நிறுவனங்கள் AI உள்கட்டமைப்பைத் தீவிரமாக விரிவாக்கம் செய்து வருகின்றன, இருப்பினும் மூலதனச் செலவுக்கும் (CapEx) செயல்பாட்டு மேற்பார்வைக்கும் இடையே ஒரு விரிவடைந்து வரும் "கணினித் திறன் இடைவெளி" (compute gap) உருவாகி வருகிறது. நிறுவனங்கள் வன்பொருளைப் பெற விரைந்து செயல்படும்போது, அவற்றின் அலகுப் பொருளாதாரம் (unit economics) மற்றும் GPU பயன்பாட்டு விகிதத்தை அளவிடும் திறன், முதலீட்டு வேகத்திற்கு ஈடுகொடுக்க முடியாது என்பதை அவை கண்டறிகின்றன.

கணினித் திறன் இடைவெளி: வேகமான முதலீடு vs குறைந்த வெளிப்படைத்தன்மை

107 நிறுவனங்கள் குறித்த VentureBeat Pulse Research ஆய்வறிக்கை, AI வாழ்க்கைச் சுழற்சியில் ஒரு தெளிவான முரண்பாட்டைக் காட்டுகிறது. நிறுவனங்கள் உள்கட்டமைப்பிற்காக மூலதனத்தை ஊற்றுகின்றன, ஆனால் அதை நிர்வகிப்பதற்கான தொலைதூர அளவீடுகள் (telemetry) அவற்றிடம் இல்லை. செலவு செய்யும் எண்ணங்கள் விண்ணைத் தொடுகின்றன, ஆனால் உற்பத்தி முதிர்ச்சி (production maturity) குறைவாகவே உள்ளது; ஆய்வில் பங்கேற்ற நிறுவனங்களில் 21% மட்டுமே பெரிய அளவில் AI-ஐ உற்பத்தியில் (production) பயன்படுத்துகின்றன.

மிக முக்கியமான அறிகுறி திறமையின்மை ஆகும். 83% நிறுவனங்கள் தங்களது GPU பயன்பாட்டு விகிதம் 50% அல்லது அதற்கும் குறைவாக இருப்பதாகத் தெரிவிக்கின்றன. அதைவிட மோசமாக, பாதிக்கும் குறைவான நிறுவனங்கள் (44%) தங்களது AI கணினித் திறன் உண்மையில் எவ்வளவு செலவை ஏற்படுத்துகிறது என்பதைத் துல்லியமாகக் கண்காணிக்க முடிகிறது. எனவே, நீண்டகாலப் பொருளாதாரத்தை வழிநடத்தத் தேவையான வெளிப்படைத்தன்மை இன்றி, அதிகப்படியான மற்றும் வேகமான முதலீடுகள் நடைபெறுகின்றன.

மாறிவரும் விற்பனையாளர் இயக்கவியல் மற்றும் அதிகப்படியான மாற்றங்கள் (Churn)

பாரம்பரிய Hyperscalers மற்றும் Model APIs ஆகியவை சந்தையை ஆதிக்கம் செலுத்துகின்றன. Google Cloud 48% பயன்பாட்டுடன் முன்னணியில் உள்ளது, அதைத் தொடர்ந்து Microsoft Azure (29%), AWS (22%) மற்றும் Oracle Cloud (22%) உள்ளன. Model நுகர்வு Gemini (41%) மற்றும் OpenAI (40%) ஆகியவற்றைச் சுற்றி அமைகிறது. CoreWeave, Lambda மற்றும் Together போன்ற சிறப்பு வாய்ந்த AI கிளவுட்கள் 2%-க்கும் குறைவான சந்தைப் பங்கையே கொண்டுள்ளன.

நிலையற்ற தன்மை அதிகமாக உள்ளது. 64% நிறுவனங்கள் பன்னிரண்டு மாதங்களுக்குள் ஒரு உள்கட்டமைப்பு வழங்குநரை மாற்றத் திட்டமிட்டுள்ளன அல்லது புதியவரைச் சேர்க்கத் திட்டமிட்டுள்ளன, மேலும் 38% அடுத்த காலாண்டுக்குள் அவ்வாறு செய்யத் திட்டமிட்டுள்ளன. ஏற்கனவே உள்ள கட்டமைப்புகளுடன் ஒருங்கிணைப்பது (Integration) இத்தகைய முடிவுகளில் 41% காரணமாக உள்ளது, அதே சமயம் மொத்த உரிமையாளர் செலவு (TCO) 35% பங்களிக்கிறது. வெறும் டோக்கன் விலைகளை (token prices) மட்டும் 8% மட்டுமே காரணமாகக் கூறுகின்றனர்.

அடுத்த எல்லை: சிறப்பு வாய்ந்த கிளவுட்கள் மற்றும் மெமரி பேண்ட்வித் (Memory Bandwidth)

சோதனை முயற்சிகளுக்கு அப்பால் நகரும் நிறுவனங்கள், AI-சிறப்பு வாய்ந்த கிளவுட்களைக் கவனித்து வருகின்றன. 45% நிறுவனங்கள் வரும் ஆண்டில் இத்தகைய வழங்குநர்களை மதிப்பீடு செய்யத் திட்டமிட்டுள்ளன—இது திட்டமிடப்பட்ட மதிப்பீட்டுப் பகுதிகளில் மிகப்பெரியதாகும்.

ஒரு புதிய தொழில்நுட்பக் கட்டுப்பாடு உருவாகி வருகிறது: வெறும் GPU கணினித் திறனை விட, மெமரி பேண்ட்வித் (memory bandwidth) தான் பெரிய அளவில் Inference செய்வதைக் கட்டுப்படுத்தும். சுமார் 20% நிறுவனங்கள் மட்டுமே இந்தத் தடையைப் பற்றி அறிந்துள்ளன அல்லது அதைச் சரிசெய்ய நடவடிக்கை எடுத்துள்ளன. டெவலப்பர்கள் மற்றும் CTO-களுக்கு, பேண்ட்வித் திறனைப் பயன்படுத்துவதே அளவிடக்கூடிய Inference மற்றும் கட்டுப்பாடற்ற செலவுகளுக்கு இடையிலான வேறுபாடாக அமையும்.

முக்கியக் கருத்துக்கள்

  • திறமையின்மை ஒரு இயல்பான ஒன்றாக உள்ளது: 83% நிறுவனங்கள் $\le$ 50% GPU பயன்பாட்டுடன் இயங்குகின்றன; பாதிக்கும் குறைவான நிறுவனங்களால் கணினிச் செலவைத் துல்லியமாகக் கண்காணிக்க முடிகிறது.
  • விற்பனையாளர் மாற்றங்கள் அதிகம்: 64% நிறுவனங்கள் ஒரு ஆண்டிற்குள் ஒரு வழங்குநரை மாற்ற அல்லது சேர்க்கத் திட்டமிட்டுள்ளன; இதில் ஒருங்கிணைப்பு (41%) மற்றும் TCO (35%) முன்னுரிமை பெறுகின்றன.
  • சிறப்புத் திறனை நோக்கி மாற்றம்: கணினித் திறன் இடைவெளியைக் குறைக்க 45% நிறுவனங்கள் சிறப்பு வாய்ந்த AI கிளவுட்களை மதிப்பீடு செய்யும்.
  • மெமரி பேண்ட்வித் நெருங்குகிறது: சுமார் 20% நிறுவனங்கள் மட்டுமே இந்த வளர்ந்து வரும் தடையை அங்கீகரிக்கின்றன அல்லது கையாளுகின்றன.

கட்டுரை

107 நிறுவனங்கள் குறித்த VentureBeat Pulse Research ஆய்வறிக்கை, 83% நிறுவனங்கள் GPU-க்களை பாதித் திறன் அல்லது அதற்கும் குறைவாகப் பயன்படுத்துகின்றன என்பதைக் காட்டுகிறது, அதே சமயம் 44% நிறுவனங்களால் மட்டுமே ஒவ்வொரு கணினி நேரத்தின் (compute hour) துல்லியமான செலவைக் கணக்கிட முடிகிறது. இந்த முரண்பாடு காரணமாக, 64% பதிலளிப்பவர்கள் அடுத்த ஒரு ஆண்டிற்குள் ஒரு உள்கட்டமைப்பு விற்பனையாளரை மாற்ற அல்லது புதியவரைச் சேர்க்கத் திட்டமிட்டுள்ளனர்.

ஏன் இந்த “கணினித் திறன் இடைவெளி” இப்போது முக்கியமானது

முக்கியமான எண்கள் ஒரு தெளிவான பிம்பத்தை வரைகின்றன: AI செலவு உயர்கிறது, ஆனால் உற்பத்தி முதிர்ச்சி பின்தங்கியுள்ளது. வெறும் 21% நிறுவனங்கள் மட்டுமே உற்பத்தியில் பெரிய அளவில் AI-ஐ இயக்குவதாகக் கூறுகின்றன, அதாவது பெரும்பாலான முதலீடுகள் ஆய்வகங்கள், முன்மாதிரிகள் (proof-of-concepts) அல்லது பயன்படுத்தப்படாத வன்பொருட்களில் முடங்கியுள்ளன. குறைந்த GPU பயன்பாடு என்பது நேரடியாக வீணாகும் மூலதனத்திற்கு வழிவகுக்கிறது—பாதி நிரப்பப்பட்ட சர்வர்கள் இன்னும் மின்சாரத்தைப் பயன்படுத்துகின்றன, குளிர்ச்சி தேவைப்படுகிறது மற்றும் ரேக் (rack) இடத்தைப் பிடிக்கின்றன. பாதிக்கும் குறைவான நிறுவனங்களால் ஒரு GPU-வின் செலவைக் கண்காணிக்க முடியும் போது, பட்ஜெட் போடுவதானது ஒரு யூகமாக மாறுகிறது, மேலும் CFO-க்கள் ஒரு ஆண்டின் தொழில்நுட்ப பட்ஜெட்டைத் தகர்க்கக்கூடிய ஒரு 'பிளாக் பாக்ஸ்' (black box) சூழலை எதிர்கொள்கின்றனர்.

நாம் இங்கே எப்படி வந்தோம்

Hyperscalers, AI-குறிப்பிட்ட இன்ஸ்டன்ஸ் மற்றும் Model-as-a-Service API-களை அறிமுகப்படுத்தியபோது இந்த வேகம் தொடங்கியது. தற்போது ஆய்வில் பங்கேற்ற பணிச்சுமைகளில் (workloads) 48% Google Cloud-இல் உள்ளது, அதைத் தொடர்ந்து Microsoft Azure (29%), AWS (22%) மற்றும் Oracle Cloud (22%) உள்ளன. Model நுகர்வும் இதே போன்ற பிரிவினையே காணப்படுகிறது, Gemini மற்றும் OpenAI ஆகிய இரண்டும் பயன்பாட்டில் தலா சுமார் 40% பங்கைப் பெற்றுள்ளன. இதன் ஈர்ப்பு தெளிவாக இருந்தது: நம்பகமான கிளவுட், தயார் நிலையில் உள்ள GPUs மற்றும் வெளிப்படையான செலவுகளை உறுதியளிக்கும் 'Pay-as-you-go' மாதிரி.

இந்த ஆய்வு ஒரு மறைமுகமான செலவை வெளிப்படுத்துகிறது. மாற்றத்திற்கான முடிவில் ஒருங்கிணைப்புச் சிக்கல்களே (Integration headaches) ஆதிக்கம் செலுத்துகின்றன: 41% நிறுவனங்கள் வழங்குநரின் கட்டமைப்பை ஏற்கனவே உள்ள வழிமுறைகளுடன் (pipelines) இணைப்பதில் உள்ள சிரமத்தைக் குறிப்பிடுகின்றன, அதே சமயம் 35% மொத்த உரிமையாளர் செலவைக் (TCO) சுட்டிக்காட்டுகின்றன. வெறும் டோக்கன் விலைகள் மட்டுமே தங்களை விலகிச் செல்வதாக 8% மட்டுமே கூறுகின்றனர், இது வெறும் விலைப்பட்டியலை விட சூழல் பொருத்தம் (ecosystem fit) முக்கியமானது என்பதைக் காட்டுகிறது.

விற்பனையாளர்கள் மற்றும் வாங்குபவர்களுக்கான சவால்கள்

பெரிய மூன்று கிளவுட் நிறுவனங்களுக்கு, ஆதிக்கம் செலுத்தும் சந்தைப் பங்கு அவர்களுக்கு அதிக அதிகாரத்தைத் தருகிறது, இருப்பினும் வாடிக்கையாளர்கள் மாறத் திட்டமிடுவது அந்த அதிகாரத்தின் தேய்மானத்தைக் காட்டுகிறது.

வாங்குபவர்கள் இரண்டு அபாயங்களை எதிர்கொள்கின்றனர். முதலாவதாக, தொடர்ச்சியான குறைந்த பயன்பாடு, ஒவ்வொரு inference அல்லது பயிற்சிப் பணியின் (training job) செலவை அதிகரிக்கிறது, இது AI-க்கான வணிக வாய்ப்பை வலுவிழக்கச் செய்கிறது. இரண்டாவதாக, செலவு குறித்த தெளிவின்மை மூலோபாயத் திட்டமிடலுக்குத் தடையாக உள்ளது; தெளிவான அலகுப் பொருளாதாரம் (unit economics) இல்லையெனில், கூடுதல் முதலீட்டை நியாயப்படுத்துவதோ அல்லது AI-மேம்படுத்தப்பட்ட தயாரிப்புகளுக்கான விலையை நிர்ணயிப்பதோ கடினமாகிறது.

சிறப்பு வாய்ந்த AI கிளவுடுகளின் எழுச்சி

CoreWeave, Lambda மற்றும் Together போன்ற சிறப்பு வாய்ந்த AI கிளவுடுகள் தற்போது சந்தையில் 2%-க்கும் குறைவான பங்கையே கொண்டுள்ளன. வரும் ஆண்டில் இந்தத் துறை சார்ந்த (niche) வழங்குநர்களை மதிப்பீடு செய்யப்போவதாக நாற்பத்தைந்து சதவீத நிறுவனங்கள் தெரிவிக்கின்றன, இது வழங்குநர் மதிப்பீட்டில் மிக முக்கியமான திட்டமிடப்பட்ட பகுதியாக உள்ளது. அவற்றின் மதிப்பு முன்மொழிவு (value proposition), AI கருவிச் சங்கிலிகளுடன் (toolchains) நெருக்கமான ஒருங்கிணைப்பு, விரிவான கட்டண முறை மற்றும் AI பணிச்சுமைகளுக்கு ஏற்றவாறு வடிவமைக்கப்பட்ட வன்பொருள் ஆகியவற்றின் அடிப்படையில் அமைந்துள்ளது. இது இன்று பெரும்பாலான நிறுவனங்களைச் சிக்கலில் வைத்துள்ள 50% பயன்பாட்டு உச்சவரம்பைத் தாண்டி GPU பயன்பாட்டை உயர்த்த முடியும்.

ஒரு தொழில்நுட்பக் குறைபாடு: மெமரி பேண்ட்வித் (memory bandwidth)

வன்பொருள் குறித்த விவாதம் மாறி வருகிறது. inference பணிச்சுமைகள் அதிகரிக்கும் போது, மெமரி பேண்ட்வித்—அதாவது ஒரு GPU-க்குள் மற்றும் வெளியே தரவு எவ்வளவு விரைவாக நகர்கிறது என்பது—ஒரு தடையாக (bottleneck) மாறுகிறது, இது மூல கணினித் திறனை (raw compute power) விட முக்கியத்துவம் பெறுகிறது. இருப்பினும், ஆய்வு செய்யப்பட்ட நிறுவனங்களில் சுமார் 20% மட்டுமே இந்தத் தடையை அங்கீகரிக்கின்றன அல்லது அதைச் சரிசெய்ய நடவடிக்கை எடுத்து வருகின்றன. பேண்ட்வித் குறித்த கவனக்குறைவு, முழுமையாகப் பயன்படுத்தப்படும் ஒரு GPU கூட தேவையான வெளியீட்டை (throughput) வழங்க முடியாமல் போகலாம் என்பதை உணர்த்துகிறது, இது அதிகப்படியான இன்ஸ்டன்ஸ் எண்ணிக்கை மற்றும் கூடுதல் செலவுகளுக்கு வழிவகுக்கும்.

முரண்பட்ட கருத்து: ஹைப்பர்ஸ்கேலர்கள் (hyperscalers) இன்னும் ஆதிக்கம் செலுத்துகின்றனர்

ஹைப்பர்ஸ்கேலர்களின் காலம் முடிந்துவிட்டது என்று முன்கூட்டியே அறிவிப்பது அவசியமற்றது. அவற்றின் அளவு, உலகளாவிய இருப்பு மற்றும் ஏற்கனவே உள்ள நிறுவன ஒப்பந்தங்கள் பலருக்கு அவற்றை இயல்பானத் தேர்வாக மாற்றுகின்றன. பெரும்பாலான பணிச்சுமைகள் இத்தகைய தளங்களிலேயே உள்ளன என்று ஆய்வு காட்டுகிறது, மேலும் நிலைநிறுத்தப்பட்ட மல்டி-கிளவுட் (multi-cloud) உத்திகளைக் கொண்ட நிறுவனங்களுக்கு, அதிக பயன்பாட்டின் ஈர்ப்பை விட தற்போதைய நிலைத்தன்மையே முக்கியமாக இருக்கலாம். மேலும், சிறப்பு வாய்ந்த கிளவுடுகளின் குறைந்த சந்தைப் பங்கு, அவற்றின் மீதான ஆர்வம் அதிகமாக இருந்தாலும், இடம்பெயர்வு படிப்படியாகவே இருக்கும் என்பதைக் காட்டுகிறது.

அடுத்து கவனிக்க வேண்டியவை

  • மெமரி பேண்ட்வித் கட்டுப்பாடுகள்: inference பணிச்சுமைகள் வளரும்போது, பேண்ட்வித் ஒரு முக்கியமான தடையாக மாறக்கூடும், இது வன்பொருள் தேர்வு மற்றும் கட்டமைப்பு முடிவுகளைப் பாதிக்கும்.

முக்கியக் குறிப்புகள்

  • திறமையின்மை ஒரு இயல்பான விஷயமாக உள்ளது: 83% நிறுவனங்கள் GPU-களை ≤ 50% பயன்பாட்டிலேயே இயக்குகின்றன; 44% மட்டுமே கணினிச் செலவுகளைத் துல்லியமாகக் கண்காணிக்க முடிகிறது.
  • வழங்குநர்களை மாற்றுவது அதிகம்: ஒருங்கிணைப்பு (41%) மற்றும் TCO (35%) காரணமாக, 64% நிறுவனங்கள் ஓராண்டிற்குள் ஒரு உள்கட்டமைப்பு வழங்குநரை மாற்ற அல்லது கூடுதலாகச் சேர்க்கத் திட்டமிட்டுள்ளன.
  • சிறப்பு வாய்ந்த கிளவுடுகள் வளர்ந்து வருகின்றன: கணினித் திறனைக் குறைவைச் சரிசெய்யும் நோக்கில், அடுத்த பன்னிரண்டு மாதங்களில் 45% நிறுவனங்கள் சிறப்பு AI கிளவுடுகளை மதிப்பீடு செய்யும்.
  • மெமரி பேண்ட்வித் ஒரு வரவிருக்கும் கட்டுப்பாடு: தோன்றி வரும் இந்தத் தடையைப் பற்றி சுமார் 20% நிறுவனங்கள் அறிந்துள்ளன அல்லது அதைச் சரிசெய்ய நடவடிக்கை எடுத்து வருகின்றன.

AI செலவு மற்றும் பொருளாதாரத் தெளிவு ஆகியவற்றிற்கு இடையிலான இடைவெளி இனி ஒரு சிறிய விஷயம் அல்ல; இது கொள்முதல் உத்திகளை மறுசீரமைக்கிறது மற்றும் ஒவ்வொரு டாலரும் அதிகத் திறனுடன் செயல்படுவதை நிரூபிக்கக்கூடிய வழங்குநர்களை நோக்கி இடம்பெயர்வதை ஊக்குவிக்கிறது.