Nvidia è il re indiscusso dei chip AI. Ma grazie all’intelligenza artificiale che ha contribuito a sviluppare, il campione potrebbe presto affrontare una concorrenza crescente.
L’intelligenza artificiale moderna funziona su progetti Nvidia, una dinamica che ha spinto l’azienda a una capitalizzazione di mercato di oltre 4 trilioni di dollari. Ogni nuova generazione di chip Nvidia consente alle aziende di addestrare modelli di intelligenza artificiale più potenti utilizzando centinaia o migliaia di processori collegati in rete all’interno di vasti data center. Uno dei motivi del successo di Nvidia è che fornisce software per aiutare a programmare ogni nuova generazione di chip. Presto questa abilità potrebbe non essere più così differenziata.
Una startup chiamata Wafer sta addestrando i modelli di intelligenza artificiale a svolgere uno dei compiti più difficili e importanti dell’intelligenza artificiale: ottimizzare il codice in modo che funzioni nel modo più efficiente possibile su un particolare chip di silicio.
Emilio Andere, cofondatore e amministratore delegato di Wafer, afferma che l’azienda esegue l’apprendimento per rinforzo su modelli open source per insegnare loro a scrivere codice kernel, ovvero software che interagisce direttamente con l’hardware in un sistema operativo. Andere afferma che Wafer aggiunge anche “imbracature agenti” ai modelli di codifica esistenti come Claude di Anthropic e GPT di OpenAI per migliorare la loro capacità di scrivere codice che gira direttamente sui chip.
Molte importanti aziende tecnologiche ora hanno i propri chip. Apple e altri utilizzano da anni silicio personalizzato per migliorare le prestazioni e l’efficienza del software in esecuzione su laptop, tablet e smartphone. All’altra estremità della scala, aziende come Google e Amazon coniano il proprio silicio per migliorare le prestazioni delle loro piattaforme di cloud computing. Meta recentemente disse distribuirebbe 1 gigawatt di capacità di calcolo con un nuovo chip sviluppato con Broadcom. L’implementazione di silicio personalizzato implica anche la scrittura di molto codice in modo che funzioni in modo fluido ed efficiente sul nuovo processore.
Wafer sta collaborando con aziende tra cui AMD e Amazon per aiutare a ottimizzare il software affinché funzioni in modo efficiente sul proprio hardware. La startup ha finora raccolto 4 milioni di dollari in finanziamenti iniziali da Jeff Dean di Google, Wojciech Zaremba di OpenAI e altri.
Andere ritiene che l’approccio guidato dall’intelligenza artificiale della sua azienda abbia il potenziale per sfidare il dominio di Nvidia. Un certo numero di chip di fascia alta ora offrono prestazioni in virgola mobile grezze simili – un punto di riferimento chiave del settore per la capacità di un chip di eseguire calcoli semplici – al miglior silicio di Nvidia.
“Il miglior hardware AMD, il migliore [Amazon] Hardware Trainium, il migliore [Google] I TPU ti danno gli stessi flop teorici delle GPU Nvidia”, mi ha detto recentemente Andere. “Vogliamo massimizzare l’intelligenza per watt.”
Gli ingegneri delle prestazioni con le competenze necessarie per ottimizzare il codice affinché venga eseguito in modo affidabile ed efficiente su questi chip sono costosi e molto richiesti, afferma Andere, mentre l’ecosistema software di Nvidia semplifica la scrittura e la manutenzione del codice per i suoi chip. Ciò rende difficile anche per le più grandi aziende tecnologiche agire da sole.
Quando Anthropic ha collaborato con Amazon per costruire i suoi modelli di intelligenza artificiale su Trainium, ad esempio, ha dovuto riscrivere da zero il codice del suo modello per farlo funzionare nel modo più efficiente possibile sull’hardware, afferma Andere.
Naturalmente, Claude di Anthropic è ora uno dei tanti modelli di intelligenza artificiale che ora sono sovrumani nello scrivere codice. Quindi Andere ritiene che potrebbe non passare molto tempo prima che l’intelligenza artificiale inizi a consumare il vantaggio del software Nvidia.
“Il fossato risiede nella programmabilità del chip”, afferma Andere in riferimento alle librerie e agli strumenti software che semplificano l’ottimizzazione del codice per l’hardware Nvidia. “Penso che sia ora di iniziare a riconsiderare se si tratta effettivamente di un fossato forte.”
Oltre a semplificare l’ottimizzazione del codice per i diversi silicii, l’intelligenza artificiale potrebbe presto rendere più semplice la progettazione dei chip stessi. Intelligenza ricorsivauna startup fondata da due ex ingegneri di Google, Azalia Mirhoseini e Anna Goldie, sta sviluppando nuovi modi per progettare chip per computer con intelligenza artificiale. Se la sua tecnologia decollasse, molte più aziende potrebbero dedicarsi alla progettazione di chip, creando silicio personalizzato in grado di far funzionare il loro software in modo più efficiente.
