تقنيات وحدة معالجة الرسوميات (GPU)

سيتم بناء الجيل التالي من وحدة معالجة الرسوميات (GPU) حول الحوسبة المعتمدة على الشرائح المكونة (Chiplets)

قد لا يكون مستقبل تقنية وحدات معالجة الرسوميات (GPU) محدداً بقطعة واحدة من السيليكون.

مع ازدياد حجم نماذج الذكاء الاصطناعي وتخصيص أحمال الحوسبة، يستكشف مصنعو المعالجات بشكل متزايد مناهج معمارية تقسم المعالجات المعقدة إلى مكونات متعددة مترابطة. يشير هذا الاتجاه إلى بنى وحدات معالجة الرسوميات المعتمدة على الشرائح المكونة (chiplet-based)، حيث يمكن - نظرياً - بناء الحوسبة والواجهات الخاصة بالذاكرة والإدخال/الإخراج والذاكرة المخبأة ووظائف التسريع المتخصصة كمكوّنات سيليكونية معيارية.

وهذا يغيّر معنى وحدة GPU.

بدلًا من التعامل مع المسرّعة باعتبارها معالجًا أحاديًا ضخمًا، يمكن فهم الأنظمة المستقبلية بشكل متزايد على أنها مجموعة من مجالات سيليكون متخصصة مترابطة عبر موصلات عالية النطاق.

الأهمية الاستراتيجية لهذا التحول هائلة.

تواجه الرقائق الضخمة الأحادية تحديات فيزيائية واقتصادية. تصبح عوائد التصنيع وحدود القناع (الريتكل) وتعقيد التصميم والكثافة الحرارية وتكلفة التطوير أكثر صعوبة مع نمو تصاميم أشباه الموصلات.

توفر بنى الشرائح الصغيرة (Chiplet) مسارًا آخر.

قد تحتوي مسرّعة مستقبلية على شرائح حوسبة صغيرة (chiplets) مخصصة ومُحسّنة لعمليات المصفوفات، وبنى ذاكرة منفصلة، وشرائح واجهة ذاكرة، ومكونات إدخال/إخراج، ومحركات متخصصة لأحمال عمل بعينها.

وهذا يخلق بنية حسابية معيارية.

الميزة ليست مجرد تصنيع كتل أصغر.

إنها المرونة المعمارية.

يمكن دمج أجيال مختلفة من شرائح الحوسبة الصغيرة (chiplets) مع تقنيات ذاكرة أو إدخال/إخراج مختلفة. ويمكن للمصنّعين تطوير مكونات قابلة لإعادة الاستخدام بدلًا من إعادة تصميم كل عنصر في المسرّعة من البداية.

لذلك تصبح شبكة الربط/الاتصال مهمة بشكل حاسم.

عندما تعمل عدة مكونات من السيليكون كمعالج موحّد، تصبح كيميّة/زمن التأخير في الاتصالات وعرض النطاق بين تلك المكونات معلمات معمارية.

قد يعتمد مستقبل GPU بالتالي على نسيج الاتصالات الداخلي لديه بقدر اعتماده على وحدات الحوسبة نفسها.

وهذا يغيّر أيضًا اقتصاديات تطوير المسرّعات.

يمكن تطوير مكونات سيليكون متخصصة واختبارها وإعادة استخدامها عبر أجيال المنتجات. ويمكن أن تستهدف تراكيب مختلفة أسواقًا متنوعة بدءًا من تدريب نماذج الذكاء الاصطناعي والاستدلال إلى الحوسبة العلمية والمحاكاة والروبوتات والأتمتة الصناعية والذكاء على الحافة.

بالنسبة لمشغلي البنية التحتية، قد يؤدي هذا التطور في النهاية إلى خلق تنوع أكبر داخل أساطيل المسرّعات.

بدلًا من الاختيار من عدد محدود من نماذج وحدات معالجة الرسوميات (GPU) كاملة، قد يتم بناء البنية التحتية للحوسبة في المستقبل بشكل متزايد حول بنى معمارية للمسرّعات تتضمن تراكيب مختلفة من موارد الحوسبة والذاكرة.

وهذا يخلق تحديًا جديدًا: التوافق على مستوى النظام.

يجب أن تفهم البرامج وبرامج التشغيل والمترجمات ومكتبات الاتصالات وأنظمة الذاكرة وطبقات التنسيق الأجهزة الأكثر معيارية بشكل متزايد.

وبالتالي تنتقل الميزة التنافسية الحقيقية إلى الأعلى.

ليس من المفيد أن تكون المسرّعة القائمة على الشرائح الصغيرة ذات قيمة لمجرد أنها تحتوي على مزيد من السيليكون.

تصبح قيمة عندما يستطيع النظام بأكمله تنسيق تلك مكونات السيليكون بكفاءة.

هنا تصبح ملامح مستقبل بنية GPU مترابطة بشكل وثيق مع مستقبل البنية التحتية للحوسبة.

تتطور المسرّعة من معالج إلى منصة حسابية معيارية.

خلال العقد القادم، قد تؤثر المؤسسات التي تتحكم في التغليف المتقدم والموصلات/الترابطات عالية السرعة ودمج الذاكرة وتصميم السيليكون والنظم البيئية للبرمجيات وقدرات التصنيع، على تطور الحوسبة الخاصة بالذكاء الاصطناعي بقوة مماثلة لتأثير المؤسسات التي تصمم نوى وحدات معالجة الرسوميات (GPU) الفردية.

لذلك، قد لا تكون وحدة GPU المستقبلية شريحة واحدة.

قد يكون نظامًا حاسوبيًا منسقًا مبنيًا من العديد من الأجزاء المتخصصة من السيليكون.

هذا يمثل تحولًا معماريًا جوهريًا.

SriDanamTrades

تعلّم • ابنِ • ابتكر • قِدْ

موارد رقمية مميزة على بنى GPUs للحوسبة الخاصة بالذكاء الاصطناعي: الطاقة والتقنيات الناشئة

#GPU #Chiplets #Semiconductors #AIInfrastructure #Compute #Accelerators #AI #AdvancedComputing #Technology #SriDanamTrades