اگر امروز هزینه‌ی نگهداری سرورهای هوش مصنوعی را می‌پردازید، می‌دانید که مشکل اصلی فقط قیمت GPU نیست. هزینه واقعی در جابه‌جایی مداوم و پرمصرف داده‌ها بین حافظه و پردازنده نهفته است.
این ناکارآمدی ساختاری باعث شد غول‌های حافظه مثل سامسونگ (Samsung) و میکرون (Micron) در می ۲۰۲۶ به ارزش بازار یک تریلیون دلار برسند. ما با «دیوار حافظه» مواجهه‌ایم؛ جایی که سرعت پردازش از توانایی جابه‌جایی داده‌ها پیشی گرفته است. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی زیرساخت‌های مرکز داده اشاره کردیم، این گلوگاه اصلی رشد است.
برای شکستن این سد، استارتاپ XCENA در ۲۹ می ۲۰۲۶ مبلغ ۱۳۵ میلیون دلار در دور سری B جذب کرد. محصول آن‌ها تراشه‌ی MX1 است که از لینک اکسپرس محاسباتی (CXL) — مثل یک اتوبان سریع که اجازه می‌دهد داده‌ها بدون ترافیک بین قطعات جابجا شوند — برای آوردن قدرت محاسباتی به درون DRAM استفاده می‌کند.
طبق گزارش TechCrunch، ویژگی‌های فنی این تراشه عبارتند از:
- هزاران هسته‌ی کوچک و بهینه RISC-V برای پردازش داده.
- کنترل‌کننده‌های حافظه و سلسله‌مراتب داخلی طراحی‌شده در شرکت.
- توانایی مدیریت حافظه KV و پیش‌پردازش در داخل ماژول حافظه.
به نقل از این منبع، معماری MX1 می‌تواند کاری را که پیش‌تر به ۱۰ سرور نیاز داشت، تنها با یک سرور انجام دهد.
این یک چرخش راهبردی از «محاسبه‌محوری» به «حافظه‌محوری» است. در حالی که اکثر شرکت‌ها سعی می‌کنند انویدیا را در آموزش مدل‌ها شکست دهند، XCENA لایه‌ی استنتاج (Inference) — مثل خودِ آشپزی، نه دوره‌ی آموزش آشپز — را هدف قرار داده است. برای ابر-مقیاس‌کنندگانی که میلیاردها دلار هزینه می‌کنند، حتی یک بهبود کوچک در کارایی حافظه، صدها میلیون دلار صرفه‌جویی می‌آورد.
گام بعدی شما
- تحولات خط تولید سامسونگ در پایان ۲۰۲۶ را دنبال کنید تا زمان عرضه MX1 مشخص شود.
- اثر کاهش تعداد سرورها بر هزینه‌ی عملیاتی (OpEx) مراکز داده را بررسی کنید.
- مدل‌های بهینه‌سازی حافظه برای استنتاج را مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو