هشدار پت گلسینگر: کامپیوترهای کوانتومی، «حباب هوش مصنوعی» را می‌ترکانند؛ پایان سلطه GPUها در یک دهه!

مدیرعامل پیشین شرکت اینتل، «پت گلسینگر»، با موضعی جسورانه، آینده صنعت فناوری را به چالش کشیده است. او معتقد است که پیشرفت‌های چشمگیر در کامپیوترهای کوانتومی نه تنها چشم‌انداز هوش مصنوعی را تغییر خواهد داد، بلکه می‌تواند به طور بالقوه «حباب هوش مصنوعی» فعلی را نیز بترکاند. این دیدگاه مستقیماً در تضاد با خوش‌بینی رایج بازار و اظهارات مدیرعامل انویدیا، جنسن هوانگ، درباره تداوم سلطه پردازنده‌های گرافیکی (GPU) قرار دارد.

گلسینگر، با سابقه طولانی در اینتل و دیدگاهی استراتژیک نسبت به سخت‌افزار، باور دارد که مدل فعلی محاسبات، که شدیداً به تراشه‌های خاص منظوره مانند GPUها وابسته است، یک دوره گذار بیش نیست و افق جدیدی در راه است.

1. تثلیث مقدس: کوانتوم، کلاسیک و هوش مصنوعی

گلسینگر در مصاحبه‌ای با فایننشال تایمز، مفهوم جدیدی را معرفی کرد: «تثلیث مقدس» (Holy Trinity) رایانش. این تثلیث شامل سه رکن اصلی است: رایانش کلاسیک، هوش مصنوعی و رایانش کوانتومی. او جایگاه کوانتوم را فراتر از یک شاخه تحقیقاتی می‌داند و آن را عاملی کلیدی برای متحول ساختن محاسبات سنگین می‌بیند.

1.1.  رایانش کلاسیک (Classical Computing)

این رکن شامل معماری‌های سنتی مبتنی بر بیت‌های ۰ و ۱ است که امروزه زیربنای تقریباً تمام محاسبات، از جمله اجرای مدل‌های یادگیری عمیق فعلی، را تشکیل می‌دهند. این سیستم‌ها در مقیاس‌پذیری برای برخی مسائل خاص به محدودیت‌های فیزیکی و انرژی می‌رسند.

1.2.  هوش مصنوعی (Artificial Intelligence – AI)

هوش مصنوعی، به ویژه یادگیری عمیق (Deep Learning)، نیروی محرکه تقاضا برای سخت‌افزارهای قدرتمند کنونی است. مدل‌های زبانی بزرگ (LLMs) و شبکه‌های عصبی عمیق نیازمند تریلیون‌ها عملیات ممیز شناور در ثانیه هستند، که این امر به سلطه GPUها منجر شده است.

1.3.  رایانش کوانتومی (Quantum Computing)

• این رکن، با بهره‌گیری از اصول مکانیک کوانتومی مانند برهم‌نهی (Superposition) و درهم‌تنیدگی (Entanglement)، پتانسیل حل مسائلی را دارد که حتی قدرتمندترین ابررایانه‌های کلاسیک نیز برای حل آن‌ها به زمان‌های طولانی (گاهی فراتر از عمر جهان) نیاز دارند.
• گلسینگر استدلال می‌کند که این سه رکن نه تنها مجزا نیستند، بلکه باید در یک اکوسیستم همگرا دیده شوند. پیشرفت در هر یک، بر دیگری تأثیر می‌گذارد، اما کوانتوم به عنوان کاتالیزور نهایی برای شکستن محدودیت‌های محاسباتی باقی‌مانده عمل خواهد کرد.2.  پایان سلطه GPUها: کوانتوم در برابر انویدیا

یکی از بحث‌برانگیزترین ادعاهای گلسینگر مربوط به آینده پردازنده‌های گرافیکی (GPU) است که اکنون محور اصلی انقلاب هوش مصنوعی محسوب می‌شوند.

2. پایان سلطه GPUها: کوانتوم در برابر انویدیا

گلسینگر پیش‌بینی می‌کند که سلطه تراشه‌های هوش مصنوعی به زودی پایان خواهد یافت. در حالی که جنسن هوانگ، مدیرعامل انویدیا، معتقد بود که رسیدن به این نقطه حدود دو دهه زمان می‌برد، گلسینگر بازه زمانی بسیار کوتاه‌تری را متصور است: فقط دو سال. او معتقد است که GPUها تا پایان دهه جاری میلادی (2020s) جای خود را به فناوری‌های جدید خواهند داد.

2.1. چرا GPUها سقوط می‌کنند؟

دلایل اصلی این پیش‌بینی به محدودیت‌های ذاتی معماری و ماهیت الگوریتم‌های آینده مرتبط است:

1. مسائل ذاتی کوانتومی (Quantum Supremacy): بسیاری از چالش‌های اصلی در شیمی، کشف دارو، علوم مواد، و بهینه‌سازی‌های پیچیده، ذاتاً کوانتومی هستند. GPUها در شبیه‌سازی این سیستم‌ها کارایی بسیار پایینی دارند.
   • به عنوان مثال، شبیه‌سازی رفتار مولکول‌های پیچیده از طریق مکانیک کوانتومی، نیازمند منابع محاسباتی است که با افزایش تعداد اتم‌ها به صورت نمایی (Exponentially) رشد می‌کند. اگر یک سیستم کوانتومی با (N) الکترون داشته باشیم، فضای حالت آن (2^N) بُعد دارد.
   • در رایانش کلاسیک، برای نمایش این فضا نیاز به ذخیره‌سازی (2^N) عدد داریم. برای یک مولکول نسبتاً کوچک (مثلاً ۵۰ اتم)، این عدد از ظرفیت حافظه تمام ابررایانه‌های جهان فراتر می‌رود.
2. ظهور الگوریتم‌های کوانتومی عملیاتی: هنگامی که کامپیوترهای کوانتومی به اندازه کافی قوی و با نرخ خطای پایین (Fault-Tolerant) شوند، الگوریتم‌هایی مانند الگوریتم شور (Shor’s Algorithm) برای فاکتورگیری و الگوریتم گرُوِر (Grover’s Algorithm) برای جستجو، کارایی محاسباتی را به سطوح بی‌سابقه‌ای ارتقا می‌دهند.
   • الگوریتم شور، امنیت رمزنگاری کلید عمومی (مانند RSA) را که بر سختی فاکتورگیری اعداد بزرگ استوار است، به چالش می‌کشد: [ \text{زمان کلاسیک (RSA)} \approx O(e^{c(\ln n)^{1/3}}) ] [ \text{زمان کوانتومی (شور)} \approx O((\ln n)^3) ] این تفاوت، یک برتری نمایی را نشان می‌دهد که هیچ GPU نمی‌تواند با آن رقابت کند.
3. محدودیت‌های انرژی و مقیاس‌پذیری GPU: ادامه قانون مور (Moore’s Law) برای ترانزیستورهای کلاسیک دشوارتر و پرهزینه‌تر می‌شود. در مقابل، پیشرفت‌ها در کیوبیت‌ها (Qubits)، هرچند هنوز پرنوسان است، مسیر متفاوتی برای افزایش قدرت محاسباتی ارائه می‌دهد که به چگالی اطلاعات بسیار بالاتری دست می‌یابد.

2.2. حباب هوش مصنوعی (AI Bubble)

گلسینگر استدلال می‌کند که بخش بزرگی از ارزش‌گذاری فعلی شرکت‌های متمرکز بر هوش مصنوعی بر پایه فرض “ادامه رشد خطی” پیشرفت GPUها استوار است. اگر محاسبات کوانتومی (یا معماری‌های ترکیبی هیبریدی) بتوانند سریع‌تر و کارآمدتر از مسیر GPUها، مسائل پیچیده را حل کنند، این حباب اقتصادی ممکن است بترکد. شرکت‌هایی که نتوانند معماری‌های خود را به سمت الگوریتم‌های مبتنی بر کوانتوم یا معماری‌های خاص‌تر (ASICهای کاملاً بهینه‌سازی شده) شیفت دهند، دچار رکود خواهند شد.

3. مقایسه با دوران بیل گیتس و چالش‌های اینتل

پت گلسینگر تنها به آینده فناوری نمی‌پردازد، بلکه به مقایسه تحولات تاریخی صنعت و وضعیت داخلی شرکت تحت مدیریت خود نیز اشاره می‌کند.

3.1. شراکت مایکروسافت و OpenAI در برابر بیل گیتس و IBM

گلسینگر همکاری قدرتمند میان مایکروسافت و OpenAI را به شراکت تاریخی بیل گیتس با IBM در دهه 1990 تشبیه کرد. در آن زمان، اتحاد نرم‌افزار (مایکروسافت) و سخت‌افزار (IBM) برای غلبه بر محیط‌های محاسباتی متمرکز آن دوره حیاتی بود.

امروزه، اتحاد مایکروسافت (زیرساخت ابری و نرم‌افزاری) با OpenAI (مدل‌های پیشرفته هوش مصنوعی) یک نوع اتحاد مشابه ایجاد کرده است، اما این بار قدرت محاسباتی مورد نیاز (که قبلاً توسط CPUهای سنتی تأمین می‌شد) اکنون تحت سلطه GPUهای انویدیا قرار دارد. گلسینگر این روند را یک “انحصار محاسباتی” می‌داند که به شدت به یک فروشنده وابسته است و این وابستگی، آسیب‌پذیری بزرگی ایجاد می‌کند.

3.2. بازسازی اینتل و تأخیر در فرآیندهای تولید

• گلسینگر اذعان داشت که پیش از ورودش به اینتل، نظم و ترتیب اساسی در شرکت از بین رفته بود و تأخیر در عرضه محصولات مهمی مانند فرآیند ساخت 18A مشهود بود.
• اینتل در دوران رهبری گلسینگر با چالش‌های جدی در حفظ پیشتازی خود در لیتوگرافی مواجه شد. قانون مقیاس‌پذیری که اینتل برای دهه‌ها بر آن تکیه کرده بود (که با نام “Tick-Tock” شناخته می‌شد)، دچار فروپاشی شد.

1. تأخیر در 10 نانومتر: تأخیر طولانی در انتقال از فرآیند 14 نانومتری به 10 نانومتری، باعث شد رقبایی مانند TSMC با استفاده از لیتوگرافی 7 نانومتری، از اینتل پیشی بگیرند.
2. تعهد به 18A: گلسینگر با پذیرش مسئولیت، یک برنامه تهاجمی برای بازگشت به رهبری فناوری از طریق فرآیند 18A (معادل 2 نانومتر نسل‌های بعدی) معرفی کرد. هدف این بود که کوانتوم و هوش مصنوعی بتوانند بر روی پلتفرم‌های پیشرفته کلاسیک اینتل (که برای میزبانی سیستم‌های هیبریدی لازم هستند) اجرا شوند.

او معتقد است که اگر اینتل نتواند بر این مشکلات داخلی غلبه کند و فرآیندهای پیشرفته خود را به موقع ارائه ندهد، نه تنها در رقابت با TSMC شکست می‌خورد، بلکه در زمینه سخت‌افزار مورد نیاز برای عصر کوانتوم و هوش مصنوعی پس از GPU نیز جایگاه خود را از دست خواهد داد.

4. چشم‌انداز محاسبات هیبریدی (Hybrid Computing)

گلسینگر مسیر آینده را در ادغام مستقیم این سه رکن می‌بیند، نه جایگزینی کامل. در کوتاه‌مدت، ما شاهد محاسبات هیبریدی خواهیم بود.

1. در یک معماری هیبریدی، وظایف محاسباتی به صورت پویا بین پردازنده‌های کلاسیک (برای محاسبات عمومی و رابط کاربری)، شتاب‌دهنده‌های هوش مصنوعی (مانند GPUها یا واحدهای پردازش تنسور سفارشی برای استنتاج مدل‌های بزرگ) و پردازنده‌های کوانتومی (برای بخش‌هایی از مسئله که نیاز به بهینه‌سازی یا شبیه‌سازی دقیق دارند) توزیع می‌شوند.
2. اگرچه GPUها ممکن است در کوتاه‌مدت قدرتمند باقی بمانند، اما نقش آن‌ها به عنوان “تنها قهرمان” هوش مصنوعی کاهش خواهد یافت. زمانی که سخت‌افزارهای کوانتومی مقیاس‌پذیرتر شوند، وظایف سنگین‌تر به طور کامل به سمت آن‌ها هدایت خواهند شد، که در نهایت منجر به کاهش سهم نسبی GPUها در معماری‌های برتر محاسباتی می‌شود.

5. نتیجه‌گیری: انقلاب در افق

سخنان پت گلسینگر تصویری متفاوت از آینده رایانش ارائه می‌دهد که در آن، قدرت محاسبات کوانتومی به عنوان نیروی محرکه اصلی مطرح می‌شود. این دیدگاه یک هشدار جدی برای بازار فعلی است که به شدت بر رشد نمایی تراشه‌های سیلیکونی متکی است.

پیش‌بینی او مبنی بر پایان سلطه GPUها تا پایان دهه 2020، نه تنها یک چالش فنی، بلکه یک شوک اقتصادی بالقوه برای بازیگرانی است که سرمایه‌گذاری‌های عظیمی بر روی معماری فعلی انجام داده‌اند. اگر پیشرفت‌های کوانتومی با سرعتی که او پیش‌بینی می‌کند محقق شود، “حباب هوش مصنوعی” که عمدتاً بر پایه‌های سخت‌افزاری غیرکوآنتومی بنا شده است، با ورود موج جدیدی از قابلیت‌های محاسباتی، ممکن است به زودی دچار ترک‌های جدی شود.