تصور کنید یک عامل برنامه‌نویسی که انجام یک وظیفه از او ۳۰ دقیقه زمان می‌برد، ناگهان بتواند همان کار را در ۲ دقیقه به پایان برساند. این جهش در سرعت، نتیجه‌ی حذف تنگنای سخت‌افزاری است که سال‌هاست رشد مدل‌های زبانی بزرگ را محدود کرده است.
بسیاری از سخت‌افزارهای فعلی با مشکلی به نام «دیوار حافظه» روبره‌اند؛ یعنی یا از حافظه‌های سریع اما کوچک (SRAM) استفاده می‌کنند و در عوض اندازه مدل را فدا می‌کنند، یا از پردازنده‌های گرافیکی مبتنی بر HBM برای ظرفیت بیشتر استفاده می‌کنند اما با گلوگاه‌های پهنای باند مواجه می‌شوند. این وضعیت شبیه به بزرگراهی است که مسیرهای اصلی آن بسیار عریض‌اند اما رمپ‌های ورودی بسیار تنگ هستند و باعث ترافیک می‌شوند؛ این دقیقاً وضعیت فعلی استنتاج (Inference) در هوش مصنوعی است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی زیرساخت‌های محاسباتی اشاره کردیم، حتی راهکارهای جدیدی مثل DRAM سه‌بعدی هم نتوانسته‌اند این موازنه را به‌طور کامل تغییر دهند و همچنان روی همان منحنی موازنه حرکت می‌کنند. در همین راستا، تلاش‌هایی برای بهینه‌سازی توزیع محاسبات صورت گرفته است که راهکارهای Gimlet Labs برای افزایش سرعت پاسخ‌دهی مدل‌ها نمونه‌ای از این رویکردها برای کاهش تأخیر در استنتاج است.
در ۱ اکتبر ۲۰۲۶، استارتاپ Volantis مستقر در سان‌فرانسیسکو، جذب ۸۸ میلیون دلار سرمایه در دور Series A را اعلام کرد. این جذب سرمایه که توسط Lachy Groom و Abstract Ventures رهبری شد، برای تجاری‌سازی سامانه فوتونیکی A-1 است. طبق اعلام شرکت، این سامانه هدفش اجرای مدل‌هایی با ۲۰ تریلیون پارامتر (Parameters) با سرعت ۱۰ هزار توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — در ثانیه برای هر کاربر است.
پشتیبانی استراتژیک و سرمایه‌گذاران
این دور سرمایه‌گذاری با مشارکت چهره‌ها و شرکت‌های متعددی صورت گرفت. علاوه بر رهبران دور، افرادی چون جان دوئر (John Doerr)، VXI Capital، Triatomic و Susa Ventures در این مرحله حضور داشتند. همچنین سرمایه‌گذاران فرشته‌ای مانند دوارکش پاتل (Dwarkesh Patel)، ناوین رائو (Naveen Rao) و شولتو داگلاس (Sholto Douglas) به این دور پیوستند. با این تامین مالی، مجموع سرمایه‌های جذب‌شده توسط Volantis تاکنون به ۹۷ میلیون دلار رسیده است.
فراتر از سرمایه‌گذاران اصلی، Volantis حمایت گروهی از برجسته‌ترین رهبران صنعت را به دست آورده است. این لیست شامل سم آلتمن (مدیرعامل OpenAI)، جف دین (دانشمند ارشد گوگل)، دیلان پاتل (مؤسس SemiAnalysis)، الکس وانگ (مدیر ارشد هوش مصنوعی متا)، ناوال راویکانت (مؤسس AngelList)، توماس ولف (هم‌بنیان‌گذار Hugging Face)، ترور بلک‌ول (هم‌بنیان‌گذار Y Combinator) و برایان جانسون (مؤسس OS Fund) می‌شود.
تاپا گوش (Tapa Ghosh)، مدیرعامل و هم‌بنیان‌گذار شرکت، معتقد است سخت‌افزارهای فعلی شرکت‌ها را مجبور می‌کنند بین اجرای مدل‌های بزرگ و پیچیده و اجرای سریع آن‌ها یکی را انتخاب کنند. او باور دارد با افزایش نقش عامل‌های هوش مصنوعی در انجام امور، سرعت تکمیل وظایف تعیین خواهد کرد که شرکت‌ها با چه سرعتی می‌توانند فعالیت کنند. طبق اعلام شرکت، سامانه A-1 اولین موتورهای استنتاج یکپارچه خود را در سال ۲۰۲۷ به مشتریان تحویل خواهد داد.
جزئیات فنی سامانه A-1
سامانه A-1 با هدف افزایش ظرفیت و پهنای باند حافظه تا نزدیک به دو مرتبه بزرگی طراحی شده است. اولین محصول این شرکت، موتورهای محاسباتی لایسنس‌شده و اثبات‌شده در سیلیکون را از طرف‌های خارجی با فوتونیک اختصاصی که طی بیش از چهار سال توسعه یافته است، ادغام می‌کند. مشخصات کلیدی این سامانه عبارتند از:
- ظرفیت حافظه: ۱۰ ترابایت
- پهنای باند حافظه: ۲۴۰ ترابایت بر ثانیه
- پهنای باند ورودی/خروجی خارج از ویفر: ۱۰ ترابایت بر ثانیه
- توان مصرفی: ۲۰ کیلووات
- ابعاد: ۱۵U (سازگار با رک‌های استاندارد مرکز داده)
بر اساس مستندات Volantis، سامانه A-1 در مقایسه با تراشه Rubin انویدیا، ۱۵ برابر توکن بیشتر به ازای هر دلار هزینه تولید می‌کند و تأخیر (Latency) را در استنتاج مدل‌های بزرگ تا ۳۰ برابر کاهش می‌دهد. همچنین برای مدل‌های ترکیب خبره‌ها (Mixture of Experts) — مدلی که برای هر پاسخ فقط از بخش‌های خاصی از دانش خود استفاده می‌کند تا سریع‌تر باشد — با پارامترهای بالای یک تریلیون، ۶ برابر توکن بیشتر به ازای هر وات برق تولید می‌کند.
رمزگشایی از نوآوری فوتونیکی و حل مشکل اتصال
هسته اصلی این فناوری، یک دسته‌بندی جدید از اتصالات فوتونیکی است که به‌طور خاص برای اتصال تراشه‌های محاسباتی به حافظه طراحی شده است. این ساختار نوری، تعداد زیادی از تراشه‌های حافظه را به یک استخر یکپارچه تبدیل می‌کند و با افزودن حافظه، پهنای باند را نیز تجمیع می‌کند. این امر به A-1 اجازه می‌دهد ظرفیت و پهنای باند را به‌طور همزمان افزایش دهد و در عین حال از حافظه‌های ارزان‌تر خارج از تراشه استفاده کند.
در حالی که فوتونیک برای ارتباطات بین تراشه‌ای در سطح مرکز داده رایج است، اما لینک‌های تراشه به حافظه نیاز دارند داده‌هایی بیش از ۱۰۰ برابر بیشتر را در مسافت‌های بسیار کوتاه‌تر منتقل کنند. این تفاوت، نیازهای کاملاً متفاوتی را در زمینه انرژی و هزینه ایجاد می‌کند.
برای حل این چالش، Volantis پلتفرمی را توسعه داد که به جای لیزرهای خارجی، از micro-VCSELهای سفارشی استفاده می‌کند. آن‌ها با بهره‌گیری از زنجیره تأمین موجود VCSEL گالیم آرسناید، از محدودیت‌های تأمین ایندیم فسفید اجتناب کردند. این ریز-لیزرها کوچک، پایدار در برابر دما و کم‌مصرف هستند و اجازه می‌دهند لینک‌های ارتباطی سرتاسری با مصرف کمتر از یک پیکوجول بر بیت کار کنند.
مشخصات مهندسی دقیق
صفحه فناوری شرکت معیارهای عملکردی دقیقی را برای این لینک‌ها ارائه می‌دهد:
- سرعت هر مسیر: ۲۴ گیگابیت در هر مسیر با تأخیر کمتر از ۵ نانوثانیه
- مقیاس‌پذیری: ده‌ها هزار مسیر برای پهنای باند مجموع بیش از ۲۰۰ ترابایت بر ثانیه
- موج‌برهای ادغام‌شده: موج‌برهای یکپارچه‌ای که بیش از ۲۵۰۰ برابر کوچک‌تر از فیبر نوری هستند
- برد ارتباطی: در حالی که اتصالات الکتریکی تقریباً به ۲ تا ۵ میلی‌متر می‌رسند، این موج‌برهای نوری به بیش از ۲۰۰ میلی‌متر می‌رسند
- پایداری: لینک‌ها در دمای بالای ۹۵ درجه سانتی‌گراد پایدار می‌مانند و نرخ خطای بیت (BER) در مقیاس ویفر زیر 1e-12 است
این طراحی، نخستین اینترپوزر نوری جهان بدون لیزر خارجی است که اجازه می‌دهد بیش از ۲۲۰ چیپلت حافظه در یک استخر حافظه با تأخیر یکسان متصل شوند.
تیمی از پیش‌گامان سخت‌افزار
تیم مؤسس Volantis از متخصصان باسابقه نیمه‌هادی و فوتونیک سابق در شرکت‌های NVIDIA، AMD، Broadcom و Ayar Labs تشکیل شده است. سوابق جمعی آن‌ها شامل ساخت اولین محصول CoWoS، اولین VCSELهای قابل تنظیم با حجم تولید بالا و سیستم‌های اولیه اپتیک‌های بسته‌بندی‌شده (CPO) در فوتونیک سیلیکونی است.
رهبران کلیدی عبارتند از:
- تاپا گوش (CEO): عضو Thiel Fellow و مؤسس سابق Y Combinator با چهار پتنت ثبت شده.
- روی مید (CTO): رهبر سابق برنامه HBM در شرکت میکرون و نایب رئیس سابق Ayar Labs.
- ایندرجیت سینگ (مدیر بسته‌بندی): مهندسی که اولین محصول CoWoS صنعت را ساخت.
- دانیل کلوودن (نایب رئیس مهندسی): سازنده اولین پردازنده جهان با ارتباط نوری مستقیم.
- کریس چیس (مدیر مهندسی لیزر): متخصصی که یک دسته‌بندی جدید از لیزرهای VCSEL را به تولید انبوه رساند.
برای یک مدیر کسب‌وکار یا توسعه‌دهنده، این تحول به معنای سقوط شدید «هزینه هر توکن» برای مدل‌های عظیم است. اگر ادعای ۶ برابری بهره‌وری انرژی برای مدل‌های ترکیب خبره‌ها محقق شود، سد اقتصادی استقرار عامل‌های تریلیون-پارامتری به‌طور کامل فرو می‌ریزد. این صرفاً یک تراشه سریع‌تر نیست؛ بلکه تغییری بنیادین در نحوه جابجایی داده‌ها بین مغز (محاسبات) و حافظه (ذخیره‌سازی) یک هوش مصنوعی است. اگر موفقیت‌آمیز باشد، تنگنای سخت‌افزاری که در حال حاضر خودمختاری عامل‌های هوش مصنوعی را محدود می‌کند، برطرف خواهد شد.
باید منتظر پنجره استقرار سال ۲۰۲۷ بود تا ببینیم آیا این بنچ‌مارک‌های فوتونیکی در برابر نسل بعدی GPUهای مبتنی بر HBM دوام می‌آورند یا خیر.
گام بعدی شما
- اگر در حال طراحی زیرساخت برای عامل‌های هوش مصنوعی هستید، روی معیارهای «توکن بر وات» به جای صرفاً «تعداد پارامترها» تمرکز کنید.
- تحولات مربوط به استانداردهای CoWoS و بسته‌بندی پیشرفته را دنبال کنید تا زمان استقرار A-1 در سال ۲۰۲۷ را پیش‌بینی کنید.
- بررسی کنید که آیا مدل‌های فعلی شما با جایگزینی مدل‌های عظیم با مدل‌های ترکیب خبره‌ها (MoE) بهینه می‌شوند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو