تراشه ۱۴ نانومتری چینی با تمرکز بر حافظه، رقیبی جدی برای ابرسیستمهای هوش مصنوعی انویدیا شد
شرکت چینی DFSX با معرفی معماری جدید خود ادعا میکند که آینده پردازش هوش مصنوعی بیش از آنکه به کوچکتر شدن فناوری ساخت تراشهها وابسته باشد، به پهنای باند حافظه بستگی دارد. بر همین اساس ابرگره TY64 SuperNode مجهز به تراشههای DF2000 میتواند پهنای باند حافظهای معادل ۹۶۰ ترابایت بر ثانیه ارائه دهد؛ رقمی که از ۵۷۶ ترابایت بر ثانیه سیستم GB200 NVL72 انویدیا بهمراتب بالاتر است و مهمترین نقطه قوت این طراحی محسوب میشود.
تراشه DF1000 که با فناوری ساخت بالغ ۱۴ نانومتری تولید شده، از معماری سهبعدی پردازش نزدیک به حافظه بهره میبرد. در این طراحی لایه حافظه مستقیماً روی بخش پردازشی قرار گرفته و از طریق فناوری اتصال هیبریدی سهبعدی در سطح ویفر به آن متصل میشود. این روش مسیرهای مسی دو لایه را مستقیماً به هم پیوند میدهد، نیاز به میکروبامپ و سیم را حذف میکند و ارتباطی بسیار سریع میان حافظه و پردازنده ایجاد میسازد.
نسل بعدی این خانواده یعنی DF2000 که انتظار میرود در سهماهه چهارم سال ۲۰۲۶ و همچنان با فناوری ساخت ۱۴ نانومتری عرضه شود، ساختار پیشرفتهتری دارد. بهجای استفاده از تنها یک لایه حافظه روی بخش پردازشی، این تراشه چندین برج پردازش و حافظه را در قالب چیدمان 3.5D Infinity Chiplet کنار یکدیگر قرار میدهد. همچنین لایههای ذخیرهسازی معمولی با ساختاری اختصاصی از حافظه DRAM سهبعدی جایگزین شدهاند تا ظرفیت دادههای موقتی داخل تراشه افزایش یابد.
DFSX در مقایسهای میان تراشههای DF1000 و DF2000 با H200 و B300 اعلام کرد که اگر پهنای باند حافظه نیز در ارزیابی لحاظ شود، DF2000 در بسیاری از وظایف بهرهوری بیشتری ارائه میدهد. این شرکت همچنین نمونهای از ساختار تراشههای خود را نمایش داد تا نشان دهد فناوری اتصال هیبریدی سهبعدی چگونه سرعت پردازش استنتاج را افزایش میدهد. بر اساس اطلاعات منتشرشده، DF2000 به پهنای باند حافظه ۱۵ ترابایت بر ثانیه، ارتباط داخلی ۱.۶ ترابایت بر ثانیه و توان پردازشی BF16 برابر با ۱۰۰۰ ترافلاپس دست پیدا میکند.
به اعتقاد DFSX، مشکل اصلی سامانههای هوش مصنوعی آن است که پردازندههای گرافیکی بخش قابلتوجهی از زمان خود را در انتظار دریافت داده از حافظه سپری میکنند و همین دیوار حافظه مهمترین مانع افزایش کارایی است. هر تراشه DF2000 دارای پهنای باند حافظه ۱۵ ترابایت بر ثانیه است و در قالب TY64 SuperNode این مقدار به ۹۶۰ ترابایت بر ثانیه میرسد؛ در حالی که سیستم GB200 NVL72 انویدیا تنها به ۵۷۶ ترابایت بر ثانیه دست پیدا میکند.
البته برتری پهنای باند حافظه به معنای برتری مطلق در توان پردازشی نیست و TY64 SuperNode مبتنی بر DF2000 توان پردازشی BF16 برابر با ۶۴ پتافلاپس دارد، در حالی که GB200 NVL72 انویدیا به ۳۶۰ پتافلاپس میرسد. با این حال DFSX معتقد است دو برابر بودن پهنای باند حافظه میتواند ضعف توان خام پردازشی را در بسیاری از بارهای کاری هوش مصنوعی جبران کند و عملکرد کلی سیستم را بهبود دهد.
این شرکت همچنین تأکید میکند که با بزرگتر شدن مدلهای زبانی، عامل محدودکننده عملکرد دیگر تنها توان پردازشی هر تراشه نیست و اکنون یکپارچهسازی سامانه، ظرفیت و پهنای باند حافظه، سرعت ارتباطات داخلی و زنجیره تأمین اهمیت بیشتری پیدا کردهاند. در همین راستا، هواوی نیز اخیراً اعلام کرده بود که بزرگترین مانع توسعه هوش مصنوعی دیگر فناوری ساخت تراشهها نیست، بلکه ظرفیت شبکه به گلوگاه اصلی تبدیل شده است.
DFSX بر همین اساس معتقد است معیار FLOPS بهتنهایی شاخص مناسبی برای سنجش عملکرد سامانههای هوش مصنوعی نیست و توان انتقال داده در حافظه اهمیت بیشتری دارد. این شرکت همچنین اعلام کرده است که تراشه DF3000 پهنای باند حافظه ۲۰ ترابایت بر ثانیه خواهد داشت و در قالب TY64 SuperNode به ۱۲۸۰ ترابایت بر ثانیه میرسد. در مقابل، سیستم Vera Rubin NVL72 انویدیا پهنای باندی معادل ۱۵۸۰ ترابایت بر ثانیه ارائه میدهد که ۲۳ درصد بیشتر از راهکار مبتنی بر DF3000 است.
