تصور کنید به جای ساخت مراکز داده‌ی چند میلیارد دلاری، کل جهان را به یک ابرکامپیوتر تبدیل کنیم. انویدیا (NVIDIA) دقیقاً همین بازی را شروع کرده است.
به جای سرمایه‌گذاری ۷۰۰ میلیارد دلاری در مراکز داده‌ی جدید، انویدیا روی ۶.۴ میلیون دکل مخابراتی موجود در جهان شرط‌بندی کرده است تا آن‌ها را به گره‌های پردازشی برای استنتاج (Inference) تبدیل کند.
طبق اعلام انویدیا در جریان نمایشگاه جهانی موبایل (MWC) در ۵ مه ۲۰۲۶، این شرکت ائتلافی با بیش از ۱۳۰ شرکت از جمله T-Mobile، SoftBank و Ericsson تشکیل داده تا شبکه‌های 6G را بر بستر پلتفرم‌های «AI-native» بنا کند. بر اساس مستندات فنی، هسته‌ی این تحول فناوری AI-RAN است؛ سیستمی که اجازه می‌دهد همان پردازنده‌های گرافیکی (GPU) که سیگنال‌های سلولی را پردازش می‌کنند، در زمان‌های بیکاری، بارهای کاری هوش مصنوعی زاینده (Generative AI) را مدیریت کنند.
نتایج میدانی این پروژه خیره‌کننده است:
- SynaXG: دستیابی به پهنای باند ۳۶ گیگابیت بر ثانیه با تأخیر کمتر از ۱۰ میلی‌ثانیه روی یک سرور NVIDIA GH200.
- SoftBank: افزایش ۳ برابری بهره‌وری طیفی و نرخ انتقال داده در ژاپن نسبت به پیکربندی‌های سنتی.
- T-Mobile: اجرای هم‌زمان پردازش‌های AI و RAN در سیاتل با استفاده از نرم‌افزارهای شتاب‌یافته‌ی CUDA شرکت Nokia.
همان‌طور که در تحلیل قبلی ما درباره‌ی مقاومت جوامع محلی در برابر ساخت مراکز داده اشاره کردیم، موانع سیاسی و محیطی برای ساخت تاسیسات جدید در حال افزایش است. AI-RAN با استفاده از زیرساخت‌هایی که پیش‌تر مجوز قانونی، برق و فیبر نوری دارند، این بن‌بست را دور می‌زند و رایانش لبه (Edge Computing) را به واقعیت تبدیل می‌کند.
با این حال، یک تضاد استراتژیک در قلب این برنامه دیده می‌شود. در حالی که انویدیا استنتاج توزیع‌شده را ترویج می‌کند، در فصل گذشته ۶۲.۳ میلیارد دلار درآمد از فروش GPUهای متمرکز داشته است. همچنین، طبق گزارش‌های دریافتی، ۲۶ مورد از ۳۳ نمایش MWC را پشته‌های انحصاری NVIDIA AI Aerial و CUDA هدایت می‌کردند که نگرانی‌ها درباره‌ی وابستگی مطلق به یک تامین‌کننده (Vendor Lock-in) را تقویت می‌کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- رصد استانداردهای 6G برای شناسایی فرصت‌های استقرار مدل‌های زبانی کوچک (SLM) در لبه.
- بررسی چارچوب‌های نرم‌افزاری متن‌باز برای کاهش وابستگی به اکوسیستم CUDA.
- تحلیل اثر کاهش تأخیر (Latency) بر کاربردهای بلادرنگ هوش مصنوعی در صنعت خودروهای خودران.
گفتگو