فهرست مطالب
انویدیا با معرفی پردازنده سرور ۸۸ هستهای Vera و هسته سفارشی Olympus، معماری تازهای برای اجرای بارهای کاری پیچیده هوش مصنوعی عاملی در مراکز داده ارائه کرد.
به گزارش سرویس سخت افزار تکناک، شرکت انویدیا در جریان کنفرانس Hot Chips 2026 جزئیات تازهای از معماری پردازنده سرور نسل آینده خود با نام Vera منتشر کرد. این پردازنده که به هسته کاملا سفارشی Olympus مجهز شده است، با بهرهگیری از فناوری چندریسمانی فضایی، زیرسیستم حافظه کممصرف LPDDR5X و دای محاسباتی یکپارچه، بارهای کاری پیچیده هوش مصنوعی عاملی را در مراکز داده هدف قرار میدهد.
انویدیا پس از تجربه موفق پردازنده Grace که بر پایه معماری استاندارد آرم توسعه یافته بود، اکنون با Vera گام مهمی در جهت استقلال معماری خود برداشته است. این پردازنده به عنوان نخستین محصول این شرکت با هستههای سفارشی، در قالب یک مدل واحد مجهز به ۸۸ هسته قدرتمند طراحی شده است. انویدیا اعلام کرده که تمرکز اصلی این تراشه بر اجرای بارهای کاری مدلهای عاملی است؛ حوزهای که از نگاه این غول فناوری، پیچیدهترین بار کاری محاسباتی در طول تاریخ به شمار میرود و سنجش بازدهی آن به دلیل ماهیت چندمرحلهای فرایندها، چالشهای فنی فراوانی دارد.
نوآوری با چندریسمانی فضایی انویدیا
یکی از برجستهترین نوآوریهای فنی در پردازنده Vera، نحوه پیادهسازی چندریسمانی است. برخلاف روش سنتی چندریسمانی همزمان (SMT) در پردازندههای x86 که منابع پردازشی بر اساس تقسیم زمانی میان ریسمانها به اشتراک گذاشته میشوند و باعث ایجاد افت و وقفه در پیشبینی و رمزگشایی دستورها میگردند، انویدیا از رویکردی موسوم به چندریسمانی فضایی استفاده کرده است. در این شیوه، منابع داخل هسته روی دو خط لوله مجزا تفکیک میشوند، هرچند دادهها و کش در صورت نیاز همچنان میان آنها جابهجا میشوند. این معماری اثر منفی ریسمانهای همسایه را خنثی میکند و باعث میشود با فعال شدن ریسمان دوم، افت عملکرد هسته کاملا کنترلشده و یکنواخت باقی بماند.
در بخش زیرسیستم حافظه، انویدیا دست به انتخابی نامتعارف در دنیای سرورها زده و به جای ماژولهای سنتی RDIMM، از حافظههای LPDDR5X در قالب ماژولهای قابلتعویض SOCAMM2 استفاده کرده است. هر پردازنده Vera از هشت درگاه SOCAMM2 پشتیبانی میکند که مجموعا ۱.۵ ترابایت حافظه با پهنای باند ۱.۲ ترابایت بر ثانیه در اختیار سیستم قرار میدهد. هدف اصلی این تصمیم فنی، کاهش شدید مصرف انرژی در دیتاسنترهایی است که با محدودیت توان الکتریکی مواجه هستند. طبق دادههای ارائهشده، مصرف کل زیرسیستم حافظه در حداکثر بار کاری تنها بین ۳۰ تا ۴۰ وات است، در حالی که ماژولهای سنتی در پیکربندیهای مشابه معمولا بیش از ۱۰۰ وات توان مصرف میکنند.
عملکرد این پردازنده در بنچمارکهای شبیهسازیشده هوش مصنوعی عاملی نیز تفاوتهای چشمگیری را نشان میدهد. در سناریوی مرورگر بدون رابط کاربری گرافیکی، که ابزار اصلی عاملهای هوش مصنوعی برای جمعآوری اطلاعات از وب است، Vera توانسته با بهینهسازی فرایندها و حذف عناصر بصری مانند فونتها و رندر گرافیکی، تا ۲۴ درصد سریعتر از پردازنده ۹۶ هستهای EPYC 9655P ایامدی عمل کند. همچنین در آزمایش کامپایل کد، به عنوان شاخصی ملموس از بارهای کاری عاملی، Vera موفق شده کرنل لینوکس را برای پلتفرم بومی AArch64 تا ۲۲ درصد و در کامپایل متقابل برای x86 تا ۱۴ درصد سریعتر از رقیب ۹۶ هستهای خود پردازش کند.
ساختار ارتباطی و کش سطح سوم
ارتباطات داخلی تراشه توسط نسل دوم ساختار مقیاسپذیر هماهنگی دادهها مدیریت میشود که هستهها را به ۱۶۴ مگابایت حافظه کش سطح سوم متصل میکند. انویدیا همچنین برای حفظ بالاترین توان پردازشی تکهستهای، هسته Olympus را با واحدهای رمزگشایی دهگانه و ساختار پیشبینی شاخه مبتنی بر شبکه عصبی توسعه داده است تا نرخ اجرای دستورات در هر چرخه کاری به حداکثر ممکن برسد.
اگرچه انویدیا پیشتر صدها هزار سرور مجهز به پردازندههای Grace را وارد بازار کرده بود، اما Vera نخستین تلاش مستقیم این شرکت برای کسب سهم پایدار از بازار روبهرشد پردازندههای محاسباتی هوش مصنوعی محسوب میشود. به نوشته تامز هاردور، هماکنون استقرار اولیه این تراشهها در مقیاس بزرگ آغاز شده و شرکت SpaceXAI تایید کرده است که از پردازندههای اختصاصی Vera برای مدیریت بارهای کاری عاملی مدل Grok استفاده خواهد کرد.
با وجود این پیشرفتها، انویدیا در مسیر تسلط بر مراکز داده با رقبای قدرتمندی روبهروست. پردازندههای نسل جدید Venice شرکت ایامدی و Diamond Rapids شرکت اینتل که مجهز به صدها هسته پردازشی و پیشرفتهترین استانداردهای ارتباطی هستند، رقابت در بازار سرورها را به اوج رساندهاند. موفقیت نهایی استراتژی انویدیا در گرو آن خواهد بود که آیا رویکرد متمرکز بر هوش مصنوعی عاملی و حافظههای کممصرف میتواند غولهای سنتی بازار دیتاسنتر را در بلندمدت عقب براند یا خیر.
