هاگینگ فیس چیست و چرا انویدیا برای خرید آن ۱۲٫۹ میلیارد دلار میپردازد؟
- بدون دیدگاه
اگر اسم Hugging Face را نشنیده باشید، احتمالاً دستکم لوگوی معروف آن را در یکی از صفحات مربوط به مدلهای هوش مصنوعی دیدهاید؛ همان چهرهی زردرنگی که با آغوش باز لبخند میزند. هاگینگ فیس در چند سال گذشته به یکی از مهمترین نقاط اتصال توسعهدهندگان، پژوهشگران و شرکتهای فعال در حوزه هوش مصنوعی تبدیل شده است؛ جایی که مدلها، دیتاستها و ابزارهای مختلف کنار هم قرار میگیرند.
حالا گزارشها از احتمال خرید این شرکت توسط انویدیا با رقم ۱۲٫۹ میلیارد دلار خبر میدهند؛ معاملهای که در صورت نهاییشدن، یکی از بزرگترین خریدهای تاریخ انویدیا خواهد بود.
در نگاه اول، چنین رقمی عجیب به نظر میرسد. هاگینگ فیس یک شرکت سازنده تراشه یا توسعهدهنده مدلی مانند ChatGPT نیست. حتی مدلهای معروفی که روی این پلتفرم قرار دارند نیز متعلق به هاگینگ فیس نیستند. درآمد سالانه شرکت هم حدود ۱۵۰ میلیون دلار برآورد شده و ارزش آن در آخرین دور جذب سرمایه در سال ۲۰۲۳ حدود ۴٫۵ میلیارد دلار بود.
پس چرا انویدیا حاضر است تنها سه سال بعد، تقریباً سه برابر این ارزشگذاری را برای تصاحب هاگینگ فیس بپردازد؟
برای پاسخ باید کمی از ظاهر ماجرا فاصله بگیریم. انویدیا در واقع قرار نیست فقط یک وبسایت یا مجموعهای از مدلهای هوش مصنوعی را بخرد؛ چیزی که برای این شرکت اهمیت دارد، جامعه بزرگی از توسعهدهندگان و جایگاهی است که هاگینگ فیس در مسیر توسعه و استفاده از مدلهای هوش مصنوعی به دست آورده است.
Hugging Face چیست و چرا به خانه مدلهای هوش مصنوعی تبدیل شد؟
فرض کنید نام یک مدل هوش مصنوعی جدید را شنیدهاید و میخواهید آن را روی کامپیوتر خودتان آزمایش کنید. شاید مدل موردنظر یکی از نسخههای Llama، Qwen یا DeepSeek باشد، یا اصلاً به یک مدل زبانی احتیاج نداشته باشید و دنبال ابزاری برای تبدیل گفتار به متن، تشخیص تصویر، تولید موسیقی یا ساخت ویدیو باشید.
در بسیاری از این موارد، یکی از اولین مقصدهایی که به آن میرسید Hugging Face است.
مزیت هاگینگ فیس فقط این نیست که فایل مدل را در اختیار شما میگذارد. معمولاً در صفحه هر مدل میتوانید توضیحات مربوط به آن، نسخههای مختلف، مجوز استفاده، فایلهای موردنیاز، نحوه اجرا و اطلاعاتی درباره عملکرد مدل را ببینید. حتی در بعضی پروژهها، دمو آمادهای وجود دارد که اجازه میدهد بدون نصب مدل روی سیستم، خروجی آن را مستقیماً امتحان کنید.
به همین دلیل هاگینگ فیس را نمیتوان صرفاً یک سایت دانلود مدل دانست. این پلتفرم مجموعهای از ابزارها را در اختیار کاربر قرار میدهد تا مسیر پیداکردن، بررسی، آزمایش و استفاده از مدل کوتاهتر شود.
از طرف دیگر، استفاده از پلتفرم محدود به شرکتهای بزرگ نیست. یک پژوهشگر دانشگاهی میتواند مدل حاصل از تحقیقاتش را منتشر کند، یک برنامهنویس مستقل میتواند نسخهای تغییریافته از یک مدل محبوب را در اختیار دیگران بگذارد و شرکتها نیز میتوانند پروژههای خصوصی خود را در محیط اختصاصی نگهداری کنند.
طبق اطلاعات منتشرشده در وبسایت هاگینگ فیس، این پلتفرم اکنون میزبان بیش از دو میلیون مدل، بیش از نیممیلیون دیتاست و بیش از یک میلیون اپلیکیشن است. این مجموعه از پروژههای کوچک تحقیقاتی تا مدلهای بسیار بزرگ و پرکاربرد را شامل میشود.
البته انتشار مدلهای هوش مصنوعی پیش از ظهور هاگینگ فیس هم وجود داشت. مشکل اینجا بود که اجزای موردنیاز برای استفاده از یک مدل معمولاً در چند نقطه مختلف پراکنده بودند. ممکن بود فایل مدل در یک سایت، کدهای موردنیاز در GitHub و دستورالعمل اجرا در مقالهای دانشگاهی قرار داشته باشد.
هاگینگ فیس بخش بزرگی از این مسیر را در یک محیط واحد جمع کرد و به همین دلیل توانست فاصله بین «مدلی که منتشر شده» و «مدلی که واقعاً میتوانم استفاده کنم» را کاهش دهد.
هاگینگ فیس ابتدا قرار بود یک چتبات باشد
داستان هاگینگ فیس از جایی شروع شد که شاید کمترین شباهت را به کسبوکار امروزی آن داشته باشد.
در سال ۲۰۱۶، کلمان دولانگ، ژولین شومون و توماس ولف این شرکت را در نیویورک تأسیس کردند. ایده اولیه آنها ساخت یک چتبات برای نوجوانان بود؛ نوعی دوست دیجیتال که کاربران بتوانند با آن درباره موضوعات مختلف صحبت کنند.
نام شرکت نیز از همان ایموجی معروف صورت خندان و دستهای باز گرفته شد؛ تصویری که هنوز هم یکی از شناختهشدهترین نمادهای دنیای هوش مصنوعی محسوب میشود.
چتبات موردنظر هرگز به محصول اصلی و موفق شرکت تبدیل نشد. اتفاق مهمتر پشت صحنه رخ داد. تیم هاگینگ فیس برای ساخت این سرویس، ابزارهایی برای پردازش زبان طبیعی و کار با مدلهای یادگیری ماشین توسعه داد و بخشی از این ابزارها را در اختیار جامعه توسعهدهندگان قرار داد.
واکنش کاربران نشان داد که چیزی که برنامهنویسان واقعاً میخواهند، چتبات نوجوانانه نیست؛ آنها به ابزارهای سادهتر و کاربردیتر برای کار با مدلهای هوش مصنوعی نیاز دارند.
همین بازخورد باعث شد بنیانگذاران مسیر شرکت را تغییر دهند.
در همان سالها معماری Transformer بهسرعت در حوزه پردازش زبان طبیعی گسترش پیدا میکرد و پژوهشگران مدلهای جدیدی را یکی پس از دیگری معرفی میکردند. بااینحال، انتشار یک مدل در قالب مقاله یا چند فایل، لزوماً به این معنی نبود که یک توسعهدهنده معمولی بتواند بهراحتی از آن استفاده کند.
اینجا بود که هاگینگ فیس فرصت بزرگی پیدا کرد.
Transformers؛ کتابخانهای که مسیر را تغییر داد
یکی از مهمترین نقاط عطف تاریخ هاگینگ فیس، توسعه کتابخانه Transformers بود.
این کتابخانه به توسعهدهندگان اجازه میداد از مدلهای ازپیشآموزشدیده با روشی استانداردتر استفاده کنند. بهجای اینکه برنامهنویس برای هر مدل مجبور باشد روش جدیدی را یاد بگیرد و بخشهای مختلف کد را از صفر سرهم کند، Transformers بسیاری از مدلها را در قالبی قابلاستفادهتر در اختیار او قرار میداد.
اهمیت مدلهای ازپیشآموزشدیده هم بسیار زیاد است. آموزش یک مدل بزرگ هوش مصنوعی به دادههای عظیم، سختافزار قدرتمند و هزینه قابلتوجه نیاز دارد؛ منابعی که در اختیار بسیاری از توسعهدهندگان و حتی شرکتهای کوچک نیست.
مدل ازپیشآموزشدیده بخش زیادی از این مسیر را قبلاً طی کرده است. توسعهدهنده میتواند همان مدل را مستقیماً استفاده کند یا آن را برای یک وظیفه مشخص با دادههای خودش تنظیم کند.
به این فرایند Fine-tuning گفته میشود.
Transformers در واقع پلی میان پژوهشهای دانشگاهی و پروژههای واقعی ساخت. مدلهایی که پیش از آن بیشتر در مقالههای علمی معرفی میشدند، حالا میتوانستند با چند خط کد وارد پروژههای روزمره توسعهدهندگان شوند.
Hugging Face Hub؛ جایی برای مدل، دیتاست و اپلیکیشن
هرچه Transformers محبوبتر شد، تعداد مدلهایی که با ابزارهای هاگینگ فیس ساخته میشدند نیز افزایش پیدا کرد. اما سؤال بعدی خیلی زود مطرح شد: این مدلها قرار بود کجا منتشر شوند؟
پاسخ، Hugging Face Hub بود.
اگر بخواهیم خیلی ساده توضیح دهیم، Hub را میتوان نوعی فضای میزبانی تخصصی برای پروژههای هوش مصنوعی دانست؛ چیزی شبیه GitHub، اما با تمرکز بسیار بیشتر روی مدلها، دیتاستها و اپلیکیشنهای یادگیری ماشین.
هر پروژه میتواند مخزن مخصوص خودش را داشته باشد و فایلهای مدل، دیتاست یا اپلیکیشن را در آن قرار دهد. تغییرات پروژه نیز قابل پیگیری است و نسخههای قبلی از بین نمیروند.
اما Hub فقط به مدلها محدود نمیشود.
در بخش Datasets میتوان مجموعهدادههایی را پیدا کرد که برای آموزش یا ارزیابی مدلهای هوش مصنوعی مورد استفاده قرار میگیرند. بخش Spaces نیز به توسعهدهندگان اجازه میدهد یک رابط کاربری یا دمو برای مدل خود بسازند تا دیگران بتوانند آن را مستقیماً امتحان کنند.
برای مثال، اگر توسعهدهندهای یک مدل تولید تصویر ساخته باشد، کاربر میتواند بهجای دانلود فایلهای سنگین و نصب چند ابزار، وارد دموی آن شود، یک پرامپت وارد کند و خروجی را همانجا ببیند.
بخش دیگری که اهمیت زیادی دارد Model Card است. این بخش معمولاً اطلاعاتی درباره هدف مدل، روش استفاده، محدودیتها، عملکرد و مواردی که باید هنگام استفاده از آن در نظر گرفت ارائه میدهد.
البته کیفیت Model Card در همه پروژهها یکسان نیست، اما وجود همین اطلاعات باعث میشود کاربر قبل از دانلود یک مدل چندگیگابایتی، دید بهتری نسبت به چیزی که قرار است دریافت کند داشته باشد.
هاگینگ فیس چطور درآمد کسب میکند؟
باوجود حجم عظیمی از محتوای رایگان، هاگینگ فیس صرفاً یک پروژه غیرتجاری نیست.
مدلها و بسیاری از ابزارهای موجود در این پلتفرم میتوانند بهصورت رایگان در دسترس باشند، اما شرکت از سرویسهای تجاری خود درآمد کسب میکند. سازمانها میتوانند برای قابلیتهایی مانند مخازن خصوصی، کنترل دسترسی کاربران، امکانات سازمانی، فضای ذخیرهسازی و منابع پردازشی هزینه پرداخت کنند.
هاگینگ فیس همچنین سرویسهایی برای اجرای مدلها روی زیرساخت مدیریتشده ارائه میدهد و امکان دسترسی به مدلهای مختلف از طریق سرویسهای یکپارچه را فراهم میکند.
بنابراین درآمد شرکت وابسته به فروش مدلهایی نیست که کاربران بهصورت رایگان روی Hub منتشر میکنند.
چرا هاگینگ فیس را «گیتهاب هوش مصنوعی» مینامند؟
تشبیه هاگینگ فیس به GitHub تا حد زیادی قابلدرک است، اما فقط بخشی از واقعیت را نشان میدهد.
GitHub برای انتشار کد، مدیریت نسخهها و همکاری توسعهدهندگان روی پروژههای نرمافزاری ساخته شده است. هاگینگ فیس نیز بخشی از همین ایده را به دنیای یادگیری ماشین آورده، اما مسئله مدلهای هوش مصنوعی پیچیدهتر از صرفاً نگهداری کد است.
یک مدل ممکن است دهها یا حتی صدها گیگابایت حجم داشته باشد. علاوه بر وزنهای مدل، توسعهدهنده به دادههای آموزشی، مستندات، تنظیمات، کدهای اجرا و در بسیاری از موارد یک محیط آزمایشی نیاز دارد.
هاگینگ فیس تلاش کرده همه این قطعات را در یک اکوسیستم کنار هم قرار دهد.
به همین دلیل یک کاربر میتواند در یک صفحه مدل را پیدا کند، توضیحات آن را بخواند، مجوز استفاده را بررسی کند، نمونه خروجی را ببیند، فایلها را دریافت کند و حتی نسخههای مختلف پروژه را با هم مقایسه کند.
البته یک نکته مهم وجود دارد: هر مدل موجود در هاگینگ فیس الزاماً Open Source نیست.
برخی مدلها با کد، اطلاعات آموزشی و مجوزهای آزاد منتشر میشوند، اما بعضی شرکتها فقط وزنهای مدل را در اختیار عموم قرار میدهند.
وزنهای مدل همان پارامترهایی هستند که در طول فرایند آموزش یاد گرفته شدهاند و رفتار مدل را شکل میدهند. دسترسی به وزنها به شما اجازه میدهد مدل را اجرا یا Fine-tune کنید، اما لزوماً اطلاعات کاملی درباره دادههای آموزشی، معماری داخلی یا فرایند ساخت مدل در اختیارتان نمیگذارد.
به همین دلیل برای بخشی از مدلهای موجود در این پلتفرم، عبارت Open-weight یا «وزنباز» دقیقتر از «متنباز» است.
ارزش واقعی هاگینگ فیس کجاست؟
اینجا به مهمترین بخش داستان میرسیم.
اگر انویدیا واقعاً هاگینگ فیس را با قیمت ۱۲٫۹ میلیارد دلار خریداری کند، مالک مدلهای Llama، Qwen یا DeepSeek نخواهد شد. این مدلها متعلق به شرکتها و گروههای دیگری هستند که آنها را در پلتفرم منتشر کردهاند.
این موضوع شبیه خرید GitHub توسط مایکروسافت است. مایکروسافت با خرید GitHub مالک تمام کدهایی که روی این پلتفرم قرار دارند نشد.
پس دارایی اصلی هاگینگ فیس چیست؟
جامعه کاربران آن.
طی سالها، یک عادت در میان توسعهدهندگان شکل گرفته است: وقتی مدل جدیدی معرفی میشود، بسیاری از آنها انتظار دارند بتوانند آن را در Hugging Face پیدا کنند.
از طرف دیگر، سازندگان مدل نیز میدانند که جامعه بزرگی از کاربران در این پلتفرم حضور دارند؛ بنابراین انتشار مدل در هاگینگ فیس برای آنها ارزش توزیعی دارد.
این یک اثر شبکهای قدرتمند ایجاد میکند.
هرچه مدلهای بیشتری در پلتفرم منتشر شوند، کاربران بیشتری به آن مراجعه میکنند. هرچه کاربران بیشتر شوند، حضور در پلتفرم برای سازندگان مدل ارزشمندتر میشود و مدلهای بیشتری نیز به آن اضافه خواهند شد.
به همین دلیل، ساختن رقیبی برای هاگینگ فیس فقط با راهاندازی یک سایت جدید امکانپذیر نیست. رقیب باید جامعه کاربران، سازندگان مدل، تاریخچه پروژهها، ابزارهای توسعه، مستندات، دیتاستها و هزاران رابطه شکلگرفته در طول سالها را نیز به دست آورد.
این همان چیزی است که قیمتگذاری هاگینگ فیس را از درآمد سالانه آن جدا میکند.
رابطه انویدیا و هاگینگ فیس از قبل وجود داشته است
رابطه این دو شرکت به امروز برنمیگردد.
در سال ۲۰۲۳، انویدیا در کنار شرکتهایی مانند Google، Amazon، Salesforce، AMD و Intel در دور جذب سرمایه ۲۳۵ میلیون دلاری هاگینگ فیس شرکت کرد. پس از این سرمایهگذاری، ارزش هاگینگ فیس حدود ۴٫۵ میلیارد دلار اعلام شد.
همکاری دو شرکت فقط به سرمایهگذاری محدود نماند.
آنها اعلام کردند توسعهدهندگان هاگینگ فیس میتوانند برای آموزش و Fine-tune کردن مدلهایشان از توان محاسباتی DGX Cloud استفاده کنند.
در ادامه، ارتباط میان دو اکوسیستم گستردهتر شد. فناوری NVIDIA NIM برای اجرای برخی مدلها وارد این اکوسیستم شد و انویدیا نیز مدلها و دیتاستهای خودش، از جمله خانواده Nemotron، را روی هاگینگ فیس منتشر کرد.
نکته جالبتر اینکه طبق گزارشهای منتشرشده، هاگینگ فیس چند ماه قبل پیشنهاد سرمایهگذاری ۵۰۰ میلیون دلاری انویدیا را نپذیرفته بود. نگرانی اصلی ظاهراً به احتمال نفوذ بیش از حد یک سرمایهگذار واحد مربوط میشد.
اینکه چه چیزی باعث تغییر این تصمیم و مطرحشدن احتمال فروش کامل شرکت شده، هنوز بهطور رسمی مشخص نیست.
چرا Hugging Face برای انویدیا اینقدر ارزش دارد؟
برای درک دلیل علاقه انویدیا باید مسیر یک مدل هوش مصنوعی را از نگاه توسعهدهنده دنبال کنیم.
توسعهدهنده ابتدا به دنبال مدل مناسب میگردد. بعد عملکرد مدل را بررسی میکند، مجوز استفاده را میخواند، آن را آزمایش میکند و شاید با دادههای اختصاصی خودش Fine-tune کند.
اما بعد از این مراحل، یک سؤال مهم باقی میماند:
این مدل قرار است کجا اجرا شود؟
اینجاست که سختافزار وارد داستان میشود.
انویدیا امروز مجموعه بزرگی از محصولات و نرمافزارها را در این مرحله ارائه میکند؛ از GPUها و معماری CUDA گرفته تا NeMo، NVIDIA NIM و زیرساخت DGX Cloud.
اگر انویدیا مالک پلتفرمی باشد که توسعهدهنده ممکن است کار خود را از آنجا آغاز کند، این شرکت عملاً میتواند پیش از رسیدن کاربر به مرحله انتخاب سختافزار، وارد مسیر تصمیمگیری او شود.
از انتخاب مدل تا انتخاب GPU
فرض کنید توسعهدهندهای وارد صفحه یک مدل در Hugging Face میشود. مدل را آزمایش میکند، متوجه میشود برای پروژهاش مناسب است و تصمیم میگیرد آن را در مقیاس بزرگ اجرا کند.
در این مرحله انتخاب سختافزار اهمیت پیدا میکند.
انویدیا میتواند ابزارهای خودش را در همین مسیر قرار دهد؛ یعنی کاربر از انتخاب مدل به ابزار آمادهسازی، سپس سرویس استنتاج و در نهایت زیرساخت پردازشی انویدیا برسد.
البته این به معنی آن نیست که هر کاربر هاگینگ فیس در نهایت یک GPU انویدیا میخرد. بسیاری از مدلهای کوچک را میتوان روی لپتاپ یا حتی گوشی اجرا کرد و خود هاگینگ فیس نیز از سختافزارهای رقیب پشتیبانی میکند.
اما از نگاه انویدیا، هرچه زودتر در مسیر تصمیمگیری توسعهدهنده حضور داشته باشد، فرصت بیشتری برای تبدیلشدن به انتخاب پیشفرض او خواهد داشت.
این همان بخش مهم معامله است.
مدلهای باز میتوانند بازار GPU را بزرگتر کنند
انویدیا تنها شرکتی نیست که به دنبال افزایش سهم خود از بازار هوش مصنوعی است.
گوگل تراشههای اختصاصی Tensor را توسعه میدهد. آمازون روی Trainium و Inferentia سرمایهگذاری کرده و مایکروسافت نیز تراشه Maia را توسعه داده است. شرکتهای بزرگ تلاش میکنند بخشی از وابستگی خود به سختافزارهای انویدیا را کاهش دهند.
از سوی دیگر، سازندگان مدلهای بزرگ نیز علاقه دارند کنترل بیشتری روی زیرساخت موردنیازشان داشته باشند.
در چنین بازاری، مدلهای بسته یک ویژگی مهم دارند: شرکت سازنده مدل بخش زیادی از تصمیمهای زیرساختی را کنترل میکند.
کاربری که از طریق API به یک مدل متصل میشود، معمولاً نمیداند درخواست او دقیقاً روی چه پردازندهای پردازش شده است.
اما مدلهای باز یا Open-weight داستان متفاوتی دارند.
یک شرکت میتواند مدل را دانلود کند، آن را با دادههای خودش Fine-tune کند و روی زیرساخت موردنظرش اجرا کند. در چنین شرایطی، انتخاب سختافزار نیز دوباره به خود سازمان برمیگردد.
برای انویدیا، گسترش این مدلها میتواند به معنی شکلگیری تعداد بیشتری از مشتریان بالقوه برای GPUها، نرمافزارها و سرویسهایش باشد.
به همین دلیل هاگینگ فیس میتواند برای انویدیا فراتر از یک پلتفرم نرمافزاری باشد؛ کانالی برای توسعه بازار محاسبات هوش مصنوعی.
درسی که CUDA سالها پیش به انویدیا آموخت
انویدیا سالها قبل متوجه شد که داشتن یک پردازنده قدرتمند بهتنهایی برای حفظ توسعهدهندگان کافی نیست.
به همین دلیل، CUDA را توسعه داد؛ اکوسیستمی شامل ابزارها، کتابخانهها و نرمافزارهایی که کار توسعه روی GPUهای انویدیا را سادهتر میکنند.
CUDA باعث شد ارزش GPUهای انویدیا فقط به قدرت خام پردازشی محدود نشود. توسعهدهندهای که سالها با این اکوسیستم کار کرده، برای مهاجرت به سختافزار دیگری ممکن است مجبور شود بخشی از کدها و فرایند کاری خود را تغییر دهد.
هاگینگ فیس قرار نیست CUDA شماره دو باشد. تفاوت بنیادی میان این دو وجود دارد. CUDA فناوری اختصاصی انویدیا است، درحالیکه ارزش Hugging Face دقیقاً از بازبودن و حضور شرکتها و مدلهای مختلف در آن سرچشمه میگیرد.
اما یک شباهت مهم وجود دارد:
هر دو میتوانند انویدیا را زودتر وارد مسیر تصمیمگیری توسعهدهنده کنند.
CUDA در مرحله توسعه و اجرای نرمافزار این کار را انجام میدهد؛ هاگینگ فیس میتواند این نقطه را حتی به مرحله انتخاب مدل نزدیکتر کند.
آیا انویدیا هویت هاگینگ فیس را تغییر میدهد؟
این احتمال یکی از بزرگترین ریسکهای معامله است.
انویدیا اگر بخواهد از ارزش واقعی هاگینگ فیس استفاده کند، احتمالاً نباید آن را به یک فروشگاه اختصاصی برای محصولات خودش تبدیل کند.
جذابیت پلتفرم دقیقاً به این است که مدلهای شرکتهای مختلف در کنار پروژههای مستقل قرار دارند و کاربران میتوانند آنها را مقایسه کنند.
متا، گوگل، مایکروسافت، میسترال و تعداد زیادی تیم مستقل میتوانند در یک فضای مشترک حضور داشته باشند. همین بیطرفی نسبی یکی از دلایل اعتماد جامعه توسعهدهندگان به پلتفرم است.
از طرف دیگر، مالکیت انویدیا میتواند منابع مالی و زیرساختی قابلتوجهی در اختیار هاگینگ فیس قرار دهد. با بزرگتر و پیچیدهترشدن مدلهای چندوجهی، ویدیویی و رباتیک، هزینه میزبانی و اجرای آنها نیز افزایش پیدا میکند.
سرمایه و زیرساخت انویدیا میتواند به رشد این بخش کمک کند.
اما خطر دیگری هم وجود دارد.
هاگینگ فیس امروز با سختافزارهای AMD و Intel، سرویسهای AWS و پردازندههای Tensor گوگل نیز کار میکند. اگر بعد از خرید، محصولات انویدیا به شکل محسوسی نسبت به رقبا در اولویت قرار بگیرند، بخشی از توسعهدهندگان ممکن است این بیطرفی را زیر سؤال ببرند.
حتی تغییرات ظاهراً کوچک هم میتوانند حساسیت ایجاد کنند؛ مثلاً اگر مدلهای بهینهشده برای GPUهای انویدیا بیشتر دیده شوند یا سرویسهایی مانند NIM و DGX Cloud به گزینههای پیشفرض تبدیل شوند.
در چنین شرایطی، کاربران ممکن است احساس کنند زمین بازی دیگر مثل گذشته بیطرف نیست.
و این دقیقاً همان چیزی است که انویدیا باید از آن جلوگیری کند.
انویدیا با ۱۲٫۹ میلیارد دلار دقیقاً چه چیزی میخرد؟
اگر معامله گزارششده نهایی شود، سادهترین پاسخ این است که انویدیا یک وبسایت نمیخرد؛ یک نقطه مهم در مسیر توسعه هوش مصنوعی را تصاحب میکند.
هاگینگ فیس از یک چتبات ساده برای نوجوانان شروع کرد و در طول یک دهه به جایی رسید که توسعهدهندگان برای پیدا کردن مدل، بررسی مجوز، دریافت فایل، مشاهده دمو و مطالعه مستندات به آن مراجعه میکنند.
مدلهای موجود در این پلتفرم متعلق به خود هاگینگ فیس نیستند و درآمد سالانه شرکت نیز بهتنهایی نمیتواند قیمت ۱۲٫۹ میلیارد دلاری را توجیه کند.
ارزش اصلی در جای دیگری است: جامعهای که به این پلتفرم عادت کرده و شبکهای که طی سالها شکل گرفته است.
انویدیا تا امروز معمولاً زمانی وارد مسیر یک پروژه هوش مصنوعی میشد که توسعهدهنده برای آموزش یا اجرای مدل به قدرت پردازشی نیاز داشت. خرید هاگینگ فیس میتواند این نقطه را چند مرحله جلوتر ببرد؛ جایی که توسعهدهنده هنوز در حال انتخاب مدل، آزمایش گزینهها و طراحی پروژه است.
اگر انویدیا بتواند در همین مرحله حضور داشته باشد، فرصت دارد محصولات سختافزاری و نرمافزاری خودش را زودتر وارد فرایند تصمیمگیری کند.
البته همه اینها به یک شرط وابسته است: اعتماد جامعه توسعهدهندگان حفظ شود.
انویدیا میتواند مالک هاگینگ فیس باشد، اما نمیتواند اعتماد کاربران را با قرارداد خریداری کند. اگر پلتفرم همچنان محیطی باز و نسبتاً بیطرف باقی بماند، این معامله میتواند یکی از استراتژیکترین خریدهای انویدیا باشد. اما اگر هاگینگ فیس به ویترینی برای محصولات انویدیا تبدیل شود، ممکن است همان چیزی را از دست بدهد که باعث شده ۱۲٫۹ میلیارد دلار ارزش داشته باشد.
در نهایت، داستان هاگینگ فیس بیش از آنکه درباره خرید یک شرکت نرمافزاری باشد، درباره کنترل نقطهای است که توسعهدهنده تصمیم میگیرد از چه مدل، چه ابزار و در نهایت چه زیرساختی استفاده کند. اگر گزارشهای مربوط به این معامله به واقعیت تبدیل شوند، انویدیا با پرداخت ۱۲٫۹ میلیارد دلار تلاش میکند یک قدم زودتر از رقبا وارد این تصمیم شود.
گارانتی آونگ؛ خیال راحت بعد از انتخاب تجهیزات
در دنیای فناوری، انتخاب سختافزار قدرتمند فقط به مشخصات فنی و قیمت محدود نمیشود؛ پشتیبانی و خدمات پس از فروش هم بخش مهمی از تجربه استفاده از محصول است. به همین دلیل، هنگام خرید تجهیزات دیجیتال و محصولات برندهای تحت پوشش، توجه به اعتبار گارانتی اهمیت زیادی دارد. گارانتی آونگ با ارائه خدمات پس از فروش و پشتیبانی محصولات تحت پوشش، کمک میکند تجربه استفاده از تجهیزات دیجیتال با اطمینان بیشتری همراه باشد؛ چون انتخاب یک محصول خوب، زمانی ارزش بیشتری پیدا میکند که خدمات پس از فروش قابل اتکایی هم پشت آن باشد.
