زیرساخت هوش مصنوعی در دنیایی پویا؛ چرا انعطاف‌پذیری اهمیت دارد؟
تاریخ انتشار: ۷ اکتبر ۲۰۲۶
نویسنده: الکسی ناوولوکین (Alexey Navolokin)، مدیرکل منطقه آسیا و اقیانوسیه شرکت AMD
هیچ‌کس در صنعت فناوری اطلاعات نمی‌تواند با اطمینان بگوید هوش مصنوعی در پنج سال آینده چه شکلی خواهد داشت. هنوز مشخص نیست کدام معماری مدل‌های هوش مصنوعی به استاندارد غالب تبدیل می‌شود، چه نسبتی میان آموزش مدل‌ها و اجرای استنتاج برقرار خواهد شد و چه میزان از پردازش‌های هوش مصنوعی در مراکز داده، زیرساخت‌های ابری یا حتی لپ‌تاپ‌ها و دستگاه‌های کوچک‌تر انجام می‌شود.با وجود این ابهام‌ها، مدیران زیرساخت فناوری اطلاعات باید همین امروز درباره تصمیم‌ها و سرمایه‌گذاری‌هایی اقدام کنند که قرار است زیربنای فناوری کسب‌وکار آن‌ها را برای پنج تا هفت سال آینده تشکیل دهد.
چالش اصلی، انتخاب بهترین فناوری امروز نیست؛ بلکه ساخت زیرساختی است که بتواند با نیازهای فردا سازگار شود. بزرگ‌ترین ریسک زمانی ایجاد می‌شود که زیرساخت سازمان با تغییر ماهیت بارهای کاری، دیگر پاسخ‌گوی نیازهای جدید نباشد.
الکسی ناوولوکین، مدیرکل منطقه آسیا و اقیانوسیه AMD، در رویداد AI Infra Summit بر ضرورت بازنگری در شیوه طراحی زیرساخت هوش مصنوعی تأکید کرده است. به اعتقاد او، طراحی این زیرساخت‌ها نباید صرفاً حول یک تراشه یا فناوری اتصال شبکه شکل بگیرد؛ بلکه باید بر یک پرسش اساسی متمرکز باشد: وقتی نیازها تغییر می‌کنند، سیستم با چه میزان سهولت می‌تواند خود را با شرایط جدید تطبیق دهد؟
انعطاف‌پذیری؛ اصل اساسی در طراحی زیرساخت هوش مصنوعی
چند سال پیش، مفهوم زیرساخت هوش مصنوعی عمدتاً به اجرای پردازش‌های سنگین آموزش مدل‌ها در قالب عملیات دسته‌ای و روی یک خوشه بزرگ محاسباتی محدود می‌شد. این نوع پردازش همچنان اهمیت دارد، اما اکنون باید در کنار استنتاج هوش مصنوعی، هوش مصنوعی عامل‌محور (Agentic AI) و مجموعه‌ای از بارهای کاری توزیع‌شده با نیازهای متفاوت فعالیت کند.
استنتاج هوش مصنوعی معمولاً به‌صورت مداوم انجام می‌شود و به دو عامل مهم وابستگی زیادی دارد: تأخیر پاسخ‌گویی و هزینه هر درخواست. در مقابل، هوش مصنوعی عامل‌محور پیچیدگی بیشتری ایجاد می‌کند؛ زیرا یک درخواست ممکن است به مجموعه‌ای از مراحل متوالی تبدیل شود.در چنین فرایندی، سیستم ابتدا اطلاعات موردنیاز را بازیابی و آماده‌سازی می‌کند، سپس ابزارهای مختلف را فراخوانی می‌کند، کد اجرا می‌کند، فعالیت عامل‌های فرعی را هماهنگ می‌سازد و اطلاعاتی را نگه می‌دارد که ممکن است پس از پایان یک درخواست نیز موردنیاز باشند.این تغییرات فقط به افزایش توان پردازشی موردنیاز محدود نمی‌شوند؛ بلکه ساختار کلی زیرساخت را نیز تحت تأثیر قرار می‌دهند.
زیرساختی که برای خوشه‌های آموزش مدل در گذشته بهینه شده است، ممکن است صرفاً با کمبود ظرفیت مواجه نباشد؛ بلکه اساساً برای الگوی جدید پردازش مناسب نباشد. در این شرایط، توازن میان پردازنده، حافظه و شبکه دیگر با مسیر واقعی اجرای بارهای کاری هماهنگ نیست.افزودن تجهیزات بیشتر از همان نوع قبلی نیز لزوماً این مشکل را برطرف نمی‌کند. اگر معماری زیرساخت با نیازهای جدید تناسب نداشته باشد، افزایش ظرفیت به‌تنهایی راه‌حل مناسبی نخواهد بود.
چرا باید کل سیستم را بهینه کرد؟
راهکار اصلی، بهینه‌سازی کل سیستم است، نه صرفاً ارتقای تک‌تک اجزای آن. توان پردازشی، حافظه، شبکه، ذخیره‌سازی، نرم‌افزار، تأمین برق و قابلیت اطمینان باید در هماهنگی با یکدیگر عمل کنند. گسترش فناوری‌های آشنا معمولاً مسئله‌ای مرتبط با بودجه و افزایش ظرفیت است؛ اما پشتیبانی از بارهای کاری جدید، به بازنگری در معماری و شیوه بهره‌برداری از زیرساخت نیاز دارد. بنابراین، سازمان‌ها باید هنگام طراحی زیرساخت هوش مصنوعی، علاوه بر توان پردازشی و ظرفیت فعلی، امکان تغییر ترکیب منابع و سازگاری با نیازهای آینده را نیز در نظر بگیرند.
سه ویژگی کلیدی برای ساخت زیرساختی آینده‌نگر
وقتی نیازهای هوش مصنوعی به سرعت تغییر می‌کنند، هدف اصلی نباید پیش‌بینی فناوری برنده باشد. در عوض، باید آزادی عمل سازمان برای حرکت به‌سمت فناوری‌های جدید حفظ شود. بر اساس دیدگاه مطرح‌شده از سوی AMD، زیرساخت هوش مصنوعی آینده‌نگر باید سه ویژگی اصلی داشته باشد: انعطاف‌پذیری، بهره‌وری اقتصادی و بازبودن اکوسیستم.
۱. انعطاف‌پذیری؛ سازگاری با بارهای کاری متغیر
سازمان‌ها به مجموعه‌ای متنوع از فناوری‌ها و پیکربندی‌ها نیاز دارند تا با تغییر بارهای کاری بتوانند ترکیب سخت‌افزاری خود را تغییر دهند، بدون آنکه مجبور شوند تأمین‌کننده اصلی زیرساخت را عوض کنند. برای دستیابی به این هدف، باید هر نوع پردازش به منابع محاسباتی مناسب خود اختصاص یابد. همچنین وجود یک بستر نرم‌افزاری مشترک اهمیت دارد؛ زیرا انتخاب و جابه‌جایی میان پیکربندی‌های مختلف را ساده‌تر می‌کند.
۲. بهره‌وری اقتصادی؛ پرداخت هزینه متناسب با نیاز واقعی
بهره‌وری اقتصادی به معنای انتخاب ارزان‌ترین تجهیزات نیست؛ بلکه به معنای استفاده از ابزار مناسب برای هر نوع پردازش است. آموزش مدل هوش مصنوعی معمولاً به سرمایه‌گذاری محاسباتی بزرگی نیاز دارد که در یک دوره مشخص انجام می‌شود. اما استنتاج ممکن است میلیاردها بار در روز اجرا شود و هر بار هزینه عملیاتی ایجاد کند. در هوش مصنوعی عامل‌محور، یک درخواست نیز ممکن است شامل چندین مرحله استنتاج باشد. بنابراین، سنجش هزینه صرفاً بر اساس هر توکن یا هر درخواست کافی نیست. یکی از شاخص‌های مهم، هزینه نهایی انجام موفق یک وظیفه است. این رویکرد به سازمان‌ها کمک می‌کند تا به‌جای تمرکز صرف بر قیمت تجهیزات یا هزینه هر توکن، هزینه واقعی اجرای فرایندهای هوش مصنوعی را ارزیابی کنند.
۳. اکوسیستم باز؛ حفظ آزادی انتخاب
استانداردهای باز و اکوسیستم‌های مبتنی بر آن‌ها، امکان انتخاب میان محصولات و تأمین‌کنندگان مختلف را فراهم می‌کنند. این رویکرد به سازمان‌ها کمک می‌کند تا وابستگی خود را به نقشه راه یک فروشنده خاص کاهش دهند. بازبودن اکوسیستم تنها به تنوع محصولات محدود نیست؛ بلکه سازگاری میان اجزا، امکان استفاده از فناوری‌های مختلف و آزادی تغییر تأمین‌کننده را نیز در بر می‌گیرد. به همین دلیل، فناوری‌های اتصال باز و شبکه‌های مبتنی بر استانداردهای باز نقش مهمی در طراحی زیرساخت‌های هوش مصنوعی دارند.
نقش سبد محصولات AMD در زیرساخت هوش مصنوعی
AMD با سرمایه‌گذاری در بخش‌های مختلف زیرساخت محاسباتی، تلاش کرده است مجموعه‌ای از فناوری‌ها را برای پاسخ‌گویی به نیازهای متنوع هوش مصنوعی ارائه کند. این رویکرد به‌جای تکیه بر یک محصول شاخص، بخش‌های مختلف پشته سخت‌افزاری و نرم‌افزاری را پوشش می‌دهد.
نمونه‌هایی از کاربردهای این مجموعه عبارت‌اند از:
- پردازش‌های عمومی و استنتاج: پردازنده‌های سروری AMD EPYC برای پردازش‌های عمومی، استنتاج، توکن‌سازی و هماهنگ‌سازی عملیات کاربرد دارند. در مقیاس‌های کوچک‌تر نیز پلتفرم‌های AMD Radeon و AMD Ryzen AI می‌توانند اجرای مدل‌های کوچک و پردازش‌های محلی هوش مصنوعی را پشتیبانی کنند.
- استنتاج و تنظیم دقیق مدل‌های زبانی بزرگ: کارت‌های AMD Instinct مبتنی بر رابط PCIe برای اجرای مدل‌های زبانی بزرگ و تنظیم دقیق آن‌ها به کار می‌روند.
- آموزش و استنتاج توزیع‌شده: سامانه‌های مجهز به هشت پردازنده گرافیکی AMD Instinct امکان اجرای بارهای کاری توزیع‌شده را فراهم می‌کنند. این راهکارها در مقیاس‌های بزرگ‌تر می‌توانند تا راهکار رک‌مقیاس AMD Helios گسترش یابند.
با این حال، تنوع محصولات به‌تنهایی مزیت رقابتی ایجاد نمی‌کند. اگر این محصولات از یک بستر نرم‌افزاری مشترک و سازگار برخوردار نباشند، نتیجه صرفاً فهرستی از تجهیزات مختلف خواهد بود؛ نه یک زیرساخت منعطف. نرم‌افزار AMD ROCm با هدف فراهم‌کردن یک بستر نرم‌افزاری مشترک، به یکپارچگی این مجموعه کمک می‌کند. بر این اساس، امکان تغییر سخت‌افزار متناسب با نیازهای یک بار کاری فراهم می‌شود، بدون آنکه سازمان ناچار باشد کل محیط نرم‌افزاری خود را از ابتدا بازسازی کند.
استانداردهای باز و کاهش وابستگی به یک تأمین‌کننده
رویکرد AMD بر این اصل استوار است که هر بخش از مجموعه محصولات باید بر اساس قابلیت‌ها و ارزش مستقل خود انتخاب شود؛ نه اینکه عملکرد کل زیرساخت صرفاً به خرید تمام محصولات یک شرکت وابسته باشد. استانداردهای باز امکان اجرای عملی این رویکرد را فراهم می‌کنند. سازمان‌ها می‌توانند بخش‌هایی از راهکار AMD را که برای بارهای کاری آن‌ها مناسب‌تر است انتخاب کنند و در سایر بخش‌ها، آزادی انتخاب فناوری‌ها و تأمین‌کنندگان دیگر را حفظ کنند. این موضوع برای سازمان‌هایی اهمیت دارد که قصد دارند زیرساخت هوش مصنوعی خود را به‌تدریج توسعه دهند و در عین حال، از وابستگی بلندمدت به یک فناوری یا تأمین‌کننده خاص جلوگیری کنند.
آینده زیرساخت هوش مصنوعی به انعطاف‌پذیری وابسته است
سازمان‌هایی که در پنج سال آینده عملکرد موفق‌تری خواهند داشت، الزاماً آن‌هایی نیستند که تمام تغییرات فناوری را از پیش پیش‌بینی کرده‌اند. برتری اصلی متعلق به سازمان‌هایی خواهد بود که هنگام وقوع تغییرات، توانایی و آزادی لازم برای تطبیق با آن‌ها را دارند.
برای رسیدن به این هدف، باید بر سه اصل بنا شود:
- انعطاف‌پذیری: معماری زیرساخت باید با تغییر نیازها و الگوهای پردازشی سازگار شود.
- بهره‌وری اقتصادی: منابع محاسباتی باید متناسب با نوع وظیفه انتخاب شوند تا هزینه واقعی اجرای بارهای کاری کنترل شود.
- بازبودن: استفاده از استانداردهای باز باید آزادی انتخاب و امکان تغییر فناوری‌ها و تأمین‌کنندگان را حفظ کند.
واقعیت این است که هوش مصنوعی همچنان تغییر خواهد کرد؛ از معماری مدل‌ها و شیوه اجرای استنتاج گرفته تا نحوه استفاده از پردازنده‌ها، حافظه و شبکه. بنابراین، طراحی زیرساخت باید از همان ابتدا بر اساس این فرض انجام شود.
زیرساخت هوش مصنوعی را به‌گونه‌ای طراحی کنید که قابلیت سازگاری با آینده را داشته باشد؛ از منابع متناسب با نیاز واقعی استفاده کنید و با تکیه بر استانداردهای باز، آزادی انتخاب خود را حفظ کنید. در دنیایی که فناوری با سرعت تغییر می‌کند، ارزشمندترین زیرساخت الزاماً بزرگ‌ترین زیرساخت نیست؛ بلکه زیرساختی است که بتواند همراه با نیازهای کسب‌وکار تکامل پیدا کند.
تیم فنی شرکت کوشا فناوران مبتکر آمادگی خود را برای یاری به حفاظت از داده های ارزشمند شما اعلام می دارد. این اقدامات شامل طراحی و پیاده سازی طرح تداوم کسب و کار و بازیابی داده ها پس از بحران ، طراحی و پیاده سازی طرح پشتیبان گیری امن داده و هاردنینگ و امن سازی زیر ساخت فناوری اطلاعات می باشند.