای چاپ تراشه مورد استفاده قرار می‌گیرد. منتظر اولین ادغام موفقیت‌آمیز لیزرهای الکترون آزاد در خطوط لیتوگرافی تجاری باشید.
گام بعدی شما
- تحولات مربوط به لیزرهای الکترون آزاد را دنبال کنید تا متوجه شوید چه زمانی وارد خط تولید تجاری می‌شوند.
- اگر در حوزه زیرساخت هسته‌ای یا مدیریت انرژی فعال هستید، مدل‌های بهینه‌سازی Alva Energy را بررسی کنید.
- به جای تمرکز صرف روی تعداد پارامترهای مدل، روی تغییرات طول‌موج نوری در چاپ تراشه‌ها نظره داشته باشید.
اما تأثیر این تغییرات روی قیمت نهایی سرویس‌های ابری هنوز مبهم است — در تحلیل ما درباره‌ی اقتصاد استنتاج در لبه (Edge Inference) بخوانید.
گفتگو