این مقاله ، نشان می‌دهد که چگونه ترکیبی از فناوری‌ها، معماری‌ها و مدل‌های استقرار، نسل بعدی زیرساخت فیزیکی مراکز داده را شکل می‌دهد.

در چشم‌انداز امروز، چندین رویکرد زیرساختی به‌طور فزاینده‌ای اهمیت پیدا می‌کنند:

•            نئوکلودها (Neoclouds) ظرفیت محاسباتی تخصصی فراهم می‌کنند(«نئوکلود» (Neocloud) به شرکت‌هایی گفته می‌شود که زیرساخت محاسباتی تخصصی و در مقیاس بزرگ — عمدتاً مجهز به GPU و شتاب‌دهنده‌های هوش مصنوعی مانند تراشه‌های NVIDIA — را به‌صورت اجاره‌ای یا سرویس ابری در اختیار سازمان‌ها قرار می‌دهند، بدون این‌که خودِ سازمان‌ها نیاز به ساخت و نگهداری دیتاسنتر داشته باشند.)

•            استقرارهای براون‌فیلد (Brownfield) پیاده‌سازی هوش مصنوعی را در تأسیسات موجود تسریع می‌کنند(«براون‌فیلد» (Brownfield) در ادبیات دیتاسنتر و زیرساخت فناوری اطلاعات، به معنای استفاده و بازسازی یک تأسیسات یا زیرساخت موجود است، در مقابل «گرین‌فیلد» (Greenfield) که به معنای ساخت از صفر در یک زمین یا تأسیسات کاملاً جدید است.)

•            DCI (اتصال بین‌مرکزی داده) زیرساخت هوش مصنوعی را به چندین تأسیسات گسترش می‌دهد(Data Center Interconnect)

•            CPO (اپتیک هم‌بسته‌بندی‌شده) رابط‌های نوری را به اجزای محاسباتی و شبکه نزدیک‌تر می‌کند(Co-Packaged Optics)

•            VSFF از اتصال‌پذیری نوری با چگالی بالاتر پشتیبانی می‌کند(Very Small Form Factor)

هر یک از این رویکردها نیازی متفاوت را برطرف می‌کند؛ با این حال، چالش اساسی و ثابتِ برنامه‌ریزی همچنان پابرجاست: استقرارهای هوش مصنوعی می‌توانند از یک نسل سخت‌افزاری به نسل بعد به‌طور چشمگیری تغییر کنند، در حالی‌که کابل‌کشی نوری، مسیرهای عبور کابل و زیرساخت اتصال‌پذیری معمولاً برای دوره‌های بسیار طولانی‌تری در سرویس باقی می‌مانند. این بدان معناست که زیرساخت فیزیکی باید ظرفیت و انعطاف‌پذیری کافی برای انطباق با فناوری‌هایی داشته باشد که ممکن است هنوز به‌طور گسترده مستقر نشده باشند.

طراحی بر پایه ی یک معماری واحد هوش مصنوعی می‌تواند گزینه‌های آینده را محدود کند؛ به‌ویژه در جایی که افزایش چگالی فیبر، اتصال‌پذیری توزیع‌شده یا رابط‌های نوری جدید، نیازمند تغییراتی در لایه ی فیزیکی باشند. هدف بلندمدت، ایجاد پایه‌ای زیرساختی است که بتواند از نسل‌های متوالی سیستم‌های هوش مصنوعی، بدون نیاز به بازطراحی گسترده ی فیزیکی، پشتیبانی کند.

هوش مصنوعی از طریق یک مدل زیرساختی واحد مقیاس‌پذیر نمی‌شود. با تغییر شکل چشم‌انداز مراکز داده به‌دست نئوکلودها، استقرارهای براون‌فیلد، DCI، CPO و اتصال‌پذیری VSFF، لایه ی فیزیکی باید به‌عنوان پایه‌ای انعطاف‌پذیر طراحی شود که بتواند خود را با نسل‌های متعدد معماری‌های هوش مصنوعی تطبیق دهد.

رویکردهایی برای زیرساخت فردا

نئوکلودها دسترسی اختصاصی به محاسبات شتاب‌یافته را فراهم می‌کنند و به سازمان‌ها امکان می‌دهند بدون ساخت تأسیسات معادل، ظرفیت هوش مصنوعی خود را مقیاس‌بندی کنند. این مدل می‌تواند زمان استقرار را کوتاه کند، هرچند در همان حال، تقاضا برای برق با چگالی بالا، خنک‌سازی، شبکه و اتصال‌پذیری نوری را نیز افزایش می‌دهد. برای برنامه‌ریزان زیرساخت، ملاحظه ی کلیدی این است که زیرساخت فیزیکیِ پشتیبان بتواند تغییرات سریع در نیازمندی‌های محاسباتی را پوشش دهد.

استقرارهای براون‌فیلد می‌توانند با استفاده ی مجدد از برق، خنک‌سازی، مسیرهای عبور کابل و فضای موجود تأسیسات، ظرفیت هوش مصنوعی را تسریع کنند. با این حال، زیرساختی که برای بارهای کاری متعارف طراحی شده، ممکن است چگالی فیبر مورد نیاز سیستم‌های مدرن هوش مصنوعی را پوشش ندهد. برای نمونه، یک رَک NVIDIA NVL72 می‌تواند تا ۱٬۱۵۲ اتصال فیبر نیاز داشته باشد. بازسازی چنین تأسیساتی نیازمند برنامه‌ریزی دقیق برای ظرفیت و ارتقاهای آینده است.

اتصال بین‌مرکزی داده (DCI) امکان می‌دهد محیط‌های هوش مصنوعی در چندین ساختمان، پردیس یا موقعیت مکانی فعالیت کنند. این رویکرد می‌تواند انعطاف‌پذیری بیشتری فراهم کند، در مواقعی که نیازمندی‌های ظرفیت، برق یا تاب‌آوری از توان یک تأسیسات واحد فراتر می‌رود. با این حال، اتصالات طولانی‌تر، ملاحظات اضافی دربارهی تأخیر ، عملکرد نوری، برق و معماری شبکه را پیش می‌آورند که باید در برنامه‌ریزی زیرساخت مدنظر قرار گیرند.

اپتیک هم‌بسته‌بندی‌شده (CPO) رابط‌های نوری را به اجزای محاسباتی و شبکه نزدیک‌تر می‌کند و فاصله ی انتقال الکتریکی درون سیستم‌ها را کاهش می‌دهد. این معماری می‌تواند پهنای باند بالاتری را پشتیبانی کند، در حالی‌که نحوه ی ارائه ی اتصال‌پذیری فیبر در اطراف تجهیزات را نیز تغییر می‌دهد. از این‌رو، زیرساخت فیزیکی باید انعطاف‌پذیری کافی در مسیریابی کابل، مدیریت فیبر و ظرفیت اتصال‌پذیری داشته باشد تا بتواند با معماری‌های نوری در حال تحول همگام شود.

اتصال‌پذیری با فرم‌فاکتور بسیار کوچک (VSFF) امکان برقراری اتصالات نوری بیشتر را در فضای محدود رَک و پنل فراهم می‌کند. از آنجا که سیستم‌های هوش مصنوعی به تعداد بیشتری فیبر برای شبکه‌سازی پرسرعت نیاز دارند، چگالی اتصال بالاتر اهمیتی روزافزون پیدا می‌کند. بهره‌مندی از این فناوری به ظرفیت کافی مسیرهای عبور کابل، فضای پچینگ و مدیریت کابل بستگی دارد؛ به همین دلیل، VSFF بخشی از یک استراتژی گسترده‌تر برای زیرساخت فیزیکی محسوب می‌شود.

رشد بلندمدت هوش مصنوعی: ساخت پایه‌های انعطاف‌پذیر

زیرساخت هوش مصنوعی همچنان به ترکیب مدل‌های استقرار، تأسیسات، فناوری‌های نوری و معماری‌های اتصال‌پذیری گوناگون ادامه خواهد داد. از آنجا که زیرساخت فیزیکی نسبت به سخت‌افزار محاسباتی و شبکه، عمر سرویس‌دهی طولانی‌تری دارد، ظرفیت و انعطاف‌پذیری اهمیتی حیاتی می‌یابند. یک پایه ی نوریِ ماژولار به اپراتورها امکان می‌دهد نیازمندی‌های آینده ی هوش مصنوعی را پوشش دهند و در همان حال، از سرمایه‌گذاری‌های زیرساختی موجود نیز محافظت کنند.

با توجه به رشد سریع نیازمندی‌های زیرساخت هوش مصنوعی — که ملاحظات تازه‌ای را در برابر طراحی سنتی مراکز داده مطرح می‌کند — مجموعه وایت‌پیپرِ «زیرساخت هوش مصنوعی» از شرکت AFL، از جمله «معماری هوش مصنوعی در مقیاس» (Architecting AI at Scale) و «ساخت خوشه‌های آموزشیِ هوش مصنوعی با ۱۶٬۰۰۰ شتاب‌دهنده» (Building AI Training Clusters at 16K Accelerators)، این نیازمندی‌ها را با جزئیات بیشتری بررسی می‌کند. برای مطالعه ی عمیق‌تر، می‌توانید وبلاگ AFL با عنوان «رشد پایدار هوش مصنوعی برای زیرساخت فیبر مرکز داده چه معنایی دارد؟» را نیز مطالعه کنید.

منبع