อุตสาหกรรมเซมิคอนดักเตอร์กำลังเผชิญกับการเปลี่ยนแปลงครั้งสำคัญ ขณะที่บริษัทต่างๆ หันเปลี่ยนจากการฝึกฝน AI ไปสู่การปรับปรุงประสิทธิภาพการอนุมาน การเคลื่อนไหวเชิงกลยุทธ์ล่าสุดของ AMD เป็นตัวอย่างของแนวโน้มนี้ผ่านการซื้อกิจการที่แปลกใหม่ซึ่งให้ความสำคัญกับบุคลากรมากกว่าสินทรัพย์ ส่งสัญญาณถึงการผลักดันอย่างแข็งขันของบริษัทเข้าสู่ตลาด AI inference เฉพาะทาง
การซื้อกิจการทีมงานเชิงกลยุทธ์แทนการซื้อกิจการแบบดั้งเดิม
AMD ได้ทำการซื้อกิจการ Untether AI ที่ตั้งอยู่ใน Toronto เสร็จสิ้นแล้ว แต่ไม่ใช่ในความหมายแบบดั้งเดิม แทนที่จะซื้อบริษัททั้งหมด AMD เลือกที่จะจ้างทีมวิศวกรทั้งหมดของ Untether AI โดยเฉพาะ ขณะที่ทิ้งสินทรัพย์และผลิตภัณฑ์ทั้งหมดของบริษัทไว้ วิธีการที่เลือกสรรนี้ส่งผลให้มีการยุติโปรเซสเซอร์ speedAI inference และ imAIgine SDK ของ Untether AI ทันที ทำให้ลูกค้าที่มีอยู่ไม่มีการสนับสนุนอย่างต่อเนื่องหรือความพร้อมใช้งานของผลิตภัณฑ์
การซื้อกิจการนี้นำทีมวิศวกรฮาร์ดแวร์และซอฟต์แวร์ AI ที่เชี่ยวชาญมาสู่ AMD โดยมีความเชี่ยวชาญเฉพาะด้านในการพัฒนา AI compiler การปรับปรุงประสิทธิภาพ kernel และการออกแบบ system-on-chip AMD เน้นย้ำว่าการได้มาซึ่งบุคลากรนี้จะเสริมสร้างความสามารถในการออกแบบดิจิทัล กระบวนการตรวจสอบการออกแบบ และความสามารถในการรวมผลิตภัณฑ์ทั่วทั้งพอร์ตโฟลิโอ AI ของพวกเขา
ผลิตภัณฑ์ที่ถูกยกเลิกของ Untether AI :
- ตัวประมวลผล AI inference speedAI
- ชุดเครื่องมือพัฒนาซอฟต์แวร์ imAIgine (SDK)
- สถาปัตยกรรมการประมวลผลใกล้หน่วยความจำที่ประหยัดพลังงาน
- การรองรับโมเดลโครงข่ายประสาทเทียมหลากหลายรูปแบบตั้งแต่ edge ถึง cloud
แนวทางเทคโนโลยีเฉพาะทางของ Untether AI
Untether AI ได้สร้างช่องทางเฉพาะในตลาด AI inference ด้วยการพัฒนาโปรเซสเซอร์ที่ปรับปรุงให้เหมาะสมสำหรับงาน inference โดยเฉพาะแทนที่จะเป็นการฝึกฝน โปรเซสเซอร์ speedAI ของพวกเขาใช้สถาปัตยกรรม near-memory computing โดยวางหน่วยประมวลผลไว้ติดกับส่วนประกอบหน่วยความจำโดยตรง ปรัชญาการออกแบบนี้ลดความล่าช้าและการใช้พลังงานอย่างมีนัยสำคัญเมื่อเปรียบเทียบกับโซลูชันที่ใช้ GPU แบบดั้งเดิม ทำให้เหมาะสมอย่างยิ่งสำหรับแอปพลิเคชัน inference ที่ประสิทธิภาพการใช้พลังงานเป็นสิ่งสำคัญที่สุด
ในขณะที่ GPU ประสิทธิภาพสูงอย่าง Blackwell Ultra ของ NVIDIA หรือ Instinct MI350 ของ AMD เองมีความเป็นเลิศในการฝึกฝนโมเดล AI แต่พวกมันใช้พลังงานหลายร้อยวัตต์ แนวทางของ Untether AI แก้ไขความกังวลที่เพิ่มขึ้นเกี่ยวกับประสิทธิภาพการใช้พลังงานในการใช้งาน AI โดยเฉพาะอย่างยิ่งเมื่อแอปพลิเคชันย้ายจากสภาพแวดล้อมการฝึกฝนบนคลาวด์ไปสู่สถานการณ์ edge inference
การเปรียบเทียบการใช้พลังงาน:
- GPU AI แบบดั้งเดิม: หลายร้อยวัตต์ (ปรับให้เหมาะสำหรับการฝึกฝน)
- speedAI ของ Untether AI : การใช้พลังงานต่ำกว่าอย่างมีนัยสำคัญ (ปรับให้เหมาะสำหรับการอนุมาน)
- ข้อได้เปรียบด้านสถาปัตยกรรม: โปรเซสเซอร์ถูกวางไว้ติดกับหน่วยความจำเพื่อลดความล่าช้าและการใช้พลังงาน
การเปลี่ยนแปลงของอุตสาหกรรมสู่การปรับปรุงประสิทธิภาพ Inference
การซื้อกิจการนี้แสดงถึงกลยุทธ์ที่กว้างขึ้นของ AMD ในการท้าทายการครอบงำของ NVIDIA นอกเหนือจากพลังการคำนวณดิบ การเคลื่อนไหวนี้เกิดขึ้นเพียงหนึ่งวันหลังจากที่ AMD ประกาศการซื้อกิจการ Brium อีกหนึ่งสตาร์ทอัปที่มุ่งเน้นการปรับปรุงประสิทธิภาพ AI inference ซึ่งบ่งชี้ถึงความพยายามที่มีสมาธิในการสร้างความสามารถ inference ที่ครอบคลุม
นักวิเคราะห์อุตสาหกรรมแนะนำว่าแบบแผนนี้สะท้อนถึงการเปลี่ยนแปลงพื้นฐานในลำดับความสำคัญของการพัฒนา AI Justin Kinsey ประธานของบริษัทสรรหาบุคลากรเซมิคอนดักเตอร์ SBT Industries อธิบายการซื้อกิจการของ AMD ว่าเป็นหลักฐานที่ว่าผู้ขาย GPU ตระหนักถึงการเติบโตที่สมบูรณ์แล้วของการฝึกฝนโมเดลและคาดการณ์รายได้ GPU ที่ลดลงในตลาดการฝึกฝนแบบดั้งเดิม การทำนายนี้แม้จะกล้าหาญ แต่สอดคล้องกับแบบแผนอุตสาหกรรมที่เกิดขึ้นใหม่ที่สังเกตได้ในช่วงหกเดือนที่ผ่านมา
การซื้อกิจการที่เน้น AI ล่าสุดของ AMD:
- 5 มิถุนายน 2025: การซื้อกิจการทีมวิศวกรรม Untether AI
- 4 มิถุนายน 2025: การซื้อกิจการ Brium (การปรับปรุงประสิทธิภาพ AI inference)
- การซื้อกิจการก่อนหน้านี้: Silo AI, Nod.ai และ Mipsology
ผลกระทบต่อลูกค้าและความหมายต่อตลาด
โครงสร้างของการซื้อกิจการได้สร้างความไม่แน่นอนสำหรับฐานลูกค้าที่มีอยู่ของ Untether AI เนื่องจาก AMD ไม่ได้ซื้อสินทรัพย์หรือทรัพย์สินทางปัญญาของบริษัท ลูกค้าที่ลงทุนในโปรเซสเซอร์ speedAI และเครื่องมือพัฒนาต่างๆ เผชิญกับความท้าทายที่อาจเกิดขึ้นเกี่ยวกับการสนับสนุนอย่างต่อเนื่องและการพัฒนาผลิตภัณฑ์ในอนาคต ขอบเขตของฐานลูกค้าของ Untether AI และผลกระทบเฉพาะต่อความสัมพันธ์เหล่านี้ยังคงไม่ชัดเจน
การพัฒนานี้เน้นย้ำถึงความสำคัญที่เพิ่มขึ้นของการปรับปรุงประสิทธิภาพ AI inference ขณะที่อุตสาหกรรมเติบโตขึ้น เมื่อแอปพลิเคชัน AI แพร่หลายมากขึ้นและต้นทุนพลังงานยังคงเพิ่มขึ้น บริษัทต่างๆ กำลังมองหาทางเลือกอื่นแทน GPU ที่กินพลังงานมากสำหรับการฝึกฝนเพื่อใช้กับงาน inference การมุ่งเน้นเชิงกลยุทธ์ของ AMD ในการสร้างความสามารถ inference เฉพาะทางทำให้บริษัทอยู่ในตำแหน่งที่อาจจับส่วนแบ่งตลาดในส่วนที่กำลังพัฒนานี้ได้ โดยเฉพาะอย่างยิ่งเมื่อธุรกิจต่างๆ ให้ความสำคัญกับประสิทธิภาพการดำเนินงานมากกว่าพลังการคำนวณดิบ