خط و نشان استارتاپ نوپا برای انویدیا با تراشه‌ای بدون HBM

به گزارش شبکه اطلاع‌رسانی طلا و ارز، استارتاپ آمریکایی d-Matrix از یک شتاب‌دهنده جدید هوش مصنوعی به نام Raptor رونمایی کرد که بدون استفاده از حافظه‌های HBM به پهنای باند بیش از ۱۰۰ ترابایت بر ثانیه می‌رسد. HBM یا حافظه پهنای‌باند‌بالا، نوعی تراشه حافظه فشرده و پرسرعت است که غول‌هایی مانند انویدیا سال‌هاست در قلب پردازنده‌های هوش مصنوعی خود از آن استفاده می‌کنند. این پردازنده تنها ۳۲ گیگابایت حافظه دارد، رقمی به‌مراتب کم‌تر از رقبای مجهز به HBM، اما طراحان آن مدعی‌اند سرعت انتقال داده را قربانی نکرده‌اند.

اهمیت این خبر به گلوگاه عرضه HBM بازمی‌گردد. تولید این حافظه‌ها در انحصار چند شرکت محدود از جمله SK هاینیکس، سامسونگ و مایکرون است و کمبود آن یکی از عوامل اصلی گرانی سرورهای هوش مصنوعی در ۲ سال اخیر بوده است. اگر فناوری d-Matrix در عمل جواب بدهد، سازندگان تراشه می‌توانند بدون گیر افتادن در صف تأمین HBM، پردازنده‌های ارزان‌تر و در دسترس‌تر بسازند. برای کاربر نهایی، این یعنی هزینه ساخت و نگه‌داری سرویس‌های مبتنی بر هوش مصنوعی می‌تواند در میان‌مدت کاهش یابد.

چگونه بدون HBM سرعت بالا ممکن شد؟

d-Matrix به‌جای چیدن لایه‌های حافظه در کنار پردازنده به سبک HBM، از معماری متفاوتی بهره برده که پردازش را به حافظه نزدیک‌تر می‌کند؛ رویکردی که در صنعت به «پردازش درون‌حافظه‌ای» شناخته می‌شود. در این روش بخشی از محاسبات مستقیماً در همان مداری انجام می‌شود که داده‌ها ذخیره شده‌اند، به همین دلیل نیازی به جابه‌جایی حجم زیاد داده بین حافظه و پردازنده نیست. نتیجه این طراحی، گلوگاه کم‌تر در انتقال داده و مصرف انرژی پایین‌تر برای بخشی از بارهای کاری هوش مصنوعی است.

رقابتی که تازه شروع شده

انویدیا در حال حاضر بخش عمده بازار پردازنده‌های هوش مصنوعی را در اختیار دارد و اکوسیستم نرم‌افزاری آن، از جمله پلتفرم CUDA، یکی از دلایل اصلی این برتری است. استارتاپ‌هایی مانند d-Matrix برای رقابت واقعی، تنها به سخت‌افزار سریع‌تر نیاز ندارند؛ باید مشتریان بزرگ فناوری را هم قانع کنند که زیرساخت خود را از انویدیا به تراشه‌ای کم‌سابقه‌تر منتقل کنند. تحلیلگران صنعت تراشه این تغییر را کند و مرحله‌به‌مرحله می‌دانند، نه یک‌شبه.

بازار جهانی تراشه‌های هوش مصنوعی این روزها میدان رقابت شرکت‌های بزرگ و استارتاپ‌های کوچک‌تر است؛ هرکدام به دنبال سهمی از سرمایه‌گذاری‌های کلانی هستند که شرکت‌های فناوری برای ساخت زیرساخت هوش مصنوعی هزینه می‌کنند. موفقیت یا شکست d-Matrix در تجاری‌سازی Raptor می‌تواند نشان دهد آیا مسیرهای جایگزین HBM واقعاً قابل اتکا هستند یا صرفاً یک آزمایش آزمایشگاهی باقی می‌مانند.