تراشهها، وابستگی صنعتی و مبارزه برای مالکیت دموکراتیک
هوش مصنوعی بنیادی مادی دارد: پردازنده، حافظه، کارخانهٔ ساخت تراشه، بستهبندی، شبکه، برق و کار انسانی. بنابراین پرسش از اینکه چه کسی «تراشهٔ هوش مصنوعی» میسازد، آغاز پرسشی بزرگتر است: چه کسی شرایط مادیِ استفاده از شناخت انباشتهٔ جامعه را کنترل میکند؟
کنترل هوش مصنوعی در طول زنجیرهای صنعتی و نابرابر توزیع شده است. طراحی پردازنده، ساخت سیلیکون، تأمین حافظه و اجارهٔ خدمات پردازشی فعالیتهایی متمایزند که اغلب در اختیار شرکتهای متفاوت قرار دارند. ترسیم این روابط نشان میدهد چگونه شناختی که جامعه تولید میکند به زیرساختی وابسته است که در دست شمار نسبتاً اندکی از بنگاهها متمرکز شده است.
دامنه: این متن نقشهای گزینشی از صنعت است که در سپتامبر ۲۰۲۶ بررسی شده؛ نه رتبهبندی سهم بازار یا فهرست همهٔ تازهترین محصولات. نسلهای نامبرده برای روشنکردن نقشها هستند؛ ذکرشان به معنای جدیدترینبودن یا برتری همیشگی نیست. اسناد شرکتها هویت محصول و کاربرد اعلامشدهٔ آن را تأیید میکنند، نه اثبات مستقل برتری آن را.
۱. بازیگران اصلی در لایههای متفاوت قرار دارند
در لایهٔ طراحی شتابدهنده، انویدیا و ایامدی از عرضهکنندگان اصلی پردازندهٔ گرافیکیاند و اینتل شتابدهندههای Gaudi را ارائه میکند. گوگل، آمازون وبسرویسز، مایکروسافت و متا تراشههای سفارشی برای زیرساخت خود توسعه میدهند. برادکام و مارول قابلیتهای طراحی سیلیکون سفارشی و اتصال را فراهم میکنند. نباید همهٔ این سازمانها را کارخانههایی توصیف کرد که تراشههای پیشرفتهٔ خود را شخصاً میسازند. [1] [2] [3] [4] [5] [6] [7] [8] [9]
در لایهٔ ساخت، TSMC، سامسونگ فاندری و اینتل فاندری ظرفیتهای تولیدی با فرایندها، روابط مشتری و سطوح استقرار متفاوت دارند. در لایهٔ حافظه، اسکی هاینیکس، سامسونگ و مایکرون اجزای مهمی را تأمین میکنند. ASML تجهیزات لیتوگرافی عرضه میکند؛ متخصصان بستهبندی و آزمون مانند ASE نیز نقشی صنعتی و متمایز دارند. [10] [11] [12] [13] [14] [15] [16] [17]
این لایهها به یکدیگر وابستهاند. طراحی شتابدهندهای تازه، اگر همچنان به همان گلوگاههای ساخت، حافظه، بستهبندی و نرمافزار وابسته باشد، زنجیرهٔ تأمین مستقلی ایجاد نمیکند.
۲. طراحان شتابدهنده و پلتفرمهای یکپارچه
- انویدیا: معماری پردازندهٔ گرافیکی را با نرمافزار، شبکه و یکپارچهسازی سامانه ترکیب میکند. Blackwell نمونهٔ این رابطه است. B200 پردازندهٔ گرافیکی است؛ GB200 پردازندههای گرافیکی را با پردازندهٔ مرکزی Grace ترکیب میکند؛ GB200 NVL72 سامانهای در مقیاس رک است. رکمقیاس نامیدن خود B200، سطوح یکپارچهسازی را خلط میکند. [1]
- ایامدی: خانوادهٔ Instinct، از جمله سری MI350، پلتفرمی بدیل برای هوش مصنوعی و محاسبات پربازده است. پشتیبانی نرمافزاری و عملکرد واقعیِ بار کاری در کنار مشخصات تراشه اهمیت دارند. [2]
- اینتل: Gaudi 3 از آموزش و استنتاج پشتیبانی میکند. محصولات شتابدهنده و خدمات ساخت قراردادی اینتل دو نقش جداگانهاند. [3] [12]
- گوگل: TPUها پردازندههای سفارشیِ کاربردویژهاند که از طریق خدمات گوگل کلاد در دسترس قرار میگیرند. کارایی عملی آنها به مدلهای پشتیبانیشده، نرمافزار، ظرفیت و ترتیبات بهکارگیری بستگی دارد. [4]
- آمازون وبسرویسز: Trainium و Inferentia به یک زیستبوم یکپارچهٔ ابری و نرمافزاری تعلق دارند. Trainium برای آموزش و ارائهٔ مدل و Inferentia با تمرکز بر استنتاج استفاده میشود. اینها محصولات خردهفروشیِ قابلجایگزینی با هر پردازندهٔ گرافیکی نیستند. [5]
- مایکروسافت: Maia برنامهٔ شتابدهندهٔ درونسازمانی است؛ Maia 200 صریحاً بهعنوان شتابدهندهٔ استنتاج معرفی شده است. اعلام استقرار داخلی را نباید وعدهٔ دسترسی نامحدود مشتریان به تراشههای منفرد دانست. [6]
- متا: MTIA نیازهای زیرساختی خود شرکت را تأمین میکند. معرفی MTIA 300 در سال ۲۰۲۶، آموزش مدلهای رتبهبندی و پیشنهاددهی را شرح میدهد. نادرست است که کل خانواده را برای همیشه صرفاً استنتاجی یا یک خدمت ابری عمومی بدانیم. [7]
- برادکام و مارول: طراحی شتابدهندهٔ سفارشی و اتصال پرسرعت در نقش آنها محوری است. این شرکتها نشان میدهند که عرضهکنندگان ابر میتوانند سامانههای متمایز طراحی کنند و همزمان به شرکای متخصص سیلیکون وابسته بمانند. [8] [9]
رقابت میان این پلتفرمها واقعی است، اما خودبهخود کنترل را توزیع نمیکند. یک عرضهکنندهٔ ابر میتواند وابستگی خود به تأمینکنندهٔ بیرونیِ پردازندهٔ گرافیکی را کاهش دهد و همزمان مشتریانش را به خدمات خود وابستهتر سازد.
۳. معماریهای تخصصی، سامانههای سازمانی و هوش مصنوعی روی دستگاه
سربراس پردازش در مقیاس ویفر را دنبال میکند. در معرفی WSE-3، تعداد ۹۰۰ هزار هستهٔ بهینهشده برای هوش مصنوعی و چهار تریلیون ترانزیستور ذکر شده است، نه صرفاً «دهها هزار» هسته. اینها مشخصات محصولاند، نه رتبهبندی عمومیِ عملکرد. [18]
گروک بر استنتاج تمرکز دارد. اطلاعیهٔ دسامبر ۲۰۲۵ آن، مجوزدهی غیرانحصاری فناوری به انویدیا، انتقال برخی کارکنان و ادامهٔ فعالیت مستقل را توصیف میکند. این رابطه را نه باید نادیده گرفت و نه بهاشتباه تملک کاملِ انجامشدهٔ شرکت معرفی کرد. [19]
سامبانووا سختافزار جریان دادهٔ بازپیکربندیپذیر و سامانهها و خدمات مرتبط را توسعه میدهد؛ تنستورنت پردازندههای هوش مصنوعی، سامانه و مالکیت فکریِ قابلمجوزدهی عرضه میکند. گرافکور همچنان در تاریخ و طراحی شتابدهندهها اهمیت دارد، اما تملک آن توسط سافتبانک در سال ۲۰۲۴ یعنی نباید صرفاً استارتاپی مستقل معرفی شود. [20] [21] [22]
پردازندههای Ascend و سامانههای Atlas هواوی برای تصویری با دامنهٔ جغرافیایی گستردهتر مهماند. Telum II و Spyre آیبیام نمونهٔ شتابدهی سازمانیاند؛ آیبیام سامسونگ فاندری را شریک ساخت آنها معرفی میکند. این مثالی مشخص از تفاوت طراح تراشه با سازندهٔ آن است. [23] [24]
پردازش روی دستگاه و در لبه، دستهای دیگر است. موتور عصبی اپل، NPUهای کوالکام و Jetson انویدیا محیطهای متفاوتی برای پردازش محلی فراهم میکنند. پردازش محلی میتواند وابستگی به شبکه و برخی انتقالهای داده را کاهش دهد، اما محل سختافزار بهتنهایی حریم خصوصی را تضمین نمیکند: رفتار برنامه، ارسال دادههای پایش، امنیت و کنترل کاربر همچنان مهماند. [25] [26] [27]
این نمونهها برای همهٔ کارها بدیلهای قابلجایگزینی نیستند. شتابدهندهٔ تلفن، سامانهٔ پیشنهاددهی و خوشهٔ بزرگ آموزش باید با الزامات متفاوت سنجیده شوند.
۴. کارخانهها و صنایع پشتیبانِ پشت نامهای تجاری
کارخانهٔ ساخت قراردادی، مدار مجتمع را برای مشتریان تولید میکند. TSMC صریحاً الگوی خود را ساخت محصولات مشتریان توصیف میکند. سامسونگ قابلیتهای ساخت قراردادی را در کنار دیگر فعالیتهای نیمهرسانایی دارد؛ اینتل نیز خدمات ساخت قراردادی عرضه میکند. کنار هم آوردن این نامها به معنای جایگزینی فرایندها یا ظرفیتهایشان بدون بازطراحی و احراز صلاحیت نیست. [10] [11] [12]
حافظهٔ با پهنای باند بالا نیز تعیینکننده است. اسکی هاینیکس، سامسونگ و مایکرون فناوریهای حافظهٔ مورد استفاده در سامانههای هوش مصنوعی را تأمین میکنند. شتابدهنده باید با داده تغذیه شود؛ افزودن واحدهای حسابی همهٔ محدودیتهای حافظه را برطرف نمیکند. ظرفیت، پهنای باند، انرژی و یکپارچهسازی باید با هم سنجیده شوند. [13] [14] [15]
بستهبندی پیشرفته، قطعات سیلیکونی پردازنده، حافظه و دیگر اجزا را در یک سامانه متصل میکند. اسناد محاسبات پربازده و هوش مصنوعی سامسونگ و خدمات بستهبندی ASE نشان میدهند که ساخت روی ویفر فقط بخشی از تولید است. طرحی که روی ویفر قابلساخت است، ممکن است همچنان با محدودیت بستهبندی، آزمون، خنکسازی یا تحویل سامانه روبهرو باشد. [11] [17]
ASML سامانههای لیتوگرافی فرابنفشِ فرین یا EUV را برای ساخت پیشرفتهٔ نیمهرسانا عرضه میکند. این شرکت تأمینکنندهٔ تجهیزات است، نه نام تجاریِ شتابدهندهٔ هوش مصنوعی. اهمیتش در این است که قدرت صنعتی میتواند در ابزارهای لازم برای ساخت محصولات رقیب جای بگیرد. [16]
برداشت سیاسیِ گستردهتر این است که نامهای تجاریِ متعدد میتوانند در کنار وابستگیهای متمرکز وجود داشته باشند. تحلیل جدی، زنجیره را فراتر از نشان روی پردازنده دنبال میکند.
۵. ادعای عملکرد: کار مفید را مقایسه کنیم، نه عددهای منفرد
آموزش، پارامترهای مدل را تنظیم میکند؛ استنتاج از مدل آموزشدیده برای تولید خروجی استفاده میکند. هر دو میتوانند در شرایط مناسب از دقت عددیِ کاهشیافته یا ترکیبی استفاده کنند. دقت مناسب به مدل، سختافزار و موازنهٔ پذیرفتنی میان صحت و کارایی بستگی دارد.
نیاز حافظه، ارتباطات، اندازهٔ دسته، ساختار مدل و هدف تأخیر همگی بر عملکرد اثر میگذارند. در استنتاج مدل زبانی، پردازش ورودی و تولید توکنهای بعدی میتوانند فشارهای متفاوتی بر سامانه وارد کنند. یک عددِ اوج توان محاسباتی، کل خدمت را توصیف نمیکند.
TOPS و FLOPS به ذکر قالب عددی و شیوهٔ شمارش نیاز دارند. توکنبرثانیه به تعیین مدل، طول ورودی و خروجی، همزمانی درخواستها، تنظیمات کیفیت و شرایط تأخیر نیاز دارد. بهترین نتیجهٔ یک عرضهکننده در یک بار کاری نباید به ادعای برتری همیشگی یک معماری تبدیل شود.
MLPerf برای معنادارترکردن مقایسهها از سناریوهای تعریفشده و الزامات دقت و عملکرد استفاده میکند. حتی نتایج استاندارد نیز باید همراه با پیکربندی سختافزاری و نرمافزاری خوانده شوند؛ آنها جای ارزیابی بار کاریِ مشخص در محیط واقعی را نمیگیرند. [28]
تصمیم خرید باید توان عملیاتیِ مفید با کیفیت پذیرفتنی، زمان پاسخ، انرژی کل سامانه، قابلیت اتکا، مهاجرت نرمافزاری، نیروی انسانی و هزینهٔ خروج را در نظر بگیرد. پژوهش تطبیقی دربارهٔ شتابدهندههای نوظهور نیز ضرورت بررسی بارهای کاری و پیکربندیهای مشخص را تقویت میکند؛ نه نتیجهگیری دربارهٔ برندهای همیشگی از روی برچسب معماری. [31]
۶. نرمافزار میتواند مزیت فنی را به وابستگی پایدار تبدیل کند
پردازنده تنها زمانی مفید است که برنامهها بتوانند بهطور کارآمد روی آن اجرا شوند. بنابراین کامپایلرها، کتابخانهها، چارچوبها، نرمافزار ارتباطی و تخصص انباشتهٔ مهندسی بخشی از زیرساخت مولدند.
تغییر عرضهکننده ممکن است به بازنویسی کد، اعتبارسنجی رفتار عددی، بازآموزی کارکنان و پذیرش افت موقت عملکرد نیاز داشته باشد. در مقابل، بدیلی با پشتیبانی مناسب میتواند قدرت چانهزنی ایجاد کند و دسترسی را گسترش دهد. هیچیک از این پیامدها فقط از اوج عملکرد تراشه نتیجه نمیشود.
تمایز رقابت و کنترل دموکراتیک اساسی است. عرضهکنندگان بیشتر ممکن است قیمت و حق انتخاب را بهبود دهند، درحالیکه کارکنان، نهادهای عمومی و جوامع محلی همچنان اختیار اندکی دربارهٔ آنچه ساخته میشود داشته باشند. نرمافزار باز میتواند برخی موانع را کاهش دهد، اما کد باز تراشه نمیسازد و برق تخصیص نمیدهد.
بخش دوم فصل دوم، پیوند مفهومی را فراهم میکند: تولید اجتماعی شناخت میتواند با کنترل خصوصیِ ابزارهای لازم برای کاربرد آن همزمان باشد. استدلال این نیست که مهندسی سزاوار پاداش نیست؛ بلکه سهم علم، آموزش، کار و جامعه نمیتواند قدرت نامحدودِ صاحبان یک گلوگاه را توجیه کند. [B]
۷. ابر، زیرساخت حاکمیتی و قدرت تخصیص دسترسی
خدمات ابری میتوانند با جایگزینی مالکیت با ظرفیت اجارهای، هزینهٔ آغازین دسترسی را کاهش دهند. همچنین میتوانند کاربران را تابع قیمتگذاری، سهمیهها، رابطهای فنی و شروط خدمتِ عرضهکننده کنند. دسترسی به توان پردازشی و کنترل آن دو رابطهٔ متفاوتاند.
تراشهٔ سفارشیِ ابری میتواند کارایی را افزایش دهد، بیآنکه به منبعی عمومی تبدیل شود. به همین ترتیب، قرارداشتن زیرساخت در داخل یک کشور خودبهخود به معنای ادارهٔ دموکراتیک نیست. «هوش مصنوعی حاکمیتی» را باید بر اساس کنترلکنندگان، حقوق تحت حمایت و امکان بهچالشکشیدن تصمیمهایش ارزیابی کرد.
فصل سوم، داده و زیرساخت را به قدرت پیوند میدهد. در اینجا پرسش آن است که آیا دانشگاهها، خدمات عمومی، سازمانهای کوچک و پژوهشگران مستقل میتوانند بدون واگذاری خودآیینی، دسترسی قابلاتکا به دست آورند. [B]
سیاست صادرات نیز دسترسی به زیرساخت پردازشی را شکل میدهد. در سال ۲۰۲۵، BIS لغو و عدم اجرای قاعدهٔ انتشار هوش مصنوعی را اعلام کرد؛ این تصمیم همهٔ کنترلهای صادرات تراشه را لغو نکرد. این رویداد نشان میدهد سیاست دولت چگونه میتواند دسترسی را در نظام صنعتیِ ازپیشنابرابر بازآرایی کند. [29]
۸. کار و محیط زیست باید در روایت نوآوری جای داشته باشند
سختافزار هوش مصنوعی کار پژوهشگران، طراحان، کارکنان ساخت و مونتاژ، مهندسان نرمافزار، تکنسینها و کارکنان زیرساخت را در خود دارد. وقتی نوآوری تنها به رهبری شرکت یا نام محصول نسبت داده میشود، این همکاری اجتماعی پنهان میماند.
کتاب بر تولید اجتماعی شناخت و تفاوت ظرفیت مولد با شکوفایی انسان تأکید میکند. بسط این چارچوب به سختافزار یعنی پرسیدن اینکه چه کسانی به معیشت امن میرسند، کار چه کسانی شدیدتر میشود و چه کسانی در تصمیمهای سرمایهگذاری مشارکت میکنند. [B]
بهرهوری انرژی ضروری است، اما با گسترش بهکارگیری، بهخودیخود کاهش مصرف کل منابع را ثابت نمیکند. سناریوی پایهٔ سال ۲۰۲۵ آژانس بینالمللی انرژی، تقاضای برق مراکز دادهٔ جهان در سال ۲۰۳۰ را حدود ۹۴۵ تراواتساعت پیشبینی میکند. این رقم همهٔ مراکز داده را در بر میگیرد، نه فقط هوش مصنوعی، و همچنان پیشبینی است. [30]
ارزیابی عمومی باید انرژی اندازهگیریشدهٔ سامانه، شرایط محلی برق و آب، عمر تجهیزات، تعمیرپذیری و آثار ویژهٔ هر پروژه را بررسی کند. پاسخگویی زیستمحیطی مستلزم شواهد شفاف دربارهٔ تأسیسات واقعی و بارهای کاری آنهاست.
۹. از رقابت میان مالکان تا کنترل دموکراتیک زیرساخت
عبارت «هوش مصنوعی؛ ابزار، نه سرنوشت» در فصل اول، این تصور را رد میکند که مسیر فنی آیندهٔ اجتماعی را تعیین میکند. بخش سوم فصل چهارم میپرسد نیروهای مولد چگونه با روابط حاکم بر استفاده از خود در تضاد قرار میگیرند. سختافزار این تضاد را مادی میکند: جامعه میتواند قابلیتهایی عظیم بسازد، درحالیکه دسترسی همچنان به قدرت خرید متمرکز مشروط باشد. [B]
بخش هفتم فصل چهارم تمایزی ضروری مطرح میکند: «از همین رو، مفهوم مالکیت اجتماعی باید از مالکیت دولتی متمایز شود.» [B]
خرید عمومی یا مالکیت عمومی میتواند به تغییر کمک کند، اما قدرت دموکراتیک به چیزی بیش از نشان دولتی نیاز دارد. کارکنان و کاربران به نمایندگی، نهادها به نظارت مستقل و مردم به آزادی نقد و سازمانیابی نیاز دارند.
برنامهای سازگار با کتاب میتواند شامل این موارد باشد:
- ظرفیت پردازشی عمومی و تعاونی، با قواعد شفاف تخصیص و دسترسی تضمینشده برای آموزش، پژوهش، سلامت و کار فرهنگی.
- شروطی برای حمایت عمومی که منافع عمومی، معیارهای عادلانهٔ کار، ادارهٔ پاسخگو و سهمی از ارزش تولیدشده را تضمین کنند.
- تعاملپذیری، نرمافزار و دادهٔ قابلانتقال و شروط عملیِ خروج که وابستگی به یک عرضهکننده را کاهش دهند.
- چانهزنی جمعی و مشارکت کارکنان و جوامع متأثر در تصمیمهای زیرساختی.
- حدود زیستمحیطی و ارزیابی عمومیِ انرژی، آب، زمین و عمر تجهیزات.
- همکاری علمی بینالمللی و تنوعبخشی به تأمین، همراه با تضمینهایی در برابر نظارت و کنترل دولتیِ غیرپاسخگو.
- توزیع دستاوردهای بهرهوری از طریق کاهش ساعات کار، معیشت امن، خدمات عمومی و صندوقهای ثروت اجتماعی با ادارهٔ دموکراتیک.
اینها پیشنهادهایی برگرفته از چارچوب کتاباند، نه نتایجی که مشخصات محصولات شرکتها اثبات کرده باشند. نهادهای عمومی میتوانند به تصرف منافع خاص درآیند و تعاونیها میتوانند شکست بخورند؛ پاسخگویی، تکثر و بازنگری همچنان ضروریاند.
وظیفهٔ انقلابی، تغییر صاحبان قدرت تصمیمگیری است. نقش جامعه نباید به تولید شناخت، تأمین کار و پرداخت صورتحساب زیرساخت محدود بماند، درحالیکه دیگران منافع را انحصاری میکنند. بنیانهای مادی هوش مصنوعی باید توان مردم برای یادگیری، آفرینش، همکاری و ادارهٔ زندگی مشترک را گسترش دهند.
مطالعه در کنار کتاب
[B] «نظم اجتماعی نوین در عصر آگاهی» / A New Social Order in the Age of Consciousness، جلد اول، نسخهٔ رایگان فارسیِ وبسایت. دسترسی به کتاب. به دلیل تفاوت صفحهبندی قالبها، ارجاعها به فصل و بخش داده شدهاند.
- فصل اول: هوش مصنوعی بهمثابه ابزار، نه سرنوشت؛ آزادی بهعنوان شرط تولید آگاهی؛ گذار آگاهانه بهمثابه امکانی باز.
- فصل دوم، بخش دوم: تولید اجتماعی شناخت و مالکیت خصوصی آن.
- فصل سوم، بخشهای چهارم و ششم: مالکیت داده و تمرکز قدرت فناوری.
- فصل چهارم، بخشهای سوم، ششم و هفتم: نیروهای مولد و روابط تولید؛ کاهش ساعات کار و توزیع؛ مالکیت اجتماعی و عدالت اقتصادی.
مفاهیم کتاب، این نقشهٔ صنعتی را به پرسشی سیاسی پیوند میدهند: شناختی که جامعه تولید میکند چگونه میتواند بهصورت دموکراتیک اداره شود؟ مالکیت اجتماعی مستلزم حقوق واقعیِ اداره برای کارگران، کاربران و جوامع محلی است. عنوان مالکیت عمومی بهتنهایی چنین کنترلی را ایجاد نمیکند.
واژگان فنی: accelerator = شتابدهنده؛ foundry = کارخانهٔ ساخت قراردادی تراشه؛ fabrication = ساخت تراشه روی ویفر؛ advanced packaging = بستهبندی پیشرفتهٔ تراشه؛ inference = استنتاج، یعنی اجرای مدل آموزشدیده؛ training = آموزش مدل؛ bandwidth = پهنای باند؛ throughput = توان عملیاتی؛ latency = تأخیر؛ vendor lock-in = وابستگی دشوارگسست به عرضهکننده.
منابع و شیوهٔ خواندن آنها
انتشارات شرکتها نقش محصولات و روابط صنعتی را مشخص میکنند؛ ادعاهای تبلیغاتی دربارهٔ عملکرد باید از شواهد مستقل متمایز شوند. روششناسی محکزنی و پژوهش بیرونی به سنجش ادعاهای فنی کمک میکنند. کتاب چارچوب سیاسی تحلیل را فراهم میکند.
[1] انویدیا: معماری Blackwell و محصولات B200، GB200 و NVL72.
[2] ایامدی: خانوادهٔ Instinct MI350.
[3] اینتل: سند فنی شتابدهندهٔ Gaudi 3.
[4] گوگل کلاد: مستندات TPU.
[5] آمازون وبسرویسز: بهکارگیری Trainium و Inferentia.
[6] مایکروسافت: شتابدهندهٔ استنتاج Maia 200.
[7] متا: شتابدهندهٔ آموزش MTIA 300.
[8] برادکام: زیرساخت هوش مصنوعی و شتابدهندههای سفارشی.
[9] مارول: مدارهای مجتمع سفارشی.
[10] TSMC: الگوی ساخت قراردادی تراشه.
[11] سامسونگ فاندری: محاسبات پربازده، هوش مصنوعی و بستهبندی پیشرفته.
[12] اینتل فاندری: خدمات ساخت تراشه.
[13] اسکی هاینیکس: اطلاعات حافظه و محصولات HBM.
[14] سامسونگ: حافظهٔ با پهنای باند بالا.
[15] مایکرون: حافظه و ذخیرهسازی مراکز دادهٔ هوش مصنوعی.
[16] ASML: سامانههای لیتوگرافی فرابنفشِ فرین.
[17] ASE: مونتاژ، بستهبندی و آزمون نیمهرسانا.
[18] سربراس: معرفی WSE-3.
[19] گروک: توافق مجوزدهی غیرانحصاری با انویدیا.
[20] سامبانووا: سامانههای RDU و خدمات استنتاج.
[21] تنستورنت: پردازندهها، سامانهها و مالکیت فکریِ قابلمجوزدهی.
[22] گرافکور: اعلام مالکیت سافتبانک.
[23] هواوی: زیرساخت پردازشی Ascend و Atlas.
[24] آیبیام: Telum II و Spyre و ساخت آنها توسط سامسونگ.
[25] اپل: اجرای ترنسفورمرها روی موتور عصبی اپل.
[26] گوگل دولوپرز: NPU کوالکام و LiteRT.
[27] انویدیا: ماژولها و کیتهای توسعهٔ Jetson.
[28] MLCommons: الزامات ارائهٔ نتایج MLPerf Inference.
[29] BIS: اعلام لغو قاعدهٔ انتشار هوش مصنوعی، ۲۰۲۵.
[30] آژانس بینالمللی انرژی: انرژی و هوش مصنوعی، خلاصهٔ اجرایی، ۲۰۲۵.
[31] پژوهش: ارزیابی شتابدهندههای نوظهور هوش مصنوعی و یادگیری ماشین؛ IPU، RDU و پردازندههای گرافیکی انویدیا و ایامدی.
