سرمایه‌گذاری ۱۰۰ میلیون‌دلاری کره‌ای‌ها برای ساخت تراشه هوش مصنوعی ۲ نانومتری با مصرف ۵ وات

شرکت کره‌جنوبی DEEPX روز جمعه ۱۳ نوامبر ۲۰۲۶ جزئیات برنامه سرمایه‌گذاری بزرگی را برای توسعه نسل تازه پردازنده‌های هوش مصنوعی خود منتشر کرد. این شرکت قصد دارد بیش از ۱۰۰ میلیون دلار برای آماده‌سازی پردازنده‌ای به نام DX-M2 هزینه کند؛ تراشه‌ای که قرار است با استفاده از فناوری ساخت ۲ نانومتری سامسونگ تولید شود و امکان اجرای مدل‌های پیشرفته هوش مصنوعی را مستقیماً روی ربات‌ها، دستگاه‌های صنعتی و رایانه‌های شخصی فراهم کند.

مهم‌ترین ویژگی اعلام‌شده DX-M2، مصرف انرژی بسیار پایین آن است. DEEPX می‌گوید این پردازنده با هدف مصرف حدود پنج وات طراحی شده و قرار است بتواند مدل‌های زبانی و مدل‌های ترکیبی تصویر و زبان را بدون نیاز دائمی به یک مرکز داده اجرا کند. اگر این اهداف در نمونه‌های نهایی تحقق پیدا کنند، فناوری تازه می‌تواند در برخی کاربردها فاصله میان هوش مصنوعی قدرتمند و تجهیزات کوچک و کم‌مصرف را کاهش دهد.

بااین‌حال، هنوز نباید مشخصات موردنظر شرکت را با نتایج آزمایش یک محصول آماده فروش اشتباه گرفت. DX-M2 مرحله طراحی و تحویل اطلاعات ساخت را پشت سر گذاشته، اما نخستین نمونه سیلیکونی آن برای مارس ۲۰۲۷ برنامه‌ریزی شده است. تا زمانی که تراشه واقعی ساخته و آزمایش نشود، نمی‌توان درباره میزان مصرف انرژی، سرعت اجرای مدل‌ها و عملکرد پایدار آن نتیجه قطعی گرفت.

خبر اصلی ۱۳ نوامبر نیز درباره پایان طراحی تراشه نیست. این مرحله در اوایل نوامبر انجام شده و رسانه‌های کره‌ای پیش‌تر درباره آن گزارش داده بودند. تحول تازه، انتشار جزئیات برنامه سرمایه‌گذاری بیش از ۱۰۰ میلیون‌دلاری در گزارش بلومبرگ و پوشش همان روز رسانه‌های کره جنوبی است؛ سرمایه‌ای که علاوه بر توسعه محصول، هزینه‌های تأیید عملکرد و مهندسی تولید را پوشش می‌دهد.

DEEPX چه شرکتی است و چرا وارد رقابت تراشه‌های هوش مصنوعی شده؟

DEEPX از شرکت‌های فعال در طراحی پردازنده‌های تخصصی هوش مصنوعی در کره جنوبی است. این شرکت مانند بسیاری از طراحان تراشه، کارخانه تولید نیمه‌رسانای اختصاصی ندارد و در گروه شرکت‌های Fabless قرار می‌گیرد. در این مدل کسب‌وکار، یک شرکت معماری و طراحی پردازنده را توسعه می‌دهد و ساخت فیزیکی آن را به کارخانه تخصصی دیگری می‌سپارد.

DEEPX در نسل قبلی محصولات خود بیشتر بر پردازش تصویر، تشخیص اشیا و اجرای شبکه‌های عصبی در تجهیزات کم‌مصرف تمرکز داشت. پردازنده DX-M1 که با فناوری ۵ نانومتری سامسونگ ساخته شده، بخشی از همین مسیر توسعه است.

اما صنعت هوش مصنوعی در مدت کوتاهی تغییر کرده است. اکنون بسیاری از شرکت‌ها می‌خواهند مدل‌هایی را که قادر به تحلیل متن، تصویر و دستورهای پیچیده هستند، در تجهیزات فیزیکی به کار بگیرند.

برای مثال، یک ربات صنعتی ممکن است نیاز داشته باشد تصویر دوربین خود را تحلیل کند، فرمان کاربر را بفهمد و درباره اقدام بعدی تصمیم بگیرد. انجام تمام این مراحل با ارسال مداوم اطلاعات به یک سرور خارجی همیشه مناسب نیست.

DEEPX تلاش می‌کند پردازنده‌ای عرضه کند که بخشی از این محاسبات را در خود دستگاه انجام دهد.

البته بازار تراشه‌های هوش مصنوعی لبه‌ای رقابتی است و شرکت‌های متعددی در آن فعالیت می‌کنند. موفقیت یک محصول جدید به توان پردازشی، مصرف انرژی، قیمت، ابزارهای نرم‌افزاری و دسترسی تولیدکنندگان دستگاه‌ها به آن وابسته خواهد بود.

فناوری ۲ نانومتری سامسونگ چه مزیتی دارد؟

یکی از مهم‌ترین ویژگی‌های DX-M2، استفاده از نسل دوم فناوری ساخت ۲ نانومتری سامسونگ با نام SF2P است.

در صنعت نیمه‌رسانا، نام‌هایی مانند پنج، سه و دو نانومتر به نسل‌های متفاوت فناوری تولید اشاره دارند. این اعداد دیگر لزوماً بیانگر اندازه فیزیکی دقیق یک بخش مشخص از ترانزیستور نیستند، بلکه نام‌گذاری صنعتی فرایندهای تولید محسوب می‌شوند.

به‌طور کلی، نسل‌های پیشرفته‌تر ساخت می‌توانند امکان طراحی مدارهایی با تراکم بالاتر، عملکرد بهتر یا مصرف انرژی کمتر را فراهم کنند. اما نتیجه نهایی به معماری تراشه، طراحی مدارها و شرایط استفاده نیز بستگی دارد.

سامسونگ در فناوری‌های پیشرفته خود از ساختار ترانزیستور Gate-All-Around استفاده می‌کند. در این ساختار، گیت کنترل‌کننده ترانزیستور می‌تواند کانال رسانای آن را از جهات بیشتری احاطه کند.

هدف چنین طراحی‌ای کنترل بهتر جریان الکتریکی و کمک به کاهش جریان‌های ناخواسته است.

بااین‌حال، استفاده از فرایند ۲ نانومتری تضمین نمی‌کند یک پردازنده در تمام وظایف سریع‌تر از رقیب ساخته‌شده با فناوری قدیمی‌تر باشد.

نوع حافظه، پهنای باند انتقال داده، معماری واحدهای پردازشی و کیفیت نرم‌افزار می‌توانند تأثیر بسیار زیادی بر عملکرد داشته باشند.

برای DEEPX، انتخاب فناوری پیشرفته سامسونگ بخشی از تلاش برای رسیدن به مصرف پایین در کنار اجرای مدل‌های بزرگ‌تر است.

تراشه‌ای با مصرف فقط پنج وات؛ این عدد چه معنایی دارد؟

DEEPX هدف مصرف حدود پنج وات را برای DX-M2 مطرح کرده است. این رقم در مقایسه با شتاب‌دهنده‌های بزرگی که در مراکز داده استفاده می‌شوند بسیار پایین به نظر می‌رسد.

اما مقایسه مستقیم توان مصرفی دو تراشه بدون توجه به نوع کار آن‌ها گمراه‌کننده خواهد بود.

پردازنده‌ای که در مرکز داده فعالیت می‌کند، ممکن است برای پاسخ‌گویی هم‌زمان به تعداد زیادی کاربر طراحی شده باشد. در مقابل، پردازنده داخل یک ربات یا دوربین هوشمند معمولاً باید وظایف محدودتری را با کمترین مصرف برق انجام دهد.

در تجهیزات باتری‌دار، چند وات اختلاف مصرف می‌تواند بر مدت استفاده و طراحی سیستم خنک‌سازی اثر بگذارد.

برای مثال، یک ربات متحرک باید انرژی باتری خود را میان موتورهای حرکتی، حسگرها، تجهیزات ارتباطی و سامانه پردازشی تقسیم کند.

اگر پردازنده هوش مصنوعی انرژی زیادی مصرف کند، ممکن است زمان فعالیت دستگاه کاهش یابد یا به مجموعه خنک‌کننده بزرگ‌تری نیاز باشد.

از سوی دیگر، مصرف پنج وات باید با شرایط آزمایش مشخص شود. هنوز روشن نیست تراشه نهایی در تمام مدل‌ها و بارهای کاری با چنین مقداری فعالیت خواهد کرد یا خیر.

بنابراین عدد پنج وات فعلاً یک هدف طراحی و ادعای عملکردی شرکت است، نه نتیجه قطعی آزمایش مستقل محصول نهایی.

اجرای مدل‌های ۱۰۰ میلیاردپارامتری روی ربات چگونه ممکن می‌شود؟

یکی از بلندپروازانه‌ترین اهداف DX-M2، پشتیبانی از اجرای مدل‌های زبانی بزرگ با اندازه‌ای در محدوده ۲۰ تا ۱۰۰ میلیارد پارامتر است.

پارامترها مقادیر عددی درون مدل‌های یادگیری ماشین هستند که در طول آموزش تنظیم می‌شوند و در پردازش اطلاعات نقش دارند.

هرچه تعداد پارامترها بیشتر باشد، معمولاً به حافظه و منابع پردازشی بیشتری نیاز خواهد بود؛ هرچند کیفیت مدل فقط به تعداد پارامترهای آن وابسته نیست.

DEEPX می‌خواهد با ترکیبی از معماری پردازنده، مدیریت حافظه و روش‌های بهینه‌سازی مدل، اجرای چنین سامانه‌هایی را در تجهیزات لبه‌ای ممکن کند.

در برخی معماری‌های هوش مصنوعی، همه پارامترهای مدل برای تولید هر پاسخ فعال نمی‌شوند. برای نمونه، مدل‌های مبتنی بر ترکیب متخصصان یا Mixture of Experts می‌توانند در هر مرحله تنها بخشی از اجزای خود را به کار بگیرند.

به همین دلیل، تفاوت میان تعداد کل پارامترهای مدل و تعداد پارامترهای فعال هنگام پردازش اهمیت دارد.

در گزارش‌های فنی مربوط به DX-M2، به مدل‌هایی با تعداد کل پارامترهای بزرگ و تعداد پارامترهای فعال کمتر اشاره شده است.

در نتیجه، ادعای پشتیبانی از مدل ۱۰۰ میلیاردپارامتری به این معنا نیست که تراشه می‌تواند هر مدل متراکم با این اندازه را در هر شرایطی با سرعت مناسب اجرا کند.

سرعت ۱۰ تا ۳۰ توکن در ثانیه چقدر کاربردی است؟

DEEPX برای بعضی مدل‌ها و شرایط پردازشی، سرعت هدف‌گذاری‌شده‌ای در محدوده ۱۰ تا ۳۰ توکن در ثانیه اعلام کرده است.

توکن واحدی است که مدل زبانی برای پردازش و تولید متن از آن استفاده می‌کند. بسته به زبان و نوع متن، یک توکن ممکن است بخشی از یک واژه، یک واژه کامل یا مجموعه دیگری از نویسه‌ها باشد.

اگر مدلی با سرعت ۳۰ توکن در ثانیه پاسخ تولید کند، در برخی کاربردهای گفت‌وگومحور می‌تواند تجربه نسبتاً روانی ایجاد کند.

اما سرعت مناسب برای یک کار، لزوماً برای کار دیگری کافی نیست.

برای مثال، یک دستیار صوتی ممکن است علاوه بر تولید متن، به زمان پردازش صوت، تشخیص فرمان و انجام عملیات دیگر نیاز داشته باشد.

در یک ربات نیز تأخیر تصمیم‌گیری اهمیت زیادی دارد، زیرا دستگاه ممکن است در محیطی متغیر فعالیت کند.

از سوی دیگر، عدد توکن در ثانیه فقط یکی از معیارهای عملکرد است. زمان آغاز پاسخ، مصرف حافظه، توانایی پردازش ورودی‌های بلند و سرعت اجرای هم‌زمان چند وظیفه نیز اهمیت دارند.

بنابراین پیش از مقایسه DX-M2 با محصولات دیگر، باید نتایج آزمایش تراشه واقعی و شرایط دقیق اندازه‌گیری منتشر شوند.

نقش حافظه در اجرای مدل‌های بزرگ چیست؟

یکی از مشکلات اصلی اجرای مدل‌های هوش مصنوعی روی دستگاه‌های کوچک، محدودیت حافظه است.

حتی اگر پردازنده قدرت محاسباتی مناسبی داشته باشد، باید بتواند پارامترهای مدل و داده‌های موردنیاز را به‌موقع دریافت کند.

در بعضی بارهای کاری، سرعت انتقال داده میان حافظه و پردازنده به عامل محدودکننده تبدیل می‌شود.

این مسئله به‌ویژه در مدل‌های زبانی اهمیت دارد، زیرا تولید پاسخ ممکن است به دسترسی مکرر به بخش‌های مختلف مدل نیاز داشته باشد.

در اطلاعات فنی مربوط به DX-M2، به پشتیبانی از حافظه LPDDR5X پرسرعت و ظرفیت‌های حافظه نسبتاً بالا اشاره شده است.

LPDDR5X از خانواده حافظه‌های کم‌مصرف است و در دستگاه‌هایی استفاده می‌شود که میان پهنای باند، مصرف برق و فضای فیزیکی باید تعادل برقرار شود.

انتخاب این فناوری می‌تواند برای پردازنده‌ای که قرار است در ربات‌ها یا تجهیزات صنعتی استفاده شود منطقی باشد.

اما ظرفیت حافظه به‌تنهایی عملکرد را مشخص نمی‌کند. پهنای باند، تأخیر و نحوه مدیریت داده‌ها نیز مهم هستند.

همچنین باید روشن شود در کاربردهای واقعی، چه مقدار انرژی توسط حافظه و چه مقدار توسط خود شتاب‌دهنده مصرف می‌شود.

چرا پردازش هوش مصنوعی در خود دستگاه اهمیت دارد؟

بسیاری از خدمات هوش مصنوعی امروز بر پایه ارتباط با سرورهای ابری طراحی شده‌اند.

کاربر درخواست خود را ارسال می‌کند، مدل در مرکز داده آن را پردازش می‌کند و پاسخ به دستگاه بازمی‌گردد.

این معماری مزایای مهمی دارد. مراکز داده می‌توانند منابع پردازشی بسیار بزرگی در اختیار داشته باشند و مدیریت مدل‌ها نیز به‌صورت متمرکز انجام شود.

اما همیشه بهترین گزینه نیست.

در بعضی محیط‌های صنعتی، ارتباط اینترنتی ممکن است محدود یا ناپایدار باشد.

همچنین ارسال اطلاعات حساس دوربین یا میکروفون به سرور خارجی می‌تواند نگرانی‌هایی درباره حریم خصوصی ایجاد کند.

در سامانه‌های بلادرنگ نیز زمان رفت‌وبرگشت داده ممکن است بر عملکرد تأثیر بگذارد.

اجرای محلی مدل می‌تواند وابستگی به شبکه را کاهش دهد و در بعضی کاربردها زمان پاسخ را کوتاه‌تر کند.

البته اجرای محلی به‌خودی‌خود تضمین‌کننده امنیت یا عملکرد بهتر نیست.

دستگاه همچنان به حفاظت نرم‌افزاری، مدیریت دسترسی و دریافت به‌روزرسانی نیاز دارد.

مزیت اصلی آن است که طراح محصول می‌تواند بسته به نیاز، تصمیم بگیرد چه مقدار از پردازش در خود دستگاه و چه مقدار در زیرساخت ابری انجام شود.

کاربرد DX-M2 در ربات‌های صنعتی

یکی از بازارهای هدف DEEPX، رباتیک است.

ربات‌های صنعتی سنتی اغلب برای اجرای وظایف مشخص و تکرارشونده برنامه‌ریزی می‌شوند. اما نسل جدید ربات‌ها ممکن است به قابلیت‌های بیشتری برای درک محیط، تفسیر دستورهای انسانی و تصمیم‌گیری نیاز داشته باشند.

برای مثال، رباتی که در یک انبار فعالیت می‌کند شاید لازم باشد بتواند اشیای متفاوت را شناسایی کند و درباره نحوه جابه‌جایی آن‌ها تصمیم بگیرد.

ترکیب مدل‌های زبانی با مدل‌های پردازش تصویر می‌تواند در توسعه چنین قابلیت‌هایی نقش داشته باشد.

اما اجرای این مدل‌ها روی یک ربات کوچک با محدودیت‌های انرژی و فضای نصب همراه است.

پردازنده‌ای با مصرف کم می‌تواند یکی از اجزای لازم برای حل این مسئله باشد.

بااین‌حال، هوش مصنوعی روی ربات فقط به تراشه استنتاج وابسته نیست.

حسگرها، نرم‌افزار کنترل حرکت، سامانه‌های ایمنی و تجهیزات مکانیکی نیز باید با یکدیگر هماهنگ شوند.

بنابراین عرضه DX-M2 به‌تنهایی به معنای ساخت رباتی کاملاً خودمختار نیست.

این تراشه در صورت تحقق اهداف طراحی می‌تواند بخشی از زیرساخت پردازشی موردنیاز چنین ربات‌هایی را فراهم کند.

هوش مصنوعی لبه‌ای در کارخانه‌ها چه کاربردی دارد؟

کارخانه‌ها از محیط‌هایی هستند که پردازش هوش مصنوعی در نزدیکی تجهیزات می‌تواند ارزش عملی داشته باشد.

برای نمونه، دوربین‌های خطوط تولید می‌توانند تصاویر قطعات را بررسی کنند و موارد مشکوک به نقص را شناسایی کنند.

در سامانه‌های پیچیده‌تر، هوش مصنوعی ممکن است برای تحلیل وضعیت دستگاه‌ها یا کمک به کارکنان در پیدا کردن دستورالعمل‌های فنی استفاده شود.

اما انتقال دائمی تمام داده‌ها به یک مرکز داده خارجی همیشه مطلوب نیست.

یک کارخانه ممکن است محدودیت‌های ارتباطی یا امنیتی داشته باشد. در بعضی موارد نیز پاسخ سریع برای ادامه فرایند تولید ضروری است.

پردازنده‌های لبه‌ای می‌توانند بخشی از این محاسبات را در همان محل انجام دهند.

بااین‌حال، باید به تفاوت میان کاربردهای مختلف توجه کرد.

تشخیص یک نقص ساده تصویری ممکن است با پردازنده کوچک‌تری انجام شود. در مقابل، اجرای مدل زبانی بزرگ برای تحلیل اسناد و دستورهای پیچیده به منابع بیشتری نیاز دارد.

DX-M2 بیشتر برای گسترش دامنه کاربردهای هوش مصنوعی مولد در چنین محیط‌هایی معرفی شده است.

موفقیت آن به این بستگی دارد که مزیت عملکردی در برابر هزینه و مصرف انرژی تا چه اندازه برای مشتری صنعتی قابل اثبات باشد.

چرا سامسونگ برای ساخت DX-M2 انتخاب شده است؟

DEEPX برای ساخت نسل جدید پردازنده خود با بخش Foundry سامسونگ همکاری می‌کند.

بخش تولید قراردادی یا Foundry وظیفه ساخت تراشه‌هایی را بر عهده دارد که شرکت‌های دیگر طراحی کرده‌اند.

این مدل همکاری در صنعت نیمه‌رسانا رایج است، زیرا راه‌اندازی کارخانه پیشرفته تولید تراشه به سرمایه بسیار بالایی نیاز دارد.

یک طراح تراشه کوچک معمولاً نمی‌تواند به‌تنهایی کارخانه‌ای در مقیاس فناوری دو نانومتری ایجاد کند.

سامسونگ با ارائه خدمات تولید قراردادی می‌تواند از طراحی شرکت‌هایی مانند DEEPX پشتیبانی کند.

از طرف دیگر، جذب مشتریان تخصصی به سامسونگ کمک می‌کند ظرفیت فناوری‌های ساخت پیشرفته خود را در بازارهای متنوع‌تری به کار بگیرد.

اما موفقیت یک همکاری طراحی و ساخت تنها به امضای توافق وابسته نیست.

بازده تولید، عملکرد نمونه‌های اولیه، کیفیت تراشه‌ها و زمان تحویل همگی اهمیت دارند.

به همین دلیل، برنامه DEEPX هنوز مراحل مهمی تا تولید تجاری گسترده در پیش دارد.

مرحله Tape-out دقیقاً چیست؟

یکی از اصطلاحاتی که در خبرهای صنعت تراشه زیاد دیده می‌شود، Tape-out است.

این مرحله زمانی رخ می‌دهد که طراحی یک تراشه به اندازه کافی نهایی شده و اطلاعات لازم برای ورود به فرایند ساخت به کارخانه منتقل می‌شود.

در این مرحله، داده‌های مربوط به چیدمان مدارها و ساختارهای فیزیکی تراشه آماده می‌شوند تا مراحل ساخت ماسک و تولید نمونه آغاز شود.

اما پایان Tape-out به معنای آن نیست که تراشه آماده فروش یا حتی نخستین نمونه آن ساخته شده است.

پس از این مرحله، کارخانه باید فرایندهای پیچیده تولید را انجام دهد.

وقتی نخستین نمونه‌های سیلیکونی آماده شدند، مهندسان باید بررسی کنند تراشه واقعاً مطابق انتظار کار می‌کند یا خیر.

ممکن است در این آزمون‌ها مشکلاتی مشخص شوند که به اصلاح طراحی یا تغییر تنظیمات نیاز داشته باشند.

DEEPX مرحله Tape-out مربوط به DX-M2 را در اوایل نوامبر پشت سر گذاشته است. رسانه‌های تخصصی از ۹ و ۱۰ نوامبر درباره آن گزارش داده بودند.

بنابراین این مرحله رویداد اختصاصی ۱۳ نوامبر نیست.

تازه‌ترین تحول روز سیزدهم، انتشار جزئیات میزان سرمایه‌گذاری لازم برای رساندن محصول به مراحل بعدی است.

بیش از ۱۰۰ میلیون دلار قرار است صرف چه کاری شود؟

طبق گزارشی که ۱۳ نوامبر در بلومبرگ منتشر شد، DEEPX قصد دارد بیش از ۱۰۰ میلیون دلار برای برنامه DX-M2 هزینه کند.

این رقم شامل هزینه‌های مرتبط با توسعه، ارزیابی عملکرد و مهندسی تولید است.

ساخت یک پردازنده پیشرفته تنها به طراحی معماری آن محدود نمی‌شود.

شرکت باید ابزارهای طراحی، نیروی انسانی متخصص، آزمون‌های شبیه‌سازی، آماده‌سازی فرایند تولید و بررسی نمونه‌های اولیه را تأمین مالی کند.

علاوه بر این، پس از ساخت نمونه فیزیکی، ممکن است برای اصلاح عملکرد و آماده‌سازی تولید انبوه هزینه‌های بیشتری لازم باشد.

نکته مهم این است که مبلغ بیش از ۱۰۰ میلیون دلار به برنامه سرمایه‌گذاری و توسعه محصول مربوط می‌شود.

نباید آن را درآمد تحقق‌یافته شرکت، ارزش قرارداد فروش با سامسونگ یا سود حاصل از فروش تراشه دانست.

همچنین این عدد به‌معنای آن نیست که تمام مبلغ در روز ۱۳ نوامبر پرداخت شده است.

سرمایه‌گذاری در پروژه‌های نیمه‌رسانا معمولاً طی چند مرحله انجام می‌شود و به برنامه فنی و تجاری شرکت وابسته است.

زمان‌بندی تولید DX-M2 چگونه خواهد بود؟

براساس برنامه اعلام‌شده، DEEPX انتظار دارد نخستین نمونه سیلیکونی DX-M2 را در مارس ۲۰۲۷ دریافت کند.

پس از آن، قرار است نمونه‌هایی در اختیار مشتریان برای ارزیابی قرار بگیرد.

زمان هدف‌گذاری‌شده برای این مرحله، سه‌ماهه دوم سال ۲۰۲۷ است.

اگر مراحل آزمایش و آماده‌سازی طبق برنامه پیش بروند، شرکت قصد دارد در سه‌ماهه چهارم ۲۰۲۷ نخستین محموله‌های تولیدی را عرضه کند.

توسعه تولید گسترده‌تر و توزیع جهانی نیز برای سال ۲۰۲۸ در نظر گرفته شده است.

این جدول زمانی نشان می‌دهد فاصله قابل توجهی میان پایان طراحی و عرضه تجاری گسترده وجود دارد.

همچنین باید توجه داشت زمان‌بندی اعلام‌شده، برنامه شرکت است و هنوز نتیجه قطعی مراحل آینده محسوب نمی‌شود.

اگر نمونه اولیه نیازمند اصلاح باشد یا مشکلات تولیدی ایجاد شود، ممکن است برنامه تغییر کند.

به همین دلیل، مشتریان صنعتی باید علاوه بر مشخصات هدف‌گذاری‌شده، وضعیت واقعی آماده‌بودن محصول را دنبال کنند.

جایزه CES 2027 چه چیزی را ثابت می‌کند؟

DX-M2 در اوایل نوامبر به‌عنوان یکی از محصولات برگزیده برنامه جوایز نوآوری CES 2027 معرفی شده بود.

این خبر در ۱۰ نوامبر توسط خبرگزاری یونهاپ و رسانه‌های دیگر کره جنوبی منتشر شد.

دریافت چنین عنوانی می‌تواند برای یک شرکت کوچک فناوری ارزش تبلیغاتی داشته باشد و توجه مشتریان احتمالی را جلب کند.

اما جایزه نوآوری به معنای اثبات تمام مشخصات عملکردی تراشه در محصول نهایی نیست.

به‌ویژه وقتی نخستین نمونه فیزیکی هنوز برای سال بعد برنامه‌ریزی شده است، نباید نتیجه گرفت توان مصرفی و سرعت اجرای مدل‌ها به‌صورت مستقل در سخت‌افزار نهایی تأیید شده‌اند.

همچنین دریافت جایزه به‌تنهایی تضمین نمی‌کند شرکت بتواند محصول را در تیراژ بالا و با هزینه مناسب تولید کند.

بنابراین ارزش این رویداد بیشتر در جلب توجه به فناوری و اهداف طراحی است.

در گزارش مربوط به ۱۳ نوامبر نیز باید جایزه CES را بخشی از پیشینه پروژه دانست، نه اتفاقی که همان روز رخ داده است.

تفاوت DX-M2 با نسل قبلی چیست؟

نسل نخست تراشه‌های DEEPX بیشتر بر وظایف متداول هوش مصنوعی لبه‌ای تمرکز داشت.

چنین وظایفی می‌توانند شامل شناسایی اشیا، تحلیل تصویر و اجرای شبکه‌های عصبی برای کاربردهای صنعتی باشند.

اما DX-M2 قرار است دامنه کار را به مدل‌های مولد و مدل‌هایی گسترش دهد که می‌توانند متن و تصویر را با یکدیگر پردازش کنند.

این تغییر از نظر معماری پردازنده و سیستم حافظه اهمیت زیادی دارد.

مدل‌های زبانی بزرگ معمولاً رفتار محاسباتی متفاوتی نسبت به شبکه‌های ساده‌تر تشخیص تصویر دارند.

در بسیاری از شرایط، نیاز به دسترسی مکرر به حجم زیادی از پارامترهای مدل، فشار قابل توجهی بر حافظه وارد می‌کند.

بنابراین توسعه نسل دوم فقط با افزایش تعداد واحدهای پردازشی انجام نمی‌شود.

DEEPX باید میان توان محاسباتی، پهنای باند حافظه، مصرف برق و قابلیت‌های نرم‌افزاری تعادل برقرار کند.

اگر این برنامه موفق باشد، شرکت می‌تواند از بازار محدودتر شتاب‌دهنده‌های بینایی ماشین به کاربردهای گسترده‌تر هوش مصنوعی مولد وارد شود.

چرا نرم‌افزار به اندازه تراشه مهم است؟

پردازنده تخصصی هوش مصنوعی بدون ابزارهای نرم‌افزاری مناسب ممکن است برای توسعه‌دهندگان جذاب نباشد.

شرکت‌هایی که مدل‌های یادگیری ماشین می‌سازند، معمولاً از چارچوب‌ها و کتابخانه‌های شناخته‌شده استفاده می‌کنند.

برای انتقال یک مدل به تراشه جدید، ممکن است لازم باشد مدل تبدیل، بهینه‌سازی یا با قالب عددی مناسبی اجرا شود.

همچنین توسعه‌دهنده باید ابزارهایی برای بررسی عملکرد و شناسایی خطا در اختیار داشته باشد.

اگر استفاده از تراشه به تغییرات گسترده نرم‌افزاری نیاز پیدا کند، هزینه ورود به محصول افزایش خواهد یافت.

DEEPX برای نسل قبلی تراشه‌های خود ابزارها و مستندات توسعه منتشر کرده است.

اما موفقیت DX-M2 نیز به کیفیت پشتیبانی نرم‌افزاری آن وابسته خواهد بود.

به‌ویژه برای اجرای مدل‌های بزرگ، شیوه مدیریت حافظه و سازگاری با معماری‌های مختلف اهمیت دارد.

در نتیجه، مقایسه تراشه‌ها فقط براساس تعداد TOPS یا میزان مصرف برق کافی نیست.

تجربه واقعی توسعه‌دهنده و قابلیت اجرای مدل موردنظر می‌تواند تصمیم خرید را تغییر دهد.

آیا پردازش محلی می‌تواند مصرف برق مراکز داده را کاهش دهد؟

یکی از استدلال‌های DEEPX درباره آینده هوش مصنوعی، انتقال بخشی از بار پردازشی از مراکز داده به دستگاه‌های کاربران است.

اگر یک ربات یا دوربین بتواند کار خود را به‌صورت محلی انجام دهد، ممکن است نیاز کمتری به ارسال دائمی داده به سرور داشته باشد.

این تغییر در بعضی کاربردها می‌تواند از ترافیک شبکه و مصرف منابع ابری بکاهد.

اما نتیجه نهایی به الگوی استفاده وابسته است.

برای مثال، ممکن است یک مرکز داده به‌صورت مشترک به تعداد زیادی کاربر خدمات ارائه کند و از نظر بهره‌برداری از سخت‌افزار کارآمد باشد.

در مقابل، پردازنده‌های محلی ممکن است در تعداد بسیار زیادی دستگاه نصب شوند و بخش زیادی از زمان را بدون استفاده بگذرانند.

بنابراین انتقال پردازش به لبه لزوماً در همه سناریوها مصرف انرژی کل سامانه را کاهش نمی‌دهد.

برای بررسی دقیق باید مصرف برق دستگاه‌ها، ارتباطات شبکه، زیرساخت ابری و حجم واقعی فعالیت مقایسه شوند.

بااین‌حال، در کاربردهایی که تأخیر کم یا کارکرد بدون اینترنت اهمیت دارد، پردازش محلی می‌تواند مزیتی مستقل از صرفه‌جویی انرژی داشته باشد.

وضعیت تجاری DEEPX پیش از DX-M2 چگونه بود؟

DEEPX پیش از برنامه تازه نیز فعالیت تجاری در حوزه تراشه‌های هوش مصنوعی لبه‌ای داشته است.

طبق گزارش‌های منتشرشده در نوامبر، شرکت از آغاز تولید انبوه DX-M1 در سال ۲۰۲۵ خبر داده بود.

همچنین اعلام شده بود که تا اکتبر ۲۰۲۶ تعداد ۸۸ سفارش خرید در چندین کشور و صنعت ثبت شده است.

ارزش اعلام‌شده این سفارش‌ها حدود ۱۳٫۳ میلیون دلار بود.

اما این اطلاعات به فعالیت تجاری شرکت و محصولات موجود آن مربوط می‌شوند و نباید به‌عنوان پیش‌فروش قطعی DX-M2 معرفی شوند.

همچنین سفارش خرید لزوماً به معنی شناسایی فوری تمام مبلغ به‌عنوان درآمد نیست.

زمان تحویل، شرایط قرارداد و نحوه ثبت حسابداری می‌توانند بر درآمد نهایی تأثیر بگذارند.

این جزئیات نشان می‌دهند DEEPX کاملاً در مرحله ایده اولیه قرار ندارد، اما برای ارزیابی توان تجاری‌سازی نسل جدید باید منتظر داده‌های اختصاصی آن ماند.

ریسک‌های اصلی سرمایه‌گذاری ۱۰۰ میلیون‌دلاری چیست؟

توسعه تراشه در فناوری ساخت پیشرفته با هزینه و ریسک بالا همراه است.

یکی از مهم‌ترین خطرها، تفاوت میان عملکرد پیش‌بینی‌شده در طراحی و نتیجه نمونه سیلیکونی است.

ممکن است تراشه پس از ساخت، در برخی بارهای کاری به مصرف انرژی یا سرعت موردنظر نرسد.

همچنین تولید انبوه می‌تواند با مسئله بازده ساخت روبه‌رو شود؛ یعنی نسبت تراشه‌های سالم به کل تراشه‌های تولیدشده.

اگر این نسبت پایین باشد، هزینه تمام‌شده محصول افزایش پیدا می‌کند.

ریسک دیگر به بازار مربوط است.

حتی اگر DX-M2 از نظر فنی موفق باشد، باید مشتریانی پیدا کند که حاضر باشند آن را در محصولات خود به کار بگیرند.

در صنعت رباتیک و تجهیزات صنعتی، چرخه طراحی و تأیید قطعات ممکن است طولانی باشد.

شرکت سازنده دستگاه باید از قابلیت اطمینان، دسترسی مستمر و پشتیبانی نرم‌افزاری تراشه مطمئن شود.

در نتیجه، بیش از ۱۰۰ میلیون دلار سرمایه‌گذاری نشان‌دهنده جدیت برنامه است، اما موفقیت اقتصادی آن را تضمین نمی‌کند.

این خبر برای صنعت نیمه‌رسانای کره جنوبی چه معنایی دارد؟

کره جنوبی یکی از کشورهای مهم در صنعت جهانی نیمه‌رسانا محسوب می‌شود.

شرکت‌هایی مانند سامسونگ و SK Hynix در بخش‌های مختلف زنجیره تولید تراشه حضور دارند.

اما توسعه شرکت‌های طراحی پردازنده تخصصی نیز می‌تواند به تنوع این صنعت کمک کند.

همکاری DEEPX با سامسونگ نمونه‌ای از ارتباط میان یک طراح تراشه کوچک و یک تولیدکننده بزرگ نیمه‌رساناست.

چنین همکاری‌هایی می‌توانند فرصت استفاده از فناوری‌های پیشرفته ساخت را برای شرکت‌هایی فراهم کنند که امکان ایجاد کارخانه مستقل ندارند.

از سوی دیگر، موفقیت طراحان محلی می‌تواند به افزایش تقاضا برای خدمات تولید قراردادی منجر شود.

بااین‌حال، نباید از یک پروژه نتیجه گرفت کره جنوبی در تمام بخش‌های بازار شتاب‌دهنده هوش مصنوعی به جایگاه اول رسیده است.

رقابت جهانی همچنان شدید است و شرکت‌های فعال در آمریکا، تایوان، چین و سایر کشورها نیز برای جذب مشتریان تلاش می‌کنند.

ارزش این پروژه در توسعه یک مسیر تازه برای پردازش هوش مصنوعی کم‌مصرف است.

آیا DX-M2 جای پردازنده‌های بزرگ انویدیا را می‌گیرد؟

پرسشی که ممکن است مطرح شود این است که آیا تراشه‌ای با مصرف پنج وات می‌تواند جای شتاب‌دهنده‌های پرقدرت مراکز داده را بگیرد؟

پاسخ به نوع کاربرد بستگی دارد.

شتاب‌دهنده‌های بزرگ برای وظایفی مانند آموزش مدل‌های عظیم، پردازش درخواست‌های هم‌زمان و اجرای بارهای کاری سنگین طراحی شده‌اند.

در مقابل، تراشه‌های لبه‌ای معمولاً به مصرف انرژی، اندازه و قیمت حساس‌تر هستند.

یک ربات کوچک ممکن است اصلاً امکان نصب شتاب‌دهنده بزرگ و سامانه خنک‌کننده آن را نداشته باشد.

اما همین ربات لزوماً به تمام ظرفیت یک مرکز داده هم نیاز ندارد.

بنابراین DX-M2 قرار نیست با یک محصول واحد تمام کاربردهای مراکز داده را جایگزین کند.

هدف آن پوشش بخشی از بازار است که اجرای محلی مدل‌ها در آن ارزش بیشتری دارد.

در بعضی سامانه‌های آینده نیز ممکن است پردازش محلی و ابری در کنار یکدیگر استفاده شوند.

برای مثال، دستگاه می‌تواند وظایف روزمره را محلی انجام دهد و تنها برای عملیات بسیار سنگین به مرکز داده متصل شود.

چه چیزهایی هنوز درباره DX-M2 مشخص نیست؟

با وجود انتشار اطلاعات فنی و مالی، پرسش‌های مهمی همچنان باقی مانده‌اند.

نخست، عملکرد واقعی تراشه پس از ساخت نمونه سیلیکونی است.

دوم، میزان مصرف انرژی هنگام اجرای مدل‌های مختلف و در شرایط کاری پایدار خواهد بود.

سوم، قیمت نهایی و هزینه استفاده برای تولیدکنندگان دستگاه‌ها اهمیت دارد.

چهارم، کیفیت ابزارهای نرم‌افزاری و سازگاری با مدل‌های رایج باید بررسی شود.

پنجم، بازده تولید در فناوری ساخت انتخاب‌شده می‌تواند بر امکان عرضه اقتصادی محصول تأثیر بگذارد.

همچنین لازم است مشخص شود کدام مدل‌ها واقعاً در محدوده مصرف اعلام‌شده اجرا می‌شوند و سرعت آن‌ها در چه شرایطی اندازه‌گیری شده است.

تا زمان انتشار آزمون‌های مستقل، بهتر است مشخصات اعلام‌شده به‌عنوان اهداف شرکت معرفی شوند.

این احتیاط از اهمیت خبر کم نمی‌کند؛ بلکه تصویر دقیق‌تری از مرحله توسعه فناوری ارائه می‌دهد.

جمع‌بندی؛ سرمایه‌گذاری بزرگ برای انتقال هوش مصنوعی از ابر به دستگاه

برنامه سرمایه‌گذاری بیش از ۱۰۰ میلیون‌دلاری DEEPX که جزئیات آن در ۱۳ نوامبر ۲۰۲۶ منتشر شد، نشان‌دهنده تلاش تازه‌ای برای گسترش بازار پردازنده‌های کم‌مصرف هوش مصنوعی است.

این شرکت می‌خواهد DX-M2 را با فناوری ساخت دو نانومتری سامسونگ تولید کند و امکان اجرای بعضی مدل‌های بزرگ زبان و تصویر را با مصرف انرژی بسیار پایین فراهم آورد.

هدف اصلی، استفاده از هوش مصنوعی مولد در تجهیزات فیزیکی مانند ربات‌ها، دستگاه‌های صنعتی و رایانه‌های شخصی است؛ محصولاتی که همیشه نمی‌توانند به سرورهای ابری وابسته باشند.

بااین‌حال، پایان طراحی تراشه در اوایل نوامبر اتفاق افتاده بود و گزارش‌های مربوط به Tape-out و دریافت جایزه CES پیش از ۱۳ نوامبر منتشر شده بودند. خبر تازه این روز، افشای برنامه سرمایه‌گذاری و جزئیات مالی رساندن پروژه به مراحل بعدی است.

نخستین نمونه سیلیکونی برای مارس ۲۰۲۷ و تولید تجاری گسترده برای سال ۲۰۲۸ هدف‌گذاری شده است. بنابراین هنوز نمی‌توان درباره عملکرد نهایی پنج‌واتی یا سرعت اجرای مدل‌های بزرگ با اطمینان قضاوت کرد.

اگر اهداف فنی شرکت در نمونه‌های واقعی تحقق یابند و هزینه محصول برای مشتریان قابل قبول باشد، DX-M2 می‌تواند یکی از گزینه‌های تازه بازار هوش مصنوعی لبه‌ای باشد.

اما موفقیت واقعی آن زمانی مشخص خواهد شد که تراشه از مرحله طراحی به تولید برسد، در اختیار مشتریان قرار گیرد و در دستگاه‌های واقعی عملکرد قابل اعتمادی نشان دهد.

مشاهده بیشتر

نوشته های مشابه

دکمه بازگشت به بالا