بخش اول نشست انویدیا در CES ۲۰۲۶؛ گذار از CPU به GPU و گذار از نرمافزار سنتی به نرمافزار مبتنی بر AI
همزمان سایت رصدخانه پیشتر در مقالاتی به چیستی و اهمیت CES و نشست های تخصصی زیمنس، BCG و سامسونگ در CES2026 پرداخت بود. در این مقاله به بخش ابتدایی نشست انویدیا در CES ۲۰۲۶ که با سخنرانی مدیرعامل “جنسن هوانگ” همراه بود، پرداخته می شود.
او این نشست را که با حضور ۶ هزار نفر برگزار می شد و فضای سالن بسیار پرانرژی بود، با ورود مستقیم به بحث شروع کرد. او گفت صنعت رایانه هر ده تا پانزده سال یکبار بازتنظیم میشود. این بازتنظیم یک «تغییر پلتفرم» است. جهان از مینفریم به PC رفت. سپس به اینترنت، از اینترنت به ابر، سپس به موبایل رسید. هر بار توسعهدهندگان برای یک رایانه جدید برنامه نوشتند.
اما این بار وضعیت متفاوت است. او گفت اکنون دو تغییر پلتفرم همزمان رخ میدهد. ما به عصر هوش مصنوعی وارد شدهایم. برنامهها دیگر فقط از AI استفاده نمیکنند. برنامهها روی AI ساخته میشوند. این پیام محوری آغاز سخنرانی در انویدیا در CES ۲۰۲۶ بود.
بازآفرینی کامل پشته محاسباتی؛ GPUها جای CPU را در توسعه AI میگیرند
شما برای یک رایانه جدید، اپلیکیشنهای جدید مینویسید. اما این بار، در واقع دو تغییر پلتفرم همزمان در حال وقوع است. در حالی که اکنون به سمت هوش مصنوعی حرکت میکنیم، اپلیکیشنها قرار است روی هوش مصنوعی ساخته شوند. در ابتدا، مردم فکر میکردند هوشهای مصنوعی خودِ اپلیکیشنها هستند. و در واقع، هوشهای مصنوعی اپلیکیشن هستند.
اما شما قرار است اپلیکیشنها را روی هوشهای مصنوعی بسازید. اما علاوه بر آن، نحوه اجرای نرمافزار و نحوه توسعه نرمافزار بهطور بنیادی تغییر کرده است. کل پشته پنجلایه صنعت رایانه در حال بازآفرینی است. شما دیگر نرمافزار را برنامهنویسی نمیکنید، شما نرمافزار را آموزش میدهید. آن را روی CPU اجرا نمیکنید، آن را روی GPU اجرا میکنید. و در حالی که اپلیکیشنها از پیش ضبط شده، از پیش کامپایل شده و روی دستگاه شما اجرا میشدند، اکنون اپلیکیشنها زمینه را درک میکنند و هر تکپیکسل، هر تکتوکن را هر بار کاملاً از ابتدا تولید میکنند. رایانش بهطور بنیادی
در نتیجه رایانش شتابیافته، در نتیجه هوش مصنوعی، دگرگون شده است. هر تکلایه از آن کیک پنجلایه اکنون در حال بازآفرینی است. خب، معنای آن این است که حدود ۱۰ تریلیون دلار از رایانش دهه گذشته اکنون در حال نوسازی به این روش جدید انجام رایانش است.
معنای آن این است که صدها میلیارد دلار، چند صد میلیارد دلار سرمایهگذاری خطرپذیر در هر سال صرف نوسازی و اختراع این دنیای جدید میشود. و معنای آن این است که از صد تریلیون دلار صنعت، چند درصد از بودجه تحقیق و توسعه آن در حال انتقال به هوش مصنوعی است. مردم میپرسند پول از کجا میآید؟ پول از همینجا میآید.
نوسازی از روشهای کلاسیک به هوش مصنوعی، انتقال بودجههای تحقیق و توسعه از روشهای کلاسیک به روشهای هوش مصنوعی. حجم عظیمی از سرمایهگذاری وارد این صنعت میشود.
قانون مقیاسپذیری و مدلهای استدلالی؛ انفجار تقاضا برای توان پردازشی
سال ۲۰۲۵ سالی باورنکردنی بود. فقط به نظر میرسید که همه چیز همزمان در حال وقوع است و در واقع احتمالاً همینطور هم بود. اولین موضوع، البته، قانون مقیاسپذیری بود. در سال ۲۰۱۵، اولین مدل زبانی که فکر میکردم واقعاً تفاوت ایجاد خواهد کرد، تفاوت بزرگی ایجاد کرد. نام آن BERT بود. در سال ۲۰۱۷، ترنسفورمرها آمدند.
اما تا پنج سال بعد، در سال ۲۰۲۲، لحظه چتجیپیتی رخ نداد و جهان را نسبت به امکانهای هوش مصنوعی بیدار نکرد. یک سال بعد از آن اتفاق بسیار مهمی افتاد. اولین مدل ۰۱ از چتجیپیتی، اولین مدل استدلالی، کاملاً انقلابی بود و ایدهای به نام مقیاسگذاری زمان آزمون را ابداع کرد، که ایدهای بسیار بدیهی است.
ما نهتنها یک مدل را پیشآموزش میدهیم تا یاد بگیرد، بلکه آن را با یادگیری تقویتی پسآموزش میدهیم تا مهارت بیاموزد. و اکنون همچنین مقیاسگذاری زمان آزمون داریم، که راه دیگری برای گفتن «تفکر» است. شما در زمان واقعی فکر میکنید. هر یک از این مراحل هوش مصنوعی به مقدار عظیمی رایانش نیاز دارد و قانون رایانش همچنان مقیاس میگیرد.
ظهور سیستمهای Agentic؛ معماری جدید برنامههای آینده
مدلهای زبانی بزرگ همچنان بهتر و بهتر میشوند. در همین حال، یک پیشرفت دیگر رخ داد و این پیشرفت در سال ۲۰۲۴ اتفاق افتاد. سیستمهای عاملمحور شروع به ظهور کردند و در سال ۲۰۲۵ شروع به فراگیر شدن تقریباً در همهجا کردند. مدلهای عاملمحور که توانایی استدلال دارند، اطلاعات را جستجو میکنند، تحقیق انجام میدهند، از ابزارها استفاده میکنند، آیندهها را برنامهریزی میکنند، پیامدها را شبیهسازی میکنند.
ناگهان شروع به حل مسائل بسیار بسیار مهم کردند. یکی از مدلهای عاملمحور مورد علاقه من Cursor نام دارد که شیوه برنامهنویسی نرمافزار در انویدیا را متحول کرد. سیستمهای عاملمحور از اینجا به بعد واقعاً جهش خواهند کرد. البته، انواع دیگری از هوش مصنوعی نیز وجود داشت. ما میدانیم که مدلهای زبانی بزرگ تنها نوع اطلاعات نیستند.
مدلهای مولد، AI Agentها و پلتفرمهای هوش مصنوعی انویدیا در CES ۲۰۲۶
هر جا در جهان اطلاعات وجود دارد، هر جا ساختار وجود دارد، ما میتوانیم به یک مدل زبانی بزرگ یا شکلی از مدل زبانی آموزش دهیم تا آن اطلاعات را درک کند، نمایش آن را بفهمد و آن را به یک هوش مصنوعی تبدیل کند. یکی از بزرگترین و مهمترین آنها هوش مصنوعی فیزیکی است. هوشهای مصنوعی که قوانین طبیعت را درک میکنند. و سپس، البته، هوش مصنوعی فیزیکی درباره تعامل هوشهای مصنوعی با جهان است، اما خود جهان نیز اطلاعات رمزگذاریشده دارد و به آن فیزیک هوش مصنوعی گفته میشود.
در مورد هوش مصنوعی فیزیکی، شما هوش مصنوعی دارید که با جهان فیزیکی تعامل میکند و فیزیک هوش مصنوعی، هوش مصنوعیای است که قوانین فیزیک را درک میکند.
DeepSeek R1 و موج مدلهای باز استدلالی
در نهایت، یکی از مهمترین چیزهایی که سال گذشته اتفاق افتاد پیشرفت مدلهای باز بود. اکنون میدانیم که هوش مصنوعی قرار است همهجا فراگیر شود، زمانی که متنباز، نوآوری باز، و نوآوری در سراسر هر شرکت و هر صنعت در سراسر جهان همزمان فعال شود.
مدلهای باز سال گذشته واقعاً جهش کردند. در واقع، سال گذشته شاهد پیشرفت DeepSeek R1 بودیم، اولین مدل باز که یک سیستم استدلالی است. این موضوع جهان را غافلگیر کرد و عملاً این کل جنبش را فعال کرد. کار واقعاً بسیار هیجانانگیز. ما از آن بسیار خوشحالیم. اکنون سیستمهای مدل باز در سراسر جهان از انواع مختلف داریم و اکنون میدانیم که مدلهای باز نیز به مرز رسیدهاند.
هنوز بهطور قاطع شش ماه از مدلهای مرزی عقبتر هستند، اما هر شش ماه یک مدل جدید ظهور میکند و این مدلها هوشمندتر و هوشمندتر میشوند و به همین دلیل میتوانید ببینید تعداد دانلودها انفجاری شده است. تعداد دانلودها با سرعت بسیار زیادی در حال رشد است، زیرا استارتاپها میخواهند در انقلاب هوش مصنوعی مشارکت کنند، شرکتهای بزرگ میخواهند، پژوهشگران میخواهند، دانشجویان میخواهند، تقریباً هر کشور میخواهد. چگونه ممکن است که شکل دیجیتال هوش، کسی را جا بگذارد؟ و بنابراین مدلهای باز
سال گذشته واقعاً هوش مصنوعی را متحول کردند. کل این صنعت در نتیجه آن دگرگون خواهد شد.
DGX Cloud و کارخانههای هوش مصنوعی سازمانی
حالا، ما مدتی پیش چنین برداشتی داشتیم. شاید شنیده باشید که چند سال پیش شروع به ساخت و راهاندازی ابررایانههای هوش مصنوعی خودمان کردیم. ما آنها را ابرهای DGX مینامیم.
بسیاری از مردم پرسیدند، آیا قرار است وارد کسبوکار ابر شوید؟ پاسخ خیر است. ما این ابررایانههای DGX را برای استفاده خودمان میسازیم. خب، مشخص شد که ما میلیاردها دلار ابررایانه در حال بهرهبرداری داریم تا بتوانیم مدلهای باز خود را توسعه دهیم. من از کاری که انجام میدهیم بسیار خرسندم. این کار در حال جلب توجه در سراسر جهان و در سراسر صنایع است، زیرا ما در حوزههای بسیار مختلفی روی مدلهای مرزی هوش مصنوعی کار میکنیم.
کاری که در حوزه پروتئینها و زیستشناسی دیجیتال انجام دادیم. La Protina برای اینکه بتوانیم پروتئینها را سنتز و تولید کنیم. OpenFold ۳ برای درک ساختار پروتئینها. EVO ۲ برای درک و تولید چندین پروتئین و در نتیجه آغاز نمایش سلولی.
Earth و Neimotron
Earth ۲ هوش مصنوعیای که قوانین فیزیک را درک میکند. کاری که با ForecastNet انجام دادیم، کاری که با CorrDiff انجام دادیم واقعاً شیوه پیشبینی آبوهوا را متحول کرد. Neotron، اکنون در آنجا کار پیشگامانه انجام میدهیم. اولین مدل هیبریدی ترنسفورمر SSM که فوقالعاده سریع است و بنابراین میتواند برای مدت بسیار طولانی فکر کند یا میتواند خیلی سریع فکر کند، هرچند نه برای مدت طولانی، و پاسخهای بسیار بسیار هوشمند تولید کند.
Neimotron ۳ کاری پیشگامانه است و میتوانید انتظار داشته باشید که در آینده نزدیک نسخههای دیگری از Neotron ۳ ارائه دهیم. Cosmos یک مدل پایه مرزی جهان باز است، مدلی که درک میکند جهان چگونه کار میکند. Groot یک سیستم رباتیک انساننما با مفصلبندی، تحرک و راهرفتن. این مدلها، این فناوریها اکنون در حال یکپارچهسازی هستند و در هر یک از این موارد برای جهان باز هستند.
مدلهای مرزی رباتیک انساننما برای جهان باز هستند. و سپس امروز کمی درباره Alpa Mayo، کاری که در خودروهای خودران انجام دادهایم صحبت خواهیم کرد. ما نهتنها مدلها را متنباز کردیم، بلکه دادههایی را که برای آموزش آن مدلها استفاده کردیم نیز متنباز کردیم، زیرا تنها به این شکل میتوانید واقعاً اعتماد کنید که مدلها چگونه به وجود آمدهاند.
کتابخانههای NeMo و مدیریت چرخه کامل مدل
ما همه مدلها را متنباز کردیم. به شما کمک میکنیم مشتقات از آنها بسازید. مجموعه کاملی از کتابخانهها داریم. آنها را کتابخانههای Nemo مینامیم، کتابخانههای Physics Nemo و کتابخانههای Clara Nemo. هر یک از این کتابخانهها سیستمهای مدیریت چرخه عمر هوشهای مصنوعی هستند تا بتوانید داده را پردازش کنید، داده تولید کنید، مدل را آموزش دهید، مدل را ایجاد کنید، مدل را ارزیابی کنید، برای مدل حفاظ بگذارید و تا استقرار مدل پیش بروید. هر یک از این کتابخانهها فوقالعاده پیچیده هستند و همه آنها متنباز شدهاند.
بنابراین اکنون بر روی این پلتفرم، انویدیا یک سازنده مدل مرزی هوش مصنوعی است و ما آن را به شیوهای بسیار خاص میسازیم. ما آن را کاملاً بهصورت باز میسازیم تا بتوانیم هر شرکت، هر صنعت، هر کشور را قادر سازیم بخشی از این انقلاب هوش مصنوعی باشند. من به کاری که در آنجا انجام میدهیم فوقالعاده افتخار میکنم. در واقع، اگر نمودارها را نگاه کنید، نمودار نشان میدهد سهم ما در این صنعت بینظیر است و خواهید دید که ما در واقع ادامه خواهیم داد و حتی شتاب خواهیم گرفت.
ما مدلهای مهمی داریم که چندوجهی بودن اسناد، که به آنها PDF نیز گفته میشود، را درک میکنند. ارزشمندترین محتوای جهان در PDFها ثبت شده است.
اما برای اینکه بفهمید داخل آنها چیست، آنچه داخل آنهاست را تفسیر کنید و به شما کمک کند آنها را بخوانید، به هوش مصنوعی نیاز است. بنابراین بازیابهای PDF و پارسرهای PDF ما در سطح جهانی هستند. مدلهای تشخیص گفتار ما کاملاً در سطح جهانی هستند. مدلهای بازیابی ما، اساساً جستجو، جستجوی معنایی، جستجوی هوش مصنوعی، موتور پایگاه داده عصر مدرن هوش مصنوعی، در سطح جهانی هستند.
معماری Agentic چندمدلی و چندابری؛ چارچوب نرمافزارهای نسل آینده
بنابراین ما دائماً در صدر جدولهای رتبهبندی هستیم. این حوزهای است که به آن بسیار افتخار میکنیم. و همه اینها در خدمت توانایی شما برای ساخت Agentهای هوش مصنوعی است. این واقعاً یک حوزه پیشگامانه توسعه است. میدانید، در ابتدا وقتی چتجیپیتی آمد، مردم گفتند، میدانید، وای، نتایج بسیار جالبی تولید کرد، اما بسیار توهم داشت.
دلیل توهم آن، البته، این بود که میتواند همه چیز در گذشته را حفظ کند، اما نمیتواند همه چیز در آینده، در حال را حفظ کند. و بنابراین باید در پژوهش ریشه داشته باشد. باید پیش از پاسخ دادن به یک سؤال، پژوهش بنیادی انجام دهد. توانایی استدلال درباره اینکه آیا باید پژوهش کنم؟ آیا باید از ابزار استفاده کنم؟ چگونه یک مسئله را به مراحل تقسیم کنم؟ هر یک از این مراحل چیزی است که مدل هوش مصنوعی میداند چگونه انجام دهد و در کنار هم میتواند آن را به دنبالهای از مراحل ترکیب کند تا کاری را انجام دهد که هرگز قبلاً انجام نداده است، هرگز
برای انجام آن آموزش ندیده است. این قابلیت شگفتانگیز استدلال است. ما میتوانیم با شرایطی روبهرو شویم که هرگز پیش از این ندیدهایم و آن را به شرایط و دانش یا قوانینی که میدانیم چگونه انجام دهیم تجزیه کنیم، زیرا در گذشته آن را تجربه کردهایم. و بنابراین توانایی مدلهای هوش مصنوعی اکنون برای استدلال کردن فوقالعاده قدرتمند است.
قابلیت استدلال Agentها درها را به روی همه این کاربردهای مختلف باز کرد. دیگر لازم نیست یک مدل هوش مصنوعی را آموزش دهیم تا در روز اول همه چیز را بداند. همانطور که ما نیز لازم نیست در روز اول همه چیز را بدانیم، بلکه باید بتوانیم در هر شرایطی استدلال کنیم که چگونه آن مسئله را حل کنیم. مدلهای زبانی بزرگ اکنون این جهش بنیادی را انجام دادهاند.
شرکت جستجو هوش مصنوعی Perplexity
توانایی استفاده از یادگیری تقویتی و زنجیره فکر و جستجو و برنامهریزی و همه این تکنیکهای مختلف و یادگیری تقویتی این قابلیت پایه را برای ما ممکن کرده است و اکنون کاملاً متنباز شده است. اما نکتهای که واقعاً فوقالعاده است، پیشرفت دیگری است که رخ داد و اولین بار آن را با Perplexity آروین دیدم.
Perplexity شرکت جستجو، شرکت جستجوی هوش مصنوعی. شرکت واقعاً نوآور. و اولین بار که متوجه شدم آنها از چندین مدل بهطور همزمان استفاده میکنند، فکر کردم کاملاً نابغهوار است. البته که این کار را میکردیم. البته که یک هوش مصنوعی نیز از همه هوشهای مصنوعی بزرگ جهان برای حل مسئلهای که میخواهد حل کند در هر بخش از زنجیره استدلال استفاده میکند.
به همین دلیل است که هوشهای مصنوعی واقعاً چندوجهی هستند، به این معنا که گفتار و تصویر و متن و ویدئو و گرافیک سهبعدی و پروتئینها را درک میکنند. چندوجهی هستند. همچنین چندمدلی هستند، به این معنا که باید بتوانند از هر مدلی که برای وظیفه مناسبتر است استفاده کنند. بهطور تعریف چندابری هستند، زیرا این مدلهای هوش مصنوعی در مکانهای مختلف قرار دارند و همچنین ابر هیبریدی هستند، زیرا اگر یک شرکت سازمانی هستید یا یک ربات ساختهاید یا هر دستگاهی که باشد، گاهی در لبه است، گاهی در یک دکل مخابراتی، شاید گاهی در یک سازمان یا شاید در مکانی مانند بیمارستان که باید داده در زمان واقعی درست کنار شما باشد.
سفارشیسازی مدلها با NeMo و Neimotron؛ از داده سازمانی تا مهارت اختصاصی
هر چه آن کاربردها باشند، اکنون میدانیم این است که یک اپلیکیشن هوش مصنوعی در آینده چگونه به نظر میرسد. یا راه دیگر برای فکر کردن به آن، چون اپلیکیشنهای آینده روی هوشهای مصنوعی ساخته میشوند. این چارچوب پایه اپلیکیشنهای آینده است. این چارچوب پایه، این ساختار پایه هوشهای مصنوعی عاملمحور که میتوانند کارهایی را که درباره آن صحبت میکنم انجام دهند و چندمدلی هستند، اکنون استارتاپهای هوش مصنوعی از هر نوع را شتاب داده است.
اکنون شما نیز به دلیل همه مدلهای باز و همه ابزارهایی که در اختیار شما قرار دادهایم، میتوانید هوشهای مصنوعی خود را سفارشیسازی کنید تا مهارتهایی به آنها بیاموزید که هیچکس دیگری آموزش نمیدهد. هیچکس دیگری هوش مصنوعی خود را به آن شکل هوشمند نمیکند. شما میتوانید این کار را برای خودتان انجام دهید. و کاری که ما با Neimotron، Nemo و همه کارهایی که با مدلهای باز انجام میدهیم، دقیقاً برای همین منظور است. شما یک مسیریاب هوشمند جلوی آن قرار میدهید.
شاید همه دادههایی را که برای آموزش آن مدل هوش مصنوعی نیاز دارید در اختیار دارید. از سوی دیگر، هوش مصنوعی شما همواره در مرز است، بهطور تعریف. شما همیشه در مرز هستید از یک سو. همیشه سفارشی هستید از سوی دیگر. و باید فقط اجرا شود. و بنابراین فکر کردیم سادهترین مثال را بسازیم تا آن را در اختیار شما قرار دهیم.
این کل چارچوب را ما Blueprint مینامیم و Blueprintهایی داریم که در پلتفرمهای SaaS سازمانی در سراسر جهان یکپارچه شدهاند و از پیشرفت آن بسیار خرسندیم.
DGX Spark؛ کوچکسازی ابررایانه و ساخت عامل هوشمند
اما کاری که انجام میدهیم این است که یک مثال کوتاه از چیزی را نشان میدهیم که هر کسی میتواند انجام دهد
قابل توجه خوانندگان: در این بخش از نشست یک ویدیو پخش میشود. آنچه در ادامه میآید ترجمه مستقیم و دقیق محتوای همان ویدیو است.
«بیایید یک دستیار شخصی بسازیم. من میخواهم به من در تقویمم، ایمیلهایم، فهرست کارهایم کمک کند و حتی خانهام را زیر نظر داشته باشد.
من از Brev استفاده میکنم تا DGX Spark خودم را به یک ابر شخصی تبدیل کنم. بنابراین میتوانم از همان رابط کاربری استفاده کنم، چه از GPU ابری استفاده کنم و چه از DGX Spark.
از یک API مدل Frontier استفاده میکنم تا بهراحتی شروع کنم. میخواهم در ایمیلهایم کمکم کند، بنابراین یک ابزار ایمیل برای Agent میسازم تا آن را فراخوانی کند.
میخواهم ایمیلهایم خصوصی بمانند، بنابراین یک مدل متنباز که بهصورت محلی روی Spark اجرا میشود اضافه میکنم.
برای هر کار، میخواهم Agent از مدل مناسب برای کار مناسب استفاده کند، بنابراین از یک روتر مبتنی بر نیت استفاده میکنم. به این ترتیب، درخواستهایی که مربوط به ایمیل هستند روی Spark باقی میمانند و بقیه میتوانند مدل Frontier را فراخوانی کنند.
ربات Reachi mini
میخواهم دستیارم با دنیای من تعامل داشته باشد، بنابراین آن را به ربات Reachi mini از Hugging Face متصل میکنم. Agent من با فراخوانی ابزار، سر، گوشها و دوربین Reachi را کنترل میکند.
میخواهم به Reachi صدا بدهم، و ۱۱ Labs را خیلی دوست دارم، بنابراین API آنها را متصل میکنم.
– «سلام، من Reachi هستم که روی DGX Spark اجرا میشوم.»
– «هی Reachi، امروز در فهرست کارهایم چه دارم؟»
– «لیست کارهای امروز شما: خرید مواد غذایی، تخممرغ، شیر، کره، و ارسال اسکریپت جدید برای جنسن.»
– «باشه، بیایید یک بهروزرسانی برای جنسن بفرستیم. به او بگو تا پایان امروز برایش ارسال میکنیم.»
– «انجام میشود.»
– «Reachi، یک طرح وجود دارد. میتوانی آن را به یک رندر معماری تبدیل کنی؟»
– «حتماً.»
– «حالا یک ویدیو بساز و اتاق را به من نشان بده.»
– «بفرمایید.»
«با Brev میتوانم دسترسی به Spark و Reachi را به اشتراک بگذارم. بنابراین آن را با آنا به اشتراک میگذارم.»
– «هی Reachi، Potato چه کار میکند؟»
– «او روی کاناپه است. یادم هست شما این را دوست ندارید. به او میگویم پایین بیاید. Potato، از روی کاناپه پایین بیا.»
«با تمام پیشرفتهای متنباز، شگفتانگیز است که ببینیم چه چیزی میتوان ساخت. مشتاقم ببینم شما چه میسازید.»
یکپارچگی هوش مصنوعی با پلتفرمهای سازمانی؛ از Palantir تا Snowflake
پس از پایان ویدیو، جنسن توضیح داد که آنچه دیده شد اکنون «کاملاً ساده و در دسترس» است، در حالی که تنها چند سال پیش غیرقابل تصور بود. این چارچوب پایهای اکنون در حال ادغام با پلتفرمهای سازمانی بزرگ است.
برای مثال Palantir، کل پلتفرم هوش مصنوعی و پردازش داده آنها امروز توسط انویدیا یکپارچه و شتاب داده میشود. ServiceNow، پیشروترین پلتفرم خدمات مشتری و خدمات کارکنان جهان. Snowflake، برترین پلتفرم داده در ابر. کار فوقالعادهای که در آنجا انجام میشود. CodeRabbit، ما در سراسر انویدیا از CodeRabbit استفاده میکنیم. CrowdStrike در حال ایجاد هوشهای مصنوعی برای شناسایی و یافتن تهدیدهای هوش مصنوعی است. NetApp، پلتفرم داده آنها اکنون هوش مصنوعی معنایی انویدیا را بر روی خود دارد و سیستمهای عاملمحور بر روی آن برای انجام خدمات مشتری.
اما نکته مهم این است: نهتنها این روشی است که اکنون اپلیکیشنها را توسعه میدهید، بلکه این رابط کاربری پلتفرم شما خواهد بود. بنابراین چه Palantir باشد، چه ServiceNow، چه Snowflake و بسیاری شرکتهای دیگری که با آنها کار میکنیم، سیستم عاملمحور همان رابط کاربری است. دیگر اکسل با مجموعهای از مربعها نیست که در آن اطلاعات وارد میکنید. شاید دیگر صرفاً خط فرمان نباشد. همه آن اطلاعات چندوجهی اکنون ممکن است.
روشی که با پلتفرم خود تعامل میکنید بسیار سادهتر است، اگر بخواهید، مانند تعامل با انسانها. و بنابراین هوش مصنوعی سازمانی توسط سیستمهای عاملمحور متحول میشود.
جمعبندی راهبردی؛ تثبیت جایگاه انویدیا در قلب انقلاب هوش مصنوعی
اگر کل ارائه انویدیا در CES ۲۰۲۶ را بهصورت راهبردی نگاه کنیم، یک الگوی مشخص دیده میشود. انویدیا دیگر صرفاً یک تولیدکننده تراشه نیست. این شرکت در حال ساخت یک پلتفرم کامل هوش مصنوعی است.
این پلتفرم شامل GPUهای شتابیافته، زیرساخت ابری DGX Cloud، سختافزار محلی DGX Spark، چارچوبهای نرمافزاری مانند NeMo، معماری Blueprint و اکوسیستم Agentها است. هر لایه، لایه دیگر را تقویت میکند.
هوانگ تأکید کرد که دو تغییر پلتفرم همزمان رخ میدهد. نخست انتقال از CPU به GPU. دوم انتقال از نرمافزار سنتی به نرمافزار مبتنی بر AI. انویدیا در هر دو لایه حضور دارد.
مدلهای استدلالی، Agentهای چندمرحلهای و سیستمهای چندمدلی همگی به توان پردازشی عظیم نیاز دارند. این وابستگی ساختاری جایگاه انویدیا را در مرکز اکوسیستم تثبیت میکند.
مفهوم «کارخانه هوش مصنوعی» شاید مهمترین استعاره این نشست بود. سازمانها همانطور که کارخانه صنعتی دارند، اکنون به کارخانه مدل نیاز دارند. انویدیا ابزار ساخت این کارخانه را فراهم میکند.
در نهایت، پیام نشست روشن بود. آینده نرمافزار بر پایه AI ساخته میشود. آینده AI بر پایه محاسبات شتابیافته ساخته میشود. و انویدیا میخواهد موتور این آینده باشد.
