Amazon-க்கு நல்ல செய்திகள்: Snowflake, AWS-உடன் AI CPU சிப்களுக்கு $6 பில்லியன் ஒப்பந்தம் கையெழுத்திட்டது

Snowflake ஐந்து ஆண்டுகளில் Amazon Web Services-க்கு AI CPU சிப்களுக்கு $6 பில்லியன் செலவிட உறுதிபூண்டுள்ளது — இது 2012 முதல் AWS-ல் கிளவுட் டேட்டா நிறுவனம் செலவிட்ட மொத்த தொகைக்கு ஏறக்குறைய சமம். இந்த அறிவிப்பு நிறுவனங்கள் AI உள்கட்டமைப்பைப் பற்றி சிந்திக்கும் விதத்தில் ஒரு பெரிய மாற்றத்தைக் குறிக்கிறது, மேலும் இது ஆசியா முழுவதும் உள்ள டெவலப்பர்கள் புரிந்துகொள்ள வேண்டிய ஒன்று. AI வளர்ச்சி கருவிகள் ஆசியா பற்றிய உரையாடல் பெரும்பாலும் GPU-கள் மற்றும் பயிற்சி மாதிரிகளில் கவனம் செலுத்தினாலும், இந்த ஒப்பந்தம் அடுத்ததில் என்ன நடக்கிறது என்பதை எடுத்துக்காட்டுகிறது: AI ஏஜென்ட்கள் மற்றும் உৎপादன பணிச்சுமைகளை அளவில் இயக்குவதற்கான CPU-தீவிர வேலை.

AI-நேட்டிவ் வளர்ச்சி தளங்களில் கட்டமைக்கும் டெவலப்பர்களுக்கு, Snowflake-AWS பங்கு தொழிலம் எங்கு செல்கிறது என்பதை வெளிப்படுத்துகிறது. AI சோதனামূலக நோட்புக்குகளிலிருந்து ஒவ்வொரு நாளும் மில்லியன் கணக்கான கோரிக்கைகளை கையாளும் உৎபादன அமைப்புகளுக்கு நகரும்போது, உள்கட்டமைப்பு தேவைகள் வியத்தகு முறையில் மாறுகின்றன. இது பெரிய மாதிரிகளை பயிற்சி செய்வது பற்றி மட்டுமல்ல — அவற்றை நிஜ-உலக பயன்பாடுகளில் திறமையாக இயக்குவது பற்றி.

Snowflake-AWS ஒப்பந்தம் AI உள்கட்டமைப்புக்கு என்ன அர்த்தம்

$6 பில்லியன் ஒப்பந்தம் Amazon இன் Graviton சிப்களில் கவனம் செலுத்துகிறது — கிளவுட் பணிச்சுமைகளுக்கு குறிப்பாக வடிவமைக்கப்பட்ட ARM-அடிப்படையிலான CPU-கள். நிறுவனங்களின் அறிவிப்பு படி, Snowflake இன் AWS செலவு 2025 இல் $2 பில்லியனாக இரட்டிப்பாக்கப்பட்டது, இது அதன் Cortex AI தளத்தின் மூலம் AI பணிச்சுமைகளால் ஏறக்குறைய முழுவதுமாக இயக்கப்பட்டது.

தொழில்நுட்ப காரணம் முக்கியமானது: GPU-கள் மாதிரி பயிற்சி மற்றும் அனுமানத்திற்கான இணையான செயலாக்கத்தில் சிறந்து விளங்கினாலும், CPU-கள் ஒருங்கிணைப்பு அடுக்கைக் கையாளுகின்றன. AI ஏஜென்ட் ஒரு தரவுத்தளத்தை வினவும்போது, முடிவுகளைச் செயல்படுத்தும்போது, முடிவுகளை எடுக்கும்போது, மற்றும் பணிப்பாய்வுகளைத் தூண்டும்போது, அந்த செயல்பாடுகள் CPU-களில் இயங்குகின்றன. நிறுவனங்கள் மேலும் AI ஏஜென்ட்களை பயன்படுத்தும்போது — தூண்டல்களுக்கு பதிலளிப்பதற்கு பதிலாக தன்னாட்சியாக செயல்படும் அமைப்புகள் — CPU தேவை வெடிக்கிறது.

Amazon CEO Andy Jassy கடந்த மாதம் AWS இன் சொந்த சிப்கள் Nvidia இன் சிப்களை விட "சிறந்த விலை-செயல்திறன்" வழங்குகின்றன என்று கூறினார். அது சந்தைப்படுத்தல் அல்லது யதார்த்தம் என்பது பொருட்படாமல், কৌশலগত செய்தி தெளிவாக உள்ளது: கிளவுட் வழங்குநர்கள் ஒற்றை-சிப் சார்புகளிலிருந்து விலகிச் செல்கிறார்கள். தென்கிழக்கு ஆசியாவில் உள்ள டெவலப்பர்களுக்கு, கிளவுட் செலவுகள் ஒரு ஸ்டার্টআப்பின் அலகு பொருளாதாரத்தை உடைக்கலாம் அல்லது உருவாக்கலாம், இந்த போட்டி விலைகளை குறைக்கிறது மற்றும் விருப்பங்களை அதிகரிக்கிறது.

Snowflake இன் Graviton-ல் பந்தயம் நிறுவன AI பணிச்சுமைகளுக்கு ARM கட்டமைப்பை செல்லுபடி செய்கிறது. வரலாற்று ரீதியாக, Intel மற்றும் AMD இலிருந்து x86 சிப்கள் தரவு மையங்களில் আধிபத்யம் செலுத்தினாலும், ARM இன் சக்தி திறன் மற்றும் செலவு நன்மைகள் அந்த நிலப்பரப்பை மறுவடிவமைக்கிறது. AI பயன்பாடுகளை கட்டமைக்கும் டெவலப்பர்கள் அவற்றின் கருவிச்சங்கிலியில் ARM সামঞ்சस்யத்தை கருத்தில் கொள்ள வேண்டும் — செயல்திறன் பண்புகள் அளவில் பொருட்டாக இருக்க போதுமான அளவு வேறுபடுகின்றன.

ஆசிய டெவலப்பர்கள் AI வளர்ச்சி கருவிகளைப் பற்றி எப்படி சிந்திக்க வேண்டும்

Snowflake ஒப்பந்தம் ஒரு பரந்த உண்மையை வலியுறுத்துகிறது: 2026 இல் AI வளர்ச்சி கருவிகளுக்கு இடையில் தேர்வு செய்வது பற்றி அல்ல, இது உள்கட்டமைப்பு உத்திகளுக்கு இடையில் தேர்வு செய்வது பற்றி. ஆசிய டெவலப்பர்கள் தனித்துவமான கட்டுப்பாடுகளை எதிர்கொள்கிறார்கள் — US-அடிப்படையிலான கிளவுட் பிராந்தியங்களுக்கான தாமதம், இந்தோனேசியா மற்றும் வியட்நாம் போன்ற சந்தைகளில் தரவு இறையாண்மை தேவைகள், மற்றும் கணக்கீட்டின் ஒவ்வொரு டாலரைக் கணக்கிடும் பட்ஜெட் வரம்புகள்.

இந்த சூழலுக்கான சிறந்த AI வளர்ச்சி கருவிகள் மூன்று பண்புகளைப் பகிர்ந்து கொள்கின்றன. முதலாவதாக, அவை உள்கட்டமைப்பு சிக்கலை முற்றிலுமாக மறைக்காமல் சுருக்குகின்றன. குறிப்பாக உৎপादன சிக்கல்களை சரிசெய்யும்போது அல்லது செலவுகளை உகப்பாக்கும்போது, எது எங்கு இயங்குகிறது என்பதற்கு நீங்கள் দৃশ்যমানத்தை தேவை. இரண்டாவதாக, அவை பல-கிளவுட் பயன்பாட்டு வடிவங்களை ஆதரிக்கின்றன. ஒரு ஒற்றை வழங்குநரின் ইকোசிஸ்டেமில் பூட்டுவது வரம்பற்ற மூலதனம் கொண்ட Silicon Valley ইউனிকর்னுக்கு வேலை செய்யலாம், ஆனால் ஆசிய ஸ்டார்টআப்கள் நমনீয়தை தேவை. மூன்றாவதாக, அவை உள்ளமைவு விருப்பங்களுக்கு மேல் டெவலப்பர் வேகத்தை முன்னுரிமை கொடுக்கின்றன — வேகமாக கப்பல் செய்வது ஒவ்வொரு அளவுருவையும் சரிசெய்வதை விட அதிக முக்கியத்துவம் வாய்ந்தது.

இது AI-நேட்டிவ் வளர்ச்சிக்கு கட்டமைக்கப்பட்ட தளங்கள் பாரம்பரிய வளர்ச்சி கருவிகளிலிருந்து வேறுபடும் இடம். AI தன்னியக்க பூட்டப்பட்ட ஒரு வழக்கமான IDE உள்கட்டமைப்பு சிக்கலை தீர்க்காது. நீங்கள் இன்னும் தரவுத்தளங்கள், API-கள், அங்கீகாரம், மற்றும் பயன்பாட்டு பைப்லைன்களை கைமுறையாக வயரிங் செய்ய வேண்டும். AI பணிப்பாய்வுகளுக்கு தரையிலிருந்து வடிவமைக்கப்பட்ட தளங்கள் இந்த ஒருங்கிணைப்புகளை பூர்வ-நிர্ধারிত முறையில் கையாளுகின்றன, டெவலப்பர்களை உள்கட்டமைப்பு আঠா குறியீட்டை விட ব்যবসায়িক தர্க்கத்தில் கவனம் செலுத்த அனுமதிக்கிறது.

சில மக்கள் வைப் குறியீடு என்று அழைக்கும் எழுச்சி — டெவலப்பர்கள் இயற்கை ভাষায় அவர்கள் விரும்பும் விஷயத்தை விவரிக்கிறார்கள் மற்றும் தளம் வேலை செய்யும் குறியீட்டை உৎপন்ன செய்கிறது — இந்த மாற்றத்தை பிரதிநிதித்வம் செய்கிறது. இது டெவலப்பர்களை மாற்றுவது பற்றி அல்ல; இது ஒவ்வொரு திட்டத்திற்கும் சுவாரசியமான 20% கட்டமைக்க முன்பு தேவைப்படும் கடினமான 80% வேலையை நீக்குவது பற்றி.

CPU-முதல் AI: உৎபादன பணிச்சுமைகளுக்கு இது என்ன அর்த்தம்

Snowflake இன் Cortex AI தளம் CPU திறன் பெரும்பாலான டெவலப்பர்கள் உணர்ந்ததை விட அதிக முக்கியத்துவம் வாய்ந்தது என்பதை விளக்குகிறது. ஒரு ব்যবহারকாரி தங்கள் தரவு பற்றி ஒரு இயற்கை ভাষা கேள்வி கேட்கும்போது, கணினி பல செயல்பாடுகளை செய்கிறது: வினவலை பாகுபடுத்துதல், அதை SQL-க்கு மொழிபெயர்ப்பு, தரவுத்தளம் அழைப்பை செயல்படுத்துதல், முடிவுகளை செயல்படுத்துதல், ஒரு சுருக்கத்தை உৎপন்ன செய்தல், மற்றும் பதிலை வடிவமைத்தல். சுருக்க உৎপাদন படி மட்டுமே பொதுவாக GPU-ல் இயங்குகிறது — மற்ற எல்லாமே CPU-பிணைக்கப்பட்டுள்ளன.

ஆயிரக்கணக்கான ஒரே நேரத்தில் ব்যবহারকாரிகளால் அதை பெருக்கவும், மற்றும் நீங்கள் Snowflake $6 பில்லியன் மதிப்பு CPU திறன் தேவை ஏன் புரிந்துகொள்கிறீர்கள். அதே வடிவம் எந்த உৎபादன AI அமைப்புக்கும் பொருந்தும்: சேட்பாட்கள், பரிந்துரை இயந்திரங்கள், ஆவணம் செயலாக்க பைப்லைன்கள், அல்லது தன்னியக்க பணிப்பாய்வுகள். GPU "புத்திமான்" பகுதியை கையாளுகிறது, ஆனால் CPU-கள் அதன் சுற்றி எல்லாமே கையாளுகிறது.

আধুनिक தளங்களில் கட்டமைக்கும் டெவலப்பர்களுக்கு, இந்த கட்டமைப்பு பெரும்பாலும் கண்ணுக்கு தெரியாதது. தளம் வளம்할ுவாரணை கையாளுகிறது, பணிச்சுமை வடிவங்களின் அடிப்படையில் CPU மற்றும் GPU திறனை தன்னியக்கமாக அளவிடுகிறது. ஆனால் அடிப்படை பொருளாதாரத்தை புரிந்துகொள்வது உங்களை சிறந்த வடிவமைப்பு முடிவுகளை செய்ய உதவுகிறது. உங்கள் பயன்பாடு ஒரு ব்যবহারகாரி அமர்வுக்கு ஒரு AI அழைப்பு செய்கிறது என்றால், GPU செலவுகள் ஆধிபத்யம் செய்கிறது. இது ஒரு AI அழைப்பைச் சுற்றி ஒரு டஜன் API அழைப்புகள், தரவுத்தளம் வினவல்கள், மற்றும் தரவு மாற்றங்களை செய்கிறது என்றால், CPU செலவுகள் ஆধிபத்யம் செய்கிறது.

ஆசிய டெவலப்பர்கள் பிராந்திய கிடைக்கும் தன்மையையும் கருத்தில் கொள்ள வேண்டும். AWS Graviton நிகழ்வுகள் அனைத்து பிராந்தியங்களிலும் சீரான முறையில் கிடைக்கவில்லை, மற்றும் அருகிலுள்ள GPU கிளஸ்டருக்கான தாமதம் கணிசமாக வேறுபடுகிறது. சிங்கப்பூர் சிறந்த இணைப்பை வழங்குகிறது, ஆனால் ஜகார்த்தா, மানிலா, அல்லது பैங்காக்கில் உள்ள டெவலப்பர்கள் 50-100ms கூடுதல் தாமதத்தைக் காணலாம். ইন்টারঅ্যাক্টிவ பயன்பாடுகளுக்கு, அந்த தாமதம் ஒவ்வொரு சுற்று பயணத்துடனும் கூட்டுகிறது.

ஆசிய சந்தைகளுக்கு AI வளர்ச்சி கருவிகளைத் தேர்ந்தெடுப்பது

ஆசியாவில் ஒரு பிரிக்கப்பட்ட கிளவுட் நிலப்பரப்பு US-ல் உள்ள டெவலப்பர்கள் பயன்படுத்தக்கூடிய வேறுபட்ட கருவி உத்திகளை கோருகிறது. இந்தோனேசியாவில் தரவு வசிப்பிடம் சட்டங்கள் குறிப்பிட்ட தரவு நாட்டில் தங்கியிருக்க வேண்டும் என்பதை கோருகிறது. சீனாவின் ஒழுங்குமுறை சூழல் தனித்துவமான கட்டுப்பாடுகளை உருவாக்குகிறது. இந்தியாவின் விலை உணர்திறன் கணக்கீட்டின் ஒவ்வொரு ரூபாயும் முக்கியமாக இருக்கிறது என்பதை அর்த்தம்.

உங்கள் உள்கட்டமைப்பு தேவைகளை ஆய்வு செய்வதன் மூலம் தொடங்கவும். பயிற்சிக்கு GPU அணுக்கம் தேவையா, அல்லது அனுமানத்திற்கு மட்டுமா? நீங்கள் பல ব்যবহারகாரிகளுக்கு GPU செலவுகளை கூட்டுவதற்கு அனுமান கோரிக்கைகளை தொகுக்க முடியுமா? CPU-களில் இயங்கும் அளவிலான மாதிரிகள் ஒரு பகுதியின் செலவில் உங்கள் செயல்திறன் தேவைகளை பூரணம் செய்ய முடியுமா? இந்த கேள்விகள் பண்ணி சரிபார்ப்பு பட்டியலை விட உங்கள் கருவி தேவைகளை அதிக அளவில் தீர்மானிக்கிறது.

அடுத்து, ஒருங்கிணைப்பு வடிவங்களை மதிப்பீடு செய்யவும். சிறந்த தளங்கள் பொதுவான சேவைகளுக்கு முன்-கட்டமைக்கப்பட்ட இணைப்புகளை வழங்குகின்றன — தரவுத்தளங்கள், அங்கீகாரம் வழங்குநர்கள், பணி வாயிலுகள், செய்தி அமைப்புகள். இந்த ஒருங்கிணைப்புகளை பூஜ்ய முதல் கட்டமைப்பது வளர்ச்சி நேரத்தின் வாரங்களை நுகரும் மற்றும் பராமரிப்பு சுமையை அறிமுகம் செய்கிறது. பூர்வ-நிர্ধারிত முறையில் இந்த இணைப்பை கையாளும் தளங்கள் வேகமாக கப்பல் செய்ய மற்றும் மேலும் நம்பிக்கையுடன் மீண்டும் செய்ய அனுமதிக்கிறது.

இறுதியாக, பயன்பாட்டு மாதிரியை கருத்தில் கொள்ளவும். சில கருவிகள் நீங்கள் Kubernetes கிளஸ்டர்கள், கொள்கலன் பதிவேடுகள், மற்றும் CI/CD பைப்லைன்களை நிர்வகிக்க வேண்டும். மற்றவர்கள் அனைத்தை சுருக்குகிறார்கள், ஒரு ஒற்றை கட்டளையுடன் பயன்பாட்டை பயன்படுத்த அனுமதிக்கிறার்கள். இரண்டு அணுகுமுறையும் உலகளாவிய ভাবে சிறந்தது அல்ல — இது உங்கள் குழுவின் திறமை மற்றும் உங்கள் பயன்பாட்டின் தேவைகளை சார்ந்துள்ளது. ஆனால் AI பயன்பாடுகளை கட்டமைக்கும் சிறிய குழுக்களுக்கு, நிர்வகிக்கப்பட்ட தளங்கள் பொதுவாக சுய-ஹோஸ்ট் செய்யப்பட்ட தீர்வுகளை விட சிறந்த வேகத்தை வழங்குகிறது.

கிளவுட் போட்டிக்கான பரந்த தாக்கங்கள்

Snowflake-AWS ஒப்பந்தம்