هانس هاسلباي-أندرسن، الرئيس التنفيذي لشركة Lotus Microsystems – سلسلة مقابلات

هانس هاسلباي-أندرسن هو الرئيس التنفيذي لشركة Lotus Microsystems، ويتمتع بخبرة تزيد على 20 عامًا في قطاع أشباه الموصلات، شملت العمل مؤسسًا وتنفيذيًا وعضوًا في مجلس إدارة ومستثمرًا. أسس Merus Audio وقادها حتى استحواذ Infineon عليها في عام 2018، كما شغل مناصب قيادية في Texas Instruments وInfineon وToccata Technology وNokia. وتركز عمله على طرح تقنيات أشباه الموصلات الموفرة للطاقة في الأسواق.

Lotus Microsystems شركة أشباه موصلات مقرها كوبنهاغن ولا تمتلك مصانع تصنيع، وتعمل على تطوير محولات طاقة مدمجة وحلول لتوصيل الطاقة في الإلكترونيات المتقدمة. تجمع تقنية Power Interposer القائمة على السيليكون بين تحويل الطاقة والإدارة الحرارية، بما في ذلك عبر منصة vStrata للتوصيل الرأسي للطاقة، والمخصصة للذكاء الاصطناعي والحوسبة عالية الأداء. في هذه المقابلة، يناقش هاسلباي-أندرسن فاقد الطاقة على مستوى الخوادم، وحدود هياكل الطاقة التقليدية، وأسباب تزايد الحاجة إلى تصميم أنظمة توصيل الطاقة والتبريد وتغليف أشباه الموصلات معًا.

امتدت مسيرتك المهنية من أنظمة الاتصالات اللاسلكية في Nokia وتطوير أشباه الموصلات في Texas Instruments إلى تأسيس Merus Audio وقيادتها حتى استحواذ Infineon عليها، وصولًا إلى توليك قيادة Lotus Microsystems. كيف أسهمت هذه التجارب في تشكيل رؤيتك لتحديات الطاقة والإدارة الحرارية التي تبرز في البنية التحتية للذكاء الاصطناعي اليوم؟

دخلت مجال أشباه الموصلات بالصدفة تقريبًا. فقد استحوذت Texas Instruments على شركة ناشئة كنت أعمل فيها، وكانت تلك بداية تعرّفي إلى كيفية تصميم الرقائق وتصنيعها وطرحها في الأسواق. لم أكن مصمم رقائق بنفسي، لكنني تعلمت الكثير عن هذا القطاع.

لاحقًا، عندما أسست Merus Audio، كان الدافع هو ملاحظة فجوة واضحة في السوق، تتمثل في الحاجة إلى تقليل فاقد الطاقة وإطالة عمر بطاريات مكبرات الصوت اللاسلكية. ومن ثم ركزت على استقطاب الأشخاص المناسبين وتأمين التكنولوجيا اللازمة لمعالجة هذه الحاجة.

بعد استحواذ Infineon على Merus، أمضيت بعض الوقت خارج قطاع أشباه الموصلات، لكنني أدركت في نهاية المطاف أن هذا هو المجال الذي أريد العمل فيه. وما جذبني إلى Lotus Microsystems هو تركيز الفريق المؤسس على ثلاثة عناصر أساسية في تقنيته المتقدمة لتوصيل الطاقة: كفاءة الطاقة، والحجم المادي، والأداء الحراري. وهذه تحديات لا تختفي أبدًا من مجال توصيل الطاقة، أيًا كان التطبيق، لكن الذكاء الاصطناعي جعلها ملحّة على نحو خاص.

نشهد تقدمًا استثنائيًا في تقنيات المعالجات، لكن كل هذه القدرة الحاسوبية تصطدم بقيود مادية حقيقية. وقد علمتني تجربتي أن حل هذه المشكلات الأقل ظهورًا قد يكون ذا قيمة لا تقل عن تطوير التقنيات التي تحظى باهتمام الجميع.

غالبًا ما تركز النقاشات حول البنية التحتية للذكاء الاصطناعي بشدة على أداء وحدات معالجة الرسومات والشبكات والتبريد. فلماذا تعتقد أن توصيل الطاقة نفسه أصبح أحد أهم العوائق أمام مواصلة توسيع نطاق أنظمة الذكاء الاصطناعي؟

نقضي وقتًا طويلًا في الحديث عن مقدار القدرة الحاسوبية التي تستطيع وحدة معالجة الرسومات توفيرها، لكننا نتحدث بدرجة أقل بكثير عن كيفية إيصال كمية كافية من الكهرباء إليها بكفاءة. تتطلب مسرّعات الذكاء الاصطناعي الحديثة تيارًا شدته آلاف الأمبيرات عند جهود منخفضة جدًا، وقد يتغير احتياجها إلى الطاقة شبه瞬يًا بحسب عبء العمل. ولم تُصمَّم أنظمة توصيل الطاقة التقليدية للتعامل مع هذه الدرجة من الشدة. قد تمتلك أكثر المعالجات تطورًا في العالم، لكنك لن تستفيد من كامل إمكاناتها إذا لم تستطع إيصال طاقة مستقرة إليها عند الحاجة. ولهذا أصبح توصيل الطاقة جزءًا بالغ الأهمية من تحدي توسيع نطاق الذكاء الاصطناعي.

عندما يتحدث مشغلو مراكز البيانات عن كفاءة الطاقة، ينصب قدر كبير من الاهتمام على أنظمة التبريد ومؤشرات كفاءة المنشأة. فما مقدار الطاقة التي تُفقد فعليًا داخل الخادم قبل وصولها إلى المعالج، ولماذا لم تحظَ هذه المسألة إلا باهتمام أقل نسبيًا؟

لا يوجد رقم واحد ينطبق على جميع الخوادم، لكن الفاقد قد يكون كبيرًا. ففي بعض الهياكل التي تتعامل مع تيارات عالية، قدّرنا أن نحو 7–10% من الطاقة يمكن أن يُفقد في المراحل الأخيرة من توصيلها إلى المعالج. ولا تُستخدم هذه الطاقة في أي حوسبة مفيدة، بل تتحول إلى حرارة يتعين بعد ذلك التخلص منها. وعند تشغيل آلاف المعالجات على مدار الساعة، تصبح حتى أوجه القصور الصغيرة نسبيًا مكلفة للغاية.

من أسباب إغفال هذه المسألة الطريقة التي اعتدنا بها قياس كفاءة مراكز البيانات. فقد أصبح مقياس فعالية استخدام الطاقة (PUE) معيارًا معتمدًا في القطاع، وهو مفيد لفهم الأعباء الإضافية على مستوى المنشأة، بما في ذلك التبريد وتوزيع الطاقة. لكنه لا يبيّن مدى كفاءة تحويل الكهرباء وتوصيلها داخل الخادم نفسه.

لا أقصد بذلك أن كفاءة التبريد غير مهمة؛ فهي مهمة للغاية. لكن من المفارقات إلى حد ما إنفاق مبالغ طائلة على التخلص من الحرارة من دون إيلاء اهتمام كافٍ لمصدر بعض هذه الحرارة التي لا داعي لها. ينبغي أن نسعى إلى منع هذا الفاقد من الأساس.

مع استهلاك وحدات معالجة الرسومات وغيرها من مسرّعات الذكاء الاصطناعي كميات متزايدة من الطاقة، ما أوجه القصور التي بدأت تظهر في هياكل توصيل الطاقة التقليدية على مستوى اللوحات؟

تتضح المشكلة أكثر عند النظر إلى الطريقة التي تصل بها الطاقة فعليًا إلى وحدة معالجة الرسومات (GPU). ففي التصميم التقليدي، توضع محوّلات الطاقة بجوار المعالج، وتسري الكهرباء أفقيًا عبر لوحة الدوائر لتصل إليه. وقد تبدو هذه المسافة ضئيلة، لكن عندما تمر آلاف الأمبيرات، تصبح حتى المقادير الصغيرة من المقاومة مؤثرة. وتزداد خسائر المقاومة مع مربع شدة التيار، ما يعني أن مضاعفة التيار المار عبر المقاومة نفسها قد تؤدي إلى أربعة أمثال تلك الخسائر.

ويتمثل تحدٍ آخر في الاستجابة للتغيرات السريعة في الطلب على الطاقة مع الحفاظ على استقرار الجهد. ويمكن للمهندسين الحد من ذلك بإضافة المكثفات ومكوّنات أخرى، لكن هذه الحلول تشغل مساحة ثمينة. وفي نهاية المطاف، يصبح من الأجدى إعادة التفكير في البنية بدلاً من مواصلة إضافة مكوّنات إلى التصميم القائم.

ما التغييرات التي ينبغي إجراؤها على طريقة إيصال الطاقة من خزانة الخوادم إلى المعالج إذا أراد القطاع مواصلة زيادة كثافة الحوسبة من دون التسبب في مشكلات حرارية أو مشكلات كفاءة يتعذر تحملها؟

يشهد مستوى خزانة الخوادم بالفعل قدرًا كبيرًا من الابتكار، بما في ذلك التوجه نحو توزيع الطاقة بجهد أعلى. وهذا مهم لأن الجهود الأعلى تتيح نقل الكهرباء بتيار أقل، ما يقلل الخسائر عبر المسافات الأطول. لكن لا بد في نهاية المطاف من خفض جهد تلك الكهرباء إلى مستويات منخفضة جدًا تلائم متطلبات المعالجات، وهنا تظل بعض أصعب التحديات قائمة.

يتمثل أحد أكثر التطورات الواعدة في إيصال الطاقة عموديًا، بحيث يجري تحويل الطاقة مباشرة أسفل المعالج بدلاً من وضع محوّلاتها إلى جانبه. ويساعد تقصير مسار الكهرباء على الحد من الخسائر وتحسين سرعة الاستجابة. لكن هذا يطرح تحديًا جديدًا أيضًا، إذ يقرّب المكوّنات المولّدة للحرارة بعضها من بعض. ولجعل هذه البنى قابلة للتطبيق على نطاق واسع، ينبغي ألا نتعامل مع إيصال الطاقة والإدارة الحرارية والتغليف بوصفها مسائل هندسية منفصلة. بل يجب تصميمها معًا منذ البداية.

قدّمت Lotus Microsystems مؤخرًا منصة vStrata لإيصال الطاقة عموديًا. ما المشكلة التي يُراد لهذا النهج أن يحلها، وكيف يختلف عن بُنى الطاقة التقليدية المستخدمة حاليًا في خوادم الذكاء الاصطناعي؟

الفكرة الأساسية وراء إيصال الطاقة عموديًا بسيطة نسبيًا. فبدلاً من تمرير كميات هائلة من التيار أفقيًا عبر لوحة الدوائر، يوضع مصدر الطاقة مباشرة أسفل المعالج. وهذا يقصّر المسار الكهربائي بدرجة كبيرة، فيقلل الخسائر ويساعد النظام على الاستجابة بسرعة أكبر عند تغير متطلبات الطاقة.

لكن ثمة فرقًا جوهريًا بين تقريب الطاقة من المعالج وحل المشكلة برمتها. فهذا النهج يركز الحرارة أيضًا في مساحة أصغر، بجوار مكوّنات تعمل أصلًا تحت ضغط حراري كبير. وإذا لم نعالج ذلك، فإننا نخاطر بإنشاء عنق زجاجة جديد في أثناء حل المشكلة الأصلية.

وهذا ما سعينا إلى معالجته من خلال vStrata. إذ تتيح لنا تقنية Power Interposer Technology السيليكونية المملوكة لنا إيصال الطاقة عموديًا مع دمج الإدارة الحرارية في البنية نفسها. وقد صُممت أول وحدة لدينا، LSC0580، لتحقيق كفاءة تصل إلى 96% عند نقطة الحمل، وخفض درجات الحرارة بما يصل إلى 25°C في التكوينات المحسّنة. ولا يقتصر الهدف على تمرير تيار أكبر، بل يشمل مساعدة مراكز البيانات على إنجاز مزيد من العمليات الحاسوبية المفيدة ضمن المساحة المادية نفسها، مع تقليل الطاقة الإضافية وأعباء التبريد اللازمة لتشغيلها.

غالبًا ما تفترض صناعة الذكاء الاصطناعي أن مكاسب الأداء المستقبلية ستأتي من رقائق أفضل أو من عمليات أشباه موصلات أكثر تقدمًا. فهل يمكن أن تصبح تحسينات بنية الطاقة في نهاية المطاف بأهمية التطورات في المعالجات نفسها لأداء الذكاء الاصطناعي؟

بالتأكيد. فالأداء النظري للمعالج لا قيمة له إلا إذا أتاح له النظام المحيط به العمل عند ذلك المستوى. وإذا لم يستطع نظام إيصال الطاقة مواكبة الطلب، أو أجبرت الحرارة المفرطة النظام على خفض الأداء، فلن تحصل على كامل ما دفعت ثمنه. واللافت أن تحسين بنية الطاقة قد يساعد على استخراج أداء مستدام أعلى من العتاد الموجود، من دون الحاجة بالضرورة إلى تغيير المعالج نفسه. ولا أرى أن المسألة خيار بين رقائق أفضل وبنية تحتية أفضل؛ فنحن بحاجة إلى كليهما، وأتوقع أن تزداد أهمية العلاقة بينهما.

تفرض مراكز بيانات الذكاء الاصطناعي بالفعل ضغطًا كبيرًا على شبكات الكهرباء حول العالم. إلى أي مدى يمكن لتحسين تحويل الطاقة وإيصالها على مستوى الخوادم أن يقلل البصمة الإجمالية للطاقة في البنية التحتية للذكاء الاصطناعي واسعة النطاق؟

الإمكانات كبيرة، وإن كان من الصعب تحديد رقم واحد، لأن الأثر يعتمد على بنية المنشأة وحجمها. فتحسين إحدى مراحل التحويل بمقدار نقطة مئوية واحدة لا يؤدي تلقائيًا إلى خفض استهلاك مركز البيانات الإجمالي للكهرباء بالنسبة نفسها.

لكن تأمل ما يحدث عندما تضرب حتى التحسينات المتواضعة في الكفاءة في آلاف المعالجات التي تعمل باستمرار. فقد يؤدي ذلك إلى انخفاض كبير في هدر الطاقة وتكاليف التشغيل والنفقات الرأسمالية، فضلًا عن كمية الحرارة التي يتعين على أنظمة التبريد التعامل معها. وتكتسب هذه التحسينات قيمة خاصة عندما تكون قدرة الشبكة الكهربائية تحد بالفعل من أماكن إنشاء مراكز البيانات الجديدة وسرعة بنائها.

وبعبارة أخرى، الطاقة الأكثر مراعاةً للبيئة هي تلك التي لا نستهلكها أصلًا. لقد انصبّ تركيز هائل على تأمين مزيد من الطاقة لدعم توسع الذكاء الاصطناعي، وهذا أمر مفهوم، لكن ينبغي أن نهتم بالقدر نفسه بتحسين الاستفادة من الكهرباء المتاحة بالفعل.

مع توجه عتاد الذكاء الاصطناعي نحو وحدات معالجة رسومية أعلى قدرة، ومسرّعات مخصصة، وأنظمة حوسبة تزداد كثافتها، ما الاختناقات التقنية التي تتوقع أن يواجهها مهندسو الطاقة خلال السنوات القليلة المقبلة؟

ستواصل متطلبات التيار الارتفاع، ونحن نشهد بالفعل التحديات التي يفرضها ذلك. فبعض معالجات الذكاء الاصطناعي تتطلب عدة آلاف من الأمبيرات، وقد تصل التصاميم المستقبلية إلى 6,000 أو حتى 8,000 أمبير. ويكفي أن إيصال هذا التيار بكفاءة أمر صعب، لكن الحفاظ على استقرار الجهد مع التغير السريع لأحمال العمل يضيف طبقة أخرى من التعقيد.

تميل الصناعة أيضًا إلى التركيز على كثافة التيار بوصفها المقياس الرئيسي للتقدم. ومن المثير للإعجاب إيصال تيار أكبر من محول طاقة أصغر حجمًا، لكن إذا كنت تولّد المقدار نفسه من الحرارة في مساحة أصغر، فهذا لا يعني بالضرورة أنك حسّنت النظام ككل. بل ربما جعلت المشكلة الحرارية أسوأ. وأعتقد أن المهندسين القادرين على تحقيق التوازن بين الكفاءة والأداء الحراري والاستجابة الديناميكية والموثوقية هم من سيحققون أكبر الإنجازات.

بالنظر إلى الجيل التالي من بنية الذكاء الاصطناعي التحتية، ما التغييرات اللازمة في توصيل الطاقة والتبريد وتغليف أشباه الموصلات وبنية الأنظمة لدعم زيادة كبيرة أخرى في القدرة الحاسوبية للذكاء الاصطناعي؟

أتوقع أن نشهد تكاملًا أوثق بكثير بين توصيل الطاقة والمعالج نفسه. ويُعد توصيل الطاقة عموديًا خطوة مهمة، لكنني لا أعتقد أن التطور سيتوقف عند هذا الحد. فنحن نتطلع بالفعل إلى وحدات طاقة أقل سمكًا يمكن دمجها في لوحات الدوائر، وإلى بنى تدمج في نهاية المطاف مزيدًا من وظائف توصيل الطاقة مباشرةً في حزم xPU. وكل خطوة تقرّب الطاقة من الموضع الذي تُستهلك فيه فعليًا.

سيتعين أن يتطور التبريد بالتوازي مع هذه التغييرات. ويزداد التبريد السائل أهميةً في الحوسبة عالية الكثافة، لكن تحسين طريقة التخلص من الحرارة ليس سوى جزء من المعادلة. علينا أيضًا تقليل كمية الحرارة غير الضرورية التي نولّدها، وإيجاد طرق أفضل للتعامل معها بالقرب من مصدرها.

لعل أكبر تغيير سيطال طريقة تطوير هذه الأنظمة. تقليديًا، كثيرًا ما جرى تحسين أجزاء مختلفة من منظومة العتاد كلٌّ على حدة إلى حد ما. لكن ذلك يزداد صعوبةً مع مستويات الطاقة التي نتجه إليها. وسيتعين على صانعي الرقائق واختصاصيي إلكترونيات الطاقة ومهندسي التغليف ومصممي الأنظمة العمل معًا عن كثب أكبر بكثير. أمضينا سنوات في دفع حدود قدرات المعالجات الفردية، لكن المرحلة التالية من بنية الذكاء الاصطناعي التحتية ستتمحور حول ضمان قدرة النظام بأكمله على دعم ما تستطيع تلك المعالجات إنجازه.

شكرًا على هذه المقابلة الرائعة. ويمكن للقراء الراغبين في استكشاف توصيل الطاقة عموديًا والإدارة الحرارية لبنية الذكاء الاصطناعي التحتية زيارة Lotus Microsystems.