فراتر از پردازنده‌ های گرافیکی؛ رمزگشایی از برگ برنده جدید انویدیا در عصر پردازش مگاواتی هوش مصنوعی

پیش از این هفته، روایت غالب پیرامون انویدیا (Nvidia) به این صورت بود: در نخستین سال‌های رونق و انفجار هوش مصنوعی، انویدیا تنها مرجع تأمین پردازنده‌های گرافیکی پیشرفته (GPU) به شمار می‌رفت؛ تراشه‌هایی که هم‌گام با گسترش و مقیاس‌پذیری این صنعت، سودآوری نجومی و چشمگیری را برای این غول فناوری رقم زدند. اما در طول چند سال اخیر، غول‌های ارائه‌دهنده خدمات ابری بزرگ (Hyperscalers) مانند آمازون و گوگل شروع به توسعه و ساخت تراشه‌های اختصاصی خود کرده‌اند و انویدیا دیگر تنها بازیگر بلامنازع این میدان نیست؛ موضوعی که موجب شد بسیاری از سرمایه‌گذاران این سؤال را مطرح کنند که مزیت رقابتی این شرکت تا چه حد پایدار خواهد ماند.

به گزارش بخش اخبار فناوری زوم تک به نقل از تک‌کرانچ (TechCrunch)، این روایتی جذاب و تا حد زیادی منطبق بر واقعیت است. ارزش بازار انویدیا پس از تجربه رشد خیره‌کننده ۱۰ برابری از ابتدای سال ۲۰۲۳ تا اواسط سال ۲۰۲۵، در طول یک سال گذشته به دلیل نگرانی‌های پیرامون رقابت در حوزه پردازنده‌های گرافیکی مسیری ملایم‌تر و محتاطانه‌تر را در بازار سهام طی کرده است.

ظهور روایت تازه؛ ارکستراسیون داده‌ ها در مقیاس گیگاواتی

با این حال، پس از انتشار گزارش مالی اخیر این شرکت در روز چهارشنبه، روایت تازه‌ای شکل گرفته و سرمایه‌گذاران به‌تدریج متوجه می‌شوند که برتری رقابتی انویدیا بسیار فراتر از تولید صرف تراشه‌های GPU است. در شرایطی که توان پردازش هوش مصنوعی به مقیاس‌های گیگاواتی نزدیک می‌شود، ارکستراسیون، هماهنگ‌سازی و مدیریت داده‌ها به وظیفه‌ای به‌شدت پیچیده تبدیل شده است. جای تعجب نیست که انویدیا بخش عمده‌ای از سخت‌افزارهای پیشرفته مورد نیاز برای مدیریت این فرآیند را از پیش طراحی و تولید کرده است؛ امری که مزیتی عظیم در اکوسیستم و سیستم‌های پیرامون پردازنده‌های گرافیکی به این شرکت می‌بخشد، حتی در دورانی که رقابت بر سر خود GPUها روزبه‌روز افزایش می‌یابد.

با وجود تمام صحبت‌ها مبنی بر تبدیل شدن توان پردازشی به یک کالای مصرفی عمومی، بهره‌برداری از یک مرکز داده در مقیاس مگا (Megascale Data Center) با اوج بازدهی و راندمان همچنان کاری فوق‌العاده دشوار است؛ و هم‌زمان با بزرگ‌تر و سریع‌تر شدن زیرساخت‌ها، این چالش پیوسته در حال رشد و پیچیده‌تر شدن است.

رک به رک؛ کالبدشکافی معماری جدید ورا روبین (Vera Rubin)

با نگاهی اجمالی به جزئیات آنچه انویدیا هم‌اکنون در بازار به فروش می‌رساند، می‌توان بخشی از این تغییر راهبرد را مشاهده کرد. این کمپانی در حال حاضر عرضه معماری ورا روبین (Vera Rubin) را آغاز کرده است؛ پلتفرمی که پردازنده گرافیکی Rubin را با مجموعه‌ای از قطعات و واحدهای دیگر نظیر پردازنده مرکزی Vera، شتاب‌دهنده استنتاج هوش مصنوعی Groq 3 LPX و رک‌های تخصصی ذخیره‌سازی و شبکه جفت می‌کند.

طی هفته گذشته در گفت‌وگو با متخصصان انویدیا پیرامون عملکرد واقعی این سیستم‌ها، نتایج بسیار شگفت‌انگیز بود. این تجهیزات نیز درست همانند خود GPU روبین سیستم‌هایی فوق‌العاده تخصصی هستند، اما به جای تمرکز صرف بر پردازش و تولید توکن‌ها، تضمین می‌کنند که تمام اجزای خارج از GPU با بالاترین راندمان و بهره‌وری ممکن کار کنند. در حقیقت، اگر پردازنده گرافیکی را موتور محرک یک خودرو بدانیم، این سیستم‌ها سایر اجزای آن خودرو هستند.

به‌طور ویژه، پردازنده مرکزی Vera CPU بر حل مسئله ارکستراسیون و هدایت داده‌ها متمرکز است. جیسون هاردی (Jason Hardy)، نایب رئیس بخش فناوری‌های ذخیره‌سازی انویدیا، در این باره می‌گوید: «اهمیت ورا در این است که شما در یک سرور منفرد یا در هر پلتفرم پردازشی، تنها می‌توانید میزان مشخص و محدودی از حافظه رم را تعبیه کنید.»

بهینه‌ سازی نسبت توکن بر وات و رفع گلوگاه‌ های پردازشی

هم‌گام با افزایش توان پردازشی در مراکز داده هوش مصنوعی، ظرفیت حافظه نیز ارتقا یافته است؛ به همین دلیل است که شرکت‌هایی نظیر میکرون (Micron) در موج دوم رونق زیرساخت‌ها سودآوری هنگفتی را تجربه کرده‌اند. با این وجود، رساندن به‌موقع اطلاعات و داده‌ها به GPU در لحظه مناسب کار ساده‌ای نیست؛ و از آنجایی که شرکت‌ها به دنبال کاهش مداوم شاخص مصرف انرژی بر حسب توکن بر وات (Tokens-per-watt) هستند، ارزش حیاتی هدایت ترافیک داده را بیش از پیش درک می‌کنند.

هاردی افزود: «ما شاهد بهبود بیش از ۳ برابری در این عملیات بوده‌ایم، جایی که پردازنده Vera امکان شتاب‌دهی را فراهم می‌آورد. بدین ترتیب اکنون می‌توانیم از نهایت ظرفیت حافظه‌های فلش خود استفاده کنیم، زیرا می‌توانیم بدون ایجاد هیچ‌گونه گلوگاه ارتباطی (Bottleneck) تمام توان عملکردی را از آن استخراج نماییم.»

رویکرد متفاوت رقبا؛ تراشه جالاپینیو (Jalapeño) اوپن‌ای‌آی

نمونه‌هایی از تلاش برای حل همین معضل در خارج از مجموعه انویدیا نیز به چشم می‌خورد. هنگامی که اوپن‌ای‌آی (OpenAI) تراشه اختصاصی خود با نام جالاپینیو (Jalapeño) را توسعه داد، تمرکز کلیدی آن حذف کامل این چالش‌ها از طریق به حداقل رساندن میزان داده‌هایی بود که باید میان بخش‌های مختلف جابه‌جا شوند.

این شرکت اوایل ماه جاری در بیانیه‌ای وبلاگی تصریح کرد: «ما تراشه Jalapeño را به گونه‌ای طراحی کرده‌ایم که انتقال داده‌ها و تأخیرهای ارتباطی را به کمترین حد ممکن برساند. دامنه بزرگ این تراشه باعث می‌شود تا کل بار پردازشی درون یک سیستم متصل باقی بماند که این موضوع جابه‌جایی داده‌ها را به حداقل رسانده و به پردازش سریع و کارآمد کل درخواست از ابتدا تا انتها کمک شایانی می‌کند.»

این یک رویکرد متفاوت است که با پردازش کامل جریان کاری درون یک تراشه یکپارچه، نیاز به جابه‌جایی دیتا را حذف می‌کند. با این حال منطق کلی ماجرا یکسان است: افزایش بازدهی و بهره‌وری از طریق کنترل هوشمندانه ترافیک داده‌ها، به جای تمرکز صرف بر افزایش چرخه‌های پردازنده. این تحول به نوبه خود، لایه کاملاً جدیدی از زیرساخت‌ها را پیش روی شرکت‌ها باز کرده است تا در آن به رقابت بپردازند.

میدان نبرد تازه؛ رهبری مقتدرانه انویدیا در اکوسیستم سخت‌افزاری

این تمرکز نوین بر ارکستراسیون داده‌ها به خودی خود به معنای یک پیروزی قطعی و خودکار برای انویدیا نیست. این غول سیلیکونی ناچار است درست مانند بازار پردازنده‌های گرافیکی، با سازندگان رقیب تراشه و هایپراسکيلرها رقابت کند. با این حال، زمین بازی اکنون به سطح جدیدی ارتقا یافته است؛ سطحی که در آن توسعه یک GPU رقیب اهمیت کمتری نسبت به توانایی بهینه‌سازی و عملکرد کارآمد کل سیستم دارد.

و دست‌کم در مراحل آغازین این بازی جدید، به نظر می‌رسد که انویدیا برتری قاطعانه و پیشتازی مقتدرانه خود را حفظ کرده است.