Techscape

بعد از سال‌ها دوباره یک محتوا با عنوان مدل ذهنی تولید کردم 😁

قسمت جدید انویدیا رو همین الان منتشر کردم.
یه مقدار با قسمت‌های قبلی متفاوته.

اگر براتون سواله که:
• کار تو انویدیا چه شکلیه؟
• استراتژی انویدیا برای گرفتن بازارهای مختلف چیه؟
• و خود جنسن چه ویژگی‌های متفاوتی داره؟
این ویدئو براتون خیلی جذاب خواهد بود.

https://www.youtube.com/watch?v=t6iD5NRRPC0

قسمت دوم داستان انویدیا همین الان منتشر شد.
امیدوارم از دیدن این ویدئو لذت ببرید.

ممنون می‌شم با دیدن و به اشتراک‌گذاری به دیده شدن بیشتر کمک کنید ♥️



https://youtu.be/sTq9I2dfJgs?is=lZUpVgd6ujaxWa_y

قسمت اول داستان انویدیا تو یوتیوب منتشر شد،
ممنون می‌شم ببینید و نظر بدید.

و البته ممنون از مجموعه طلاین که اسپانسر این سری ویدئوها شدن 😍

https://youtu.be/nY8a6fyd-0w

یادتونه تو تاریخچه انویدیا در مورد پایپلاین‌های موازی صحبت کردیم که انویدیا برای اولین بار تو Riva TNT ازش رونمایی کرد؟

برای ویدئو دنبال یه ایده بودم که چطور می‌تونم این رو خوب نشون بدم و راحت متوجه بشه مخاطب که به ذهنم رسید با Claude می‌شه یه Artifact درست کرد که سرعت یک کارت گرافیک معمولی رو با یه کارت گرافیک با دوتا پایپلاین مقایسه کنه که تو چند حرکت میتونه یک فریم با ۳۸۴ تا پیکسل رو بسازه و نتیجه خیلی بامزه شد.

توصیه می‌کنم اگر اون بخش داستان رو خوندید، حتما این رو هم ببینید تا اهمیت کار انویدیا یه مقدار روشن‌تر بشه براتون:

https://claude.ai/public/artifacts/15487e4a-69a0-4b09-af6c-e6caaabf48cc

در حاشیه بگم که یه مقدار نشستم ببینم تو فضای فارسی چه محتواهایی تولید شده در مورد انویدیا که رسیدم به ویدئوی زیر که پربازدیدترینه.

از میزان اطلاعات غلطی که داره ارائه می‌شه واقعا در تعجبم.
حالا خواستین یه نگاهی بندازید اما توصیه می‌کنم وقتتون رو هدر ندید.

یه دلیلی که گفتم تو بخش‌های کوچیک‌تر و زودتر ویدئوها رو منتشر کنم دقیقا همین کویر محتوای با کیفیتیه که تو بخش تکنولوژی یوتیوب فارسی وجود داره.


https://www.youtube.com/watch?v=Zj_l6M7piZA&t=2s

پست‌هایی که تا به اینجا توی کانال گذاشتم تقریبا محتوای ۲٫۵ ویدئوی یوتیوبه.

طبق یک حساب سرانگشتی می‌دونم که ویدئوها قراره به این شکل باشن:
• قسمت اول: از تولد انویدیا تا رسیدن به سرعت نور
• قسمت دوم: تولد مفهوم جی‌پی‌یو
• قسمت سوم: از بازار صفر میلیارد دلاری تا فتح تمام دیتاسنترهای دنیا
• قسمت چهارم: نگاهی به زندگی و مدل ذهنی جنسن هوانگ

برنامه‌م اینه که قسمت اول رو هفته آینده بتونم منتشر کنم و البته هر کدوم از قسمت‌های بالا که گفتم ممکنه تغییراتی داشته باشن و حتی با هم ترکیب بشن.

گفتم اینجا یه گزارشی بدم که مشغول چه کارهایی هستم و بگم که قسمت بعدی هم به زودی منتشر می‌شه فقط چون کمی مشغول بودم یه مقدار عقب افتاده.

یه ویدئوی جدید تو یوتیوب گذاشتم منتها هنوز عمومی منتشر نشده چون یه سری کارهاش مونده.
اما برای شما اینجا لینکش رو می‌ذارم. به هرحال اعضای این کانال یه فرقی باید داشته باشن دیگه 😁.

موضوعش لپتاپ‌های جدید شرکت اپل یعنی Macbook Neo هست که یه داستان و مفهوم جالب پشتشه و خودم اولین بار که با این مفهوم آشنا شدم خیلی ذوق کردم.
امیدوارم به کارتون بیاد.

https://youtu.be/59hJzfYkGeI

سال ۲۰۱۶، مارک اندریسن که موسس نت اسکیپ و صندوق سرمایه‌گذاری خطرپذیر a16z هست توی مصاحبه با مجله فوربز گفت:

تقریبا تمام استارتاپ‌های یادگیری عمیق (Deep Learning) که روشون سرمایه گذاری کردیم از پلتفرم انویدیا استفاده می‌کنن و انویدیا شبیه به پلتفرم ویندوز تو دهه ۹۰ یا پلتفرم آیفون برای اپلیکیشن‌هاست و اگر ما شرکت هج فاند بودیم تمام پولمون رو رو انویدیا سرمایه گذاری می‌کردیم.

رشد خیره‌کننده انویدیا به قدری بود که در زمان مصاحبه اندریسن، ارزش انویدیا از زمان ورود به بورس ۸۷ برابر شده بود. اما حتی جنسن هوانگ هم در بلندپروازانه‌ترین حالت نمی‌تونست تصور کنه که یک سال بعد جرقه اتفاقی زده می‌شه که طی ۱۰ سال آینده ارزش شرکت رو بیشتر از ۱۰۰ برابر می‌کنه.

تیم سه نفره پشت AlexNet به سرعت یک شرکت ثبت کردن و تو مزایده‌ای که بین غول‌های دنیای تکنولوژی بود در نهایت گوگل با پیشنهاد ۴۴ میلیون دلار شرکتشون رو خرید و اون‌ها رو استخدام کرد.

جفری هینتون بعدها برنده جایزه نوبل شد، الکس کریژوسکی چند سال بعد به کلی از دنیای هوش مصنوعی کناره گیری کرد و ایلیا ساتسکور هم به تیم یک استارتاپ بلندپرواز و نه‌چندان شناخته‌شده به اسم OpenAI ملحق شد.

اما بیشتر از این تیم سه نفره همه چیز به سود انویدیا تموم شد.
تقاضا برای جی‌پی‌یوهای انویدیا به سرعت رشد کرد و تمام سرمایه‌گذاری‌های قبلی انویدیا روی Cuda حالا دیگه منطقی به نظر می‌رسید. از اینجا بود که دیگه انویدیا کم کم خودش رو به عنوان یک شرکت تامین کننده سخت افزار هوش مصنوعی معرفی می‌کرد و تمام تمرکزش رو روی این حوزه گذاشت.

نتیجه تمام این‌ها این شد که شرکت‌های بزرگی مثل متا و گوگل شروع کردن به خریدن هرچه بیشتر جی‌پی‌یوهای انویدیا و الگوریتم‌های سرچ و ریکامندیشن شبکه‌های اجتماعی و محتوا هم درست بعد از این جریان رشد محسوسی داشت.

هینتون از سال ۲۰۰۸ خیلی از CUDA و پتانسیل‌های پردازش موازی هیجانزده شده بود و همه همکارهاش رو ترغیب می‌کرد که از جی‌پی‌یوهای انویدیا استفاده کنن. هرچند حتی خود انویدیا هم خیلی به یادگیری ماشین فکر نمی‌کرد و انگار ایده هینتون برای بازار صفر میلیارد دلاری اون‌ها خیلی کوچیک بود.

حالا اما تو سال ۲۰۱۲ چندتا چیز تغییر کرده بود که به نظر هینتون می‌تونست منجر به یک نتیجه متفاوت بشه.

اگر بخوایم از یک آنالوژی مناسب استفاده کنیم، شاید ایجاد آتش خوب باشه.

برای اینکه آتش ایجاد بشه ما به سه چیز نیاز داریم: گرما، اگسیژن و سوخت.

و دقیقا به همین شکل برای اینکه بتونیم یک مدل هوش مصنوعی رو به خوبی آموزش بدیم یا تولید کنیم به الگوریتم، مقدار زیادی داده و سخت‌افزار مناسب نیاز داریم.

اینکه شبکه‌های عصبی برای چندین دهه جواب نمی‌دادن به این خاطر بود که نه سخت‌افزار مناسبی وجود داشت و نه مقدار داده‌ها زیاد بود و به همین خاطر این ایده تا قبل از دهه ۲۰۰۰ عملا کنار گذاشته شده بود و شرکت‌ها به سراغ الگوریتم‌های دیگه‌ای رفته بودن و به جای اینکه یک شبکه عصبی رو آموزش بدن، قوانین رو بیشتر به صورت دستی داخل کد به مدل می‌دادن.

مثلا فرض کنید یک مدل تصویری دارید که می‌خواید گربه‌ها رو تشخیص بده. به جای اینکه عکس گربه‌ها رو بهش بدید تا خودش آموزش ببینه بهش میگید که یک گربه چه ویژگی‌هایی داره تا طبق اون گربه‌ها رو تشخیص بده.

طبیعتا جفری هینتون با این ایده مخالف بود و عقیده داشت که میشه با تقلید از هوش انسانی این مسئله رو بهتر حل کرد اما حرفش در اون زمان خریداری نداشت.

در واقع طرفداران شبکه‌های عصبی مثل هینتون مثل کسانی بودن که می‌خوان آتیش درست کنن اما فقط بلدن جرقه ایجاد کنن و نه سوخت دارن و نه اکسیژن به مقدار کافی در دسترسه.

تا اینکه تو سال ۲۰۰۶ یک استادیار دانشگاه پرینستون به اسم فی-فی لی (Fei-Fei Li) به این نتیجه رسید که به جای بهینه‌سازی الگوریتم‌ها بهتره که تمرکز رو روی فراهم کردن داده‌های بیشتر بذاره و با استفاده از مکانیکال ترک آمازون و برون‌سپاری تونست تا سال ۲۰۱۰ حدود یازده میلیون عکس تو ۱۵ هزار دسته‌بندی مختلف تهیه کنه و در دسترس عموم قرار بده و در کنار اون یک مسابقه هم به راه انداخت تا گروه‌های مختلف بر اساس دقت تشخیص تصویر الگوریتم‌هاشون رتبه‌بندی بشن و به این شکل ImageNet متولد شد.

در واقع فی فی لی مقادیر بسیار زیادی اکسیژن تولید کرده بود.

سال ۲۰۱۰ که اولین دور رقابت‌ها با ۱۲ تیم برگزار شد، بهترین مدل تونست درصد دقت ۷۱٫۸ درصدی ارائه بده. سال ۲۰۱۱ اما تعداد تیم‌های شرکت‌کننده کم‌تر بود و بهترین مدل با بهبود ۲٫۴ درصدی تونست دقت ۷۴٫۲ درصدی داشته باشه.

و اینجا بود که جفری هینتون و تیمش وارد داستان شدن.

ایده اون‌ها این بود که با پردازش موازی، حالا سوخت کافی برای به راه انداختن یک آتش تمام عیار آماده شده و می‌شه با چندتا جی‌پی‌یو یک شبکه عصبی رقابتی رو آموزش داد که نتیجه بهتری داشته باشه و تو رقابت خودش رو نشون بده.

الکس کریژوسکی و ایلیا ساتسکور هم با فاند ۱۰۰۰ دلاری که داشتن رفتن ۲ تا جی‌پی‌یو GTX 580 خریدن و آخر هفته الکس شروع به کار روی آموزش شبکه عصبی با داده‌های ImageNet کرد و اسم مدل خروجی هم شد AlexNet.

سال ۲۰۱۲ الکس‌نت با بهبود ۱۰٫۵٪ تونست دقت ۸۴٫۷ درصدی ارائه بده و با حدود ۱۵٪ خطا یک پیشرفت عجیب به حساب میومد. اونقدر عجیب که تقریبا کسی باورش نمی‌شد.

فرض کنید تو مسابقه دو صدمتر که همه روی صدم ثانیه‌ها برای شکستن رکورد رقابت می‌کنن، یک نفر با یک ثانیه اختلاف بیاد و رکورد رو جابجا کنه.

در واقع الکس‌نت کار جدیدی نکرده بود. فقط از تمام چیزهایی که از قبل کم کم فراهم شده بود و وجود داشت استفاده کرد و به دنیا نشون داد که شبکه‌های عصبی دیگه ایده‌های دور از دسترس و فانتزی نیستن و همه چیز برای این ایده مهیا شده. حالا هم داده‌های زیادی وجود داشت و هم جی‌پی‌یوهای انویدیا به راحتی در دسترس بودن و از همه مهم‌تر: کاری که قبل‌تر به ۳۰۰ سی‌پی‌یو یا بیشتر نیاز داشت که فقط شرکت‌های خیلی بزرگ می‌تونستن تامینش کنن حالا تو اتاق یک دانشجوی کامپیوتر با دو تا جی‌پی‌یو انجام شده بود!

جفری هینتون از اون دست افرادی بود که بین همکارهاش به پافشاری بیش‌ازحد رو ایده‌های شکست‌خورده معروف بود. بیشتر از ۳۰ سال بود که سرسختانه از شبکه‌های عصبی دفاع می‌کرد در حالی که هم صنعت و هم آکادمی مدت‌ها پیش از این ایده عبور کرده بودن.

هینتون ۶۵ ساله، کم کم داشت به این فکر می‌کرد که نکنه تمام عمرش رو اشتباه کرده و فقط فرصت‌های زندگیش رو از دست داده؟

حتی وقتی یکی از دانشجوهاش یعنی الکس کریژوسکی خواست استاد راهنماش بشه بهش هشدار داد که:

حواست باشه، شبکه‌های عصبی دیگه مثل قدیما محبوب نیست!

اما الکس کریژوسکی در کمال تعجب پذیرفته بود و حالا در کنار یکی از دانشجوهای دیگه تو دفتر هینتون به اسم ایلیا ساتسکور داشتن در مورد ایده جدید هینتون به زبان روسی با هم صحبت می‌کردن.

این یه جورایی برای هینتون تبدیل به سرگرمی هم شده بود. یک سوال می‌پرسید و ایلیا و الکس رو به هم می‌کردن و با زبان روسی صحبت می‌کردن و با یک جواب معمولا جالب بر می‌گشتن.

این بار ایده هینتون آموزش یک شبکه عصبی برای پردازش تصویر با استفاده از جی‌پی‌یوهای انویدیا بود.

عزیزان و دوستان فقط این بحث CUDA یه مقدار زیادی فنیه و هرچقدر هم من تلاش کردم ساده‌ش کنم نمی‌دونم موفق شدم یا نه.
حالا ماجرا اینه که از اینجا به بعد میزان فنی بودن ماجرا قراره بیشتر هم بشه.

یه بازخوردی بدین بعد از خوندن این قسمت که چقدر اصل ماجرا رو تونستین دنبال کنید و براتون درکش راحت بود.

با معرفی CUDA تو سال ۲۰۰۶، به جز عده خیلی خیلی اندکی از افراد آکادمیک، هیچ کسی توجهی بهش نشون نداد و به نظر میومد همه اون هزینه‌ها و سرمایه‌گذاری‌ها بیهوده بوده.

مثلا اولین گروهی که درخواست استفاده از کودا رو داشتن، دو محقق سرطان سینه بودن که تو بیمارستان عمومی ماساچوست کار می‌کردن و فقط دو تا جی‌پی‌یو می‌خواستن که بتونن اسکنرهاشون رو ارتقا بدن و سریع‌تر تصاویر رو پردازش کنن.

واکنش بازار نسبت به این معرفی جدید و سرمایه‌گذاری بزرگ انویدیا این بود که نه تنها این پلتفرم جدید ارزشی نداره، بلکه انویدیا یک بخشی از ارزش خودش رو با عدم تمرکز از بین برده.

در همین حین AMD پیشنهاد خرید انویدیا رو داده بود که جنسن فقط به یک شرط قبول می‌کرد و اون هم این بود که مدیرعامل مجموعه جدید باشه و وسط قرارداد AMD هم پا شد و رفت رقیب انویدیا یعنی ATI رو خرید و دیگه همه داشتن به این فکر می‌کردن که AMD با بازار بزرگ و سرمایه زیادش به زودی انویدیا رو از صحنه روزگار محو می‌کنه.

فقط تصور کنید که از سال ۲۰۰۸ تا ۲۰۱۰ انویدیا ۸۰٪ کاهش ارزش داشت و این موضوع فقط به بحران مالی مربوط نبود. بلکه هیچ‌کس آینده‌ای که انویدیا در موردش صحبت می‌کرد رو نمی‌تونست ببینه و هیچ شواهدی هم براش وجود نداشت.

اما در این بین این جنسن هوانگ بود که بر خلاف نظر تمام تحلیل‌گرها و سرمایه‌گذارها پافشاری کرد و حتی از سفارش‌های خیلی کوچیک اولیه خوشحال هم می‌شد چون نظریه بازار صفر میلیارد دلاریش رو تایید می‌کردن.

جنسن هوانگ اینطور استدلال می‌کرد که تمام این پلتفرمی که ساختیم و تمام این دنیایی که ممکن کردیم فقط نیاز به یک Killer App داره. کافیه یکی بیاد و یک استفاده‌ای از جی‌پی‌یوهای ما بکنه که توجه همه رو به پتانسیل محصولات ما بکنه. درست مثل بازی‌های کامپیوتری که تبدیل به مهم‌ترین دلیل خرید کارت‌های گرافیکی شدن، کافی بود یک اتفاق جدید و یک بازار جدید کشف بشه.

و در نهایت بعد از حدود ۵ سال صبر، بالاخره تو سال ۲۰۱۲ اون اتفاق مهم افتاد.

انویدیا برای این کار شروع به جذب مهره‌های کلیدی‌ای کرد تا بتونه یک پِی قوی برای آینده شرکت ایجاد کنه.

کلیدی‌ترین این افراد جان نیکولز بود که خودش قبلا استارتاپ پردازش موازی MasPar رو راه انداخته بود و بعدها یک نامه برای جنسن نوشت و چشم‌اندازش رو از پایان سلطه اینتل توضیح داد و گفت که انویدیا در بهترین موقعیت برای ایجاد موج جدید پردازش قرار داره. این چشم‌اندازش رو شاید تو یه بخش جدا توضیح دادم.

نفر بعدی یان باک بود که سرپرست تیم توسعه ‌Brook بود و قرار بود تو لایه نرم‌افزار کاری که حتی Brook هم نمی‌تونست انجام بده رو به سرانجام برسونه.

همینطور مارک هریس که جنبش GPGPU رو شروع کرده بود و بیل دالی که از افراد مطرح آکادمیک در زمینه پردازش موازی بودن و کلی آدم دیگه که هدفشون ساختن آینده انویدیا بود و قرار بود طی ۳ تا ۴ سال بعدی یک اکوسیستم یکپارچه و کامل برای استفاده عمومی از GPUها ایجاد کنن.

این اکوسیستم در لایه‌های مختلفی قرار بود ایجاد بشه:

اولین و مهم‌ترین لایه، سخت‌افزار بود.

انویدیا برای اینکه بتونه GPUها رو واقعا عمومی کنه، معماری اون‌ها رو کاملا تغییر داد تا علاوه بر بازی بشه هر کاری رو به صورت موازی به اون‌ها سپرد. به همین خاطر معماری GPUها قرار بود از هسته‌های CUDA تشکیل بشه که می‌تونستن از حافظه مشترک به صورت همزمان استفاده کنن. این پردازنده جدید با اسم G80 شناخته می‌شد و نکته‌های عجیبی در موردش وجود داشت.

در حالی که انویدیا معمولا روی یک یا دو نسل بعدی تراشه‌های خودش کار می‌کرد این تراشه جدید قرار بود حداقل ۴ نسل جلوتر باشه و به خاطر تغییر معماری، قیمت GPUهای انویدیا نسبت به رقیب اصلی‌شون یعنی ATI گرون‌تر بود. این تفاوت قیمتی داخل خود انویدیا به مالیات CUDA معروف شد. در واقع انویدیا هزینه توسعه پلتفرم آینده‌ش رو داشت از گیمرها دریافت می‌کرد.

لایه دوم، نرم‌افزار بود.

انویدیا اینجا یک پلتفرم کامل شامل زبان برنامه‌نویسی CUDA (که بر پایه زبان C بود) به همراه کامپایلر و دیباگر و مستندات کامل رو توسعه داد و با همکاری گروه‌های مختلف آکادمیک کتابخونه‌های متعددی رو برای انجام کارهای مختلف مثل ماشین لرنینگ و پردازش تصویر و ... رو هم بهش اضافه کرد.

و لایه آخر ایجاد یک کامیونیتی یا جامعه‌ای از متخصصین بود.

برای این کار یک تکست‌بوک نوشته شد و طی همکاری با چند دانشگاه یک کورس کامل براش ایجاد کردن که برنامه‌نویسی پردازنده‌های موازی رو گسترش بدن. به این ترتیب نسل آینده توسعه‌دهنده‌ها که می‌خواستن پردازش موازی انجام بدن همه با CUDA کار کرده بودن و اگر جایی نیاز به چنین چیزی می‌شد یعنی باید سخت‌افزار انویدیا رو هم می‌خریدن.

و سرانجام در سال ۲۰۰۶، همزمان با معرفی جی‌پی‌یوهای جدید G80 انویدیا از CUDA که مخفف Compute Unified Device Architecture بود هم معرفی شد.

پلتفرمی که توسعه اون سالانه صدها میلیون دلار هزینه برده بود و قرار بود در آینده هزینه‌های خیلی بیشتری هم داشته باشه اما جنسن هوانگ به آینده‌ای که این پلتفرم ممکن می‌کرد واقعا ایمان داشت.

اگر از قسمت‌های قبل یادتون باشه، از معرفی مفهوم GPU و قابل برنامه‌ریزی شدن اون‌ها گفتیم و این دقیقا همون اتفاقی بود که در کنار پردازش موازی انویدیا یک جرقه مهم رو ایجاد کرد.

کم کم تو جمع‌های آکادمیک افراد متوجه شدن که اگر از GPU استفاده کنن خیلی کارها رو می‌تونن نسبت به CPU سریع‌تر انجام بدن.
کارهایی مثل پردازش و تصویربرداری پزشکی، شبیه‌سازی‌های فیزیکی مثل حرکت سیالات، تحلیل سیگنال‌های راداری و صوتی، تخمین ساختار پروتئین و کلی کار که نتیجه اون‌ها مقالات متعددی شد و حتی براش یک عبارت هم ساختن:

عبارت GPGPU که مخفف General Purpose GPU بود.

اما یک مشکلی اینجا وجود داشت: اینکه تمام این کارها نیاز به مهارت برنامه‌نویسی مختص کارهای گرافیکی داشت.
یعنی مثلا یکی می‌خواست حرکت مایع یا آب و هوا رو شبیه‌سازی کنه یا ضرب‌های ماتریسی متعدد انجام بده باید DirectX رو هم یاد می‌گرفت و به زبان هندسی با GPU صحبت می‌کرد. به هر حال کار GPUها تا اون زمان این بود که یک تصویر رو به مثلث‌های متعدد تقسیم می‌کرد و بعد از پردازش اون‌ها رو روی پیکسل‌های صفحه نمایش جانمایی می‌کرد.

فرض کنید شما یک مداد دارید و می‌خواید یک محاسبه ریاضی انجام بدید، اما تنها کاری که با مداد اجازه دارید انجام بدید طراحی کردنه. حالا برای اینکه ببینید ۲+۲ چقدر می‌شه، ۲ تا سیب رو میز می‌کشید، ۲ تا سیب داخل سبد در یک سبد و بعد این‌ها رو کنار هم می‌ذارید و سیب‌ها رو می‌شمرید.

کار عجیبیه، نه؟
این تقریبا کاری بود که اون موقع انجام می‌شد اما سرعت GPUها همه رو قانع کرده بود که این سختی رو به جون بخرن.

اینجا بود که از دل همین جامعه آکادمیک یک راهکار جالب بیرون اومد و اون هم زبان برنامه‌نویسی Brook بود که به سرپرستی شخصی به نام Ian Buck تولید شده بود.

کار این برنامه چی بود؟
این بود که اون لایه ترجمه رو خودش انجام می‌داد و دیگه نیازی نبود که افراد برن کار با DirectX و پردازش گرافیکی رو یاد بگیرن. اون‌ها معادلاتشون رو به زبان بروکس می‌نوشتن و ترجمه انجام می‌شد و خروجی هم براشون قابل فهم بود.

یک خوبی دیگه Brook این بود که در واقع همون زبان برنامه‌نویسی C رو برداشته بودن کمی تغییر داده بودن که باعث می‌شد یادگیریش راحت باشه چون اکثر افراد قبلا C رو یاد گرفته بودن.

تقریبا طرفای سال ۲۰۰۲-۲۰۰۳ بود که انویدیا متوجه این موج مهم شد. اما برای اینکه این موج تبدیل به یک بازار قابل اعتنا بشه، نیازمند چند اتفاق مهم و سرمایه‌گذاری زیاد بود.

کارت گرافیکی Riva TNT با پردازش موازی کاری کرد که بازی Quake با تمام پیچیدگی‌هاش به قدری سریع و روون اجرا بشه که جان کارمک شخصا حامیش شد و ازش به عنوان «کارت بی‌نقص» یاد کرد. کارت گرافیکی که در یک نوبت، دو لایه پردازش رو به صورت موازی انجام می‌داد و اسمش هم گویای همین نکته بود: TNT توی اسم این محصول مخفف Twin Texel بود.

هرچند در اون زمان هدف انویدیا راضی کردن هرچه بیشتر مخاطب بازی‌های مطرح و سازنده‌هاش بود، اما این موضوع کم کم فرصت‌های خیلی مهمی رو برای انویدیا ایجاد کرد که تمام اون‌ها به صورت ارگانیک و از دل جامعه کاربرها بیرون اومد.

دلیل اصلی ترسناک بودن پردازش موازی این بود که اون زمان انبوه شرکت‌هایی وجود داشتن که همه‌شون می‌خواستن رو پردازش موازی کار کنن اما همه شکست خورده بودن. شرکت‌هایی مثل nCube، MasPar و کلی اسم دیگه از نظر فنی افراد کارکشته‌ای پشتشون بودن اما هیچ‌کدوم نتونسته بودن کسب و کار پایداری ایجاد کنن.

اگر براتون سواله که چرا نتونستن کاری از پیش ببرن شاید بشه دلایل خیلی زیادی آورد اما من دلیل اصلی و ریشه‌ای این شکست‌ها رو در سرمایه‌گذاری روی بازار اشتباه خلاصه می‌کنم. یا به طور دقیق‌تر:

دلیل شکستشون این بود که بازار هدفشون هر کسی به جز گیمرها بودن!

حالا چرا این گیمرها مهم بودن؟

برای گیمرها اجرای سریع و بدون وقفه بازی‌ها مهم بود و CPUها هم تا یک جایی جواب می‌دادن. در واقع صنعت گیمینگ یکی از اولین جاهایی بود که به سقف محدودیت CPUها رسید و به خاطر همین نیاز به راهکارهای جایگزین هم در اون خیلی پررنگ شد. و این می‌تونست برگ برنده انویدیا باشه.

برگ برنده‌ای که در قالب یک محصول جدید تو سال ۱۹۹۸ عرضه شد: Riva TNT