برزت المعالجات فجأة كمحور رئيسي للسوق هذا العام.

المحرك الرئيسي هو أن OpenAI وAnthropic وقّعتا اتفاقيات شراكة واسعة النطاق مع مزودي الخدمات السحابية مثل Amazon وGoogle وMicrosoft، مما أدى إلى استهلاك كميات كبيرة من قدرة المعالجة المركزية السحابية.
هناك سببان رئيسيان وراء حاجة الذكاء الاصطناعي إلى مزيد من المعالجات.
أولاً، يتحول نموذج التدريب من التدريب المسبق التقليدي نحو التعلم المعزز.
بعد أن يولد النموذج كودًا، يجب عليه تشغيل اختبارات الوحدة والتحقق من النتائج في مواقع محاكاة أو بيئات رملية. تعتمد هذه المهام بشكل كبير على المعالجات.
ثانيًا، يتحول نموذج الاستدلال من واجهات الدردشة البسيطة نحو الوكلاء.
يجب على النماذج استدعاء مجموعة واسعة من الأدوات، بما في ذلك محركات البحث، وقواعد البيانات، وبيئات تنفيذ الكود، والمجمعات، وأنظمة النشر. كل استدعاء من هذه الأدوات يتطلب معالجة مركزية كبيرة في الخلفية.
هناك أيضًا مصدر غير مباشر للطلب يسهل التغاضي عنه.
لقد زاد عدد عمليات الالتزام على GitHub عالميًا عدة أضعاف مقارنة بالعام الماضي. الكم الهائل من الكود الذي يولده الذكاء الاصطناعي يحتاج في النهاية إلى النشر والتنفيذ في بيئات تعتمد على المعالجات.
منذ تسليط الضوء على هذا الاتجاه لأول مرة، ارتفعت أسعار أسهم Arm وIntel عدة أضعاف، بينما استفادت AMD بشكل ملحوظ.
حتى أن NVIDIA بدأت ببيع معالج Vera CPU الخاص بها كمنتج مستقل، وحددت هدف إيرادات مرتبط بقيمة 20 مليار دولار.
ومع ذلك، من غير المرجح أن تصبح المعالجات الركيزة المركزية التالية لدورة الاستثمار في الذكاء الاصطناعي.
على سبيل المثال، تبلغ تكلفة معالج Blackwell GPU الواحد أكثر من 50,000 دولار، بينما تبلغ تكلفة المعالج حوالي 5,000 دولار.
حتى بافتراض أن معالجًا واحدًا يدعم وحدتي GPU، فإن كل 100,000 دولار مستثمرة في وحدات GPU ستترجم إلى حوالي 5,000 دولار فقط من الإنفاق المقابل على المعالجات.
من الواضح أن سوق المعالجات كان مقومًا بأقل من قيمته في الماضي، لكن إعادة التقييم الحالية يُفهم بشكل أفضل على أنها عودة نحو تقييم أكثر منطقية بدلاً من كونها دليلاً على أن المعالجات ستصبح البطل الرئيسي التالي لصناعة الذكاء الاصطناعي.