نقل قول بزرگ: نیازهای انرژی بالای GenAI و سایر LLM ها نیاز به سیستم های انرژی کارآمدتر را تسریع می کنند. لیزا سو، مدیر عامل AMD اطمینان دارد که این شرکت در مسیر افزایش بهره وری انرژی مراکز داده تا 100 برابر در سه سال آینده است.
به هر کجا که نگاه کنید، یک سرویس هوش مصنوعی جدید برای بهبود زندگی شخصی یا کاری شما وجود دارد. Google Search اکنون فناوری هوش مصنوعی Gemini خود را برای خلاصه کردن نتایج جستجو ادغام می‌کند، اما این به قیمت ده برابر افزایش قدرت (با نتایج ضعیف‌تر) در مقایسه با جستجوی غیر AI است. محبوبیت جهانی هوش مصنوعی مولد نیاز به گسترش سریع مراکز داده و نیازهای برق را تسریع کرده است.
گلدمن ساکس تخمین می زند که نیازهای برق مرکز داده تا سال 2030 160 درصد رشد خواهد کرد. این مشکل بزرگی برای کشورهایی مانند ایالات متحده و اروپا است که میانگین سنی شبکه های برق منطقه ای به ترتیب 50 و 40 سال است. در سال 2022، مراکز داده 3 درصد از انرژی را در ایالات متحده مصرف کردند و پیش بینی ها حاکی از آن است که این میزان تا سال 2030 به 8 درصد خواهد رسید. سم آلتمن، یکی از بنیانگذاران OpenAI می گوید: «هیچ راهی برای رسیدن به آن بدون پیشرفت وجود ندارد.
لیزا سو، مدیر عامل AMD در کنفرانس ITF World 2024 درباره موفقیت های گذشته و برنامه های آینده برای بهبود کارایی گره های محاسباتی بحث کرد 2520 درصد کارآمدتر20 (25*20). آنها با دستیابی به راندمان 31.7 درصد از این هدف فراتر رفتند.
در سال 2021، AMD روی دیوار نوشته هایی را در مورد رشد انفجاری بارهای کاری هوش مصنوعی و نیازهای برق برای اجرای این سیستم های پیچیده مشاهده کرد. برای کمک به کاهش تقاضای برق، AMD با تمرکز بر چندین حوزه کلیدی، هدف 30×25 را برای کارایی گره محاسباتی تعیین کرده است.
این با بهبود در گره فرآیند و بسته بندی، که بلوک های سازنده تولید CPU/GPU هستند، شروع می شود. با استفاده از ترانزیستورهای 3 نانومتری Gate All-Around (GAA)، توسعه ترانزیستورهای FinFET سه بعدی، راندمان انرژی و عملکرد در هر وات بهبود می یابد. علاوه بر این، بهبود مستمر فن‌آوری‌های بسته‌بندی (به عنوان مثال، ریزتراشه‌ها، انباشتن سه بعدی) به AMD انعطاف‌پذیری برای تعویض اجزای مختلف در یک بسته را می‌دهد.
حوزه بعدی تمرکز، معماری های سخت افزاری تسریع شده است که برای هوش مصنوعی بهینه شده اند. اینها به عنوان واحدهای پردازش عصبی (NPU) شناخته می‌شوند و سال‌هاست که در SoCهای موبایل مانند سری Snapdragon 8 Gen وجود دارند. در اوایل سال جاری، AMD Ryzen 8700G را منتشر کرد که اولین پردازنده دسکتاپ با موتور هوش مصنوعی داخلی بود. این سخت‌افزار اختصاصی CPU اجازه می‌دهد تا وظایف محاسباتی مبتنی بر هوش مصنوعی در NPU بارگیری شود و کارایی را بهبود بخشد و مصرف انرژی را کاهش دهد.
ستون‌های نهایی این هدف 30×25، تنظیم در سطح سیستم و طراحی مشترک نرم‌افزار/سخت‌افزار است. تنظیم در سطح سیستم یکی دیگر از شاخه‌های ابتکار بسته‌بندی پیشرفته است که بر کاهش توان لازم برای انتقال داده‌ها در این خوشه‌های کامپیوتری تمرکز دارد. هدف طراحی مشترک نرم‌افزار/سخت‌افزار بهبود الگوریتم‌های هوش مصنوعی برای کار موثرتر با NPUهای نسل بعدی است.
لیزا سو مطمئن است که AMD در مسیر دستیابی به هدف 30×25 است، اما مسیری را برای بهبود 100 برابری تا سال 2027 می بیند. AMD و سایر رهبران صنعت همگی در برآوردن نیازهای انرژی زندگی های مجهز به هوش مصنوعی ما در این دوره جدید محاسبات سهیم هستند. .