Nvidia ਅਜੇ ਵੀ ਉਹ ਕੰਪਨੀ ਕਿਉਂ ਹੈ ਜਿਸ ‘ਤੇ ਸਭ ਨਿਰਭਰ ਹਨ 2026

ਅਜੋਕੀ ਦੁਨੀਆ ਇੱਕ ਖਾਸ ਕਿਸਮ ਦੇ ਸਿਲੀਕਾਨ ‘ਤੇ ਚੱਲਦੀ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਕਦੇ ਨਹੀਂ ਦੇਖਦੇ। ਜਦੋਂ ਕਿ ਖਪਤਕਾਰਾਂ ਦਾ ਧਿਆਨ ਅਕਸਰ ਨਵੀਨਤਮ smartphone ਜਾਂ laptop ‘ਤੇ ਹੁੰਦਾ ਹੈ, ਅਸਲ ਤਾਕਤ ਹਜ਼ਾਰਾਂ ਵਿਸ਼ੇਸ਼ processors ਨਾਲ ਭਰੇ ਵਿਸ਼ਾਲ data centers ਵਿੱਚ ਹੁੰਦੀ ਹੈ। Nvidia ਵੀਡੀਓ ਗੇਮਾਂ ਲਈ ਇੱਕ ਨਿਸ਼ ਹਾਰਡਵੇਅਰ ਪ੍ਰਦਾਤਾ ਤੋਂ ਬਦਲ ਕੇ ਗਲੋਬਲ ਅਰਥਵਿਵਸਥਾ ਦਾ ਮੁੱਖ ਗੇਟਕੀਪਰ ਬਣ ਗਿਆ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਸਿਰਫ਼ ਤੇਜ਼ chips ਬਣਾਉਣ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ compute leverage ਨਾਮਕ ਇੱਕ ਸੰਕਲਪ ਬਾਰੇ ਹੈ ਜਿੱਥੇ ਇੱਕ ਕੰਪਨੀ ਹਰ ਦੂਜੇ ਵੱਡੇ ਉਦਯੋਗ ਦੇ ਕੰਮ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਜ਼ਰੂਰੀ tools ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੀ ਹੈ। ਮੈਡੀਕਲ ਖੋਜ ਤੋਂ ਲੈ ਕੇ ਵਿੱਤੀ ਮਾਡਲਿੰਗ ਤੱਕ, ਦੁਨੀਆ ਹੁਣ ਇੱਕ ਅਜਿਹੀ ਸਪਲਾਈ ਚੇਨ ‘ਤੇ ਨਿਰਭਰ ਹੈ ਜਿਸ ਨੂੰ ਦੁਹਰਾਉਣਾ ਜਾਂ ਬਦਲਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ।

ਹਾਈ-ਐਂਡ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਦੀ ਮੌਜੂਦਾ ਮੰਗ ਨੇ ਤਕਨਾਲੋਜੀ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਇੱਕ ਵਿਲੱਖਣ ਸਥਿਤੀ ਪੈਦਾ ਕਰ ਦਿੱਤੀ ਹੈ। ਪਿਛਲੇ ਯੁੱਗਾਂ ਦੇ ਉਲਟ ਜਿੱਥੇ ਕਈ ਕੰਪਨੀਆਂ ਸਰਵਰ ਮਾਰਕੀਟ ਵਿੱਚ ਦਬਦਬੇ ਲਈ ਮੁਕਾਬਲਾ ਕਰਦੀਆਂ ਸਨ, ਮੌਜੂਦਾ ਯੁੱਗ ਇੱਕ ecosystem ‘ਤੇ ਲਗਭਗ ਪੂਰੀ ਨਿਰਭਰਤਾ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਕੋਈ ਅਸਥਾਈ ਰੁਝਾਨ ਜਾਂ ਸਧਾਰਨ product cycle ਨਹੀਂ ਹੈ। ਇਹ ਇਸ ਗੱਲ ਦੀ ਬੁਨਿਆਦੀ ਪੁਨਰਗਠਨ ਹੈ ਕਿ ਕਾਰੋਬਾਰ software ਨੂੰ ਕਿਵੇਂ ਬਣਾਉਂਦੇ ਅਤੇ ਤੈਨਾਤ ਕਰਦੇ ਹਨ। ਹਰ ਵੱਡਾ cloud ਪ੍ਰਦਾਤਾ ਅਤੇ ਹਰ ਰਾਸ਼ਟਰੀ ਸਰਕਾਰ ਇਸ ਸਮੇਂ ਵੱਧ ਤੋਂ ਵੱਧ ਹਾਰਡਵੇਅਰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਦੌੜ ਰਹੀ ਹੈ। ਨਤੀਜਾ ਸ਼ਕਤੀ ਦਾ ਇੱਕ ਅਜਿਹਾ ਕੇਂਦਰੀਕਰਨ ਹੈ ਜੋ ਸਧਾਰਨ market share ਤੋਂ ਕਿਤੇ ਅੱਗੇ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਢਾਂਚਾਗਤ ਨਿਰਭਰਤਾ ਹੈ ਜੋ ਕਾਰਪੋਰੇਟ ਰਣਨੀਤੀ ਤੋਂ ਲੈ ਕੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕੂਟਨੀਤੀ ਤੱਕ ਹਰ ਚੀਜ਼ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ।

ਕੁੱਲ ਨਿਯੰਤਰਣ ਦਾ ਆਰਕੀਟੈਕਚਰ

ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਇਹ ਕੰਪਨੀ ਦੁਨੀਆ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਕਿਉਂ ਬਣੀ ਹੋਈ ਹੈ, ਕਿਸੇ ਨੂੰ ਭੌਤਿਕ ਹਾਰਡਵੇਅਰ ਤੋਂ ਪਰੇ ਦੇਖਣਾ ਪਵੇਗਾ। ਇਹ ਆਮ ਗਲਤਫਹਿਮੀ ਹੈ ਕਿ Nvidia ਆਪਣੇ ਵਿਰੋਧੀਆਂ ਨਾਲੋਂ ਸਿਰਫ਼ ਤੇਜ਼ graphics cards ਬਣਾਉਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ H100 ਜਾਂ ਨਵੀਂ Blackwell chips ਦੀ ਕੱਚੀ ਗਤੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ, ਅਸਲ ਰਾਜ਼ CUDA ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ software layer ਹੈ। ਇਹ platform ਲਗਭਗ ਦੋ ਦਹਾਕੇ ਪਹਿਲਾਂ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਉਦੋਂ ਤੋਂ parallel computing ਲਈ ਮਿਆਰੀ ਭਾਸ਼ਾ ਬਣ ਗਿਆ ਹੈ। Developers ਸਿਰਫ਼ ਇੱਕ chip ਨਹੀਂ ਖਰੀਦਦੇ। ਉਹ code, tools ਅਤੇ optimizations ਦੀ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਖਰੀਦਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਾਲਾਂ ਤੋਂ ਸੁਧਾਰਿਆ ਗਿਆ ਹੈ। ਕਿਸੇ ਪ੍ਰਤੀਯੋਗੀ ਕੋਲ ਜਾਣ ਲਈ ਲੱਖਾਂ ਲਾਈਨਾਂ ਦੇ code ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ, ਇੱਕ ਅਜਿਹਾ ਕੰਮ ਜਿਸ ਨੂੰ ਜ਼ਿਆਦਾਤਰ ਉੱਦਮ ਜਾਇਜ਼ ਠਹਿਰਾਉਣਾ ਅਸੰਭਵ ਸਮਝਦੇ ਹਨ।

ਇਸ software ਖਾਈ ਨੂੰ ਨੈੱਟਵਰਕਿੰਗ ਲਈ ਇੱਕ ਰਣਨੀਤਕ ਪਹੁੰਚ ਦੁਆਰਾ ਮਜ਼ਬੂਤ ਕੀਤਾ ਗਿਆ ਹੈ। Mellanox ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਕੇ, ਕੰਪਨੀ ਨੇ ਇਸ ਗੱਲ ‘ਤੇ ਨਿਯੰਤਰਣ ਪ੍ਰਾਪਤ ਕੀਤਾ ਕਿ chips ਵਿਚਕਾਰ data ਕਿਵੇਂ ਚਲਦਾ ਹੈ। ਇੱਕ ਆਧੁਨਿਕ data center ਵਿੱਚ, ਰੁਕਾਵਟ ਅਕਸਰ processor ਖੁਦ ਨਹੀਂ ਹੁੰਦਾ, ਸਗੋਂ ਉਹ ਗਤੀ ਹੁੰਦੀ ਹੈ ਜਿਸ ‘ਤੇ ਜਾਣਕਾਰੀ ਨੈੱਟਵਰਕ ਰਾਹੀਂ ਯਾਤਰਾ ਕਰਦੀ ਹੈ। Nvidia ਪੂਰਾ stack ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ chips, ਕੇਬਲ ਅਤੇ switching ਹਾਰਡਵੇਅਰ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਇੱਕ ਬੰਦ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਹਰ ਹਿੱਸੇ ਨੂੰ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਤੀਯੋਗੀ ਅਕਸਰ ਇੱਕ ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ ‘ਤੇ processor ਨੂੰ ਹਰਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ, ਪਰ ਉਹ ਪੂਰੇ ਏਕੀਕ੍ਰਿਤ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨਾਲ ਮੇਲ ਖਾਣ ਲਈ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ। ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਰਕ ਇਸ ਦਬਦਬੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ:

• ਇੱਕ software ecosystem ਜੋ ਪੰਦਰਾਂ ਸਾਲਾਂ ਤੋਂ ਵੱਧ ਸਮੇਂ ਤੋਂ ਉਦਯੋਗ ਦਾ ਮਿਆਰ ਰਿਹਾ ਹੈ।
• ਏਕੀਕ੍ਰਿਤ ਨੈੱਟਵਰਕਿੰਗ ਤਕਨਾਲੋਜੀ ਜੋ ਹਜ਼ਾਰਾਂ processors ਵਿਚਕਾਰ data ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਖਤਮ ਕਰਦੀ ਹੈ।
• ਉਤਪਾਦਨ ਵਾਲੀਅਮ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ਾਲ ਲੀਡ ਜੋ ਨਿਰਮਾਤਾਵਾਂ ਦੇ ਨਾਲ ਬਿਹਤਰ ਕੀਮਤ ਅਤੇ ਤਰਜੀਹ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।
• ਹਰ ਵੱਡੇ cloud ਪ੍ਰਦਾਤਾ ਨਾਲ ਡੂੰਘਾ ਏਕੀਕਰਣ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਉਨ੍ਹਾਂ ਦਾ ਹਾਰਡਵੇਅਰ developers ਲਈ ਪਹਿਲੀ ਪਸੰਦ ਹੈ।
• ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੇ ਨਿਰੰਤਰ ਅਪਡੇਟਸ ਜੋ ਪੁਰਾਣੇ ਹਾਰਡਵੇਅਰ ਨੂੰ ਨਵੇਂ algorithms ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।

ਹਰ ਰਾਸ਼ਟਰ ਸਿਲੀਕਾਨ ਦਾ ਇੱਕ ਹਿੱਸਾ ਕਿਉਂ ਚਾਹੁੰਦਾ ਹੈ

ਇਸ ਤਕਨਾਲੋਜੀ ਦਾ ਪ੍ਰਭਾਵ ਹੁਣ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਦੇ ਖੇਤਰ ਤੱਕ ਫੈਲ ਗਿਆ ਹੈ। ਦੁਨੀਆ ਭਰ ਦੀਆਂ ਸਰਕਾਰਾਂ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਹੈ ਕਿ AI ਸਮਰੱਥਾਵਾਂ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਉਨ੍ਹਾਂ ਦੀ ਆਰਥਿਕ ਅਤੇ ਫੌਜੀ ਤਾਕਤ ਨਾਲ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ। ਇਸ ਨਾਲ sovereign AI ਦਾ ਉਭਾਰ ਹੋਇਆ ਹੈ, ਜਿੱਥੇ ਦੇਸ਼ ਆਪਣੇ ਖੁਦ ਦੇ data centers ਬਣਾਉਂਦੇ ਹਨ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਉਹ ਵਿਦੇਸ਼ੀ clouds ‘ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਹਨ। ਕਿਉਂਕਿ Nvidia ਸਕੇਲ ‘ਤੇ ਇਹ ਸਿਸਟਮ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਸਮਰੱਥ ਇਕਲੌਤਾ ਪ੍ਰਦਾਤਾ ਹੈ, ਉਹ ਗਲੋਬਲ ਵਪਾਰਕ ਚਰਚਾਵਾਂ ਵਿੱਚ ਇੱਕ ਕੇਂਦਰੀ ਸ਼ਖਸੀਅਤ ਬਣ ਗਏ ਹਨ। ਨਿਰਯਾਤ ਨਿਯੰਤਰਣ ਅਤੇ ਵਪਾਰਕ ਪਾਬੰਦੀਆਂ ਹੁਣ ਖਾਸ ਤੌਰ ‘ਤੇ ਇਨ੍ਹਾਂ chips ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਪੱਧਰਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਲਿਖੀਆਂ ਗਈਆਂ ਹਨ। ਇਹ ਇੱਕ ਉੱਚ-ਦਾਅ ਵਾਲਾ ਵਾਤਾਵਰਣ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ compute ਤੱਕ ਪਹੁੰਚ ਇੱਕ ਮੁਦਰਾ ਦਾ ਰੂਪ ਹੈ।

Microsoft, Amazon ਅਤੇ Google ਵਰਗੇ Hyperscalers ਇੱਕ ਮੁਸ਼ਕਲ ਸਥਿਤੀ ਵਿੱਚ ਹਨ। ਉਹ ਸਭ ਤੋਂ ਵੱਡੇ ਗਾਹਕ ਹਨ, ਫਿਰ ਵੀ ਉਹ ਆਪਣੀ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਆਪਣੀਆਂ custom chips ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ। ਹਾਲਾਂਕਿ, ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਵਿੱਚ ਅਰਬਾਂ ਡਾਲਰਾਂ ਦੇ ਨਾਲ ਵੀ, ਇਹ ਅੰਦਰੂਨੀ ਪ੍ਰੋਜੈਕਟ ਅਕਸਰ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਤੋਂ ਪਿੱਛੇ ਰਹਿ ਜਾਂਦੇ ਹਨ। AI ਮਾਡਲਾਂ ਵਿੱਚ ਨਵੀਨਤਾ ਦੀ ਤੇਜ਼ ਰਫ਼ਤਾਰ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜਦੋਂ ਤੱਕ ਇੱਕ custom chip ਡਿਜ਼ਾਈਨ ਅਤੇ ਨਿਰਮਿਤ ਹੁੰਦੀ ਹੈ, software ਦੀਆਂ ਲੋੜਾਂ ਪਹਿਲਾਂ ਹੀ ਬਦਲ ਚੁੱਕੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। Nvidia ਇੱਕ ਹਮਲਾਵਰ ਰਫ਼ਤਾਰ ਨਾਲ ਨਵੇਂ ਆਰਕੀਟੈਕਚਰ ਜਾਰੀ ਕਰਕੇ ਅੱਗੇ ਰਹਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਕਿਸੇ ਵੀ ਕੰਪਨੀ ਲਈ ਵਿਕਲਪ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਚਨਬੱਧ ਹੋਣਾ ਜੋਖਮ ਭਰਿਆ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਨਿਰਭਰਤਾ ਦਾ ਇੱਕ ਚੱਕਰ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਦੁਨੀਆ ਦੀਆਂ ਸਭ ਤੋਂ ਵੱਡੀਆਂ tech ਕੰਪਨੀਆਂ ਨੂੰ AI ਉਦਯੋਗ ਦੀਆਂ ਸੂਝਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਲਈ ਮਾਰਕੀਟ ਵਿੱਚ ਪ੍ਰਤੀਯੋਗੀ ਬਣੇ ਰਹਿਣ ਲਈ Nvidia ਹਾਰਡਵੇਅਰ ‘ਤੇ ਅਰਬਾਂ ਖਰਚ ਕਰਨਾ ਜਾਰੀ ਰੱਖਣਾ ਪੈਂਦਾ ਹੈ।

ਸਪਲਾਈ ਚੇਨ ਦੇ ਦਬਾਅ ਅੰਦਰ ਜੀਵਨ

ਇੱਕ startup ਸੰਸਥਾਪਕ ਜਾਂ enterprise IT ਮੈਨੇਜਰ ਲਈ, ਇਸ ਦਬਦਬੇ ਦੀ ਅਸਲੀਅਤ ਸਪਲਾਈ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਦੁਆਰਾ ਮਹਿਸੂਸ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। 2026 ਵਿੱਚ, ਹਾਈ-ਐਂਡ GPUs ਲਈ ਉਡੀਕ ਦਾ ਸਮਾਂ ਮਹੀਨਿਆਂ ਤੱਕ ਵਧ ਗਿਆ। ਇਸਨੇ ਇੱਕ ਸੈਕੰਡਰੀ ਮਾਰਕੀਟ ਬਣਾਈ ਜਿੱਥੇ ਕੰਪਨੀਆਂ compute ਸਮੇਂ ਨੂੰ ਇੱਕ ਵਸਤੂ ਵਾਂਗ ਵਪਾਰ ਕਰਦੀਆਂ ਹਨ। ਇੱਕ ਛੋਟੀ ਟੀਮ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜੋ ਇੱਕ ਨਵਾਂ ਮੈਡੀਕਲ ਮਾਡਲ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ। ਉਹ ਸਿਰਫ਼ ਸਥਾਨਕ ਵਿਕਰੇਤਾ ਤੋਂ ਲੋੜੀਂਦਾ ਹਾਰਡਵੇਅਰ ਨਹੀਂ ਖਰੀਦ ਸਕਦੇ। ਉਨ੍ਹਾਂ ਨੂੰ ਜਾਂ ਤਾਂ ਇੱਕ ਵੱਡੇ cloud ਪ੍ਰਦਾਤਾ ਵਿੱਚ ਜਗ੍ਹਾ ਦੀ ਉਡੀਕ ਕਰਨੀ ਪਵੇਗੀ ਜਾਂ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਦਾਤਾ ਨੂੰ ਭਾਰੀ ਪ੍ਰੀਮੀਅਮ ਦੇਣਾ ਪਵੇਗਾ। ਇਹ ਕਮੀ ਨਵੀਨਤਾ ਦੀ ਰਫ਼ਤਾਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ chips ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਤਾਂ ਤੁਸੀਂ product ਨਹੀਂ ਬਣਾ ਸਕਦੇ। ਇਹ ਮੌਜੂਦਾ ਮਾਰਕੀਟ ਦੀ ਅਸਲੀਅਤ ਹੈ ਜਿੱਥੇ ਹਾਰਡਵੇਅਰ ਦੀ ਉਪਲਬਧਤਾ software ਦੀਆਂ ਇੱਛਾਵਾਂ ‘ਤੇ ਮੁੱਖ ਸੀਮਾ ਹੈ।

ਇੱਕ ਆਧੁਨਿਕ developer ਦੇ ਜੀਵਨ ਵਿੱਚ ਅਕਸਰ ਇਨ੍ਹਾਂ ਰੁਕਾਵਟਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਉਹ ਸਿਰਫ਼ ਸ਼ੁੱਧਤਾ ਲਈ ਨਹੀਂ, ਸਗੋਂ ਵਰਤੇ ਗਏ VRAM ਦੀ ਮਾਤਰਾ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ code ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਘੰਟੇ ਬਿਤਾਉਂਦੇ ਹਨ। ਉਨ੍ਹਾਂ ਨੂੰ ਖਪਤਕਾਰ-ਗਰੇਡ ਕਾਰਡ ‘ਤੇ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਮਾਡਲ ਚਲਾਉਣ ਜਾਂ cloud ਕਲੱਸਟਰ ‘ਤੇ ਪ੍ਰਤੀ ਘੰਟਾ ਹਜ਼ਾਰਾਂ ਡਾਲਰ ਖਰਚਣ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। compute ਦੀ ਲਾਗਤ ਕਈ tech ਬਜਟਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਲਾਈਨ ਆਈਟਮ ਬਣ ਗਈ ਹੈ। ਇਹ ਵਿੱਤੀ ਦਬਾਅ ਕੰਪਨੀਆਂ ਨੂੰ ਸਮਝੌਤੇ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ। ਉਹ ਇੱਕ ਛੋਟਾ, ਘੱਟ ਸਮਰੱਥ ਮਾਡਲ ਵਰਤ ਸਕਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਵੱਡੇ ਮਾਡਲ ਲਈ ਲੋੜੀਂਦੇ ਹਾਰਡਵੇਅਰ ਦਾ ਖਰਚਾ ਨਹੀਂ ਉਠਾ ਸਕਦੇ। ਇਹ ਗਤੀਸ਼ੀਲਤਾ Nvidia ਨੂੰ ਸ਼ਾਨਦਾਰ ਕੀਮਤ ਨਿਰਧਾਰਨ ਸ਼ਕਤੀ ਦਿੰਦੀ ਹੈ। ਉਹ ਨਿਰਮਾਣ ਦੀ ਲਾਗਤ ਦੀ ਬਜਾਏ ਗਾਹਕ ਲਈ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਮੁੱਲ ਦੇ ਆਧਾਰ ‘ਤੇ ਆਪਣੇ ਹਾਰਡਵੇਅਰ ਦੀ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹਨ।

ਇਹ ਹਾਰਡਵੇਅਰ ਦੀ ਦੁਨੀਆ ਵਿੱਚ ਇੱਕ ਦੁਰਲੱਭ ਸਥਿਤੀ ਹੈ ਜਿੱਥੇ ਮਾਰਜਿਨ ਆਮ ਤੌਰ ‘ਤੇ ਪਤਲੇ ਹੁੰਦੇ ਹਨ।

ਗਾਹਕਾਂ ਦਾ ਕੇਂਦਰੀਕਰਨ ਕਹਾਣੀ ਦਾ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹੈ। ਕੁਝ ਕੰਪਨੀਆਂ ਕੁੱਲ ਮਾਲੀਏ ਦੇ ਇੱਕ ਵੱਡੇ ਹਿੱਸੇ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ। ਇਹ ਇੱਕ ਨਾਜ਼ੁਕ ਸੰਤੁਲਨ ਬਣਾਉਂਦਾ ਹੈ। ਜੇਕਰ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੋਈ ਇੱਕ ਦਿੱਗਜ ਖਰਚ ਘਟਾਉਣ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸਦਾ ਪ੍ਰਭਾਵ ਪੂਰੇ tech ਸੈਕਟਰ ਵਿੱਚ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਫਿਰ ਵੀ, ਛੋਟੇ ਖਿਡਾਰੀਆਂ ਅਤੇ ਰਾਸ਼ਟਰੀ ਸਰਕਾਰਾਂ ਦੀ ਮੰਗ ਇੱਕ ਕੁਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਭਾਵੇਂ ਵੱਡੇ cloud ਪ੍ਰਦਾਤਾ ਹੌਲੀ ਹੋ ਜਾਂਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਦੀ ਜਗ੍ਹਾ ਲੈਣ ਲਈ ਉਡੀਕ ਕਰ ਰਹੇ ਹੋਰ ਖਰੀਦਦਾਰਾਂ ਦੀ ਇੱਕ ਲੰਬੀ ਲਾਈਨ ਹੈ। ਉੱਚ ਮੰਗ ਦੀ ਇਸ ਸਥਾਈ ਸਥਿਤੀ ਨੇ ਕੰਪਨੀ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ। ਉਹ ਹੁਣ ਸਿਰਫ਼ chips ਨਹੀਂ ਵੇਚਦੇ। ਉਹ ਸਰਵਰਾਂ ਦੇ ਪੂਰੇ ਪੂਰਵ-ਸੰਰਚਿਤ ਰੈਕ ਵੇਚਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਕੀਮਤ ਲੱਖਾਂ ਡਾਲਰ ਹੈ। ਕੰਪੋਨੈਂਟ ਸਪਲਾਇਰ ਤੋਂ ਸਿਸਟਮ ਪ੍ਰਦਾਤਾ ਤੱਕ ਦੀ ਇਸ ਤਬਦੀਲੀ ਨੇ ਮਾਰਕੀਟ ‘ਤੇ ਉਨ੍ਹਾਂ ਦੀ ਪਕੜ ਨੂੰ ਹੋਰ ਮਜ਼ਬੂਤ ਕੀਤਾ ਹੈ।

ਕੇਂਦਰੀਕ੍ਰਿਤ ਬੁੱਧੀ ਦੀ ਉੱਚ ਕੀਮਤ

ਮੌਜੂਦਾ ਸਥਿਤੀ ਉਦਯੋਗ ਦੇ ਭਵਿੱਖ ਬਾਰੇ ਕਈ ਮੁਸ਼ਕਲ ਸਵਾਲ ਖੜ੍ਹੇ ਕਰਦੀ ਹੈ। ਸਾਡੇ ਡਿਜੀਟਲ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਇੰਨਾ ਜ਼ਿਆਦਾ ਹਿੱਸਾ ਇੱਕ ਸਿੰਗਲ ਕੰਪਨੀ ‘ਤੇ ਨਿਰਭਰ ਹੋਣ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਕੀ ਹਨ? ਜੇਕਰ ਕਿਸੇ ਵੱਡੀ chip ਲਾਈਨ ਵਿੱਚ ਹਾਰਡਵੇਅਰ ਦੀ ਖਾਮੀ ਲੱਭੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਪੂਰਾ AI ਉਦਯੋਗ ਇੱਕ ਵਿਨਾਸ਼ਕਾਰੀ ਮੰਦੀ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦਾ ਹੈ। ਊਰਜਾ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਇਹ data centers ਬਿਜਲੀ ਦੀ ਭਾਰੀ ਮਾਤਰਾ ਦੀ ਖਪਤ ਕਰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਕਸਰ ਆਪਣੇ ਸਮਰਪਿਤ ਪਾਵਰ ਸਬਸਟੇਸ਼ਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਵੱਡੇ ਮਾਡਲਾਂ ਵੱਲ ਵਧਦੇ ਹਾਂ, ਵਾਤਾਵਰਣ ‘ਤੇ ਪ੍ਰਭਾਵ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਔਖਾ ਹੋ ਜਾਂਦਾ ਹੈ। ਕੀ ਇਨ੍ਹਾਂ AI ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਲਾਭ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਵਿਸ਼ਾਲ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਬਰਾਬਰ ਹੈ?

ਗੋਪਨੀਯਤਾ ਚਿੰਤਾ ਦਾ ਇੱਕ ਹੋਰ ਖੇਤਰ ਹੈ। ਜਦੋਂ ਦੁਨੀਆ ਦੀ ਜ਼ਿਆਦਾਤਰ AI ਪ੍ਰੋਸੈਸਿੰਗ ਹਾਰਡਵੇਅਰ ਅਤੇ software ਦੇ ਇੱਕ ਮਿਆਰੀ ਸੈੱਟ ‘ਤੇ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਮੋਨੋਕਲਚਰ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਰਾਜ ਦੇ ਅਦਾਕਾਰਾਂ ਜਾਂ ਹੈਕਰਾਂ ਲਈ ਅਜਿਹੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਲੱਭਣਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਸਾਰਿਆਂ ‘ਤੇ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਦਾਖਲੇ ਦੀ ਉੱਚ ਕੀਮਤ ਛੋਟੇ ਖਿਡਾਰੀਆਂ ਨੂੰ ਮੁਕਾਬਲਾ ਕਰਨ ਤੋਂ ਰੋਕਦੀ ਹੈ। ਜੇਕਰ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਅਮੀਰ ਕੰਪਨੀਆਂ ਅਤੇ ਰਾਸ਼ਟਰ ਹੀ ਵਧੀਆ compute ਦਾ ਖਰਚਾ ਉਠਾ ਸਕਦੇ ਹਨ, ਤਾਂ ਕੀ AI ਇੱਕ ਅਜਿਹਾ tool ਬਣ ਜਾਂਦਾ ਹੈ ਜੋ ਗਲੋਬਲ ਅਸਮਾਨਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ? ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਇੱਕ ਅਜਿਹਾ ਭਵਿੱਖ ਬਣਾ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਬੁੱਧੀ ਇੱਕ ਵਿਕੇਂਦਰੀਕ੍ਰਿਤ ਸਰੋਤ ਦੀ ਬਜਾਏ ਇੱਕ ਕੇਂਦਰੀਕ੍ਰਿਤ ਸਹੂਲਤ ਹੈ। ਮੌਜੂਦਾ ਟ੍ਰੈਜੈਕਟਰੀ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਦਾ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਜਿੱਥੇ ਕੁਝ ਇਕਾਈਆਂ ਡਿਜੀਟਲ ਉਤਪਾਦਨ ਦੇ ਸਾਧਨਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੀਆਂ ਹਨ, ਬਾਕੀ ਸਾਰਿਆਂ ਨੂੰ ਪਹੁੰਚ ਲਈ ਭੁਗਤਾਨ ਕਰਨ ਲਈ ਛੱਡ ਦਿੰਦੀਆਂ ਹਨ।

Blackwell ਯੁੱਗ ਦੇ ਹੁੱਡ ਹੇਠ

ਪਾਵਰ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਇੰਜੀਨੀਅਰਾਂ ਲਈ, ਕਹਾਣੀ ਤਕਨੀਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਮਿਲਦੀ ਹੈ। Hopper ਆਰਕੀਟੈਕਚਰ ਤੋਂ Blackwell ਵਿੱਚ ਤਬਦੀਲੀ interconnect density ਅਤੇ ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ਾਲ ਛਾਲ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਨਵੇਂ ਸਿਸਟਮ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਲਿੰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਜੋ ਕਈ GPUs ਨੂੰ ਇੱਕ ਸਿੰਗਲ, ਵਿਸ਼ਾਲ processor ਵਜੋਂ ਕੰਮ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਟ੍ਰਿਲੀਅਨਾਂ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਜ਼ਰੂਰੀ ਹੈ। ਇਨ੍ਹਾਂ ਡਿਵਾਈਸਾਂ ‘ਤੇ ਸਥਾਨਕ ਸਟੋਰੇਜ ਵੀ ਵਿਕਸਤ ਹੋਈ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਾਈ ਬੈਂਡਵਿਡਥ ਮੈਮੋਰੀ (HBM3e) processor ਨੂੰ data ਨਾਲ ਭਰਿਆ ਰੱਖਣ ਲਈ ਲੋੜੀਂਦੀ ਗਤੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇਸ ਅਤਿਅੰਤ ਮੈਮੋਰੀ ਪ੍ਰਦਰਸ਼ਨ ਤੋਂ ਬਿਨਾਂ, ਤੇਜ਼ compute ਕੋਰ ਵਿਹਲੇ ਬੈਠੇ ਰਹਿਣਗੇ, ਜਾਣਕਾਰੀ ਦੇ ਆਉਣ ਦੀ ਉਡੀਕ ਵਿੱਚ।

Workflow ਏਕੀਕਰਣ ਇੱਕ ਹੋਰ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ਗੀਕ ਸੈਕਸ਼ਨ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਮੁੱਲ ਮਿਲਦਾ ਹੈ। Nvidia ਕੰਟੇਨਰ ਅਤੇ ਪੂਰਵ-ਅਨੁਕੂਲਿਤ ਵਾਤਾਵਰਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ developer ਨੂੰ ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਖਾਲੀ ਸਕ੍ਰੀਨ ਤੋਂ ਚੱਲ ਰਹੇ ਮਾਡਲ ਤੱਕ ਜਾਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਸੀਮਾਵਾਂ ਹਨ। cloud ਪ੍ਰਦਾਤਾਵਾਂ ‘ਤੇ API ਰੇਟ ਸੀਮਾਵਾਂ ਅਤੇ ਸਥਾਨਕ ਸੈੱਟਅੱਪਾਂ ਵਿੱਚ ਪਾਵਰ ਅਤੇ ਕੂਲਿੰਗ ਦੀਆਂ ਭੌਤਿਕ ਸੀਮਾਵਾਂ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟਾਂ ਬਣੀਆਂ ਹੋਈਆਂ ਹਨ। ਜ਼ਿਆਦਾਤਰ developers ਹੁਣ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਪਹੁੰਚ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹਨ, ਵਿਕਾਸ ਲਈ ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ ਅਤੇ ਭਾਰੀ ਕੰਮ ਲਈ cloud ਤੱਕ ਸਕੇਲਿੰਗ ਕਰ ਰਹੇ ਹਨ। ਹੇਠਾਂ ਦਿੱਤੇ ਤਕਨੀਕੀ ਸਪੈਕਸ ਮੌਜੂਦਾ ਅਤਿ-ਆਧੁਨਿਕ ਸਥਿਤੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ:

ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ AI ਕਹਾਣੀ, ਟੂਲ, ਰੁਝਾਨ ਜਾਂ ਸਵਾਲ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਸਾਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਸਾਨੂੰ ਆਪਣਾ ਲੇਖ ਦਾ ਵਿਚਾਰ ਭੇਜੋ — ਅਸੀਂ ਇਸਨੂੰ ਸੁਣਨਾ ਪਸੰਦ ਕਰਾਂਗੇ।

• ਨਵੀਨਤਮ Blackwell ਕੌਂਫਿਗਰੇਸ਼ਨਾਂ ‘ਤੇ 8 ਟੈਰਾਬਾਈਟ ਪ੍ਰਤੀ ਸਕਿੰਟ ਤੋਂ ਵੱਧ ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ।
• FP4 ਅਤੇ FP6 ਵਰਗੇ ਨਵੇਂ data ਫਾਰਮੈਟਾਂ ਲਈ ਸਮਰਥਨ ਜੋ ਘੱਟ ਸ਼ੁੱਧਤਾ ਦੇ ਨੁਕਸਾਨ ਦੇ ਨਾਲ ਤੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।
• ਟ੍ਰਾਂਸਫਾਰਮਰ ਮਾਡਲਾਂ ਲਈ ਸਮਰਪਿਤ ਇੰਜਣ ਜੋ ਆਧੁਨਿਕ LLMs ਵਿੱਚ ਵਰਤੇ ਗਏ ਖਾਸ ਗਣਿਤ ਨੂੰ ਤੇਜ਼ ਕਰਦੇ ਹਨ।
• ਅਤਿਅੰਤ ਗਰਮੀ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ ਉੱਚਤਮ ਪ੍ਰਦਰਸ਼ਨ ਪੱਧਰਾਂ ਲਈ ਉੱਨਤ ਤਰਲ ਕੂਲਿੰਗ ਲੋੜਾਂ।
• ਪੰਜਵੀਂ ਪੀੜ੍ਹੀ ਦੀ NVLink ਤਕਨਾਲੋਜੀ ਜੋ 576 GPUs ਤੱਕ ਨਿਰਵਿਘਨ ਸੰਚਾਰ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ।

ਨੈੱਟਵਰਕਿੰਗ ਵਾਲਾ ਪਾਸਾ ਬਰਾਬਰ ਗੁੰਝਲਦਾਰ ਹੈ। ਜਦੋਂ ਕਿ ਸਟੈਂਡਰਡ Ethernet ਦੀ ਵਰਤੋਂ ਆਮ data ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੇ ਕਲੱਸਟਰ InfiniBand ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਇਹ ਪ੍ਰੋਟੋਕੋਲ ਘੱਟ ਲੇਟੈਂਸੀ ਅਤੇ ਉੱਚ ਥ੍ਰੂਪੁੱਟ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜੋ ਵੱਡੇ ਪੱਧਰ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਲੋੜੀਂਦੇ ਸਮਕਾਲੀਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਪਾਵਰ ਉਪਭੋਗਤਾ ਹੁਣ ਇਹ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਉਨ੍ਹਾਂ ਦੇ ਮੌਜੂਦਾ ਹਾਰਡਵੇਅਰ ਤੋਂ ਵਧੇਰੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਨਿਚੋੜਨ ਲਈ ਇਨ੍ਹਾਂ ਨੈੱਟਵਰਕ ਲੇਅਰਾਂ ਨੂੰ ਕਿਵੇਂ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾਵੇ। ਜਿਵੇਂ-ਜਿਵੇਂ ਸਿਲੀਕਾਨ ਦੀਆਂ ਭੌਤਿਕ ਸੀਮਾਵਾਂ ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਫੋਕਸ ਇਸ ਗੱਲ ਵੱਲ ਬਦਲ ਰਿਹਾ ਹੈ ਕਿ ਇਨ੍ਹਾਂ chips ਨੂੰ ਇੱਕ ਵਿਸ਼ਾਲ ਸੁਪਰਕੰਪਿਊਟਰ ਬਣਾਉਣ ਲਈ ਕਿਵੇਂ ਨੈੱਟਵਰਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਅਸਲ ਇੰਜੀਨੀਅਰਿੰਗ ਚੁਣੌਤੀਆਂ 2026 ਵਿੱਚ ਹਨ।

Compute Leverage ‘ਤੇ ਫੈਸਲਾ

Nvidia ਨੇ ਸਫਲਤਾਪੂਰਵਕ ਆਪਣੇ ਆਪ ਨੂੰ ਦਹਾਕੇ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਬਦਲਾਅ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਰੱਖਿਆ ਹੈ। ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੇ ਹਾਰਡਵੇਅਰ ਨੂੰ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ software ecosystem ਅਤੇ ਉੱਨਤ ਨੈੱਟਵਰਕਿੰਗ ਨਾਲ ਜੋੜ ਕੇ, ਉਨ੍ਹਾਂ ਨੇ ਇੱਕ ਅਜਿਹੀ ਖਾਈ ਬਣਾਈ ਹੈ ਜੋ ਵਰਤਮਾਨ ਵਿੱਚ ਬੇਮਿਸਾਲ ਹੈ। ਕਹਾਣੀ ਸਿਰਫ਼ ਸਟਾਕ ਦੀਆਂ ਕੀਮਤਾਂ ਜਾਂ ਤਿਮਾਹੀ ਕਮਾਈ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਭਵਿੱਖ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ। ਜਦੋਂ ਕਿ ਵਿਰੋਧੀ ਫੜਨ ਲਈ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰ ਰਹੇ ਹਨ, ਮੌਜੂਦਾ ਇੰਸਟਾਲੇਸ਼ਨ ਬੇਸ ਦਾ ਵਿਸ਼ਾਲ ਪੈਮਾਨਾ ਮੌਜੂਦਾ ਨੂੰ ਬਦਲਣਾ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ। ਫਿਲਹਾਲ, ਹਰ developer, enterprise ਖਰੀਦਦਾਰ ਅਤੇ ਸਰਕਾਰੀ ਅਧਿਕਾਰੀ ਨੂੰ ਉਸ ਦੁਨੀਆ ਦੇ ਅੰਦਰ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜੋ Nvidia ਨੇ ਬਣਾਈ ਹੈ। ਨਿਰਭਰਤਾ ਅਸਲੀ ਹੈ, ਲਾਗਤਾਂ ਵੱਧ ਹਨ, ਅਤੇ ਲੀਵਰੇਜ ਪੂਰੀ ਹੈ।

Editor’s note: We created this site as a multilingual AI news and guides hub for people who are not computer geeks, but still want to understand artificial intelligence, use it with more confidence, and follow the future that is already arriving.

ਕੋਈ ਗਲਤੀ ਮਿਲੀ ਜਾਂ ਕੁਝ ਠੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ? ਸਾਨੂੰ ਦੱਸੋ।