تراشه زیر یک نانومتر یادآوری می‌کند بازدهی AI هنوز مسئله مواد و ساخت است

خلاصه

پیشرفت تراشه معمولاً با یک عدد توضیح داده می‌شود: نود کوچک‌تر، ترانزیستور بیشتر، عملکرد بهتر. اما در عصر هوش مصنوعی این عدد فقط برای مهندس سخت‌افزار نیست. هر درصد بازدهی بیشتر می‌تواند هزینه inference را کم کند، فشار برق دیتاسنتر را پایین بیاورد و اجرای مدل‌های محلی را واقعی‌تر کند.

پژوهش IBM درباره مقیاس زیر یک نانومتر را نباید با محصول آماده عرضه اشتباه گرفت. بین آزمایشگاه و تراشه تجاری، مسیر طولانی تولید، yield، پکیجینگ، ابزار طراحی و نرم‌افزار قرار دارد. با این حال جهت حرکت مهم است: AI نمی‌تواند فقط برق و سخت‌افزار بیشتری بخواهد؛ باید زیرساخت فیزیکی هم کارآمدتر شود.

برای بازار ما، این موضوع از دور هم اثر دارد. وقتی تراشه کارآمدتر شود، سرویس ابری ارزان‌تر، مدل روی دستگاه عملی‌تر و محصول AI پایدارتر می‌شود. حتی اگر آن تراشه مستقیماً در دسترس نباشد، موج اقتصادی آن به قیمت سرویس‌ها و رقابت محصولی می‌رسد.

مقاله

صنعت AI دوست دارد پیشرفت را در مدل‌ها ببیند: مدل بزرگ‌تر، agent بهتر، داده بیشتر. اما هر مدل در نهایت روی سیلیکون اجرا می‌شود. داده را از حافظه عبور می‌دهد، گرما تولید می‌کند، برق مصرف می‌کند و برای ظرفیت دیتاسنتر رقابت می‌کند. به همین دلیل، پژوهش نیمه‌رسانا هنوز قلب پنهان هوش مصنوعی است.

زیر یک نانومتر رفتن جادو نیست. در این مقیاس، فیزیک سخت‌گیر می‌شود. نشت جریان، ناپایداری مواد، دقت ساخت و تفاوت ریز بین ترانزیستورها اهمیت حیاتی پیدا می‌کند. سوال فقط این نیست که آیا در آزمایشگاه کار می‌کند؛ سوال این است که آیا می‌شود آن را میلیون‌ها بار با هزینه قابل قبول ساخت.

برای زیرساخت AI، وعده اصلی بازدهی است. اگر ترانزیستور با برق کمتر کار کند یا چگالی بیشتری بدهد، ارائه‌دهنده cloud می‌تواند هزینه هر پاسخ را پایین بیاورد، ظرفیت بیشتری در دیتاسنتر محدود ارائه کند یا بخشی از کارها را به دستگاه منتقل کند. همین تغییر کوچک در محصول، قیمت و تجربه کاربر اثر می‌گذارد.

AI روی دستگاه هم به همین پیشرفت نیاز دارد. لپ‌تاپ یا گوشی نمی‌تواند برای هر کار کوچک، باتری را بسوزاند یا داغ شود. اگر تراشه‌های آینده کارآمدتر شوند، inference محلی از قابلیت تبلیغاتی به قابلیت عادی تبدیل می‌شود. این یعنی حریم خصوصی بهتر، latency کمتر و وابستگی کمتر به cloud.

با این حال، تیم‌ها نباید خبر پژوهشی را به برنامه خرید کوتاه‌مدت تبدیل کنند. از milestone آزمایشگاهی تا سخت‌افزار تولیدی، سال‌ها کار وجود دارد: foundry process، تست، طراحی ابزار، پکیجینگ، supply chain و پشتیبانی نرم‌افزاری. اثر واقعی است، اما از مسیر مهندسی آرام می‌آید.

برای دنبال کردن این خبرها باید پرسید کدام محدودیت کم می‌شود: برق؟ چگالی؟ حافظه؟ هزینه؟ edge deployment؟ آینده AI از یک جهش واحد ساخته نمی‌شود؛ از هزار کاهش محدودیت کوچک ساخته می‌شود.