विचार नेता
GPU से आगे: एक प्रणाली के रूप में AI फ़ैक्टरी का अनुकूलन
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
AI फ़ैक्टरी कोई बड़ा डेटा सेंटर नहीं है। इसे वेब पेज और ईमेल उपलब्ध कराने के बजाय, विशेष रूप से बुद्धिमान टोकन बनाने के लिए तैयार किया जाता है। जब कोई हाइपरस्केलर या नियो-क्लाउड AI फ़ैक्टरी बनाने में अरबों डॉलर और कई साल लगाता है, तो गणना का भारी काम करने वाले GPU स्वाभाविक रूप से प्राथमिकता बन जाते हैं। लेकिन केवल GPU का अनुकूलन करने से उसके आसपास की फ़ैक्टरी का अनुकूलन नहीं होता। बिजली और तापीय प्रणालियों को उस कंप्यूटिंग क्षमता का समर्थन करना होता है, और एक प्रणाली में लिए गए निर्णयों के दूसरी प्रणालियों पर बड़े परिणाम हो सकते हैं। AI का उद्देश्य जटिल प्रणालियों का अधिकतम अनुकूलन करना है, फिर भी इसे बनाने वाली फ़ैक्टरियों का अक्सर एक समय में केवल एक घटक के हिसाब से अनुकूलन किया गया है। वर्चुअल ट्विन तकनीक से इंजीनियर निर्माण शुरू होने से पहले ही पूरी प्रणाली तैयार कर सकते हैं और उसे सुव्यवस्थित कर सकते हैं।
सावधानीपूर्ण डिज़ाइन सबसे सुरक्षित विकल्प क्यों बना
प्रणाली की विफलता या प्रदर्शन में रुकावट के गंभीर परिणामों की आशंका को देखते हुए, शुरुआती सुविधाएँ जरूरत से ज्यादा सुरक्षा-मार्जिन और हार्डवेयर के साथ बनाई गईं। डेटा सेंटर की इस नई पीढ़ी के लिए कोई स्पष्ट रोडमैप नहीं था, इसलिए सावधानी बरतकर निर्माण करना सबसे सुरक्षित तरीका लग सकता था। इन मार्जिन से चिप के पास तापमान में अचानक उछाल जैसी समस्याओं से बचाव में मदद मिली। ऐसी स्थिति में हार्डवेयर के खराब होने से पहले ऑपरेटरों के पास जवाब देने के लिए मात्र एक मिनट तक का समय हो सकता है। कुछ शुरुआती सुविधाओं में उपलब्ध बिजली का 10 प्रतिशत तक अनुपयोगी सुरक्षा-मार्जिन के रूप में पड़ा रहा।
AI फ़ैक्टरियाँ तापमान, मौसम, उपकरणों की खराबी, अपर्याप्त क्षमता, डिज़ाइन की कमियों और रखरखाव संबंधी समस्याओं के जोखिम में रहती हैं। जब दाँव इतने ऊँचे हों और क्षमता गीगावाट के स्तर पर हो, तो क्षमता उपलब्ध कराने में देरी का हर दिन टोकन बनाने से होने वाले राजस्व में लगभग 100 मिलियन डॉलर के नुकसान के बराबर हो सकता है। इन समस्याओं के नतीजों का अनुमान लगाने का कोई तरीका न होने पर सावधानी बरतना जरूरी लगता था।
जब ये जोखिम कई स्वतंत्र प्रणालियों तक फैले हों, तो चुनौती और भी बड़ी हो जाती है। AI फ़ैक्टरी तीन परस्पर घनिष्ठ रूप से जुड़ी प्रणालियों पर निर्भर करती है: कंप्यूटिंग, बिजली और तापीय प्रबंधन। GPU को बिजली देने के लिए एक जटिल विद्युत आपूर्ति-श्रृंखला और उससे पैदा होने वाली गर्मी हटाने के लिए उतनी ही सक्षम तापीय प्रणाली की जरूरत होती है। जब कंप्यूटिंग, बिजली और तापीय प्रबंधन को अलग-अलग चरणों के रूप में देखा जाता है और हर एक का अनुकूलन उसके अपने क्षेत्र में किया जाता है, तो टीमें यह समझने से चूक सकती हैं कि एक प्रणाली का निर्णय दूसरी प्रणालियों को किस तरह प्रभावित करता है। इससे महत्वपूर्ण पहलू नजरों से छूट सकते हैं और असंतुलन पैदा हो सकता है—खासकर तब, जब बिजली और शीतलन को ऐसी बुनियादी ढाँचा-संबंधी जरूरतें माना जाए जिन्हें कंप्यूटिंग से जुड़े निर्णय लेने के बाद पूरा किया जाना है।
बिजली और शीतलन को कंप्यूटिंग से अलग नहीं किया जा सकता। वे उस प्रणाली का हिस्सा हैं जो तय करती है कि कंप्यूटिंग कितनी प्रभावी ढंग से काम कर सकती है। इसलिए अब अलग-अलग प्रणालियों का अनुकूलन करने के बजाय पूरी फ़ैक्टरी का अनुकूलन करने की दिशा में बदलाव हो रहा है।
संयुक्त अनुकूलन की जरूरत
इस समस्या का समाधान करने के लिए हर प्रणाली का अलग-अलग अनुकूलन करने के बजाय पूरी फ़ैक्टरी का संयुक्त अनुकूलन करना होगा। भौतिक निर्माण में निर्णय क्रम से लेने पड़ते हैं: पहले एक प्रणाली डिज़ाइन की जाती है, फिर उसके अनुरूप दूसरी प्रणाली बनाई जाती है और उसके बाद उसे सहारा देने के लिए एक और प्रणाली जोड़ी जाती है। इससे पूरी फ़ैक्टरी का अनुकूलन कठिन हो जाता है, क्योंकि हर निर्णय के साथ बाद में आने वाली प्रणालियों के विकल्प सीमित होते जाते हैं। संयुक्त अनुकूलन के लिए इस प्रक्रिया को वर्चुअल परिवेश में ले जाना जरूरी है, जहाँ पूरी प्रणाली का मॉडल बनाया जा सके, उसमें बदलाव किए जा सकें और किसी चीज़ को भौतिक रूप से अंतिम रूप देने से पहले उसका मूल्यांकन किया जा सके। इससे एक गतिशील खाका तैयार होता है।
फ़ैक्टरी बनने से पहले उसका मॉडल तैयार करना
यहीं प्रणाली-स्तर की वर्चुअल ट्विन तकनीक अहम हो जाती है।
वर्चुअल ट्विन औपचारिक प्रणाली-मॉडलिंग का इस्तेमाल करके कंप्यूटिंग, बिजली और तापीय बुनियादी ढाँचे को एक साथ दर्शाता है। इससे AI फ़ैक्टरी का भौतिक रूप से अस्तित्व में आने से पहले ही मॉडल बनाया जा सकता है। किसी मौजूदा भौतिक परिसंपत्ति पर केंद्रित पारंपरिक डिजिटल ट्विन से अलग, वर्चुअल ट्विन किसी प्रणाली का भौतिक रूप से अस्तित्व में आने से पहले ही मॉडल बना सकता है। इससे इंजीनियर अलग-अलग विन्यासों की जाँच कर सकते हैं और समझ सकते हैं कि प्रणाली के एक हिस्से में बदलाव का दूसरे हिस्सों पर क्या असर होगा—वह भी तब, जब ये विकल्प वास्तविक निर्माण के लिए प्रतिबद्धताएँ न बन गए हों।
उदाहरण के लिए, GPU का घनत्व बढ़ाने का मतलब केवल अधिक कंप्यूटिंग क्षमता जोड़ना नहीं है। इससे विद्युत भार बढ़ सकता है, गर्मी बाहर निकालने की जरूरतें बदल सकती हैं, उपकरणों की जगह प्रभावित हो सकती है और चालू करने से जुड़ी नई बातों पर विचार करना पड़ सकता है। इन संबंधों को एक साथ मॉडल करने से इंजीनियर निर्माण शुरू होने से पहले ही उनके बीच के समझौतों का मूल्यांकन कर सकते हैं, बजाय इसके कि परियोजना आगे बढ़ने पर उनका पता चले।
वर्चुअल ट्विन तकनीक इंजीनियरों को किसी महँगी गलती को भौतिक दुनिया में महँगी गलती बनने से पहले वर्चुअल परिवेश में करने का मौका देती है। इससे संभावित समस्याओं और अवसरों की पहचान वर्चुअल परिवेश में की जा सकती है, ताकि टीमें उन्हें भौतिक दुनिया में सामने आने से पहले हल कर सकें। भौतिक रूप से चालू करने से पहले विन्यासों की जाँच करने से अनावश्यक डिज़ाइन मार्जिन, अनुपयोगी पड़ी बिजली और सुरक्षा-मार्जिन की बर्बादी को भी डिज़ाइन के चरण में ही पहचाना और दूर किया जा सकता है। बड़े पैमाने पर, छोटी-सी बचत भी पूंजीगत व्यय में लाखों की बचत और राजस्व अर्जित करने की क्षमता पहले मिलने में बदल सकती है।
मॉडल को पूर्वानुमान करने में सक्षम बनाना
प्रणाली के व्यवहार का पूर्वानुमान लगाने के लिए मॉडल भौतिकी-आधारित सिमुलेशन का भी इस्तेमाल कर सकता है। जहाँ मूलभूत भौतिकी या रसायन विज्ञान की अच्छी समझ हो, वहाँ सिमुलेशन उपकरण प्रणाली के व्यवहार का पूर्वानुमान लगा सकते हैं। जब बेहतर तरीका अपनाने के लिए पर्याप्त परिचालन डेटा उपलब्ध हो, तब AI और मशीन लर्निंग मॉडल उन सिमुलेशन को और सक्षम बना सकते हैं।
इसका परिणाम ऐसा परिवेश है जहाँ यह पता लगाया जा सकता है कि परस्पर जुड़ी प्रणाली किस तरह काम करती है और अभियंत्रण के विभिन्न क्षेत्रों में निर्णयों का समन्वय किया जा सकता है। संचालन संबंधी डेटा उपलब्ध होने पर मॉडल को भी विकसित किया जा सकता है, जिससे किसी एक सुविधा या संचालन चक्र से मिले सबक भविष्य के डिज़ाइनों और निर्णयों का मार्गदर्शन कर सकें।
एआई फ़ैक्टरी का खाका
उद्योग पहले से ही इस दृष्टिकोण की नींव तैयार कर रहा है। NVIDIA का DSX खाका गीगावाट-स्तरीय एआई फ़ैक्टरियों के लिए एक संदर्भ डिज़ाइन को संहिताबद्ध कर रहा है। NVIDIA ने सिस्टम मॉडलिंग और वर्चुअल ट्विन अनुकरण पद्धति का उपयोग करके उस खाके के कंप्यूटिंग वाले हिस्से को संहिताबद्ध करना शुरू कर दिया है। साथ ही, वह ऊर्जा, शीतलन और निर्माण के क्षेत्र में काम करने वाले पारिस्थितिकी तंत्र के साझेदारों—जिनमें Eaton, Vertiv और Jacobs जैसी कंपनियाँ शामिल हैं—को डिज़ाइन के अपने-अपने हिस्से जोड़ने के लिए आमंत्रित कर रहा है। संदर्भ डिज़ाइनों की परस्पर संगतता SysML के माध्यम से संभव होती है, जो सिस्टम-स्तरीय परिभाषा का समर्थन करता है; वहीं OpenUSD त्रि-आयामी डेटा पर केंद्रित काम के लिए आधार प्रदान करता है।
लक्ष्य यह नहीं है कि हर कंपनी अपने घटक को अनुकूलित करे और फिर उम्मीद करे कि सारे हिस्से आपस में ठीक से जुड़ जाएँगे। कंप्यूटिंग, ऊर्जा, शीतलन और सुविधाओं से जुड़ी विशेषज्ञता को साथ लाना ज़रूरी है, ताकि प्रत्येक सर्वोत्तम-श्रेणी की तकनीक पूरे सिस्टम के प्रदर्शन में योगदान दे सके।
हर उद्योग अपने क्षेत्र में अनुकूलन कर सकता है, लेकिन एक सशक्त अंतिम उत्पाद बनाने के लिए इन प्रणालियों का एक साथ अनुकूलन करना आवश्यक है। इस दृष्टिकोण के परिपक्व होने पर, यही एआई अवसंरचना को अलग-थलग, एकबारगी प्रायोगिक परियोजनाओं से आगे बढ़ाकर ऐसे उद्यम-स्तरीय सिस्टमों की ओर ले जाता है, जो अत्यंत जटिल संचालन परिवेशों का प्रबंधन कर सकते हैं।
सिर्फ़ जीपीयू नहीं, पूरी फ़ैक्टरी का अनुकूलन
एआई फ़ैक्टरी के प्रदर्शन में जीपीयू की केंद्रीय भूमिका बनी रहेगी। लेकिन सबसे अच्छे जीपीयू खरीद लेने भर से उनके इर्द-गिर्द की फ़ैक्टरी का अनुकूलन नहीं हो जाता। एआई अवसंरचना की अगली पीढ़ी इस बात पर निर्भर करेगी कि कंप्यूटिंग, ऊर्जा और तापीय प्रणालियों को एक एकीकृत सिस्टम के रूप में तैयार किया जाए, बड़े भौतिक निवेश करने से पहले उनके आपसी संबंधों का मॉडल बनाया जाए और सिस्टम से लगातार मिलने वाली सीख का उपयोग आगे के सुधार के लिए किया जाए। हम भविष्य का अनुमान नहीं लगा सकते और न ही हर गलती को रोक सकते हैं, लेकिन वर्चुअल ट्विन तकनीक टीमों को अनिश्चितता के लिए योजना बनाने और एआई फ़ैक्टरियों को एक सिस्टम के रूप में अनुकूलित करने में मदद कर सकती है।
