הגידול המהיר בהיקף נתוני הבינה המלאכותית והמעבר הצפוי לתקני תקשורת מהירים במיוחד מעמידים את תשתיות האחסון בפני מחסום טכנולוגי משמעותי. כדי להתמודד עם העומס הגובר על רכיבי הניהול בכונני מצב מוצק (SSD), חברת הזיכרון הדרום-קוריאנית SK הייניקס (SK Hynix) מפתחת ארכיטקטורה חדשה שתשלב יותר מ-100 מעבדים ייעודיים זעירים בתוך בקר SSD יחיד. הפיתוח החדש, שנקרא Hynix Transaction Processing Unit (H-TPU), מיועד לתת מענה למגבלות הפיזיות והאנרגטיות של המעבדים הכלליים המקובלים כיום, תוך שיפור היעילות במערכות אחסון ארגוניות ובתשתיות המיועדות לעומסי עבודה של בינה מלאכותית.
המגבלות של מעבדים כלליים בבקרי SSD
בכונני SSD ארגוניים מתקדמים, המעבדים הכלליים בבקר הזיכרון נדרשים לנהל מגוון רחב של משימות. העומס הגדל של נפחי המידע, יחד עם המעבר המתוכנן לדורות הבאים של ממשק תקשורת הנתונים (PCIe 6.0, PCIe 7.0 ו-PCIe 8.0), מגדילים את כמות הפעולות שמתבצעות בכל שנייה. כתוצאה מכך, המעבדים הכלליים הופכים לצוואר בקבוק המגדיל את צריכת החשמל של הכונן ואת השטח הפיזי הנדרש על גבי פיסת הסיליקון.
בדברים שנשא בכנס International SoC Design Conference, התייחס סגן נשיא SK הייניקס, קו אין-ג'ה (Koo In-je), למגבלות הארכיטקטורה הקיימת: "כיום, מעבדים כלליים בתוך בקרי SSD נמצאים בקצה הגבול שלהם מבחינת צריכת חשמל ושטח רכיב. חלף זאת, פיתחנו את ה-H-TPU שיכול לנהל בצורה יעילה נתיבי העברת קלט/פלט נפוצים."
ארכיטקטורת H-TPU: חיסכון משמעותי בשטח ובחשמל
הפתרון של SK הייניקס מבוסס על חלוקת עבודה בין המעבד המרכזי לבין עשרות מעבדים ייעודיים קטנים. בעוד מעבדים כלליים עוסקים במגוון רחב של פעולות מורכבות, מעבדי ה-H-TPU תוכננו במיוחד לטיפול בפעולות קלט/פלט (I/O) חוזרות - כגון קריאה וכתיבה של נתונים, עדכון מטא-דאטה ובקרת חוצצים (Buffers).
לפי נתוני החברה, תכנון ממוקד זה מאפשר להשיג את נתוני היעילות הבאים:
- שטח רכיב קטן במיוחד: כל מעבד H-TPU תופס 4% בלבד מהשטח הנדרש עבור ליבת מעבד כללי.
- צריכת חשמל נמוכה: כל מעבד ייעודי צורך כ-2.5% בלבד מהחשמל שצורכת ליבת מעבד כללית.
- ניהול אנרגיה חכם: הבקר מפעיל אך ורק את יחידות המעבד הנדרשות לטיפול בבקשות נכנסות בזמן אמת, בעוד שאר המעבדים מועברים למצב המתנה (Idle).
- צינור עיבוד נתונים: המעבדים עושים שימוש בצינור עיבוד (Pipeline) בן ארבעה שלבים ובביצוע סדרתי המותאם לפעולות אחסון חוזרות.
במקביל, המעבדים הכלליים הראשיים אינם מבוטלים לחלוטין, אלא משתחררים מניהול הפעולות השגרתיות ומתמקדים במשימות מורכבות בלבד, כגון התאוששות משגיאות, ניהול מקרי קצה והחלת מדיניות אחסון.
| פרמטר | ליבת מעבד כללי (CPU) | מעבד ייעודי (H-TPU) |
|---|---|---|
| שטח ליבה יחסי | 100% | 4% |
| צריכת חשמל יחסית | 100% | 2.5% |
| תפקידים מרכזיים | טיפול בשגיאות, החלטות מדיניות ומקרי קצה | פעולות קלט/פלט חוזרות, עדכון מטא-דאטה ובקרת חוצצים |
התאמה למודלי AI וטכנולוגיות הזיכרון של המחר
הצורך בארכיטקטורת אחסון חדשה מתחדד בעקבות השינוי באופי הבקשות של מודלי בינה מלאכותית מודרניים. SK הייניקס מתכננת לשלב את מעבדי ה-H-TPU בארכיטקטורת ה-Storage Next שלה, המיועדת להתמודד עם בקשות נתונים קטנות במיוחד בהיקף של 512 בייטים או פחות - נפח המהווה שמינית מהיחידה הסטנדרטית המקובלת כיום (4KB). גישה זו מאפשרת למערכות אחסון לחלץ חלקי מידע קטנים בדיוק גבוה ובמהירות מוגברת.
בנוסף, הטכנולוגיה מיועדת להשתלב במוצרי זיכרון מבוססי High Bandwidth Flash (HBF), טכנולוגיה הצפויה להיכנס לשוק בשנה הבאה, וכן בסדרות מוצרי ה-AIN של החברה (הכוללות את המשפחות AIN P, AIN B ו-AIN D).
נכון לשלב זה, החברה טרם חשפה מועד מדויק להגעת מעבדי ה-H-TPU למוצרים מסחריים ספציפיים, ולא סיפקה נתונים כמותיים לגבי מידת השיפור הכוללת בביצועי כונני ה-SSD בעקבות השילוב.
למה זה חשוב לך
ככל שהשירותים הישראליים מבוססי בינה מלאכותית, ממודלי שפה ועד כלי ניתוח נתונים, מתבססים על תשתיות ענן גלובליות, כך גם היעילות של מערכי האחסון שמאחוריהן משפיעה ישירות על מהירות התגובה והעלות של השירותים הללו עבור משתמשי קצה וחברות בישראל. חיסכון בצריכת החשמל בבקרי SSD עשוי לתרגם בטווח הארוך להוזלת עלויות תפעול מרכזי נתונים, מה שיכול להשפיע על תמחור שירותי ענן ו-AI שחברות ישראליות צורכות. בנוסף, פיתוחים כאלה ממחישים את קצב החדשנות הנדרש כדי לתמוך בעומסי הנתונים הגוברים של עידן ה-AI, תחום שבו גם יזמים וחברות ישראליות פעילים רבות.
קראו גם: מודל AI של OpenAI מצא ארנק את'ריום, ביצע עסקה - והסתיר זאת מהמפתחים · בריטניה משקיעה מאות מיליוני ליש"ט בבינה מלאכותית לאומית וסייבר
