گوگل بار دیگر نشان داده که فقط به ساخت مدلهای بزرگ هوش مصنوعی (AI) فکر نمیکند، بلکه میخواهد زیرساخت سختافزاری خودش را هم بهصورت اختصاصی بسازد. طبق گزارشی که اخیراً منتشر شده، این شرکت روی یک تراشه تازه سرور هوش مصنوعی با نام رمز فروزن ۲ (Frozen v2) کار میکند؛ تراشهای که قرار است بازدهی جمنای (Gemini) را در مرحله استنتاج (inference) بیشتر کند، مصرف برق را پایین بیاورد و هزینههای عملیاتی را کاهش دهد.
این خبر از آن جهت مهم است که نشان میدهد رقابت هوش مصنوعی دیگر فقط بر سر «مدل بزرگتر» نیست؛ بلکه به سمت سختافزار اختصاصی و مدلهای تخصصی حرکت کرده است. در این مسیر، گوگل میخواهد هم در لایه نرمافزار و هم در لایه سختافزار، مزیت رقابتی خود را حفظ کند.
تراشه تازه گوگل چه میکند؟
تراشهای که با نام داخلی Frozen v2 شناخته میشود، قرار نیست جایگزین کامل واحدهای پردازش تنسور (Tensor Processing Units / TPU) گوگل شود. در عوض، نقش آن این است که در کنار TPUها عمل کند و اجرای جمنای را در بخش استنتاج بهینهتر سازد.
به زبان ساده، وقتی یک مدل هوش مصنوعی آموزش دیده و حالا باید به درخواست کاربر پاسخ بدهد، وارد مرحله استنتاج میشود. این مرحله همان جایی است که سرعت، مصرف انرژی و هزینه زیرساخت اهمیت زیادی پیدا میکند. اگر تراشه تازه گوگل بتواند این بخش را بهتر انجام دهد، نتیجهاش میتواند چنین باشد:
- پاسخهای سریعتر برای کاربران
- مصرف برق کمتر در مرکز داده
- هزینه پایینتر برای اجرای مدل
- فشار کمتر روی زیرساخت پردازشی گوگل
چرا گوگل به تراشه اختصاصی نیاز دارد؟
تقاضا برای استفاده از جمنای در محصولات گوگل و سرویسهای ابری این شرکت رو به افزایش است. همین رشد، فشار زیادی روی توان پردازشی وارد کرده و گوگل را وادار کرده که به راهحلهای سختافزاری اختصاصی فکر کند.
در سالهای اخیر، شرکتهای بزرگ فناوری فهمیدهاند که تکیه صرف بر پردازندههای عمومی، مخصوصاً واحدهای پردازش گرافیکی (GPU)، همیشه بهینهترین گزینه نیست. به همین دلیل، ساخت تراشههای اختصاصی به یک روند مهم در صنعت تبدیل شده است.
گوگل هم با ادامه سرمایهگذاری روی TPUها و حالا توسعه Frozen v2، میخواهد نشان دهد که آینده هوش مصنوعی فقط با مدل بهتر ساخته نمیشود؛ بلکه به زیرساخت بهینهتر هم نیاز دارد.
مزیت اصلی: استنتاج ارزانتر و سریعتر
نقطه مرکزی این خبر، بهبود مرحله استنتاج (inference) است.
استنتاج یعنی زمانی که مدل بعد از آموزش، پاسخ واقعی تولید میکند. این مرحله برای شرکتهایی مثل گوگل بسیار مهم است، چون میلیونها درخواست در روز میتواند هزینهای سنگین روی دوش زیرساخت بگذارد.
اگر Frozen v2 واقعاً بتواند این بخش را بهینه کند، گوگل به چند هدف همزمان میرسد:
1. کاهش هزینه
هرچه استنتاج کممصرفتر باشد، هزینه اجرای مدل در مقیاس بزرگ کمتر میشود.
2. افزایش سرعت
کاربر پاسخ سریعتری دریافت میکند و تجربه کاربری بهتر میشود.
3. مقیاسپذیری بیشتر
گوگل میتواند جمنای را در محصولات و سرویسهای بیشتری با فشار زیرساختی کمتر عرضه کند.
4. استقلال سختافزاری
گوگل وابستگی کمتری به تراشههای عمومی بازار خواهد داشت.
جمنای فقط یک مدل نیست؛ یک خانواده در حال گسترش است
همزمان با خبر تراشه تازه، گوگل خانواده جمنای را هم گسترش داده و چند نسخه جدید معرفی کرده است:
- جمنای ۳.۶ فلش (Gemini 3.6 Flash)
- جمنای ۳.۵ فلش لایت (Gemini 3.5 Flash Lite)
- جمنای ۳.۵ فلش سایبر (Gemini 3.5 Flash Cyber)
این نامها فقط نسخههای متفاوت یک مدل نیستند؛ بلکه نشان میدهند گوگل دارد به سمت مدلهای هدفمند حرکت میکند. یعنی بهجای یک مدل عمومی برای همه کارها، نسخههایی میسازد که برای نیازهای خاص بهینه شدهاند.
جمنای ۳.۶ فلش؛ سریعتر برای کارهای روزمره
جمنای ۳.۶ فلش (Gemini 3.6 Flash) برای پاسخگویی سریعتر، استدلال بهتر و اجرای کارهای رایج طراحی شده است. این نسخه میتواند در مواردی مثل:
- کدنویسی
- درک چندرسانهای (multimodal)
- پرسشوپاسخ عمومی
- تولید متن روزمره
کارایی بالاتری داشته باشد.
جمنای ۳.۵ فلش لایت؛ سبک و کمهزینه
جمنای ۳.۵ فلش لایت (Gemini 3.5 Flash Lite) برای بارهای کاری سبکتر و ارزانتر مناسب است. چنین نسخهای بهویژه برای شرکتهایی اهمیت دارد که حجم زیادی درخواست دارند و میخواهند هزینه را کنترل کنند.
جمنای ۳.۵ فلش سایبر؛ تمرکز روی امنیت سایبری
یکی از مهمترین نسخههای جدید، جمنای ۳.۵ فلش سایبر (Gemini 3.5 Flash Cyber) است؛ مدلی که برای کارهای امنیتی طراحی شده و میتواند در حوزههایی مثل:
- تحلیل تهدید
- بررسی آسیبپذیری
- پژوهش امنیتی
- پاسخ به رخدادهای امنیتی
به کار گرفته شود.
این حرکت نشان میدهد که گوگل هم مثل دیگر بازیگران بزرگ بازار، به سمت مدلهای تخصصی برای حوزههای خاص رفته است.
روند جدید صنعت: از مدلهای بزرگ به مدلهای تخصصی
این گزارش فقط درباره یک تراشه نیست؛ بلکه درباره یک تغییر بزرگ در کل صنعت هوش مصنوعی است. تا همین یکی دو سال پیش، همه تمرکزها روی ساخت مدلهای بزرگتر بود. اما حالا شرکتها بیشتر به این فکر میکنند که چگونه مدلها را برای یک کار مشخص، دقیقتر و کمهزینهتر کنند.
در این رویکرد جدید، سه چیز اهمیت پیدا کردهاند:
- سختافزار اختصاصی
- مدلهای تخصصی
- کاهش هزینه استنتاج
گوگل با Frozen v2 و نسخههای جدید جمنای، دقیقاً در همین مسیر حرکت میکند.
رقابت گوگل با دیگر غولهای هوش مصنوعی
توسعه تراشه تازه برای گوگل فقط یک پروژه فنی نیست؛ یک حرکت راهبردی است. این شرکت در رقابت با بازیگرانی مثل:
- OpenAI
- Microsoft
- Meta
نیاز دارد هم سرعت توسعه مدل را بالا ببرد و هم هزینه اجرای آن را پایین بیاورد.
اگر گوگل بتواند تراشهای بسازد که جمنای را سریعتر و ارزانتر اجرا کند، در بازار سرویسهای ابری و هوش مصنوعی مصرفی، موقعیت محکمتری خواهد داشت.
نگاه فراتر از گوگل: چرا مدلهای تخصصی مهم شدهاند؟
در همان گزارشی که درباره تراشه گوگل منتشر شده، به نمونه دیگری هم اشاره شده است: فوگو (Fugu) از شرکت ساکانا ایآی (Sakana AI).
فوگو یک مدل متنباز (open-source) برای امنیت سایبری (cybersecurity) است و برای کارهایی مثل:
- کشف آسیبپذیری
- تحلیل بدافزار (malware analysis)
- تولید بهرهبرداری (exploit generation)
- پژوهش امنیتی
طراحی شده است.
این مثال نشان میدهد که کل صنعت به سمت مدلهای اختصاصی برای کارهای خاص میرود. دیگر زمان آن گذشته که یک مدل همهکاره، پاسخ همه نیازها را بدهد.
جمعبندی
خبر توسعه تراشه تازه گوگل با نام Frozen v2 نشان میدهد که آینده هوش مصنوعی فقط به مدلهای بزرگتر وابسته نیست، بلکه به تراشههای اختصاصی، مصرف انرژی کمتر و استنتاج سریعتر هم نیاز دارد.
گوگل با ترکیب این تراشه تازه و نسخههای جدید خانواده جمنای، میخواهد راهی بسازد که هم از نظر فنی پیشرفتهتر باشد و هم از نظر اقتصادی بهصرفهتر. این همان مسیری است که احتمالاً در سالهای آینده، بیشتر شرکتهای بزرگ هوش مصنوعی دنبال خواهند کرد.
