آمازون وب سرویس و انویدیا از یکی از بزرگ‌ترین برنامه‌های توسعه زیرساخت هوش مصنوعی در جهان پرده برداشتند. براساس این همکاری، AWS قصد دارد طی سال‌های ۲۰۲۷ و ۲۰۲۸ دو میلیون پردازنده گرافیکی جدید NVIDIA را در دیتاسنترهای خود مستقر کند.

این دو میلیون GPU علاوه بر برنامه قبلی آمازون برای اضافه‌کردن بیش از یک میلیون شتاب‌دهنده انویدیا به زیرساخت ابری AWS است. آمازون می‌گوید تقاضای مشتریان از پیش‌بینی‌های قبلی فراتر رفته و به همین دلیل، ظرفیت برنامه‌ریزی‌شده باید به‌شکل چشمگیری افزایش یابد.

اما قرارداد جدید فقط به خرید تعداد زیادی GPU محدود نمی‌شود. AWS و انویدیا می‌خواهند در زمینه پردازنده‌های سروری، شبکه‌های فوق‌سریع، حافظه‌های اختصاصی، مدل‌های هوش مصنوعی، رباتیک و ساخت «کارخانه‌های هوش مصنوعی» نیز همکاری خود را گسترش دهند.

دو میلیون GPU جدید برای دیتاسنترهای AWS

براساس اطلاعیه رسمی، AWS در سال‌های ۲۰۲۷ و ۲۰۲۸ دو میلیون GPU جدید از نسل‌های مختلف انویدیا را در زیرساخت جهانی خود مستقر خواهد کرد.

خانواده‌های اعلام‌شده شامل موارد زیر هستند:

• NVIDIA Blackwell Ultra
• NVIDIA Rubin
• NVIDIA Rubin Ultra
• مدل‌های سروری RTX PRO Blackwell
• زیرساخت‌های ترکیبی مبتنی بر پردازنده NVIDIA Vera

این شتاب‌دهنده‌ها در مناطق مختلف AWS و مجموعه‌هایی که آمازون و انویدیا آن‌ها را «AI Factory» یا کارخانه هوش مصنوعی می‌نامند، به کار گرفته خواهند شد.

هدف اصلی، افزایش ظرفیت لازم برای آموزش و اجرای مدل‌های هوش مصنوعی، عامل‌های هوشمند، تحقیقات علمی، پردازش داده، اتوماسیون سازمانی و رباتیک است.

برنامه اولیه یک میلیون GPU دیگر کافی نبود

آمازون پیش‌تر در رویداد GTC 2026 اعلام کرده بود که از سال ۲۰۲۶ بیش از یک میلیون GPU انویدیا به زیرساخت AWS اضافه خواهد کرد.

اکنون این شرکت می‌گوید تقاضا از انتظارات قبلی فراتر رفته است. به همین دلیل، دو میلیون پردازنده گرافیکی دیگر نیز به برنامه توسعه اضافه می‌شوند.

در صورت اجرای کامل برنامه‌های اعلام‌شده، ظرفیت جدید آمازون به بیش از سه میلیون شتاب‌دهنده انویدیا می‌رسد؛ هرچند استقرار آن‌ها در چند مرحله و طی سال‌های مختلف انجام خواهد شد.

این اعداد نشان می‌دهند رقابت شرکت‌های ابری دیگر فقط بر سر ارائه فضای ذخیره‌سازی و سرور مجازی نیست. اکنون تعداد GPUهای آماده، ظرفیت شبکه و دسترسی سریع به مدل‌های هوش مصنوعی به معیارهای مهم بازار خدمات ابری تبدیل شده‌اند.

این GPUها قرار است چه کاری انجام دهند؟

پردازنده‌های مورد استفاده در این پروژه با کارت‌های گرافیک گیمینگ GeForce تفاوت دارند. این محصولات برای نصب در سرورها، خوشه‌های محاسباتی و رک‌های دیتاسنتری طراحی شده‌اند.

کاربردهای اصلی آن‌ها عبارت‌اند از:

آموزش مدل‌های بزرگ هوش مصنوعی

آموزش مدل‌های زبانی، تولید تصویر، ویدئو، صدا و مدل‌های چندرسانه‌ای به تعداد زیادی شتاب‌دهنده متصل به یکدیگر نیاز دارد.

هرچه مدل بزرگ‌تر شود، سرعت انتقال داده میان GPUها و ظرفیت حافظه اهمیت بیشتری پیدا می‌کند. به همین دلیل، قرارداد AWS فقط شامل GPU نیست و شبکه، حافظه و نرم‌افزار را نیز پوشش می‌دهد.

اجرای مدل‌ها و پاسخ‌گویی به کاربران

پس از آموزش، مدل باید درخواست‌های کاربران را پردازش کند. این مرحله که Inference نام دارد، با گسترش عامل‌های هوش مصنوعی می‌تواند حتی بیشتر از آموزش مدل‌ها به ظرفیت پردازشی نیاز داشته باشد.

هوش مصنوعی عامل‌محور

عامل‌های هوش مصنوعی فقط به یک سؤال پاسخ نمی‌دهند؛ آن‌ها می‌توانند از ابزارها استفاده کنند، کد اجرا کنند، داده‌ها را تحلیل کنند و چند مرحله از یک فرایند را به‌صورت خودکار پیش ببرند.

اجرای هم‌زمان میلیون‌ها عامل هوشمند به ترکیبی از CPU، GPU، حافظه و ارتباط شبکه سریع نیاز دارد.

تحقیقات علمی

AWS می‌خواهد این زیرساخت را برای شبیه‌سازی‌های علمی، کشف دارو، تحلیل ژنتیکی، تحقیقات اقلیمی و پردازش داده‌های بزرگ نیز ارائه کند.

رباتیک و Physical AI

بخش دیگری از همکاری به Physical AI مربوط می‌شود؛ مدل‌هایی که محیط فیزیکی را درک می‌کنند و برای کنترل ربات‌ها، ماشین‌آلات و تجهیزات خودکار به کار می‌روند.

Amazon Robotics نیز قرار است از پلتفرم هوش مصنوعی فیزیکی انویدیا برای توسعه نسل بعدی ربات‌های انبار استفاده کند.

ورود پردازنده NVIDIA Vera به AWS

یکی از مهم‌ترین بخش‌های همکاری جدید، اضافه‌شدن زیرساخت‌های مبتنی بر پردازنده NVIDIA Vera به AWS است.

Vera یک پردازنده سروری محسوب می‌شود که برای اجرای بارهای کاری مرتبط با هوش مصنوعی طراحی شده است. برخلاف GPU که در پردازش موازی مدل‌ها قدرت زیادی دارد، CPU باید بخش‌های دیگری از چرخه را مدیریت کند:

• اجرای کد توسط عامل‌های هوش مصنوعی
• استفاده از ابزارها و APIها
• مدیریت محیط‌های Sandbox
• پردازش و آماده‌سازی داده
• هماهنگ‌کردن چند مدل و سرویس
• تحلیل‌های سازمانی
• مدیریت جریان‌های کاری
• پردازش‌های تقویتی و Reinforcement Learning

انویدیا با عرضه Vera تلاش می‌کند علاوه بر بازار شتاب‌دهنده‌های هوش مصنوعی، سهم بیشتری از بازار پردازنده‌های سروری را نیز به دست آورد.

برای AWS، ورود Vera یک انتخاب جدید در کنار پردازنده‌های Intel Xeon، AMD EPYC، AWS Graviton و شتاب‌دهنده‌های اختصاصی آمازون ایجاد خواهد کرد.

NVLink Fusion و NVHBM چه نقشی دارند؟

داشتن دو میلیون GPU تنها زمانی مفید است که بتوان هزاران پردازنده را با سرعت بالا به یکدیگر متصل کرد.

مدل‌های بزرگ هوش مصنوعی معمولاً روی یک GPU جای نمی‌گیرند. پارامترها، داده‌ها و عملیات محاسباتی باید میان تعداد زیادی شتاب‌دهنده تقسیم شوند. اگر ارتباط میان پردازنده‌ها کند باشد، بخشی از توان آن‌ها هنگام انتظار برای انتقال داده هدر می‌رود.

AWS و انویدیا قصد دارند همکاری خود را در این زمینه گسترش دهند:

NVIDIA NVLink Fusion

NVLink Fusion امکان اتصال شتاب‌دهنده‌ها، پردازنده‌ها و تراشه‌های سفارشی را در زیرساخت‌های بزرگ فراهم می‌کند.

این فناوری می‌تواند به AWS اجازه دهد بعضی سخت‌افزارهای اختصاصی خود را در کنار پردازنده‌ها و شبکه انویدیا قرار دهد.

حافظه NVHBM

انویدیا در حال توسعه راهکار اختصاصی حافظه پهن‌باند با نام NVHBM است. این فناوری برای سیستم‌هایی طراحی شده که باید حجم زیادی از داده را با سرعت بالا میان حافظه و پردازنده منتقل کنند.

شبکه NVIDIA Spectrum

خوشه‌های هوش مصنوعی علاوه بر NVLink به شبکه‌های پرسرعت بین سرورها نیاز دارند. AWS و انویدیا روی استفاده از فناوری Spectrum برای بهینه‌سازی ارتباط میان خوشه‌های بزرگ GPU همکاری خواهند کرد.

AWS EFA و Nitro

پلتفرم انویدیا با Elastic Fabric Adapter و سیستم Nitro آمازون یکپارچه می‌شود. هدف این ترکیب، کاهش تأخیر، افزایش امنیت و بهبود پایداری بارهای کاری بزرگ است.

ساخت کارخانه هوش مصنوعی با ۱۰۰ هزار GPU برای دولت آمریکا

بخشی از همکاری AWS و انویدیا به ساخت کارخانه‌های هوش مصنوعی برای دولت ایالات متحده اختصاص دارد.

براساس اطلاعیه رسمی، یکی از این زیرساخت‌ها شامل ۱۰۰ هزار GPU خواهد بود و روی شبکه امن AWS فعالیت خواهد کرد. این مجموعه برای بارهای کاری دولتی، فدرال و امنیت ملی در نظر گرفته شده است.

جزئیات کامل پروژه منتشر نشده، اما چنین زیرساختی می‌تواند در حوزه‌های زیر استفاده شود:

• تحلیل داده‌های بسیار بزرگ
• تحقیقات علمی دولتی
• شبیه‌سازی‌های پیچیده
• امنیت سایبری
• پردازش اطلاعات مکانی و ماهواره‌ای
• مدل‌های هوش مصنوعی اختصاصی
• اتوماسیون عملیات سازمانی

ورود مستقیم دولت‌ها به رقابت ساخت زیرساخت هوش مصنوعی نشان می‌دهد این فناوری از یک ابزار تجاری به یک دارایی راهبردی تبدیل شده است.

مدل‌های Nemotron وارد AWS می‌شوند

همکاری جدید فقط درباره سخت‌افزار نیست. مدل‌های باز NVIDIA Nemotron نیز از طریق سرویس‌های Amazon Bedrock و Amazon SageMaker در دسترس مشتریان قرار می‌گیرند.

Amazon Bedrock به سازمان‌ها اجازه می‌دهد از مدل‌های مختلف هوش مصنوعی از طریق یک زیرساخت مدیریت‌شده استفاده کنند. SageMaker نیز برای ساخت، آموزش و استقرار مدل‌های یادگیری ماشین به کار می‌رود.

اضافه‌شدن Nemotron می‌تواند انتخاب بیشتری در اختیار شرکت‌هایی قرار دهد که نمی‌خواهند کاملاً به یک مدل بسته وابسته باشند.

سازمان‌ها قادر خواهند بود:

• مدل را برای داده‌های اختصاصی خود تنظیم کنند.
• عامل‌های هوش مصنوعی سازمانی بسازند.
• سطح دسترسی و امنیت را کنترل کنند.
• مدل را در زیرساخت AWS اجرا کنند.
• هزینه و عملکرد چند مدل را مقایسه کنند.

چرا آمازون با وجود تراشه‌های اختصاصی خود به انویدیا نیاز دارد؟

آمازون سال‌هاست پردازنده‌ها و شتاب‌دهنده‌های اختصاصی توسعه می‌دهد.

مهم‌ترین تراشه‌های هوش مصنوعی این شرکت عبارت‌اند از:

• AWS Trainium برای آموزش مدل‌ها
• AWS Inferentia برای اجرای مدل‌ها
• AWS Graviton برای پردازش‌های عمومی سرور

پس چرا AWS همچنان میلیون‌ها GPU انویدیا سفارش می‌دهد؟

تقاضای مشتریان

بخش بزرگی از ابزارها، کتابخانه‌ها و مدل‌های هوش مصنوعی برای اکوسیستم CUDA بهینه شده‌اند. بسیاری از مشتریان نیز ترجیح می‌دهند بدون بازنویسی نرم‌افزار خود به GPUهای انویدیا دسترسی داشته باشند.

اکوسیستم نرم‌افزاری CUDA

برتری انویدیا فقط به سخت‌افزار محدود نیست. CUDA، کتابخانه‌های تخصصی، ابزارهای مدیریت خوشه و نرم‌افزارهای آماده، مهاجرت به یک پلتفرم دیگر را دشوار می‌کنند.

تنوع انتخاب در AWS

استراتژی آمازون ارائه گزینه‌های مختلف است. مشتری می‌تواند براساس قیمت، عملکرد و سازگاری میان تراشه‌های اختصاصی AWS و محصولات انویدیا انتخاب کند.

نیاز به ظرفیت فوری

تقاضای جهانی برای پردازش هوش مصنوعی به‌قدری زیاد است که یک خانواده تراشه به‌تنهایی نمی‌تواند تمام بازار را پوشش دهد.

بنابراین همکاری با انویدیا لزوماً به معنی شکست Trainium نیست؛ بلکه نشان می‌دهد AWS می‌خواهد هم تراشه اختصاصی داشته باشد و هم بزرگ‌ترین مجموعه ممکن از سخت‌افزارهای انویدیا را ارائه کند.

مصرف برق دو میلیون GPU چقدر خواهد بود؟

AWS و انویدیا رقم رسمی مصرف انرژی این پروژه را اعلام نکرده‌اند. همچنین مشخص نیست چه تعداد از هر مدل GPU سفارش داده خواهد شد و تمام پردازنده‌ها در چه زمانی با حداکثر ظرفیت فعالیت خواهند کرد.

بااین‌حال، می‌توان ابعاد پروژه را با یک محاسبه فرضی درک کرد.

اگر متوسط مصرف هر شتاب‌دهنده هنگام بار پردازشی سنگین بین ۷۰۰ تا ۱۴۰۰ وات باشد، مصرف خود دو میلیون GPU می‌تواند تقریباً به محدوده زیر برسد:

این اعداد فقط یک برآورد محاسباتی هستند و مصرف واقعی پروژه محسوب نمی‌شوند.

دیتاسنتر علاوه بر پردازنده‌ها به تجهیزات دیگری نیز نیاز دارد:

• سیستم‌های خنک‌کننده
• شبکه و سوییچ‌های پرسرعت
• پردازنده‌های مرکزی
• حافظه و فضای ذخیره‌سازی
• تجهیزات تبدیل و توزیع برق
• منابع تغذیه اضطراری
• سیستم‌های امنیتی و مدیریتی

بنابراین مصرف کل یک زیرساخت با چنین مقیاسی می‌تواند از مصرف خود GPUها بیشتر باشد. نحوه توزیع جغرافیایی، نوع خنک‌کننده و میزان استفاده واقعی نیز تأثیر زیادی بر نتیجه خواهد داشت.

خنک‌کردن میلیون‌ها پردازنده یک چالش بزرگ است

پردازنده‌های دیتاسنتری جدید در رک‌های بسیار متراکم قرار می‌گیرند. سیستم‌های خنک‌کننده هوایی معمولی برای بعضی از این رک‌ها کافی نیستند و شرکت‌ها به سمت خنک‌سازی مایع حرکت کرده‌اند.

در چنین زیرساختی باید موارد زیر مدیریت شوند:

• انتقال مستقیم گرما از پردازنده
• گردش مایع خنک‌کننده
• استفاده مجدد یا دفع حرارت
• جلوگیری از نشت
• نگهداری تجهیزات
• مصرف آب
• پایداری در زمان خرابی
• توزیع برق در رک‌های پرتراکم

ساخت دو میلیون GPU به معنی قراردادن دو میلیون قطعه در یک ساختمان نیست. این ظرفیت میان تعداد زیادی دیتاسنتر توزیع می‌شود و برای هر منطقه باید شبکه برق، سیستم خنک‌کننده و ارتباطات مناسب توسعه پیدا کند.

تأثیر پروژه بر بازار حافظه و قطعات

توسعه گسترده زیرساخت هوش مصنوعی می‌تواند تقاضا برای حافظه‌های HBM، تجهیزات شبکه، حافظه DRAM، ذخیره‌سازهای سازمانی و تراشه‌های مختلف را افزایش دهد.

شتاب‌دهنده‌های هوش مصنوعی از حجم زیادی حافظه HBM استفاده می‌کنند. تولید HBM نیز به ظرفیت ویفر، بسته‌بندی پیشرفته و تجهیزات تخصصی نیاز دارد.

اگر بخش بیشتری از ظرفیت تولید به محصولات دیتاسنتری اختصاص پیدا کند، احتمال افزایش فشار روی زنجیره تأمین دیگر محصولات وجود دارد.

این وضعیت می‌تواند به‌صورت غیرمستقیم روی بازار مصرف‌کنندگان نیز اثر بگذارد:

• افزایش تقاضا برای حافظه‌های پیشرفته
• رقابت بر سر ظرفیت خطوط تولید
• افزایش هزینه بسته‌بندی تراشه‌ها
• محدودیت عرضه بعضی قطعات
• فشار بیشتر بر قیمت حافظه
• اولویت‌دادن شرکت‌ها به محصولات دیتاسنتری پرسودتر

البته نمی‌توان افزایش قیمت هر قطعه مصرفی را مستقیماً به این قرارداد نسبت داد؛ اما پروژه AWS بخشی از روند بزرگ‌تری است که منابع صنعت نیمه‌هادی را به سمت هوش مصنوعی سوق می‌دهد.

آیا این بزرگ‌ترین کارخانه هوش مصنوعی جهان خواهد بود؟

AWS و انویدیا این پروژه را مجموعه‌ای از زیرساخت‌ها و AI Factoryهای توزیع‌شده معرفی کرده‌اند. بنابراین نباید آن را یک دیتاسنتر واحد با دو میلیون GPU تصور کرد.

بااین‌حال، مجموع ظرفیت اعلام‌شده آن را به یکی از بزرگ‌ترین برنامه‌های توسعه هوش مصنوعی در جهان تبدیل می‌کند.

عبارت «بزرگ‌ترین کارخانه هوش مصنوعی جهان» فعلاً بیشتر یک پرسش تحلیلی است تا یک عنوان رسمی؛ زیرا برای مقایسه دقیق باید اطلاعات یکسانی درباره پروژه‌های مایکروسافت، گوگل، متا، اوراکل و دیگر شرکت‌ها در اختیار داشته باشیم.

آنچه قطعی است، مقیاس بی‌سابقه همکاری AWS و انویدیا و گسترش سریع تقاضا برای پردازش هوش مصنوعی است.

انویدیا چقدر از این قرارداد سود می‌برد؟

ارزش مالی دقیق قرارداد اعلام نشده است. از آنجا که ترکیب نهایی GPUها، سرورها، تجهیزات شبکه، پردازنده‌ها و خدمات نرم‌افزاری مشخص نیست، نمی‌توان هزینه خرید را فقط با ضرب‌کردن تعداد GPUها در یک قیمت عمومی محاسبه کرد.

این توافق برای انویدیا چند مزیت مهم دارد:

• فروش گسترده نسل‌های Blackwell و Rubin
• ورود پردازنده Vera به یکی از بزرگ‌ترین پلتفرم‌های ابری
• گسترش استفاده از NVLink و Spectrum
• افزایش حضور Nemotron در بازار سازمانی
• ورود عمیق‌تر به رباتیک آمازون
• حفظ وابستگی توسعه‌دهندگان به CUDA
• تثبیت جایگاه انویدیا در نسل بعدی دیتاسنترها

انویدیا در گزارش‌های اخیر خود نیز از ادامه رشد تقاضای هوش مصنوعی و محدودیت عرضه خبر داده است. این شرکت انتظار دارد رشد بازار در سال‌های آینده ادامه پیدا کند.

این پروژه چه معنایی برای آینده هوش مصنوعی دارد؟

سرمایه‌گذاری آمازون نشان می‌دهد صنعت در حال آماده‌شدن برای مرحله‌ای فراتر از چت‌بات‌های ساده است.

نسل بعدی زیرساخت‌ها برای این کاربردها ساخته می‌شود:

• میلیون‌ها عامل هوش مصنوعی هم‌زمان
• مدل‌های ویدئویی و چندرسانه‌ای سنگین
• اتوماسیون کامل فرایندهای سازمانی
• ربات‌های هوشمند در محیط واقعی
• شبیه‌سازی‌های علمی بزرگ
• مدل‌های اختصاصی دولت‌ها و شرکت‌ها
• دستیارهایی که کد اجرا می‌کنند و از ابزارها استفاده می‌کنند

در این مرحله، رقابت فقط بر سر هوشمندترین مدل نیست. شرکتی برنده خواهد بود که بتواند مدل‌ها را با سرعت، ظرفیت و هزینه مناسب در اختیار میلیاردها کاربر قرار دهد.

آمازون با سفارش دو میلیون GPU جدید تلاش می‌کند مطمئن شود AWS یکی از اصلی‌ترین میزبان‌های این موج خواهد بود.

جمع‌بندی

AWS و انویدیا قصد دارند در سال‌های ۲۰۲۷ و ۲۰۲۸ دو میلیون GPU جدید از خانواده‌های Blackwell Ultra، Rubin و Rubin Ultra را در زیرساخت جهانی آمازون مستقر کنند.

این برنامه علاوه بر طرح قبلی AWS برای اضافه‌کردن بیش از یک میلیون شتاب‌دهنده انویدیا است و نشان می‌دهد تقاضای پردازش هوش مصنوعی از پیش‌بینی‌های آمازون نیز فراتر رفته است.

همکاری جدید فقط به GPU محدود نمی‌شود و پردازنده NVIDIA Vera، شبکه NVLink Fusion، حافظه NVHBM، مدل‌های Nemotron، رباتیک آمازون و کارخانه‌های هوش مصنوعی دولتی را نیز در بر می‌گیرد.

هنوز ارزش مالی، مصرف برق نهایی و ترکیب دقیق سخت‌افزارها اعلام نشده است؛ اما مقیاس پروژه نشان می‌دهد رقابت هوش مصنوعی به مرحله ساخت زیرساخت‌های صنعتی عظیم وارد شده است.

دو میلیون GPU فقط یک عدد بزرگ نیست؛ این عدد نمایانگر آینده‌ای است که در آن هوش مصنوعی به یکی از اصلی‌ترین مصرف‌کنندگان برق، حافظه، تراشه و ظرفیت دیتاسنتر جهان تبدیل خواهد شد.

پرسش‌های متداول

آمازون چند GPU انویدیا خریداری می‌کند؟

AWS اعلام کرده است دو میلیون GPU اضافی انویدیا را طی سال‌های ۲۰۲۷ و ۲۰۲۸ در زیرساخت جهانی خود مستقر خواهد کرد.

آیا این دو میلیون GPU از نوع GeForce هستند؟

خیر. این پروژه عمدتاً شامل شتاب‌دهنده‌ها و پردازنده‌های گرافیکی دیتاسنتری از خانواده‌های Blackwell Ultra، Rubin و Rubin Ultra است.

آمازون قبلاً چند GPU سفارش داده بود؟

AWS پیش‌تر برنامه اضافه‌کردن بیش از یک میلیون GPU انویدیا از سال ۲۰۲۶ را اعلام کرده بود. دو میلیون GPU جدید علاوه بر برنامه قبلی هستند.

این GPUها برای چه کاری استفاده می‌شوند؟

آن‌ها برای آموزش و اجرای مدل‌های هوش مصنوعی، عامل‌های هوشمند، تحقیقات علمی، اتوماسیون سازمانی، تحلیل داده و رباتیک به کار خواهند رفت.

NVIDIA Vera چیست؟

Vera پردازنده سروری انویدیا برای بارهای کاری مرتبط با هوش مصنوعی، اجرای کد، پردازش داده و هماهنگ‌کردن عامل‌های هوشمند است.

آیا آمازون تراشه هوش مصنوعی اختصاصی ندارد؟

آمازون تراشه‌های Trainium و Inferentia را توسعه می‌دهد؛ اما بسیاری از مشتریان به دلیل سازگاری گسترده CUDA همچنان خواهان استفاده از سخت‌افزار انویدیا هستند.

مصرف برق دو میلیون GPU چقدر است؟

رقم رسمی اعلام نشده است. مصرف واقعی به ترکیب مدل‌ها، میزان استفاده، خنک‌کننده و تجهیزات دیتاسنتر بستگی دارد و نمی‌توان عدد دقیقی برای آن ارائه کرد.

این GPUها چه زمانی فعال می‌شوند؟

استقرار دو میلیون GPU جدید برای سال‌های ۲۰۲۷ و ۲۰۲۸ برنامه‌ریزی شده است.