ماسک می‌خواهد هیولای برق‌خوار جهان باشد
به گزارش خبرگزاری آنا؛ در رقابت مگاپروژه‌های هوش مصنوعی، حالا xAI ایلان ماسک با بلندپروازانه‌ترین برنامه‌ها به میدان آمده است. این استارتاپ که تنها چند ماه از شروع به کارش می‌گذرد، هدف‌گذاری خود را برای رسیدن به «۵۰ میلیون واحد معادل H۱۰۰» طی ۵ سال اعلام کرد؛ آستانه‌ای که می‌تواند قدرت پردازش برای آموزش مدل‌های نسل جدید را تا سال ۲۰۳۰ به سطح ۵۰ اگزافلاپس برساند و حتی از پروژه‌های غول‌آسا مثل OpenAI با هدف ۲ میلیون GPU هم فراتر رود.
جهش سخت‌افزاری و رقابت نسل‌ها
در حال حاضر xAI با راه‌اندازی سوپرکلاستر Colossus ۱، از ۲۰۰ هزار کارت H۱۰۰/H۲۰۰ Hopper و ۳۰ هزار چیپ جدیدتر Blackwell GB۲۰۰ بهره می‌برد. اما طبق برنامه ماسک، نسل آینده این پردازش‌گر‌ها با معماری‌هایی همچون Rubin ،Rubin Ultra و Feynman تا سال‌های آینده هر ساله جهش دوبرابری در توان FP۱۶/BF۱۶ ارائه می‌کنند؛ به طوری که تأمین همین ۵۰ اگزافلاپس در سال ۲۰۲۹ ممکن است با تنها ۶۵۰ هزار GPU از نسل Feynman Ultra میسر باشد.
هر نسل جدید، با بهینه‌سازی‌های معماری، پهنای باند حافظه شدیدا بالاتر و افزایش تعداد تراشه‌های ریتیکل، جهش انفجاری در قدرت و بازدهی انرژی دارد. به عنوان مثال، Blackwell B۲۰۰ نسبت به Pascal P۱۰۰ (۲۰۱۶) تا ۲۰ هزار برابر عملکرد و بیش از ۴۰ هزار برابر بهره‌وری انرژی ارائه می‌کند.
چالش انرژی؛ چند نیروگاه هسته‌ای برای یک دیتاسنتر؟
اما ابعاد انرژی مصرفی شاید بزرگ‌ترین نقطه پرسش‌برانگیز این مسابقه باشد:
GPUهای H۱۰۰ انویدیا هرکدام ۷۰۰ وات مصرف دارند. اجرای ۵۰ میلیون GPU معادل ۳۵ گیگاوات توان مصرفی است؛ یعنی توان خروجی ۳۵ نیروگاه هسته‌ای کامل! حتی اگر معماری Rubin Ultra یا Feynman با بهره‌وری دوبرابر وارد میدان شوند، چنین خوشه‌های عظیمی برای رسیدن به ۵۰ اگزافلاپس همچنان دست کم ۴.۶ گیگاوات برق خواهند خواست؛ ظرفیتی بزرگ‌تر از مصرف انرژی برخی کشور‌های کوچک.
به گزارش TomsHardware، تامین چنین میزان برق، چالشی جدی هم برای زیرساخت ملی و هم برای پایداری محیط زیست به همراه دارد؛ بویژه که امروزه تجمع مراکز داده غول‌پیکر تاثیر محسوس بر پایداری شبکه برق و توزیع انرژی دارد.
نگاهی به آینده بازار
بر اساس روند‌های فعلی، هر نسل جدید GPU بازدهی را دوبرابر می‌کند. بنابر این، تعداد تراشه‌های مورد نیاز تا سال ۲۰۲۹ می‌تواند به جای ده‌ها میلیون GPU، فقط به صد‌ها هزار محدود شود، اگرچه تأمین این حجم از تراشه‌های فوق‌پیشرفته، ظرفیت خطوط تولید جهانی و حتی سهمیه‌بندی میان شرکت‌های رقیب را به مسأله‌ی استراتژیک بدل می‌کند.
از سوی دیگر، افزایش غیرخطی تعداد و قدرت سرورها، الزامات نرم‌افزاری، چون شبکه‌سازی فوق‌سریع، مسئله مدیریت گرما، خنک‌سازی و همچنین توسعه سیستم‌های توزیع پایدار انرژی را به چالش‌هایی کاملاً فناورانه و بین‌رشته‌ای بدل می‌سازد.
پروژه xAI نه تنها الگوی جدیدی برای مقیاس‌پذیری هوش مصنوعی و زیرساخت ابررایانه‌ای معرفی می‌کند، بلکه نقطه شروع بحثی جدی درباره پایداری فناوری، چگونگی تأمین انرژی پاک برای نسل آینده دیتاسنتر‌ها و حتی بازتوزیع قدرت رایانشی در جهان است. آینده رقابت شرکت‌های هوش مصنوعی از این پس دیگر صرفاً نبرد الگوریتم‌ها نیست؛ بلکه به آزمونی برای مهندسی زیرساخت، سیاست انرژی و نوآوری در بهره‌وری رایانشی نیز تبدیل شده‌است.
انتهای پیام/
