شرکت چینی DFSX وعده سیستم ۱۴ نانومتری با پهنای باند دو برابر GB200 انویدیا را داد

شرکت چینی Dongfang Suanxin یا به اختصار DFSX تلاش می‌کند ثابت کند که عامل اصلی افزایش مقیاس‌پذیری در بارهای کاری هوش مصنوعی، پهنای باند حافظه است، نه رقابت بی‌پایان برای کوچک‌تر کردن لیتوگرافی تراشه‌ها. این شرکت با تراشه‌های DF1000 و DF2000 که در قالب سوپرنودهای TY64 مورد استفاده قرار می‌گیرند، قصد دارد با سیستم GB200 NVL72 انویدیا رقابت کند.

سوپرنود TY64 شرکت DFSX که از تراشه‌های DF2000 با فناوری ساخت ۱۴ نانومتری تشکیل شده است، پهنای باند حافظه معادل ۹۶۰ ترابایت‌برثانیه ارائه خواهد کرد. این رقم در مقایسه با ۵۷۶ ترابایت‌برثانیه سیستم NVIDIA GB200 NVL72 به‌مراتب بالاتر است.

برای افرادی که با فناوری DFSX آشنایی ندارند، تراشه DF1000 با لیتوگرافی بالغ ۱۴ نانومتری تولید می‌شود، اما از معماری سه‌بعدی جدیدی موسوم به Near-Memory Compute بهره می‌برد. در این طراحی، حافظه مستقیماً روی لایه پردازشی قرار می‌گیرد و از طریق فناوری اتصال هیبریدی سه‌بعدی در سطح ویفر (3D Wafer-Level Hybrid Bonding) به آن متصل می‌شود. این فناوری با ادغام مسیرهای مسی دولایه، نیاز به Microbump یا سیم‌های ارتباطی را به‌طور کامل حذف کرده و ارتباطات عمودی بسیار پرسرعتی را میان بخش پردازشی و حافظه فراهم می‌کند؛ ارتباطی که DFSX آن را به میلیون‌ها آسانسور فوق‌سریع عمودی در برابر یک بزرگراه افقی تشبیه می‌کند.

در مقابل، تراشه DF2000 که انتظار می‌رود در سه‌ماهه چهارم سال ۲۰۲۶ و همچنان با فناوری ساخت ۱۴ نانومتری معرفی شود، این ایده را یک گام فراتر می‌برد. به‌جای قرار دادن تنها یک لایه حافظه روی بخش پردازشی، DF2000 از چندین برج پردازش-حافظه در کنار یکدیگر روی یک بستر مشترک استفاده می‌کند. DFSX این فناوری را چیدمان 3.5D Infinity Chiplet می‌نامد.

این تراشه در عمل لایه‌های ذخیره‌سازی متداول را با ساختاری اختصاصی از حافظه DRAM سه‌بعدی جایگزین می‌کند و در نتیجه حجم داده‌های موقتی که مستقیماً در ساختار تراشه نگهداری می‌شود، به شکل قابل‌توجهی افزایش می‌یابد.

هدف اصلی DFSX حل یکی از مشکلات همیشگی بارهای کاری هوش مصنوعی است؛ مشکلی که در آن پردازنده‌های گرافیکی بخش قابل‌توجهی از زمان خود را در انتظار دریافت داده از حافظه سپری می‌کنند. این شرکت معتقد است که «دیوار حافظه» (Memory Wall) بزرگ‌ترین مانع افزایش عملکرد در پردازش‌های هوش مصنوعی است.

رقابت چین با انویدیا از طریق پهنای باند حافظه

اکنون DFSX اعداد و ارقامی نیز برای پشتیبانی از این ادعا ارائه کرده است. هر تراشه DF2000 پهنای باند حافظه‌ای برابر با ۱۵ ترابایت‌برثانیه دارد و زمانی که ۶۴ عدد از این تراشه‌ها در قالب یک TY64 SuperNode کنار هم قرار می‌گیرند، مجموع پهنای باند حافظه به ۹۶۰ ترابایت‌برثانیه می‌رسد. این درحالی است که سیستم GB200 NVL72 انویدیا تنها ۵۷۶ ترابایت‌برثانیه پهنای باند حافظه در اختیار دارد.

البته تفاوت میان یک تراشه ۴ نانومتری و یک تراشه ۱۴ نانومتری زمانی مشخص می‌شود که عملکرد محاسباتی BF16 آن‌ها مقایسه شود. سوپرنود TY64 مبتنی بر DF2000 توان پردازشی ۶۴ پتافلاپس BF16 ارائه می‌دهد، درحالی‌که سیستم GB200 NVL72 انویدیا به ۳۶۰ پتافلاپس BF16 دست پیدا می‌کند.

بااین‌حال، DFSX امیدوار است پهنای باند حافظه تقریباً دو برابری بتواند ضعف توان پردازشی خام سوپرنود مبتنی بر DF2000 را جبران کند.

به اعتقاد این شرکت، با بزرگ‌تر شدن مدل‌های زبانی بزرگ (LLM)، عامل محدودکننده اصلی عملکرد دیگر توان پردازشی هر تراشه نیست، بلکه عواملی مانند یکپارچه‌سازی سیستم، ظرفیت حافظه، پهنای باند حافظه، سرعت ارتباطات بین تراشه‌ها و زنجیره تأمین اهمیت بیشتری پیدا کرده‌اند.

بر همین اساس، DFSX معتقد است که FLOPS معیار مناسبی برای ارزیابی عملکرد سیستم‌های هوش مصنوعی نیست و پهنای باند حافظه باید مهم‌ترین شاخص در این حوزه باشد.

این شرکت همچنین اعلام کرده است که تراشه DF3000 در آینده پهنای باند حافظه‌ای برابر با ۲۰ ترابایت‌برثانیه ارائه خواهد کرد که در قالب سوپرنود TY64 به ۱٬۲۸۰ ترابایت‌برثانیه خواهد رسید. در همین حال، سیستم NVIDIA Vera Rubin NVL72 پهنای باند حافظه‌ای برابر با ۱٬۵۸۰ ترابایت‌برثانیه ارائه می‌دهد که تنها ۲۳ درصد بیشتر از سوپرنود مبتنی بر DF3000 خواهد بود.