سم آلتمن می‌خواهد رم کامپیوترها به دیتاسنترها برود؛ اجرای این ایده چه بلایی سر بازار سخت‌افزار می‌آورد؟

سم آلتمن، مدیرعامل OpenAI، در اظهارنظری بحث‌برانگیز گفته است نگهداری حجم زیادی از حافظه رم در کامپیوترهای شخصی، در شرایط کمبود جهانی حافظه، از نظر تخصیص منابع چندان منطقی نیست. از نگاه او، بخش قابل‌توجهی از این حافظه‌ها بیشتر اوقات بلااستفاده می‌مانند؛ درحالی‌که دیتاسنترها می‌توانند با استفاده متمرکز و پیوسته از منابع، بهره‌وری بالاتری ایجاد کنند.

آلتمن در پادکست Cheeky Pint توضیح داده است که بسیاری از کاربران به اجرای محلی مدل‌های هوش مصنوعی علاقه دارند؛ یعنی مدل‌ها را مستقیماً روی رایانه خود اجرا می‌کنند، نه از طریق سرورهای شرکت‌هایی مانند OpenAI. او معتقد است در شرایط محدودیت عرضه، تجمیع منابع پردازشی در فضای ابری می‌تواند استفاده از حافظه را بهینه‌تر کند. این اظهارات در حالی مطرح شده که توسعه دیتاسنترهای هوش مصنوعی فشار زیادی بر زنجیره تأمین حافظه وارد کرده است.

ا

ما اگر این دیدگاه در مقیاس گسترده اجرا شود، الزاماً به معنای انتقال رم کامپیوترهای مردم به دیتاسنترها نیست. شکل عملی‌تر چنین تغییری، تشویق کاربران و کسب‌وکارها به استفاده از سرویس‌های ابری به‌جای خرید سخت‌افزار قدرتمند برای اجرای محلی هوش مصنوعی است. در این مدل، شرکت‌های بزرگ حافظه و پردازنده بیشتری برای سرورهای خود تهیه می‌کنند و کاربران از طریق اینترنت به توان پردازشی آن‌ها دسترسی خواهند داشت.

این رویکرد یک مزیت فنی دارد: دیتاسنترها می‌توانند منابع را میان تعداد زیادی کاربر و درخواست تقسیم کنند و از سخت‌افزار در ساعات بیشتری از شبانه‌روز بهره ببرند. در مقابل، رایانه شخصی حتی اگر ساعت‌ها روشن باشد، ممکن است بخش زیادی از ظرفیت رم خود را بلااستفاده نگه دارد. بااین‌حال، این مزیت به معنای حل کمبود جهانی حافظه نیست؛ زیرا پردازش ابری همچنان به همان تراشه‌های حافظه، تجهیزات شبکه، برق و زیرساخت فیزیکی نیاز دارد.

از سوی دیگر، اجرای گسترده چنین مدلی می‌تواند وابستگی کاربران به شرکت‌های بزرگ فناوری را افزایش دهد. دسترسی به مدل‌های هوش مصنوعی به کیفیت اینترنت، هزینه اشتراک، سیاست‌های ارائه‌دهنده سرویس و امنیت اطلاعات وابسته می‌شود. اجرای محلی برای برخی کاربران، به‌ویژه توسعه‌دهندگان، شرکت‌هایی با داده‌های حساس و افرادی که به اینترنت پایدار دسترسی ندارند، همچنان اهمیت زیادی دارد.

گزارش‌ها و تحلیل‌های مؤسسات بین‌المللی نیز نشان می‌دهند بحران حافظه فقط به رم کامپیوترهای خانگی محدود نیست. مؤسسه پژوهشی جی‌پی مورگان در تحلیل بازار حافظه اعلام کرده است که تقاضای دیتاسنترهای هوش مصنوعی بخش بزرگی از ظرفیت تولید DRAM را جذب می‌کند و قراردادهای بلندمدت شرکت‌های بزرگ، انعطاف عرضه برای بازار مصرف‌کننده را کاهش می‌دهد. مرکز مطالعات راهبردی و بین‌المللی نیز در گزارشی از محدود بودن تعداد تولیدکنندگان اصلی حافظه و زمان‌بر بودن افزایش ظرفیت تولید سخن گفته است.

بنابراین، اجرای کامل دیدگاه آلتمن می‌تواند استفاده از منابع پردازشی را در برخی سناریوها بهینه کند، اما راه‌حل فوری برای کمبود رم نیست. حتی اگر مصرف‌کنندگان بیشتری به فضای ابری مهاجرت کنند، تقاضای شرکت‌های هوش مصنوعی برای حافظه و سرور ممکن است همچنان بالا بماند. نتیجه نهایی به میزان افزایش ظرفیت تولید، نوع حافظه موردنیاز و نحوه توزیع آن میان دیتاسنترها و بازار مصرفی بستگی دارد.

ایده آلتمن یک تناقض مهم دارد: او از بهره‌وری بیشتر منابع محدود صحبت می‌کند، اما شرکتی که مدیریتش را برعهده دارد خود یکی از بازیگران بزرگ متقاضی همین منابع است. از طرف دیگر، نمی‌توان رم کامپیوترهای خانگی را به‌سادگی جایگزین حافظه موردنیاز دیتاسنترها کرد؛ حافظه‌های HBM مورد استفاده در شتاب‌دهنده‌های هوش مصنوعی از نظر ساختار، پهنای باند و شیوه اتصال با ماژول‌های معمولی DDR4 و DDR5 تفاوت دارند.

بنابراین، حتی اگر کاربران به‌سمت پردازش ابری بروند، این اتفاق به‌خودی‌خود ظرفیت تولید حافظه را افزایش نمی‌دهد. مسئله اصلی، رقابت بر سر ظرفیت کارخانه‌ها و اولویت تخصیص محصولات آن‌هاست. در چنین شرایطی، ممکن است شرکت‌های بزرگ هوش مصنوعی دسترسی مطمئن‌تری به سخت‌افزار پیدا کنند، اما کاربران عادی با قیمت بالاتر رایانه، لپ‌تاپ و گوشی روبه‌رو شوند.