चिप निर्माता आणि हायपरस्केलर AI पायाभूत सुविधांवर एकत्र
Qualcomm Technologies Inc. ही Amazon सोबत सहकार्य करत आहे, ज्या कराराचा केंद्रबिंदू मोठ्या प्रमाणावरील संगणनासाठी सानुकूलित सिलिकॉन सक्षम करणे हा आहे. Interesting Engineering च्या वृत्तानुसार, हा करार पुढील पिढीच्या AI डेटा सेंटर पायाभूत सुविधांकडे निर्देश करतो: ते रॅक, अॅक्सेलेरेटर, नेटवर्किंग उपकरणे आणि वीज प्रणाली, जी कच्च्या विजेचे उपयुक्त मशीन बुद्धिमत्तेत रूपांतर करतात.
हे जोडीदार लक्षणीय आहे कारण ते दोन अगदी वेगळ्या प्रकारच्या प्रमाणात एकत्र आणते. Qualcomm ही वीज-संवेदनशील प्रोसेसरची अनुभवी डिझाइनर आहे, आणि Amazon जगातील सर्वात मोठ्या क्लाउड आणि लॉजिस्टिक्स पदचिन्हांपैकी एक चालवते. त्या आकाराच्या कंपन्या सानुकूल चिप्सवर एकत्र काम करण्यास सहमत झाल्यास, त्याचे परिणाम सुरुवातीच्या घोषणेच्या पलीकडे जातात.
मोठ्या प्रमाणावर सानुकूलित सिलिकॉन हा केंद्रीय वाक्प्रचार का आहे
कराराची भाषा महत्त्वाची आहे. ही केवळ तयार हार्डवेअर खरेदी करण्याची बाब नाही; ही विशिष्ट ग्राहकाच्या आवश्यकतांनुसार सिलिकॉन डिझाइन करणे आणि नंतर व्यावसायिक प्रमाणात त्याचे उत्पादन करणे याबद्दल आहे. ह्या दोन स्वतंत्र अभियांत्रिकी समस्या आहेत, आणि दोन्ही एकाच वेळी सोडवणे हेच पायलट प्रकल्पाला वास्तविक तैनातीपासून वेगळे करते.
कार्यभार-विशिष्ट डिझाइन
सामान्य-उद्देश चिप्स अनेक प्रकारचे काम स्वीकारार्हपणे चांगले हाताळण्यासाठी बनवल्या जातात. याउलट, AI प्रशिक्षण आणि इन्फरन्स विशिष्ट डेटा प्रकार, मेमरी बँडविड्थ प्रोफाइल आणि इंटरकनेक्ट टोपोलॉजीजसाठी ट्यून केलेल्या चिप्सना पुरस्कृत करतात. सानुकूलित सिलिकॉन खरेदीदाराला अचूक त्या ठिकाणी लवचिकतेच्या बदल्यात कार्यक्षमता व्यापार करण्यास अनुमती देते जिथे कार्यक्षमता थेट ऑपरेटिंग खर्चात रूपांतरित होते.
प्रमाणाची समस्या
सानुकूल डिझाइन केवळ तेव्हाच फायदेशीर ठरते जेव्हा खंड अभियांत्रिकी गुंतवणुकीला न्याय्य ठरवतात. 'मोठ्या प्रमाणावर' हा वाक्प्रचार सूचित करतो की परिणामी भाग प्रयोगशाळेत प्रदर्शित करण्याऐवजी अर्थपूर्ण प्रमाणात उत्पादित आणि तैनात करण्यासाठी आहेत. AI पायाभूत सुविधांसाठी, प्रमाण हा पुरवठा साखळीचा प्रश्न देखील आहे: जी चिप मोठ्या प्रमाणात उत्पादित करता येत नाही ती अडथळा दूर करू शकत नाही.
Qualcomm काय आणते
Qualcomm ची प्रतिष्ठा अशा प्रोसेसर डिझाइन करण्यावर आधारित आहे जे कडक वीज आणि थर्मल बजेटमध्ये खूप काम करतात, ही शिस्त मोबाइल आणि एज उपकरणांमध्ये विकसित झाली आहे. डेटा सेंटर वेगळे निर्बंध लादतात, परंतु अंतर्निहित कौशल्य संच पहिल्या दृष्टीक्षेपात दिसते त्यापेक्षा जास्त ओव्हरलॅप होतो.
वीज कार्यक्षमता, मेमरी श्रेणीक्रम, आणि कनेक्टिव्हिटीसह संगणनाचे एकत्रीकरण ही अशी क्षेत्रे आहेत जिथे तो अनुभव संबंधित आहे, आणि तेच ते लीव्हर आहेत जे डेटा सेंटर दिलेल्या मेगावॉटमधून किती उपयुक्त काम काढू शकतो हे ठरवतात. जेव्हा ऊर्जा आणि कूलिंग खर्च AI अर्थशास्त्र घडवतात, तेव्हा ते लीव्हर कच्च्या थ्रूपुट आकड्यांइतकेच महत्त्वाचे असतात.
Amazon बाह्य सिलिकॉन भागीदारासोबत का काम करेल
मोठ्या क्लाउड ऑपरेटरना त्यांच्या स्वतःच्या हार्डवेअर नियतीवर नियंत्रण ठेवण्यासाठी मजबूत प्रोत्साहन असते. स्वतःच्या आत सिलिकॉन डिझाइन केल्याने व्यापारी चिप विक्रेत्यांवरील अवलंबित्व कमी होऊ शकते, घट्ट सॉफ्टवेअर-हार्डवेअर सह-डिझाइनला अनुमती मिळू शकते, आणि स्पर्धक फक्त खरेदी करू शकत नाहीत अशी भिन्नता निर्माण होऊ शकते. त्याच वेळी, कोणतीही एकच कंपनी सर्वकाही एकटी करू शकत नाही, विशेषतः जेव्हा AI मागणी कोणत्याही एका डिझाइन टीम किंवा फॅब्रिकेशन वाटपाच्या क्षमतेपेक्षा मागे टाकते.
विविधीकरण
अतिरिक्त भागीदारासोबत काम केल्याने खरेदीदाराला किंमत बिंदू, कार्यक्षमता स्तर आणि उत्पादन वेळापत्रकांमध्ये अधिक पर्याय मिळतात. ज्या बाजारात अॅक्सेलेरेटर पुरवठा वारंवार AI तैनातीसाठी मर्यादित घटक बनला आहे, तिथे पर्यायी शक्यता खरी किंमत धारण करते.
खर्च आणि नियंत्रण
सानुकूल सिलिकॉन अखेरीस एक आर्थिक पैज आहे: तैनातीच्या आयुष्यभर चांगल्या प्रति-डॉलर आणि प्रति-वॅट कार्यक्षमतेच्या बदल्यात जास्त प्रारंभिक डिझाइन खर्च. जर पैज फळली, तर ती AI कामाच्या प्रति युनिट कमी खर्च म्हणून दिसते, हे मेट्रिक जे अधिकाधिक ठरवते की खूप मोठे मॉडेल चालवणे कोणाला परवडते.
घोषणा अजून काय सांगत नाही
उपलब्ध वृत्तांत सहकार्य उच्च स्तरावर कव्हर करतो. अनेक प्रश्न खुले राहतात, आणि वाचकांनी ते तसेच मानले पाहिजेत:
- सानुकूलित सिलिकॉन कोणत्या विशिष्ट कार्यभारांसाठी, प्रशिक्षण किंवा इन्फरन्स किंवा दोन्ही, सेवा देण्यासाठी आहे.
- Qualcomm संपूर्ण अॅक्सेलेरेटर, सहाय्यक घटक, किंवा प्रामुख्याने डिझाइन कौशल्य योगदान देत आहे का.
- व्यावसायिक अटी काय आहेत, आणि दोन कंपन्यांमध्ये काम कसे विभागले जाईल.
- कोणतेही परिणामी हार्डवेअर उत्पादनात कधी पोहोचेल, आणि कोणत्या खंडात.
- हा प्रयत्न Amazon च्या इतर सिलिकॉन कार्यक्रमां आणि त्याच्या विद्यमान पुरवठादार संबंधांसोबत कसा बसतो.
घोषणा काय नाही हे देखील नोंदण्यासारखे आहे. उपलब्ध वृत्तांतात अनन्य व्यवस्थेचा कोणताही सूचना नाही, किंवा दोन्हीपैकी कोणतीही कंपनी त्यांच्या इतर सिलिकॉन संबंधांना सोडत असल्याचे कोणतेही संकेत नाही. मोठे पायाभूत सुविधा खरेदीदार क्वचितच एका पुरवठादारावर पैज लावतात, आणि चिप निर्माते क्वचितच स्वतःला एका ग्राहकाशी बांधतात. या कराराचा अधिक संभाव्य आकार जोडणारा आहे: एका कंपनीसाठी सानुकूल हार्डवेअरचा आणखी एक मार्ग, आणि दुसऱ्यासाठी मागणी करणाऱ्या, उच्च-खंड बाजारपेठेचा आणखी एक चॅनेल.
AI उद्योगासाठी व्यापक संकेत
यासारख्या घोषणा एका व्यवहारापेक्षा संरचनात्मक बदलाचा पुरावा म्हणून वाचल्या पाहिजेत. गेल्या काही वर्षांमध्ये, कृत्रिम बुद्धिमत्तेतील स्पर्धात्मक सीमा मॉडेल क्षमतेने वर्चस्व गाजवली आहे. अधिकाधिक, बंधनकारक मर्यादा भौतिक आहे: वीज, कूलिंग, फॅब्रिकेशन क्षमता, आणि चिप्सना व्यस्त ठेवण्यासाठी पुरेशा वेगाने त्यांच्यामध्ये डेटा हलवण्याची क्षमता.
हा बदल कोण महत्त्वाचे आहे हे बदलतो. चिप डिझाइनर, फाउंड्रीज, वीज पुरवठादार, आणि पायाभूत सुविधा बांधणारे आता AI कथेच्या केंद्राच्या खूप जवळ बसतात, जेव्हा केवळ सॉफ्टवेअर परिणाम ठरवत असे तेव्हापेक्षा. सेमीकंडक्टर डिझाइनरला हायपरस्केल ऑपरेटरसोबत जोडणारा करार त्या वास्तवाचा थेट प्रतिसाद आहे.
हे असेही सूचित करते की सानुकूल सिलिकॉन युग विस्तारत आहे. मोजक्या सर्वात मोठ्या तंत्रज्ञान कंपन्यांच्या प्रयोगाने जे सुरू झाले ते स्पर्धात्मक धोरणाचे मानक साधन बनत आहे, अधिक कंपन्या व्यापारी बाजारात उपलब्ध असलेल्या कोणत्याही गोष्टी स्वीकारण्याऐवजी त्यांच्या स्वतःच्या कार्यभारांनुसार आकारलेल्या चिप्स शोधत आहेत.
पुढे काय पाहावे
- सहकार्याची तांत्रिक व्याप्ती निर्दिष्ट करणारे पुढील खुलासे.
- सानुकूल भाग कोणते उत्पादन भागीदार उत्पादित करतील याचे कोणतेही संकेत.
- इतर चिप निर्मात्यांकडून समान हायपरस्केलर व्यवस्थांबद्दल संकेत.
- AI पायाभूत सुविधा खर्च किती लवकर पाठवलेल्या, स्थापित हार्डवेअरमध्ये रूपांतरित होतो.
सध्या, Qualcomm आणि Amazon करार हेतूचे स्पष्ट विधान म्हणून उभा आहे: सानुकूलित सिलिकॉन, मोठ्या प्रमाणावर बांधलेले, पुढील पिढीच्या AI डेटा सेंटरवर थेट लक्ष्य करून. येणारे तपशील ते एक तळटीप बनते की एक नकाशा हे ठरवतील.
हा लेख Interesting Engineering च्या वृत्तांतावर आधारित आहे. मूळ लेख वाचा.
Originally published on interestingengineering.com




