Sprzętowa niezależność: dlaczego stawianie wszystkiego na NVIDIA to strategiczne ryzyko
Pułapka monokultury
Wyobraź sobie, że 95% samochodów na świecie mogłoby jeździć wyłącznie na konkretnym rodzaju benzyny sprzedawanym przez dokładnie jedną firmę. Wyobraź sobie, że rafineria tej firmy znajduje się na niestabilnym geologicznie wyspie. Wyobraź sobie, że każdy inny producent samochodów musiałby projektować swoje silniki pod tę konkretną mieszankę paliwa.
Gdyby ta firma miała awarię produkcji, podniosła ceny o 400% lub gdyby blokada odcięła wyspę, światowa gospodarka stanęłaby w miejscu. Transport by ustał.
To brzmi jak dystopijna fikcja, ale to dokładna rzeczywistość branży sztucznej inteligencji dzisiaj.
W 2025 roku około 95% trenowania AI i zaawansowanego wnioskowania odbywa się na procesorach graficznych wyprodukowanych przez jedną firmę: NVIDIA. Cały globalny stos AI (od frameworków PyTorch po projekty chłodzenia centrów danych) jest zoptymalizowany pod architekturę NVIDIA. Branża jest uzależniona od CUDA, zastrzeżonej platformy oprogramowania NVIDIA.
NVIDIA to znakomita firma. Zbudowali niesamowitą technologię. Ale ta monokultura to strategiczny koszmar. Tworzy pojedynczy punkt awarii (SPOF) dla całej przyszłości ludzkiej inteligencji.
Strukturalny niedobór
Wszyscy przeżyliśmy niedobory H100 w latach 2023 i 2024. Startupy czekały 12 miesięcy na sprzęt. Rządy gromadziły chipy jak sztabki złota. Cena mocy obliczeniowej poszybowała w górę.
To nie był tylko chwilowy problem w łańcuchu dostaw. To było strukturalne wąskie gardło. Produkcja tych chipów opiera się na niezwykle złożonym procesie zwanym CoWoS (Chip-on-Wafer-on-Substrate), czyli zaawansowanym pakowaniu, wykonywanym głównie przez TSMC na Tajwanie. Zdolność do wytwarzania tych pakietów jest ograniczona. Prawa fizyki są ograniczone.
Jeśli twoja strategia AI opiera się na dostępie do najnowszego, najlepszego chipa NVIDIA, stawiasz przetrwanie swojej firmy na łańcuch dostaw, którego nie kontrolujesz, dla produktu, który trafia do najwyższej oferty.
Fosa CUDA
Prawdziwe uzależnienie to nie sprzęt, ale oprogramowanie. CUDA jest językiem AI. Przez 15 lat naukowcy i studenci uczyli się pisać jądra CUDA. Biblioteki są zoptymalizowane pod CUDA. Jeśli spróbujesz uruchomić standardowy kod AI na karcie AMD lub akceleratorze Intel, często wchodzisz w świat bólu: zepsute zależności, brakujące jądra i słaba wydajność.
Ta „fosa CUDA" trzyma konkurencję z daleka. Sprawia, że nawet jeśli AMD zbuduje układ szybszy i tańszy (a zbudowało), nikt go nie kupuje, bo oprogramowanie po prostu „nie działa".
Filozofia Dweve: Działaj wszędzie
W Dweve od początku podjęliśmy radykalną decyzję. Spojrzeliśmy na pułapkę CUDA i powiedzieliśmy: „Nie".
Zdecydowaliśmy, że nie napiszemy ani jednej linijki w CUDA. Nie uzależnimy się od zastrzeżonego stosu sprzętowego.
Zamiast tego zbudowaliśmy nasz stos na otwartych standardach. Używamy Vulkan (API graficznego, które działa na wszystkim, od telefonów z Androidem po serwery z Linuksem). Używamy OpenCL. Używamy SPIR-V. Polegamy na reprezentacjach pośrednich (IR), takich jak MLIR (Multi-Level Intermediate Representation).
Ale prawdziwy sekretny składnik to nie tylko API; to matematyka.
Ponieważ nasze binarne sieci neuronowe (BNN) opierają się na prostych operacjach całkowitoliczbowych (XNOR i POPCNT), a nie na złożonym mnożeniu macierzy zmiennoprzecinkowych, nie jesteśmy zależni od konkretnych rdzeni Tensor, które tylko NVIDIA potrafi dobrze wykonać.
Rdzenie Tensor to wyspecjalizowane jednostki sprzętowe zaprojektowane do błyskawicznego wykonywania obliczeń na liczbach zmiennoprzecinkowych 16-bitowych. Jeśli Twój algorytm opiera się na FP16, potrzebujesz rdzenia Tensor. Jeśli Twój algorytm opiera się na logice 1-bitowej, nie potrzebujesz go. Wystarczą podstawowe bramki logiki cyfrowej.
Ta swoboda architektoniczna pozwala nam działać wydajnie na zdumiewającej różnorodności sprzętu:
1. AMD ROCm
Procesory graficzne Instinct firmy AMD oferują ogromną surową moc obliczeniową i przepustowość pamięci w przeliczeniu na dolara. W przypadku obciążeń zmiennoprzecinkowych stos oprogramowania (ROCm) był historycznie słabym punktem. Jednak w przypadku naszych obciążeń binarnych kompilujemy bezpośrednio do ISA (ang. Instruction Set Architecture, architektura zestawu instrukcji). Omijamy zawodne biblioteki. Na sprzęcie AMD modele Dweve działają błyskawicznie.
2. Procesory Intel (AVX-512)
Wszyscy ignorują skromny procesor. Ale nowoczesne procesory Intel Xeon mają zestaw instrukcji o nazwie AVX-512. Pozwala on procesorowi przetwarzać 512 bitów danych w jednym cyklu. W przypadku binarnej sieci neuronowej oznacza to natychmiastowe przetworzenie 512 neuronów. Możemy uruchamiać wydajne wnioskowanie na standardowych serwerach, które firmy już posiadają. Bez procesora graficznego.
3. RISC-V
RISC-V to przyszłościowa architektura sprzętowa o otwartym kodzie źródłowym. Jest dla układów scalonych tym, czym Linux był dla systemów operacyjnych. Działamy natywnie na akceleratorach RISC-V. Ma to kluczowe znaczenie dla Europy i krajów rozwijających się, które chcą budować własny przemysł półprzewodnikowy, niezależny od amerykańskich kontroli eksportu.
4. FPGA (ang. Field Programmable Gate Arrays, matryce bramek programowalnych)
To najbardziej ekscytująca granica. FPGA to układ „pusta płótno", który można przeprogramować w milisekundy. Ponieważ nasze sieci wykorzystują proste bramki logiczne, możemy fizycznie połączyć układ tak, aby odpowiadał strukturze sieci neuronowej. Dane przepływają przez układ jak woda przez rury, z zerowym narzutem. Zapewnia to ultraniskie opóźnienia (mikrosekundy) i wyjątkową efektywność energetyczną.
Odporność strategiczna i suwerenność
Dla naszych klientów (zwłaszcza rządów, agencji obronnych i dostawców infrastruktury krytycznej) ta niezależność od sprzętu to funkcja o kluczowym znaczeniu.
Oznacza to, że nie są zablokowani sankcjami. Jeśli kryzys geopolityczny odetnie dostęp do amerykańskich układów, będą mogli uruchamiać swoje modele Dweve na układach europejskich lub powszechnie dostępnym starszym krzemie. Mają „plan B".
Oznacza to, że mają siłę negocjacyjną. Nie są zdani na kaprysy cenowe jednego dostawcy. Jeśli NVIDIA podniesie ceny, mogą przejść na AMD lub specjalistyczne układy ASIC bez przepisywania oprogramowania.
Oznacza to również trwałość. NVIDIA H100 będzie przestarzała za 3 lata. W środowiskach przemysłowych (pociągi, fabryki, elektrownie) sprzęt musi działać przez 20 lat. Generyczny FPGA lub standardowy procesor będzie nadawał się do użytku przez dziesięciolecia. Tworzymy oprogramowanie, które szanuje cykl życia świata fizycznego.
Era po GPU
Uważamy, że dominacja uniwersalnych procesorów graficznych (GPGPU) w AI to historyczna anomalia. Były właściwym narzędziem w fazie prototypowania AI, bo były elastyczne i dostępne. Ale gdy AI wchodzi w fazę wdrożeń, zobaczymy kambryjską eksplozję wyspecjalizowanego sprzętu.
Zobaczymy obliczenia analogowe. Obliczenia optyczne. Obliczenia neuromorficzne. Obliczenia w pamięci. Te architektury są fundamentalnie niekompatybilne z CUDA. Wymagają nowego stosu oprogramowania.
Odłączając nasze oprogramowanie od monopolu sprzętowego już dziś, Dweve jest przygotowane na przyszłość. Nie budujemy tylko pod chipy z 2025 roku; budujemy pod fizykę roku 2035.
Chcesz AI, które działa na Twoich zasadach, a nie na zasadach NVIDIA? Architektura Dweve niezależna od sprzętu daje Ci strategiczną swobodę, kontrolę kosztów i suwerenną odporność. Skontaktuj się z nami, aby dowiedzieć się, jak nasze binarne sieci neuronowe mogą działać na sprzęcie, który już posiadasz, lub na otwartym krzemie przyszłości.