إيلاد راز، الرئيس التنفيذي لشركة NextSilicon – سلسلة المقابلات

إيلاد راز، الرئيس التنفيذي لشركة NextSilicon، هو رجل أعمال ومحترف تكنولوجي ذو خبرة واسعة ومحترم على نطاق واسع لخبرته العميقة في الأنظمة منخفضة المستوى والأمان والشبكات وتطوير نظام الملفات. على مدار مسيرته المهنية التي شملت أدوار هندسية عسكرية متقدمة وقيادة برمجيات رفيعة المستوى وبناء شركات واستثمار طويل الأجل، قاد راز مشاريع معقدة وحساسة للغاية عبر دوائر نظام التشغيل والأجهزة والبرمجيات. قبل تأسيس NextSilicon، بنى وخرج من عدة شركات تكنولوجية، وشغل مناصب قيادية في شركة رائدة في صناعة الشبكات، واستثمر في محفظة متنوعة من الشركات الناشئة، مما يجمع بين عمق الهندسة التطبيقية والتنفيذ القوي والرؤية الاستراتيجية الطويلة الأجل.

NextSilicon هي شركة إسرائيلية للهندسة العالية والأجهزة الإلكترونية تأسست في عام 2017 وتعيد تعريف هندسة الحوسبة للتحميلات المطلوبة مثل الذكاء الاصطناعي والحوسبة العلمية. طورت الشركة منصة حوسبة ذكية معينة بالبرمجيات مصممة لتوفير الأداء والكفاءة دون الحاجة إلى إعادة كتابة التطبيقات. من خلال التركيز على التكيف على مستوى الأجهزة، تهدف NextSilicon إلى معالجة الحواجز الأساسية في مراكز البيانات الحديثة وبيئات الحوسبة الفائقة، مما يضعها كبديل جديد للعوامل التقليدية.

يمكنك أن告诉نا عن رحلتك التي أدت إلى تأسيس NextSilicon؟ ما هو الفكرة الأولية التي أطلقت الشركة، وكيف شكلت تجاربك المبكرة مع الحوسبة رؤيتك؟

لقد كنت مهتمًا بالحواسيب منذ كنت صغيرًا. هذا الاهتمام أدى بي من تجربة الحواسيب القديمة مثل Commodore 64 وAtari (التي ما زلت أجمعها حتى اليوم) إلى تأسيس الشركات الناشئة، وในที่ النهاية إلى بيع شركتي السابقة لمellanox. ولكن حتى مع تلك النجاحات المبكرة، كنت أرى نفس التحدي مرة بعد مرة في هذه الصناعة. مع تصاعد تعقيد الحملات الحسابية، بدأت Architectures التقليدية للCPU وGPU تصل إلى حدود الأداء والكفاءة في الطاقة وال قابليتها للتوسيع. سواء كان ذلك من خلال تحسين الخوارزميات أو تشغيل محاكاة على نطاق واسع، أصبح واضحًا أن Architectures الحالية تفرض على الحملات الحسابية التكيف مع الأجهزة – وليس العكس.

فكرة NextSilicon ولدت من هذا التحدي المتكرر، وطرحت السؤال: ماذا لو كنا نستطيع قلب السيناريو وإنشاء هياكل حوسبة تتفاعل مع الحملات الحسابية، بدلاً من إجبار الحملات الحسابية على التكيف مع الأجهزة؟ تعلمتني تجاربي المبكرة مع تصميم الخوارزميات والأجهزة أن الكسر الحقيقي سيأتي من الجمع بينهما في الوقت الفعلي. هذا هو أساس هندسة الحوسبة الذكية (ICA) ورؤية NextSilicon منذ البداية.

يُوصف Maverick-2 بأنه معزز حوسبة ذكي يتفاعل مع الحملات الحسابية في الوقت الفعلي. كيف تختلف هيكلته عن معالجات GPU أو FPGA التقليدية، وما الذي يمكّن من هذا المستوى من التفاعل؟

الCPUs وGPUs قد غيرتا العالم وجيدت لنا. ولكنها لم تكن مصممة أبدًا لتلبية متطلبات الحملات الحسابية الحديثة للذكاء الاصطناعي والحوسبة الفائقة في مجالات مثل العلوم والطقس والطاقة والدفاع. هذه الحملات الحسابية لها اعتمادات بيانات معقدة وأنماط وصول ذاكرة وأنماط حسابية لا تتوافق مع معالجات اليوم.

الفرق الرئيسي في Maverick-2 هو نهجه الجديد الذي يجمع بين محرك بيانات قابل لإعادة التشكيل وتحسين برمجي في الوقت الفعلي. الفرق المعماري الرئيسي هو أن الأجهزة تُكوّن بناءً على حملتك الحسابية، وليس العكس. بالنسبة إلى Maverick-2، يُحدد توافر البيانات الحساب، وليس برنامج معين يُحدد تنفيذ التعليمات مثل معالجات تقليدية. هذا يسمح لنا بإنشاء وحدات معالجة افتراضية محددة بالبرمجيات يمكن تكوينها وإعادة تكوينها في الوقت الفعلي لتطابق أنماط حملات حسابية محددة.

النتائج تتحدث عن نفسها: يُقدم Maverick-2 أداءً يفوق 4 أضعاف أداء GPU و 20 ضعف أداء معالجات CPU، مع تقليل التكاليف التشغيلية بنسبة تزيد عن 50%. وبالتالي، يمكن للمحققين والمهندسين تشغيل محاكاة كبيرة ومتقطعة بسرعة وفعالية أكبر، مما يفتح آفاقًا جديدة واكتشافات في جزء من الوقت.

لقد أبلغت عن تحقيق أداء يفوق 4 أضعاف أداء GPU و 20 ضعف أداء معالجات CPU الراقية. ما هي الابتكارات الرئيسية التي تقود هذه الزيادات في الأداء في الحملات الحسابية الواقعية؟

الزيادات في الأداء تأتي من عدة ابتكارات تعمل معًا.

أولاً، انحرفنا عن نموذج فون نيومان الذي ساد الحوسبة لمدة 80 عامًا. بدلاً من تنفيذ التعليمات بالتسلسل، يستخدم Maverick-2 هيكلة تدفق البيانات حيث يتبع الحساب توافر البيانات. هذا هو أساسًا أفضل لتحميلات حسابية غير منتظمة ومتطلبات ذاكرة.

ثانيًا، تُولد هيكلتنا المتكيفة نوى معالجة محددة بالبرمجيات في الوقت الفعلي. الأجهزة تُكيف نفسها مع احتياجات كل تطبيق دون الحاجة إلى إعادة كتابة التعليمات – تحصل على التحسين دون الحمل الإضافي.

ثالثًا، وهذا هو الحاسم: نركز على الأداء المستدام في الحملات الحسابية الواقعية، وليس القمة النظرية. العديد من الهياكل تبدو جيدة على الورق ولكنها تفشل في الحملات الحسابية الفعلية. يُحافظ Maverick-2 على الكفاءة عبر الذكاء الاصطناعي والحوسبة الفائقة وقواعد البيانات المتجهة من خلال التكيف المستمر مع احتياجات الحملات الحسابية.

يدعم Maverick-2 لغات C/C++ وFortran وOpenMP وKokkos بدون الحاجة إلى تغييرات في التعليمات. كيف استجاب المطورون لهذه التوافقية، وما هي خططك لدعم CUDA وROCm أو إطارات الذكاء الاصطناعي الشهيرة؟

يحب المطورون أن Maverick-2 هو بديل حقيقي “drop-in”. يمكنهم تشغيل تطبيقاتهم الحالية على الفور دون حواجز التبادل التي تعيق هذه الصناعة. نحن ندعم حاليًا لغات C/C++ وFortran وOpenMP وKokkos، مع CUDA وROCm وإطارات الذكاء الاصطناعي الرئيسية مثل TensorFlow وJAX وPyTorch وONNX قيد التطوير النشط. هذا يلغي حبس البائع والتعديلات الباهظة للتطبيقات، ويمكّن العملاء من تقييم واعتماد هياكل جديدة دون تعطيل سير عملهم.

كيف تعمل تحسين النظام المعتمد على التелеметري في Maverick-2 خلف الكواليس؟ ما هو ما يحدث في عملية تحليل واعادة تكوين الشريحة في الوقت الفعلي؟

افكر في تحسين نظامنا كدورة مستمرة: خلال التنفيذ، يقيس نظام التелеметري مئات من مؤشرات الأداء (مثل عرض النطاق الترددي للذاكرة، الاستخدام، أعماق الطوابير). يتم تغذية جميع هذه البيانات إلى محسن زمني يحدد ما إذا كانت التكوين الحالي للأجهزة لا يزال مثاليًا لتحميل الحساب ومتطلباته المتوقعة. إذا لم يكن كذلك، فيمكنه إعادة تقسيم الموارد، وإعادة ترتيب مسارات البيانات، وتعديل خطوط الحساب بشكل مستمر، مما يعني أن التطبيق لا يتوقف. هذا يحدث في غضون مللي ثانية، لذلك يحافظ التطبيق على كفاءته القصوى مع تغير ملفه الحسابي.

هل هناك أنواع معينة من الحملات الحسابية أو الحالات الخاصة التي يكون فيها التهيئة التفاعلية لأداء زمني أقل فعالية أو تُقدم تبادلاً في التأخير أو الطاقة؟

سوف يكون هناك تبادلاً في أي هيكلة. يتفوق Maverick-2 في الحملات الحسابية المعقدة والغير منتظمة مع أنماط حسابية ووصول ذاكرة متغيرة.对于 حملات حسابية متوقعة وثابتة، يمكن لمعالج GPU المُحسّن أن يكون فعالًا جدًا دون الحاجة إلى التكيف. في هذه الحالات، لا يزال التكيف يُقدم أداءً جيدًا، ولكن الفارق النسبي قد يكون أصغر.

تصميم NextSilicon كله حول المرونة والتنافس في الحالات البسيطة، ولكن التحول في التحديات.

لماذا قررت أن تُفضل سوق الحوسبة الفائقة في البداية، عندما كان معظم الشركات الناشئة يهرعون إلى الذكاء الاصطناعي؟ كيف شكل ذلك استراتيجية منتجك واعمالك؟

تمثل الحوسبة الفائقة حدود التعقيد والحل للمشاكل الكبيرة لمجموعات بيانات ضخمة ووصول ذاكرة غير منتظم ونمط حسابي غير متوقع. إذا كنت تستطيع بناء هيكلة تتفوق هناك – مثل تشغيل محاكاة على نطاق إكسابايت في نمذجة المناخ أو الفيزياء، سوف تتفوق أيضًا في الذكاء الاصطناعي.

من خلال التركيز على الحوسبة الفائقة أولاً، أثبتنا Maverick-2 على الحملات الحسابية الأكثر طلبًا في نمذجة المناخ والفيزياء والعلوم الحياتية. هذا أعطانا مصداقية، بيانات أداء حقيقية، ومنتج ناضج قبل الانتقال إلى أسواق الذكاء الاصطناعي. الآن، نحن في وضع جيد لخدمة كلاهما، دون أن نُضحي بهيكلتنا للاستفادة من الاتجاهات أو الاحتياجات قصيرة الأجل.

الآن بعد أن دخل Maverick-2 مرحلة الإنتاج وتوزيعه على عشرات العملاء، يمكنك أن تشاركنا أمثلة حول كيفية استخدامه؟ هل هناك نتائج أو معايير محددة من التوزيعات الرئيسية؟

مثال رئيسي هو توزيعنا في مختبرات Sandia الوطنية، حيث يقوم Maverick-2 بتشغيل جهاز Spectra الفائق كجزء من برنامج Vanguard-II. نحن نشهد نتائج أداء ممتازة بدون الحاجة إلى تعديلات في التعليمات. نحن أيضًا نعمل مع ODISSEE (Online Data Intensive Solutions for Science in the Exabytes Era)، الذي يجمع بين المؤسسات البحثية الرائدة لمعالجة بيانات على نطاق إكسابايت من مصادر مثل CERN’s High-Luminosity Large Hadron Collider ومشروع Square Kilometre Array Observatory. دور Maverick-2 سيكون في حل تحدي معالجة بيتابايت من البيانات التجريبية في جزء من الوقت والطاقة المطلوبة سابقًا. الهدف النهائي هو تمكين تحليلات فيزياء وأكتشافات فلكية أسرع.

لقد جمعت أكثر من 300 مليون دولار، مع جولات تم الإعلان عنها في عام 2021 وأخيرًا. يمكنك أن تشاركنا كيف ساعدت هذه التمويل في تسريع تطوير منتجك ووصول سوقك؟

التمويل سمح لنا بثلاثة أشياء. أولاً، كنا نستطيع دفع الهيكلة إلى الأمام، ليس فقط تحسينات تكميلية، ولكن تقدمات جوهرية جعلت Maverick-2 جاهزًا للإنتاج. ثانيًا، كنا نستطيع توسيع تصنيعنا وسلسلة التوريد لتلبية الطلب المتزايد، وهو تحدي ليس سهلًا لصالح السيليكون الجديد. ثالثًا، كنا نستطيع توسيع نظامنا البيئي البرمجي لتمكين العملاء من التكامل والتشغيل بشكل أسرع.

كما سمح لنا بالشراكات الاستراتيجية مع مراكز الحوسبة الفائقة ومزودي الخدمات السحابية، مما يسمح لنا بتبسيط عملية مفهومنا إلى التوزيع وتوسيع نطاقنا بشكل أسرع من الشركات الناشئة التقليدية للأجهزة.

في مشهد يضم Cerebras (CBRS ) وSambaNova وNvidia (NVDA ) ، كيف ترى NextSilicon موقفها؟ ما هي استراتيجيتك للتسويق كمنافس؟

نرى NextSilicon كشركة تكنولوجيا أكثر من كونها شركة أجهزة فقط. نحن نُحسن كل حملة حسابية، ونُقدم التكيف، ولا نُجبر العملاء على برمجة أو أجهزة مملوكة. يمكن لعملائنا جلب كودهم الحالي وتحقيق تسريع فوري دون دورات طويلة لتحويل التعليمات أو حبس البائع إلى نظام بيئي واحد، مثل CUDA. هذا يهم بشكل خاص مع تطور حملات الذكاء الاصطناعي إلى ما وراء التدريب البسيط. نماذج الاستدلال، الاستدلال الممتد، ونوافذ السياق الكبيرة تتطلب أنماط حسابية مختلفة بشكل جوهري: وصول ذاكرة أكثر ديناميكية، حساب متغير الطول، وتخصيص موارد قابل للتكيف. هذه ليست مشاكل تحلها بمزيد من نفس الهيكلة الثابتة.

استراتيجيتنا للتسويق تركز على حل أصعب المشاكل أولاً: العمل مع المؤسسات البحثية والمعامل الوطنية والشركات حيث الأداء والكفاءة والمرونة هي أمور حرجة. من هناك، نوسع إلى أسواق الذكاء الاصطناعي وأسواق البيانات الكثيفة. الصناعة تُهيمن عليها هياكل ثابتة. نحن نقدم شيئًا مختلفًا، التكيف مبني من البداية. الذكاء الاصطناعي يتحول من النطاق البسيط إلى الذكاء. نماذج أكبر تمكّن من استدلال أكثر ذكاءً، من العبارات القصيرة إلى فهم السياق الطويل. في هذا التحول، الهياكل القابلة للتكيف لن تكون فقط جديدة؛ سوف تكون ضرورية.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا NextSilicon.