ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ (Enterprises) ਤੇਜ਼ੀ ਨਾਲ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ (infrastructure) ਦਾ ਵਿਸਥਾਰ ਕਰ ਰਹੀਆਂ ਹਨ, ਫਿਰ ਵੀ ਪੂੰਜੀ ਖਰਚ (capital expenditure) ਅਤੇ ਕਾਰਜਸ਼ੀਲ ਨਿਗਰਾਨੀ (operational oversight) ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਵਧਦਾ ਹੋਇਆ "ਕੰਪਿਊਟ ਗੈਪ" (compute gap) ਉਭਰ ਰਿਹਾ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਸੰਸਥਾਵਾਂ ਹਾਰਡਵੇਅਰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਦੀ ਕਾਹਲੀ ਕਰ ਰਹੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਯੂਨਿਟ ਇਕਨਾਮਿਕਸ (unit economics) ਅਤੇ GPU ਉਪਯੋਗਤਾ (utilization) ਨੂੰ ਮਾਪਣ ਦੀ ਉਹਨਾਂ ਦੀ ਸਮਰੱਥਾ ਨਿਵੇਸ਼ ਦੀ ਗਤੀ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾ ਰਹੀ।

ਕੰਪਿਊਟ ਗੈਪ: ਤੇਜ਼ੀ ਨਾਲ ਨਿਵੇਸ਼ ਬਨਾਮ ਘੱਟ ਦਿੱਖ (Low Visibility)

107 ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ ਦੇ VentureBeat Pulse Research ਅਧਿਐਨ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ AI ਲਾਈਫਸਾਈਕਲ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਅੰਤਰ ਹੈ। ਕੰਪਨੀਆਂ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਪੂੰਜੀ ਲਗਾ ਰਹੀਆਂ ਹਨ ਪਰ ਇਸ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਟੈਲੀਮੈਟਰੀ (telemetry) ਦੀ ਕਮੀ ਹੈ। ਖਰਚ ਕਰਨ ਦੇ ਇਰਾਦੇ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੇ ਹਨ, ਫਿਰ ਵੀ ਉਤਪਾਦਨ ਪਰਿਪੱਕਤਾ (production maturity) ਘੱਟ ਹੈ; ਸਰਵੇਖਣ ਕੀਤੇ ਗਏ ਸਿਰਫ 21% ਫਰਮਾਂ ਹੀ ਪੈਮਾਨੇ 'ਤੇ production ਵਿੱਚ AI ਚਲਾ ਰਹੀਆਂ ਹਨ।

ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਲੱਛਣ ਅਕੁਸ਼ਲਤਾ (inefficiency) ਹੈ। ਅੱਸੀ ਤਿੰਨ ਪ੍ਰਤੀਸ਼ਤ (83%) ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ 50% ਜਾਂ ਇਸ ਤੋਂ ਘੱਟ GPU ਉਪਯੋਗਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਵੀ ਮਾੜਾ ਇਹ ਹੈ ਕਿ ਅੱਧੇ ਤੋਂ ਵੀ ਘੱਟ (44%) ਇਹ ਸਖ਼ਤੀ ਨਾਲ ਟ੍ਰੈਕ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ AI ਕੰਪਿਊਟ ਦੀ ਅਸਲ ਲਾਗਤ ਕੀ ਹੈ। ਇਸ ਲਈ, ਭਾਰੀ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਹੋ ਰਹੇ ਨਿਵੇਸ਼ ਬਿਨਾਂ ਉਸ ਦਿੱਖ (visibility) ਦੇ ਹੋ ਰਹੇ ਹਨ ਜੋ ਲੰਬੇ ਸਮੇਂ ਦੀ ਆਰਥਿਕਤਾ ਨੂੰ ਸਹੀ ਦਿਸ਼ਾ ਦੇਣ ਲਈ ਲੋੜੀਂਦੀ ਹੈ।

ਬਦਲਦੇ ਵੈਂਡਰ ਡਾਇਨਾਮਿਕਸ ਅਤੇ ਉੱਚ ਚਰਨ (High Churn)

ਰਵਾਇਤੀ hyperscalers ਅਤੇ model APIs ਦਾ ਦਬਦਬਾ ਹੈ। Google Cloud 48% ਵਰਤੋਂ ਦੇ ਨਾਲ ਅੱਗੇ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ Microsoft Azure (29%), AWS (22%) ਅਤੇ Oracle Cloud (22%) ਹਨ। Model ਦੀ ਖਪਤ Gemini (41%) ਅਤੇ OpenAI (40%) ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕੇਂਦਰਿਤ ਹੈ। CoreWeave, Lambda ਅਤੇ Together ਵਰਗੇ ਵਿਸ਼ੇਸ਼ AI clouds ਮਾਰਕੀਟ ਵਿੱਚ 2% ਤੋਂ ਵੀ ਘੱਟ ਹਿੱਸਾ ਰੱਖਦੇ ਹਨ।

ਉਤਾਰ-ਚੜ੍ਹਾਅ (Volatility) ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। 64% ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ ਬਾਰਾਂ ਮਹੀਨਿਆਂ ਦੇ ਅੰਦਰ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਪ੍ਰਦਾਤਾ ਨੂੰ ਬਦਲਣ ਜਾਂ ਜੋੜਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੀਆਂ ਹਨ, ਅਤੇ 38% ਅਗਲੀ ਤਿਮਾਹੀ ਦੇ ਅੰਦਰ ਅਜਿਹਾ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੇ ਹਨ। ਉਹਨਾਂ ਵਿੱਚੋਂ 41% ਫੈਸਲੇ ਮੌਜੂਦਾ ਸਟੈਕ (stacks) ਨਾਲ ਇੱਕੀਕਰਨ (integration) ਕਾਰਨ ਹਨ, ਜਦੋਂ ਕਿ ਮਾਲਕੀ ਦੀ ਕੁੱਲ ਲਾਗਤ (total cost of ownership) 35% ਹਿੱਸਾ ਰੱਖਦੀ ਹੈ। ਸਿਰਫ 8% ਲੋਕ ਮੁੱਖ ਟੋਕਨ ਕੀਮਤਾਂ (token prices) ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹਨ।

ਅਗਲੀ ਸਰਹੱਦ: ਵਿਸ਼ੇਸ਼ ਕਲਾਉਡਸ ਅਤੇ ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ (Memory Bandwidth)

ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਰਹੀਆਂ ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ AI-ਵਿਸ਼ੇਸ਼ ਕਲਾਉਡਸ ਵੱਲ ਦੇਖ ਰਹੀਆਂ ਹਨ। 45% ਆਉਣ ਵਾਲੇ ਸਾਲ ਵਿੱਚ ਅਜਿਹੇ ਪ੍ਰਦਾਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹਨ—ਜੋ ਕਿ ਮੁਲਾਂਕਣ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਯੋਜਨਾਬੱਧ ਖੇਤਰ ਹੈ।

ਇੱਕ ਨਵੀਂ ਤਕਨੀਕੀ ਸੀਮਾ ਉਭਰ ਰਹੀ ਹੈ: ਸਿਰਫ਼ raw GPU ਕੰਪਿਊਟ ਨਹੀਂ, ਸਗੋਂ ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ (memory bandwidth) ਪੈਮਾਨੇ 'ਤੇ inference ਨੂੰ ਸੀਮਤ ਕਰੇਗੀ। ਸਿਰਫ ਲਗਭਗ 20% ਫਰਮਾਂ ਇਸ ਰੁਕਾਵਟ ਤੋਂ ਜਾਣੂ ਹਨ ਜਾਂ ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਦਮ ਚੁੱਕ ਰਹੀਆਂ ਹਨ। ਡਿਵੈਲਪਰਾਂ ਅਤੇ CTOs ਲਈ, ਬੈਂਡਵਿਡਥ ਵਿੱਚ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨਾ ਹੀ ਸਕੈਲੇਬਲ inference ਨੂੰ ਬੇਕਾਬੂ ਲਾਗਤਾਂ ਤੋਂ ਵੱਖ ਕਰੇਗਾ।

ਮੁੱਖ ਨੁਕਤੇ (Key Takeaways)

  • ਅਕੁਸ਼ਲਤਾ ਇੱਕ ਆਮ ਗੱਲ ਹੈ: 83% ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ ≤ 50% ਉਪਯੋਗਤਾ 'ਤੇ GPUs ਚਲਾ ਰਹੀਆਂ ਹਨ; ਅੱਧੇ ਤੋਂ ਵੀ ਘੱਟ ਕੰਪਿਊਟ ਖਰਚ ਦਾ ਸਹੀ ਟਰੈਕ ਰੱਖ ਸਕਦੇ ਹਨ।
  • ਵੈਂਡਰ ਚਰਨ (churn) ਉੱਚ ਹੈ: 64% ਇੱਕ ਸਾਲ ਦੇ ਅੰਦਰ ਪ੍ਰਦਾਤਾ ਨੂੰ ਬਦਲਣ ਜਾਂ ਜੋੜਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਇੱਕੀਕਰਨ (41%) ਅਤੇ TCO (35%) ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।
  • ਵਿਸ਼ੇਸ਼ਤਾ ਵੱਲ ਤਬਦੀਲੀ: 45% ਕੰਪਿਊਟ ਗੈਪ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਨਿਸ਼ (niche) AI ਕਲਾਉਡਸ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਗੇ।
  • ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ ਦਾ ਖ਼ਤਰਾ: ਲਗਭਗ 20% ਫਰਮਾਂ ਇਸ ਉਭਰ ਰਹੀ ਰੁਕਾਵਟ ਨੂੰ ਪਛਾਣਦੀਆਂ ਹਨ ਜਾਂ ਇਸ ਦਾ ਹੱਲ ਕਰ ਰਹੀਆਂ ਹਨ।

ਲੇਖ (Article)

107 ਫਰਮਾਂ ਦੇ VentureBeat Pulse Research ਸਰਵੇਖਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ 83% ਫਰਮਾਂ GPUs ਨੂੰ ਅੱਧੀ ਸਮਰੱਥਾ ਜਾਂ ਇਸ ਤੋਂ ਘੱਟ 'ਤੇ ਚਲਾਉਂਦੀਆਂ ਹਨ, ਜਦੋਂ ਕਿ ਸਿਰਫ 44% ਹੀ ਹਰ ਕੰਪਿਊਟ ਘੰਟੇ ਦੀ ਸਹੀ ਲਾਗਤ ਦੱਸ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਅਸੰਤੁਲਨ 64% ਉੱਤਰਦਾਤਾਵਾਂ ਨੂੰ ਅਗਲੇ ਇੱਕ ਸਾਲ ਦੇ ਅੰਦਰ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਵੈਂਡਰ ਨੂੰ ਬਦਲਣ ਜਾਂ ਜੋੜਨ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ।

"ਕੰਪਿਊਟ ਗੈਪ" ਹੁਣ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਮੁੱਖ ਅੰਕੜੇ ਇੱਕ ਸਖ਼ਤ ਤਸਵੀਰ ਪੇਸ਼ ਕਰਦੇ ਹਨ: AI ਖਰਚ ਵਧ ਰਿਹਾ ਹੈ, ਪਰ ਉਤਪਾਦਨ ਪਰਿਪੱਕਤਾ ਪਛੜ ਰਹੀ ਹੈ। ਸਿਰਫ 21% ਕੰਪਨੀਆਂ ਕਹਿੰਦੀਆਂ ਹਨ ਕਿ ਉਹ production ਵਿੱਚ ਪੈਮਾਨੇ 'ਤੇ AI ਚਲਾਉਂਦੀਆਂ ਹਨ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜ਼ਿਆਦਾਤਰ ਨਿਵੇਸ਼ ਲੈਬਾਂ, ਪ੍ਰੂਫ-ਆਫ-ਕੰਸੈਪਟਸ, ਜਾਂ ਵਿਹਲੇ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਹੈ। ਘੱਟ GPU ਉਪਯੋਗਤਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਬਰਬਾਦ ਹੋਈ ਪੂੰਜੀ ਵਿੱਚ ਬਦਲ ਜਾਂ

ਖਰੀਦਦਾਰਾਂ ਨੂੰ ਦੋ ਜੋਖਮਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਪਹਿਲਾ, ਲਗਾਤਾਰ ਘੱਟ ਵਰਤੋਂ (utilization) ਪ੍ਰਤੀ ਇਨਫਰੈਂਸ (inference) ਜਾਂ ਟ੍ਰੇਨਿੰਗ ਜੌਬ ਦੀ ਲਾਗਤ ਨੂੰ ਵਧਾ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ AI ਲਈ ਵਪਾਰਕ ਮੁੱਲ ਘਟ ਜਾਂਦਾ ਹੈ। ਦੂਜਾ, ਲਾਗਤ ਦੀ ਸਪੱਸ਼ਟਤਾ ਦੀ ਘਾਟ ਰਣਨੀਤਕ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਰੁਕਾਵਟ ਪਾਉਂਦੀ ਹੈ; ਸਪੱਸ਼ਟ ਯੂਨਿਟ ਇਕਨਾਮਿਕਸ (unit economics) ਤੋਂ ਬਿਨਾਂ, ਹੋਰ ਨਿਵੇਸ਼ ਨੂੰ ਜਾਇਜ਼ ठहराਉਣਾ ਜਾਂ AI-ਵਰਧਿਤ ਉਤਪਾਦਾਂ ਲਈ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ।

ਵਿਸ਼ੇਸ਼ AI ਕਲਾਉਡਜ਼ ਦਾ ਉਭਾਰ

ਵਿਸ਼ੇਸ਼ AI ਕਲਾਉਡਜ਼—CoreWeave, Lambda ਅਤੇ Together—ਵਰਤਮਾਨ ਵਿੱਚ ਮਾਰਕੀਟ ਦਾ 2% ਤੋਂ ਵੀ ਘੱਟ ਹਿੱਸਾ ਰੱਖਦੇ ਹਨ। ਚਾਲੀ-ਪੰਜ ਪ੍ਰਤੀਸ਼ਤ ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ (enterprises) ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਉਹ ਆਉਣ ਵਾਲੇ ਸਾਲ ਵਿੱਚ ਇਹਨਾਂ ਨਿਸ਼ (niche) ਪ੍ਰਦਾਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਗੀਆਂ, ਜੋ ਕਿ ਵੈਂਡਰ ਮੁਲਾਂਕਣ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਯੋਜਨਾਬੱਧ ਖੇਤਰ ਬਣ ਰਿਹਾ ਹੈ। ਉਹਨਾਂ ਦਾ ਮੁੱਲ ਪ੍ਰਸਤਾਵ (value proposition) AI ਟੂਲਚੇਨਾਂ ਨਾਲ ਬਿਹਤਰ ਏਕੀਕਰਣ, ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਬਿਲਿੰਗ, ਅਤੇ AI ਵਰਕਲੋਡਸ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਾਰਡਵੇਅਰ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜੋ GPU ਵਰਤੋਂ ਨੂੰ 50% ਦੀ ਉਸ ਸੀਮਾ ਤੋਂ ਕਾਫੀ ਉੱਪਰ ਲੈ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਅੱਜ ਜ਼ਿਆਦਾਤਰ ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ ਲਈ ਚੁਣੌਤੀ ਬਣੀ ਹੋਈ ਹੈ।

ਇੱਕ ਤਕਨੀਕੀ ਅੰਨ੍ਹੀ ਥਾਂ: ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ

ਹਾਰਡਵੇਅਰ ਬਾਰੇ ਚਰਚਾ ਬਦਲ ਰਹੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਇਨਫਰੈਂਸ ਵਰਕਲੋਡਸ ਵਧਦੇ ਹਨ, ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ—ਡਾਟਾ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ GPU ਵਿੱਚ ਜਾਂਦਾ ਅਤੇ ਬਾਹਰ ਆਉਂਦਾ ਹੈ—ਇੱਕ ਰੁਕਾਵਟ (bottleneck) ਬਣ ਜਾਂਦੀ ਹੈ, ਜੋ ਕੰਪਿਊਟ ਪਾਵਰ ਤੋਂ ਵੀ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹੋ ਜਾਂਦੀ ਹੈ। ਫਿਰ ਵੀ, ਸਰਵੇਖਣ ਕੀਤੇ ਗਏ ਫਰਮਾਂ ਵਿੱਚੋਂ ਸਿਰਫ ਲਗਭਗ 20% ਹੀ ਇਸ ਸੀਮਾ ਨੂੰ ਪਛਾਣਦੀਆਂ ਹਨ ਜਾਂ ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਦਮ ਚੁੱਕ ਰਹੀਆਂ ਹਨ। ਬੈਂਡਵਿਡਥ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨ ਦਾ ਮਤਲਬ ਇਹ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਰਤਿਆ ਜਾ ਰਿਹਾ GPU ਵੀ ਲੋੜੀਂਦੀ ਥਰੂਪੁੱਟ (throughput) ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਜਿਸ ਨਾਲ ਇੰਸਟੈਂਸ ਦੀ ਗਿਣਤੀ ਵਧ ਜਾਂਦੀ ਹੈ ਅਤੇ ਲਾਗਤ ਵੀ ਵੱਧ ਜਾਂਦੀ ਹੈ।

ਵਿਰੋਧੀ ਨੁਕਤਾ: ਹਾਈਪਰਸਕੇਲਰਸ ਅਜੇ ਵੀ ਦਬਦਬਾ ਰੱਖਦੇ ਹਨ

ਹਾਈਪਰਸਕੇਲਰਸ ਦੇ ਯੁੱਗ ਦੇ ਖਤਮ ਹੋਣ ਦਾ ਐਲਾਨ ਕਰਨਾ ਸਮੇਂ ਤੋਂ ਪਹਿਲਾਂ ਹੋਵੇਗਾ। ਉਹਨਾਂ ਦਾ ਪੈਮਾਨਾ, ਵਿਸ਼ਵਵਿਆਪੀ ਪਹੁੰਚ, ਅਤੇ ਮੌਜੂਦਾ ਉਦਯੋਗਿਕ ਇਕਰਾਰਨਾਮੇ ਅਜੇ ਵੀ ਉਹਨਾਂ ਨੂੰ ਕਈਆਂ ਲਈ ਪਹਿਲੀ ਪਸੰਦ ਬਣਾਉਂਦੇ ਹਨ। ਸਰਵੇਖਣ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਬਹੁਤੇ ਵਰਕਲੋਡਸ ਅਜੇ ਵੀ ਇਹਨਾਂ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਸੰਸਥਾਵਾਂ ਲਈ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਮਲਟੀ-ਕਲਾਉਡ ਰਣਨੀਤੀਆਂ ਪੱਕੀਆਂ ਹਨ, ਮੌਜੂਦਾ ਸਥਿਤੀ ਬਦਲਣ ਦੀ ਬਜਾਏ ਉੱਚ ਵਰਤੋਂ ਦੇ ਲਾਲਚ ਨਾਲੋਂ ਵੱਧ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਸ਼ੇਸ਼ ਕਲਾਉਡਜ਼ ਦਾ ਸੀਮਤ ਮਾਰਕੀਟ ਹਿੱਸਾ ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਦਿਲਚਸਪੀ ਤਾਂ ਜ਼ਿਆਦਾ ਹੈ ਪਰ ਪਰਵਾਹ (migration) ਹੌਲੀ-ਹੌਲੀ ਹੋਵੇਗੀ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ ਦੀਆਂ ਸੀਮਾਵਾਂ: ਜਿਵੇਂ-ਜਿਵੇਂ ਇਨਫਰੈਂਸ ਵਰਕਲੋਡਸ ਵਧਦੇ ਹਨ, ਬੈਂਡਵਿਡਥ ਇੱਕ ਅਹਿਮ ਰੁਕਾਵਟ ਬਣ ਸਕਦੀ ਹੈ, ਜੋ ਹਾਰਡਵੇਅਰ ਦੀ ਚੋਣ ਅਤੇ ਆਰਕੀਟੈਕਚਰ ਦੇ ਫੈਸਲਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ।

ਮੁੱਖ ਨੁਕਤੇ

  • ਅਕੁਸ਼ਲਤਾ ਇੱਕ ਆਮ ਗੱਲ ਹੈ: 83% ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ GPU ਨੂੰ ≤ 50% ਵਰਤੋਂ 'ਤੇ ਚਲਾਉਂਦੀਆਂ ਹਨ; ਸਿਰਫ 44% ਹੀ ਕੰਪਿਊਟ ਖਰਚੇ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਟ੍ਰੈਕ ਕਰ ਸਕਦੀਆਂ ਹਨ।
  • ਵੈਂਡਰ ਬਦਲਣ ਦੀ ਦਰ ਉੱਚੀ ਹੈ: 64% ਇੱਕ ਸਾਲ ਦੇ ਅੰਦਰ ਕਿਸੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਪ੍ਰਦਾਤਾ ਨੂੰ ਬਦਲਣ ਜਾਂ ਜੋੜਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੇ ਹਨ, ਜਿਸਦਾ ਮੁੱਖ ਕਾਰਨ ਏਕੀਕਰਣ (41%) ਅਤੇ TCO (35%) ਹੈ।
  • ਵਿਸ਼ੇਸ਼ ਕਲਾਉਡਜ਼ ਦਾ ਉਭਾਰ ਹੋ ਰਿਹਾ ਹੈ: 45% ਅਗਲੇ ਬਾਰਾਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਕੰਪਿਊਟ ਦੇ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਨਿਸ਼ (niche) AI ਕਲਾਉਡਜ਼ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਗੇ।
  • ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ ਇੱਕ ਆਉਣ ਵਾਲੀ ਰੁਕਾਵਟ ਹੈ: ਲਗਭਗ 20% ਫਰਮਾਂ ਇਸ ਉਭਰ ਰਹੀ ਰੁਕਾਵਟ ਤੋਂ ਜਾਣੂ ਹਨ ਜਾਂ ਇਸ ਨੂੰ ਹੱਲ ਕਰ ਰਹੀਆਂ ਹਨ।

AI ਖਰਚੇ ਅਤੇ ਆਰਥਿਕ ਸਪੱਸ਼ਟਤਾ ਵਿਚਕਾਰ ਪਾੜਾ ਹੁਣ ਸਿਰਫ ਇੱਕ ਨੋਟ ਨਹੀਂ ਰਿਹਾ; ਇਹ ਖਰੀਦ ਰਣਨੀਤੀਆਂ ਨੂੰ ਮੁੜ ਸੁਰਜੀਤ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਪ੍ਰਦਾਤਾਵਾਂ ਵੱਲ ਪਰਵਾਹ (migration) ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ ਜੋ ਇਹ ਸਾਬਤ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਹਰ ਡਾਲਰ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਵਰਤੋਂ ਹੋ ਰਹੀ ਹੈ।