Առաջընթացի անշեղ ընթացքը՝ այն, ինչ մենք երկար ժամանակ հռչակել ենք որպես Մուրի օրենք (Moore’s Law), բախվել է փոխաբերական և ֆիզիկական պատի։ Տասնամյակներ շարունակ կիսահաղորդչային արդյունաբերությունը հիմնվում էր տրանզիստորների չափսերի փոքրացման վրա՝ սիլիցիումի մեջ ավելի մեծ հզորություն տեղավորելու համար։ Այնուամենայնիվ, քանի որ մենք մուտք ենք գործում երեք նանոմետրից ցածր դարաշրջան, պղնձե միակցիչների ջերմային և ֆիզիկական սահմանափակումները ստեղծում են «խցանումներ»։ Ժամանակակից մեծ լեզվական մոդելների (LLM) և բարդ նեյրոնային ցանցերի աշխատանքի համար անհրաժեշտ գերարագ տվյալների հոսքը փաստացի հայտնվել է էլեկտրոնների «խցանման» մեջ։
Այս փակուղին հաղթահարելու համար արդյունաբերությունը նայում է դեպի պարադիգմային փոփոխություն՝ սիլիցիումային ֆոտոնիկա (Silicon Photonics): Չիպերի միջև տվյալների փոխանցման համար ավանդական էլեկտրական ազդանշանները լույսի ճառագայթներով փոխարինելով՝ մենք գտնվում ենք մի դարաշրջանի շեմին, որտեղ սարքավորումների արդյունավետությունը կարող է կրկին ոչ թե աստիճանաբար, այլ էքսպոնենցիալ կերպով աճել։
Ֆոտոնիկ հեղափոխություն. էլեկտրոնից անդին
Այսօրվա գերհզոր համակարգերի (hyperscalers) և արհեստական բանականության (AI) սարքավորումներ արտադրողների առջև ծառացած մարտահրավերը գաղափարապես պարզ է, սակայն իրականացման առումով՝ դժվար. դա թողունակության խտությունն է։ Մինչ մենք մարզում ենք ավելի ու ավելի բարդ արհեստական բանականության (AI) մոդելներ, խցանումը հազվադեպ է լինում հենց պրոցեսորի միջուկում. այն պայմանավորված է GPU-ի, հիշողության (HBM) և ցանցային կառուցվածքի միջև հսկայական տվյալների փոխանցման հետաձգմամբ: Պղնձե հաղորդուղիներով հոսող էլեկտրոնները ջերմություն են առաջացնում, և քանի որ մենք մեծացնում ենք հաճախականությունը՝ ավելի շատ տվյալներ տեղափոխելու համար, էլեկտրաէներգիայի սպառումը դառնում է անկայուն:
Այստեղ է, որ գործի է անցնում ֆոտոնիկան՝ տվյալների փոխանցման համար լույսի օգտագործումը: Քանի որ լուսային ալիքները չեն առաջացնում նույն ջերմային հետքը, ինչ էլեկտրական ազդանշանները, դրանք կարող են շարժվել զգալիորեն ավելի բարձր խտությամբ՝ առանց էներգետիկ լրացուցիչ ծախսերի: Այս տեխնոլոգիան, որն այժմ առաջ է մղվում ոլորտի հսկաների կողմից, ինչպիսին է Intel-ը, նշանակում է անցում դեպի «օպտիկական I/O» (մուտք/ելք): Լազերները անմիջապես չիպի փաթեթի մեջ ինտեգրելով՝ մենք կարող ենք հասնել հետևյալին.
- Էներգիայի զգալիորեն ցածր սպառում. վերացվում է տվյալները տպագիր տախտակի (PCB) վրայով տեղափոխելու «էլեկտրական հարկը»։
- Թողունակության զանգվածային աճ. լույսը թույլ է տալիս իրականացնել խիտ, բազմալիքային մուլտիպլեքսավորում՝ արդյունավետորեն ստեղծելով տվյալների համար գերարագ ուղիներ, որոնք նախկինում անհնար էր երթուղավորել։
- Նվազեցված հետաձգում (latency). ավելի կարճ և արագ հաղորդակցման ուղիներ տարբեր հաշվողական կլաստերների միջև, ինչը կարևոր է հաջորդ սերնդի AI գործակալների բաշխված ուսուցման համար:
Բիզնեսի ղեկավարների համար սա պարզապես նեղ մասնագիտական սարքավորումների խնդիր չէ. սա հաշվողական հզորություններ պահանջող թվային փոխակերպման հաջորդ ալիքի նախապայմանն է: Եթե ձեր կազմակերպությունը հիմնվում է սեփական մոդելների կամ մեծածավալ տվյալների վերլուծության վրա, ապա ապագա սարքավորումների՝ այդ ծանրաբեռնվածությունը ավելի արդյունավետ մշակելու ունակությունը ուղղակիորեն կազդի ձեր ընդհանուր սեփականության արժեքի (TCO) և ձեր ներքին ավտոմատացման գործընթացների արագության վրա:
Ազդեցությունը AI ենթակառուցվածքի և թվային փոխակերպման վրա
Լույսի վրա հիմնված մշակմանն անցումը վակուումում չի կատարվում: Այն պայմանավորված է գեներատիվ AI-ի աճող պահանջարկով և իրական ժամանակում եզրահանգումներ (inference) կատարելու անհրաժեշտությամբ: Երբ մենք դիտարկում ենք ձեռնարկատիրական տեխնոլոգիական հիմքը, նկատում ենք հստակ միտում. ընկերությունները հեռանում են միաձույլ, մեկուսացված համակարգերից և անցնում են բարձր ինտեգրված, խելացի ճարտարապետությունների:
Սակայն, քանի որ այս ճարտարապետությունները դառնում են ավելի բարդ, դրանք պահանջում են ամուր ֆիզիկական շերտ՝ իրենց աշխատանքը ապահովելու համար: Եթե ընկերությունը մասշտաբավորում է իր CRM (հաճախորդների հետ հարաբերությունների կառավարման) համակարգերը՝ դրանք ինտեգրելով ինքնավար AI գործակալների հետ, որոնք իրական ժամանակում փոխազդում են հաճախորդների հետ, ենթակառուցվածքը պետք է ունակ լինի մշակելու վայրկյանում հազարավոր հարցումներ՝ գրեթե զրոյական հետաձգմամբ:
Այստեղ ներդրումների վերադարձի (ROI) հետևանքները էական են: Ֆոտոնիկայի վրա հիմնված ենթակառուցվածքներ ներդնող առաջամարտիկները, ամենայն հավանականությամբ, կտեսնեն.
- Գործառնական ծախսերի (OPEX) կրճատում. բարձր արդյունավետությամբ հաշվողական կենտրոնների (HPC) համար էներգիայի պահանջարկի նվազումը ուղղակիորեն հանգեցնում է տվյալների կենտրոնի սառեցման և էլեկտրաէներգիայի ծախսերի կրճատմանը:
- Մոդելների ուսուցման արագացում. կլաստեր տվյալներ մատակարարելու ժամանակը կրճատելով՝ ընկերությունները կարող են նվազեցնել իրենց սեփական AI լուծումների «շուկա դուրս գալու ժամանակը» (time to market):
- Մասշտաբային ինտելեկտ. քանի որ սարքավորումները դառնում են տվյալների փոխանցման հարցում ավելի արդյունավետ, բիզնեսի կողմից կիրառվող AI գործակալների բարդությունը կաճի: Մենք պարզ, կանոնների վրա հիմնված չաթ-բոտերից կանցնենք բարդ, մուլտիմոդալ գործակալների,
