RTX 5090: رابط PCIe 5.0 تأخیر انتقال تنسورهای هوش مصنوعی را ۵۰٪ کاهش داد

اگر امروز برای اجرای مدل‌های زبانی بزرگ روی سخت‌افزار شخصی هزینه می‌کنید، پهنای باند گذرگاه شما می‌تواند تفاوت بین یک پاسخ روان و یک توقف آزاردهنده باشد. در کارت گرافیک جدید انویدیا، یعنی NVIDIA GeForce RTX 5090، رابط PCIe 5.0 x16 دیگر یک ویژگی تبلیغاتی ساده نیست، بلکه ابزاری برای نصف کردن تأخیر در جابه‌جایی داده‌های حجیم است. این کارت گرافیک جهشی عظیم در قدرت خام ارائه می‌دهد، اما رابط بومی PCIe 5.0 x16 آن تنها برای گروه خاصی از کاربران یک تغییر بنیادین ایجاد می‌کند. برای یک گیمر معمولی، پهنای باند ۶۴ گیگابایت بر ثانیه در هر جهت عمدتاً یک تیک در لیست ویژگی‌های بازاریابی است، اما برای مهندسان هوش مصنوعی، این یک الزام اجباری برای دستیابی به عملکرد مطلوب است.

این شکاف معماری در زمانی رخ می‌دهد که مادربردهای رده‌بالای AMD و Intel قوانین سخت‌گیرانه‌ای برای اشتراک مسیرهای داده (Lane-sharing) پیاده کرده‌اند. بسیاری از اسمبلرهای سیستم بدون اطلاع از این موضوع، سرعت GPU خود را برای جای دادن SSDهای NVMe نسل ۵ به x8 کاهش می‌دهند و عملاً سخت‌افزار گران‌قیمت خود را خفه می‌کنند. درک واقعیت ریاضی این اتصالات اکنون برای جلوگیری از ایجاد گلوگاه‌های سخت‌افزاری گران‌قیمت ضروری است.

ریاضیات گذرگاه (The Mathematics of the Bus)

برای درک این موضوع باید به ریاضیات گذرگاه نگاه کنیم. PCI Express (PCIe) یک interconnect سریال نقطه-به-نقطه است که از جفت‌های سیگنال‌دهی تفاضلی (Differential Signaling Pairs) استفاده می‌کند. هر مسیر (Lane) در حالت full-duplex از دو جفت تفاضلی تشکیل شده است: یکی برای ارسال (Tx) و یکی برای دریافت (Rx).

نسخه PCIe 5.0 نرخ انتقال خام هر مسیر را به ۳۲.۰ GT/s رسانده است که در مقایسه با ۱۶.۰ GT/s در PCIe 4.0، دو برابر شده است. هر دو نسخه از کدگذاری 128b/130b استفاده می‌کنند که یک هدر همگام‌سازی ۲ بیتی را به هر بلوک داده ۱۲۸ بیتی اضافه می‌کند. این امر باعث می‌شود سربار (Overhead) در سطح بسیار پایین ۱.۵۴٪ باقی بماند؛ این یک بهبود عظیم نسبت به جریمه ۲۰ درصدی است که در کدگذاری 8b/10b در نسخه‌های قدیمی PCIe 1.0/2.0 دیده می‌شد.

از نظر تئوریک، پهنای باند خام به این صورت محاسبه می‌شود: نرخ انتقال (GT/s) × تعداد مسیرها × نسبت کدگذاری ÷ ۸ بیت بر بایت.

• PCIe 4.0 x16: ۱۶.۰ GT/s × ۱۶ مسیر × (۱۲۸ / ۱۳۰) ÷ ۸ = ۳۱.۵۰۸ گیگابایت بر ثانیه (یک‌طرفه) / حدود ۶۳.۰۲ گیگابایت بر ثانیه (دوطرفه).
• PCIe 5.0 x16: ۳۲.۰ GT/s × ۱۶ مسیر × (۱۲۸ / ۱۳۰) ÷ ۸ = ۶۳.۰۱۵ گیگابایت بر ثانیه (یک‌طرفه) / حدود ۱۲۶.۰۳ گیگابایت بر ثانیه (دوطرفه).
• PCIe 5.0 x8: ۳۲.۰ GT/s × ۸ مسیر × (۱۲۸ / ۱۳۰) ÷ ۸ = ۳۱.۵۰۸ گیگابایت بر ثانیه (دقیقاً مشابه PCIe 4.0 x16).

با این حال، توان عملیاتی قابل استفاده در دنیای واقعی به دلیل سربارهای پروتکل کمتر است. بسته‌های لایه تراکنش (TLP)، بسته‌های لایه پیوند داده (DLLP)، بررسی‌های تکرار cyclic (LCRC) و کنترل جریان مبتنی بر اعتبار PCIe بین ۳٪ تا ۶٪ از جریان رابط خام را مصرف می‌کنند. طبق گزارش فنی منتشر شده در ۱۲ اکتبر ۲۰۲۶ توسط dev.to، نتایج تجربی ابزار bandwidthTest در محیط CUDA نشان می‌دهد که حداکثر توان عملیاتی از میزبان به دستگاه (H2D) در حالت PCIe 5.0 x16 برابر با ۵۹.۸۴ گیگابایت بر ثانیه است، در حالی که این عدد در PCIe 4.0 x16 به ۲۹.۵۸ گیگابایت بر ثانیه می‌رسد.

تله تجزیه مسیر M.2 (The M.2 Bifurcation Trap)

پردازنده‌های مدرن مسیرهای I/O سرعت‌بالای محدودی دارند. این موضوع زمانی ایجاد تضاد می‌کند که کاربر یک RTX 5090 را با SSDهای NVMe نسل ۵ پیشرو، مانند Crucial T705 یا Corsair MP700 PRO جفت می‌کند.

پلتفرم AMD Socket AM5 (Ryzen 7000/9000) در مجموع ۲۸ مسیر PCIe 5.0 را از بسته پردازنده ارائه می‌دهد که به این صورت تقسیم شده‌اند:

• ۱۶ مسیر برای گرافیک (PEG).
• ۴ مسیر برای یک M.2 NVMe اصلی.
• ۴ مسیر برای یک M.2 کاربردی یا کنترل‌کننده USB4.
• ۴ مسیر برای downlink چیپ‌ست.

بسیاری از مادربردهای رده‌بالای X670E و X870E حتی زمانی که اسلات M.2 نسل ۵ اصلی پر شده باشد، از PCIe 5.0 x16 بومی در اسلات گرافیک پشتیبانی می‌کنند.

وضعیت در اینتل محدودکننده‌تر است. در پلتفرم‌های LGA1700 (Z690/Z790) و LGA1851 (Z890)، پردازنده‌های دسکتاپ ۱۶ مسیر PCIe 5.0 به علاوه ۴ مسیر PCIe 4.0 برای ذخیره‌سازی ارائه می‌دهند. در نتیجه، هر مادربرد Z790 که دارای اسلات M.2 PCIe 5.0 باشد، باید مسیرهایی را از اسلات گرافیک اصلی بدزدد. قرار دادن یک SSD نسل ۵ در اسلات M.2 بالایی به‌طور خودکار باعث می‌شود اسلات گرافیک در حالت PCIe 5.0 x8 عمل کند.

از نظر ریاضی، PCIe 5.0 x8 با PCIe 4.0 x16 یکسان است و حدود ۳۱.۵ گیگابایت بر ثانیه پهنای باند فراهم می‌کند. این بدان معناست که یک RTX 5090 روی یک مادربرد اینتل با تجزیه مسیر، عملکردی مشابه با همان کارت روی یک مادربرد قدیمی PCIe 4.0 خواهد داشت.

عملکرد گیمینگ: بافر VRAM

برای سنجش اثر واقعی این موضوع، از یک سیستم تست در سطح سازمانی استفاده شد: پردازنده AMD Ryzen 7 9800X3D (۸ هسته / ۱۶ رشته، 3D V-Cache)، ۶۴ گیگابایت رم DDR5-6000 CL28 با تأخیر کم، پاور Seasonic Vertex 1200W ATX 3.1 و درایو سیستم‌عامل Samsung 990 PRO.

در بنچمارک‌های 4K UHD، کارت RTX 5090 در هنگام رندرهای Rasterization یا Path Tracing تقریباً هیچ حساسیتی به سرعت گذرگاه نشان نمی‌دهد:

• Cyberpunk 2077: Phantom Liberty (Path Tracing, DLSS Quality): در حالت PCIe 5.0 x16 میانگین ۱۱۴.۲ فریم (1% low برابر ۸۸.۶) ثبت شد. کاهش به PCIe 4.0 x16 منجر به ۱۱۳.۵ فریم شد (۰.۶٪- میانگین / ۱.۹٪- در 1% low). حالت PCIe 5.0 x8 تقریباً یکسان و ۱۱۳.۴ فریم بود.
• Alan Wake 2 (4K Ultra, Full Path Tracing, DLSS Balanced + Frame Gen): در حالت PCIe 5.0 x16 میانگین ۱۲۸.۴ فریم (1% low برابر ۹۶.۲) ثبت شد. در PCIe 4.0 x16 این عدد به ۱۲۷.۱ فریم کاهش یافت (۱.۰٪- میانگین / ۲.۵٪- در 1% low).
• Black Myth: Wukong (4K Cinematic, Full Ray Tracing High, TSR 100%): در حالت PCIe 5.0 x16 میانگین ۷۴.۸ فریم (1% low برابر ۵۹.۴) ثبت شد. در PCIe 4.0 x16 این عدد به ۷۴.۵ فریم رسید (۰.۴٪- میانگین / ۰.۸٪- در 1% low).

این پایداری به دلیل ۳۲ گیگابایت حافظه ویدیویی GDDR7 VRAM در RTX 5090 است. چون VRAM بسیار حجیم است، تقریباً تمام اهداف رندر (Render Targets)، ساختارهای BVH و mipmapها روی کارت باقی می‌مانند و نیاز به ارتباط با CPU در طول حلقه‌های رندر فعال به حداقل می‌رسد.

با این حال، در لینک‌های محدود PCIe 4.0 x8 گلوگاه ظاهر می‌شود. در بازی Microsoft Flight Simulator 2024 (4K Ultra, New York City Photogrammetry)، میانگین نرخ فریم به ۸۲.۳ فریم (۸.۱٪-) کاهش یافت و نرخ فریم‌های 1% low به ۵۱.۸ فریم (۱۹.۳٪-) سقوط کرد. این موضوع باعث ایجاد لرزش‌های بصری (Micro-stuttering) مشهود می‌شود.

علاوه بر این، فعال کردن DLSS 4 Frame Generation نیازمند انتقال بردارهای حرکت (Motion Vectors) و تنسورهای جریان نوری (Optical Flow Tensors) بین بافرهای زمان اجرای میزبان و موتور نمایش GPU است. در PCIe 4.0 x8، نرخ فریم‌های 1% low تا ۱۴.۶٪ آسیب می‌بینند. اما در PCIe 5.0 x8، ریتم فریم‌ها روان باقی می‌ماند و لرزش‌های ریز ناچیز هستند.

DirectStorage 1.3 و استریم دارایی‌ها

پهنای باند در هنگام استریم سریع دارایی‌ها از طریق DirectStorage 1.3 و Vulkan GDeflate حیاتی می‌شود. در معماری‌های قدیمی، دارایی‌ها از NVMe به رم سیستم بارگذاری، توسط CPU از حالت فشرده خارج و سپس به VRAM ارسال می‌شدند. DirectStorage 1.3 اجازه می‌دهد بسته‌های فشرده مستقیماً از درایو NVMe از طریق گذرگاه PCIe به VRAM استریم شوند (DMA-streamed)، جایی که هسته‌های Tensor و Compute معماری Blackwell، mipmapهای چند گیگابایتی را به‌طور موازی از حالت فشرده خارج می‌کنند.

در تست‌های بارگذاری حجیم ۱۶ گیگابایتی با استریم‌های GDeflate:

• PCIe 5.0 x16: توان عملیاتی مؤثر ۲۲.۸۴ گیگابایت بر ثانیه | تأخیر بارگذاری: ۰.۷۰ ثانیه.
• PCIe 4.0 x16: توان عملیاتی مؤثر ۱۸.۴۲ گیگابایت بر ثانیه | تأخیر بارگذاری: ۰.۸۷ ثانیه (۲۴٪+ زمان).
• PCIe 5.0 x8: توان عملیاتی مؤثر ۱۸.۳۹ گیگابایت بر ثانیه | تأخیر بارگذاری: ۰.۸۷ ثانیه (۲۴٪+ زمان).
• PCIe 4.0 x8: توان عملیاتی مؤثر ۱۱.۲۰ گیگابایت بر ثانیه | تأخیر بارگذاری: ۱.۴۳ ثانیه (۱۰۴٪+ زمان).

کاربرانی که از PCIe 4.0 x8 استفاده می‌کنند، ممکن است در عناوین Unreal Engine 5.5 که از Nanite و Virtual Shadow Maps استفاده می‌کنند، با پدیده pop-in بافت‌ها مواجه شوند. اما PCIe 4.0 x16 و PCIe 5.0 x8 به اندازه کافی عریض هستند تا از این توقف‌های زمان اجرا جلوگیری کنند.

پرتگاه عملکرد هوش مصنوعی (The AI Performance Cliff)

برای متخصصان یادگیری ماشین، رابط PCIe 5.0 x16 یک انتخاب نیست، بلکه یک ضرورت است. سرعت گذرگاه مستقیماً عملکرد را در دو مرحله حیاتی تعیین می‌کند: بارگذاری اولیه وزن‌ها و برون‌سپاری لایه‌ها.

بارگذاری اولیه وزن‌ها: هنگام بارگذاری یک مدل کوانتیده Llama 3.3 70B با حجم ۳۰ گیگابایت با استفاده از PyTorch Pinned Memory، رابط PCIe 5.0 x16 انتقال را در ۰.۵۱ ثانیه (۵۸.۸ گیگابایت بر ثانیه) به پایان می‌رساند. PCIe 4.0 x16 به ۱.۰۲ ثانیه (۲۹.۴ گیگابایت بر ثانیه) و PCIe 4.0 x8 به ۲.۰۵ ثانیه (۱۴.۶ گیگابایت بر ثانیه) زمان نیاز دارد.

برون‌سپاری لایه‌ها (Layer Offloading): هنگام اجرای مدل‌های غول‌پیکری که از حد ۳۲ گیگابایت VRAM فراتر می‌روند (مثلاً مدل‌های FP16 که به ۶۰ گیگابایت یا بیشتر نیاز دارند)، لایه‌ها باید در هر پاس استنتاج (Inference Pass) بین رم CPU و VRAM گرافیک جابه‌جا شوند. با استفاده از DeepSpeed ZeRO-3 برای برون‌سپاری لایه‌ها:

• PCIe 5.0 x16: ۱۴.۲ میلی‌ثانیه برای هر دسته (Batch).
• PCIe 4.0 x16 / 5.0 x8: ۲۷.۸ میلی‌ثانیه برای هر دسته (۹۵٪+ تأخیر).
• PCIe 4.0 x8: ۵۴.۱ میلی‌ثانیه برای هر دسته (۲۸۱٪+ تأخیر).

این یک گلوگاه عظیم است که در آن PCIe 4.0 سرعت تولید توکن را هنگام برون‌سپاری تقریباً ۵۰٪ کاهش می‌دهد. با این حال، اگر مدل به‌طور کامل در VRAM جا شود، سرعت گذرگاه بی‌اهمیت است. برای یک مدل Llama 3.3 70B Q4_K_M، سرعت تولید توکن در تمام سرعت‌های لینک یکسان و برابر با ۲۲.۴ توکن بر ثانیه باقی ماند.

تأیید تشخیصی (Diagnostic Verification)

کاربران می‌توانند سرعت لینک توافق شده را با استفاده از GPU-Z در ویندوز ۱۱ بررسی کنند. با کلیک بر روی علامت سؤال کنار Bus Interface، کارت گرافیک از حالت‌های صرفه‌جویی در انرژی ASPM خارج می‌شود تا عرض واقعی خود را نشان دهد. خواندن عبارت PCIe x16 5.0 @ x8 5.0 تأیید می‌کند که به دلیل وجود یک SSD M.2 ثانویه، تجزیه مسیر در مادربرد رخ داده است.

کاربران لینوکس می‌توانند از ترمینال برای استعلام قابلیت‌های لینک PCIe استفاده کنند:
۱. دستور sudo lspci -vvv -d 10de: | grep -E "(LnkCap|LnkSta):" را اجرا کنید. به دنبال عبارت LnkSta: Speed 32GT/s (ok), Width x16 (ok) بگردید.
۲. دستور nvidia-smi --query-gpu=pcie.link.gen.current,pcie.link.gen.max,pcie.link.width.current,pcie.link.width.max --format=csv را اجرا کنید. نتیجه 5, 5, 16, 16 یک اتصال کامل PCIe 5.0 x16 را تأیید می‌کند.

حکم مهندسی (Engineering Verdict)

برای گیمرهای خالص روی مادربردهای B650 یا Z790، هیچ دلیلی برای ارتقای مادربرد وجود ندارد. افت عملکرد ناچیز است و میانگین نرخ فریم‌ها کمتر از ۱.۵٪ و 1% lows کمتر از ۲.۵٪ در مقایسه با PCIe 5.0 x16 کاهش می‌یابد.

با این حال، مراقب تله‌های M.2 نسل ۵ در Z790 اینتل باشید. نصب یک SSD PCIe 5.0 روی این بردها، اسلات را به PCIe 5.0 x8 تجزیه می‌کند. اگرچه این سرعت با PCIe 4.0 x16 برابری می‌کند، اما نصب یک GPU نسل ۴ در همان اسلات، آن را به PCIe 4.0 x8 کاهش می‌دهد، جایی که لرزش‌های ریتم فریم (Frame Pacing) قابل اندازه‌گیری می‌شوند.

پژوهشگران هوش مصنوعی و کاربران ورک‌استیشن باید مسیرهای PCIe 5.0 x16 بدون تجزیه را در اولویت قرار دهند. توان عملیاتی ۶۴ گیگابایت بر ثانیه تنها راه برای نصف کردن تأخیر انتقال تنسورها و حفظ سرعت توکن‌های قابل قبول در هنگام برون‌سپاری است. اسمبلرهای مشتاق AI باید دقیقاً مادربردهایی با مسیرهای توسعه اختصاصی انتخاب کنند تا پتانسیل کامل RTX 5090 را آزاد کنند.

گام بعدی شما

• اگر از مادربردهای Z790 اینتل استفاده می‌کنید، بررسی کنید که آیا نصب SSD نسل ۵ باعث کاهش سرعت اسلات گرافیک شما به x8 شده است یا خیر.
• برای استقرار مدل‌های زبانی محلی که بیش از ۳۲ گیگابایت حافظه نیاز دارند، حتماً مادربردی با مسیرهای اختصاصی PCIe 5.0 x16 انتخاب کنید.
• در تنظیمات BIOS، اولویت مسیرهای PCIe را بررسی کنید تا از فعال بودن حداکثر پهنای باند برای GPU مطمئن شوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.