OpenAI กำลังเสร็จสิ้นการออกแบบชิป AI ในบ้านเป็นครั้งแรกและวางแผนที่จะเริ่มการผลิตภายในปี 2569 ด้วย บริษัท การผลิตเซมิคอนดักเตอร์ไต้หวัน (TSMC) ใช้ประโยชน์จากกระบวนการ 3 นาโนเมตรที่ทันสมัยของ TSMC//www.reuters.com/technology/openai-set-finalize-first-custom-chip-design-this-year-2025-02-10/”> Reuuters .
สิ่งนี้ การย้ายมีจุดมุ่งหมายเพื่อลดการพึ่งพา Openai ใน Nvidia ซึ่งถือหุ้นประมาณ 80% ของตลาดชิป AI และแสดงถึงแนวโน้มที่กว้างขึ้นของ บริษัท เทคโนโลยีขนาดใหญ่ที่กำลังติดตามซิลิคอนที่เป็นกรรมสิทธิ์เพื่อตอบสนองความต้องการที่เพิ่มขึ้น การพัฒนาเป็นไปตามความพยายามทั่วทั้งอุตสาหกรรมในการควบคุมซัพพลายเชนสำหรับโครงสร้างพื้นฐาน AI บริษัท เช่น Meta, Microsoft และ AWS ได้หันไปใช้การพัฒนาชิปที่กำหนดเองเพื่อเพิ่มประสิทธิภาพประสิทธิภาพในขณะที่ลดการพึ่งพา NVIDIA
เมตา การอนุมานการเร่งความเร็ว (MTIA) ชิปเพื่อเพิ่มพลังโมเดล Llama AI ซึ่งเป็นส่วนสำคัญของงบประมาณโครงสร้างพื้นฐาน AI 60 พันล้านเหรียญสหรัฐ ในทำนองเดียวกัน AWS ได้เปิดตัวโปรเซสเซอร์ฝึกอบรมเพื่อเร่งปริมาณงานขนาดใหญ่เช่นรุ่น AI Generative ในขณะที่ Apple กำลังพัฒนาชิปเซิร์ฟเวอร์ Baltra เพื่อปรับปรุงตำแหน่งใน AI
ความพยายามของ Openai ในการสร้างชิปของตัวเองสะท้อนให้เห็นถึงการรับรู้ที่เพิ่มขึ้นว่าความต้องการโครงสร้างพื้นฐาน AI ไม่สามารถพบได้ด้วยฮาร์ดแวร์นอกชั้นวางเสมอ
วิสัยทัศน์ของ Openai สำหรับซิลิกอนที่กำหนดเอง
Richard Ho วิศวกรทหารผ่านศึกที่เคยทำงานในหน่วยประมวลผลเทนเซอร์ของ Google (TPUs) ของ Google เป็นผู้นำทีมพัฒนาชิปของ Openai กลุ่มเติบโตขึ้นเป็นวิศวกร 40 คนโดยมุ่งเน้นไปที่การสร้างชิปที่ออกแบบมาเพื่อตอบสนองความต้องการเฉพาะของ OpenAI
การทำซ้ำชิปเริ่มต้นจะกำหนดเป้าหมายงานการอนุมานซึ่งเกี่ยวข้องกับการใช้งานโมเดล AI ที่ผ่านการฝึกอบรมอย่างมีประสิทธิภาพ เมื่อเวลาผ่านไป OpenAI มีเป้าหมายที่จะขยายขีดความสามารถของชิปเพื่อรองรับทั้งการอนุมานและการฝึกอบรมเวิร์กโหลดซึ่งต้องใช้พลังงานการคำนวณที่สูงขึ้นอย่างมีนัยสำคัญ
ชิปที่วางแผนไว้จะรวมสถาปัตยกรรมอาเรย์ systolic-การออกแบบที่มีความเชี่ยวชาญสูงสำหรับการจัดการเมทริกซ์อย่างมีประสิทธิภาพ การดำเนินงาน-คู่กับหน่วยความจำแบนด์วิดท์สูง (HBM) เพื่อจัดการกระแสข้อมูลมากมายที่เกี่ยวข้องกับระบบ AI ขั้นสูง
ตามการประมาณการภายในการทำซ้ำครั้งเดียวของชิปดังกล่าวอาจมีค่าใช้จ่าย $ 500 ล้านในการพัฒนาทำให้กระบวนการทั้งความท้าทายด้านเทคนิคและการเงิน
ความเสี่ยงของ IN-House Chip Development
การผลิตชิปที่กำหนดเองนั้นเต็มไปด้วยความเสี่ยงโดยเฉพาะอย่างยิ่งในช่วงเทปออกเมื่อการออกแบบชิปเสร็จสิ้นถูกส่งเพื่อการผลิต ความผิดพลาดในขั้นตอนนี้อาจมีค่าใช้จ่ายหลายสิบล้านดอลลาร์และส่งผลให้เกิดความล่าช้ามานานหลายเดือน
openai คาดว่าจะลดความเสี่ยงเหล่านี้โดยการร่วมมือกับ TSMC ซึ่งมีประวัติที่พิสูจน์แล้วในการผลิตชิปประสิทธิภาพสูง กระบวนการ 3 นาโนเมตรของ TSMC เป็นหนึ่งในขั้นสูงที่สุดในโลกทำให้เกิดความหนาแน่นของทรานซิสเตอร์และประสิทธิภาพการใช้พลังงานมากขึ้น
หากประสบความสำเร็จ Openai วางแผนที่จะวางแผน ทดสอบชิปแรกในระดับ จำกัด ภายในปลายปี 2568 ปูทางสำหรับการปรับใช้อย่างเต็มรูปแบบในศูนย์ข้อมูลในปีต่อไป การเปลี่ยนแปลงนี้คาดว่าจะลดค่าใช้จ่ายและให้การควบคุมฮาร์ดแวร์ที่เปิดกว้างมากขึ้นซึ่งเป็นรากฐานของโมเดลภาษาขั้นสูง
ความท้าทายทางการเมืองในการผลิตชิป AI
การพึ่งพา TSMC ของ Openai เชื่อมโยงการพัฒนาชิปกับปัจจัยทางการเมืองที่กว้างขึ้น TSMC ซึ่งมีสำนักงานใหญ่ในไต้หวันมีบทบาทนำในการผลิตเซมิคอนดักเตอร์ระดับโลกผลิตชิปสำหรับผู้เล่นรายใหญ่เช่น Nvidia, Apple และ Openai ตอนนี้
ข้อ จำกัด การส่งออกของรัฐบาลสหรัฐฯในชิปขั้นสูงโดยเฉพาะอย่างยิ่งการกำหนดเป้าหมายไปยังประเทศจีนเพิ่มความซับซ้อนให้กับห่วงโซ่อุปทานเซมิคอนดักเตอร์ อดีตรัฐมนตรีกระทรวงพาณิชย์ Gina Raimondo ได้เน้นถึงเหตุผลเบื้องหลังข้อ จำกัด เหล่านี้โดยระบุเมื่อปีที่แล้ว“ เซมิคอนดักเตอร์ที่ปัญญาประดิษฐ์สามารถใช้พลังงานปัญญาประดิษฐ์ได้
โดยการร่วมมือกับ TSMC ทำให้ OpenAI มั่นใจได้ว่าการเข้าถึงเทคโนโลยีการผลิตล่าสุดในขณะที่นำทางไปรอบ ๆ ข้อ จำกัด ที่วางไว้ในประเทศจีน.
อนาคตของกลยุทธ์ฮาร์ดแวร์ของ Openai
ในขณะที่ความเสี่ยงสูงประโยชน์ที่อาจเกิดขึ้นจากซิลิคอนในบ้านเป็นสิ่งสำคัญ มันเป็นขอบที่สำคัญโดยการปรับปรุงประสิทธิภาพลดต้นทุนและทำให้ความยืดหยุ่นมากขึ้นในการพัฒนา AI ตลาด GPU
กลยุทธ์ของ Openai อาจมีผลกระทบที่กว้างขึ้นสำหรับระบบนิเวศฮาร์ดแวร์ AI ทั่วโลก ความสำเร็จในความคิดริเริ่มนี้อาจเป็นแรงบันดาลใจให้ บริษัท อื่น ๆ ลงทุนในโครงการซิลิคอนแบบกำหนดเองที่คล้ายคลึงกันการแข่งขันที่ทวีความรุนแรงยิ่งขึ้นในอุตสาหกรรมเซมิคอนดักเตอร์
ในเวลาเดียวกันความตึงเครียดทางการเมืองและความซับซ้อนที่เพิ่มขึ้นของการพัฒนาชิปอาจยังคงท้าทายห่วงโซ่อุปทาน AI ทั่วโลก
