GPUを超えて：AIファクトリーをシステムとして最適化する

AIファクトリーは、単に規模を大きくしたデータセンターではありません。ウェブページやメールを配信するのではなく、インテリジェントトークンを生成するために特化して建設されます。ハイパースケーラーやネオクラウド事業者が、AIファクトリーの建設に数十億ドルと何年もの歳月を投じるとき、計算処理の大部分を担うGPUが優先されるのは当然です。しかし、GPUだけを最適化しても、それを取り巻くファクトリー全体の最適化にはなりません。電力システムと熱管理システムは計算処理を支える必要があり、あるシステムでの判断がほかのシステムに大きな影響を及ぼすこともあります。AIは複雑なシステムの最適化を目指すものですが、それを開発するファクトリーは、これまで多くの場合、コンポーネントごとに最適化されてきました。バーチャルツイン技術を使えば、建設を始める前から、エンジニアがシステム全体を構築し、効率化できます。

保守的な設計が最も安全な選択肢となった理由

システム障害やパフォーマンスのボトルネックによる深刻な影響が懸念される中、初期の施設は過剰な安全マージンとハードウェアを備えて構築された。この新しい世代のデータセンターのロードマップが存在しない状況では、慎重に構築することが最も安全なアプローチと思われた。これらのマージンは、チップ付近での熱スパイクなどの問題から保護するのに役立ち、ハードウェアが故障するまでにオペレータが対応できる時間が1分もない場合があった。初期の施設の中には、利用可能な電力の最大10パーセントが未使用のマージンとして使われずに残されていたところもあった。

AIファクトリーは、温度や気象条件、機器の故障、容量不足、設計上の不備、保守上の問題など、さまざまなリスクにさらされています。巨額の損失が生じ得るギガワット規模では、容量の稼働が1日遅れるごとに、トークン生成による収益がおよそ1億ドル失われる可能性があります。こうした問題が起きた場合の結果を予測する方法がなかったため、慎重な対応が必要だと考えられていました。

こうしたリスクが、相互に独立した複数のシステムにまたがると、課題はさらに大きくなります。AIファクトリーは、計算処理、電力、熱管理という、密接に連携する3つのシステムに依存しています。GPUに電力を供給するには複雑な電力供給系統が必要であり、GPUが発生させる熱を除去するにも、同様に高い性能を備えた熱管理システムが求められます。計算処理、電力、熱管理を別々の段階として扱い、それぞれの領域内で最適化すると、あるシステムでの判断がほかのシステムに及ぼす影響をチームが見落とすことがあります。その結果、見落としや不均衡が生じます。特に、計算処理に関する判断を下した後で対処すべきインフラ要件として、電力や冷却を扱う場合に起こりやすくなります。

電力と冷却を計算処理から切り離すことはできません。これらも、計算処理の効率を左右するシステムの一部です。したがって、個々のシステムを最適化するのではなく、ファクトリー全体を最適化する方向へと転換する必要があります。

協調最適化が必要な理由

この課題を解決するには、各システムを個別に最適化するのではなく、ファクトリー全体を協調的に最適化する必要があります。物理的な建設では、意思決定を順番に進めざるを得ません。まず1つのシステムを設計し、次に別のシステムをその周囲に構築し、さらにそれを支えるシステムを追加します。そのため、後続のシステムで選べる選択肢が判断のたびに狭まり、ファクトリー全体を最適化することが難しくなります。協調最適化を実現するには、このプロセスを仮想環境に移し、物理的に確定する前にシステム全体をモデル化し、変更し、評価できるようにする必要があります。これにより、動的な設計図を作成できます。

ファクトリーの完成前にモデル化する

ここで、システムレベルのバーチャルツイン技術が重要になります。

バーチャルツインは、正式なシステムモデリングを用いて、計算処理、電力、熱管理の各インフラを一体として表現し、AIファクトリーが物理的に存在する前からモデル化できます。既存の物理資産に焦点を当てる従来のデジタルツインとは異なり、バーチャルツインはシステムが物理的に存在する前からモデル化できます。エンジニアはさまざまな構成を試し、ある部分の変更がほかの部分に及ぼす影響を、選択肢が物理的な制約として確定する前に把握できます。

たとえば、GPUの密度を高めることは、単に計算処理能力を増やすことを意味しません。電気負荷が増加し、熱排出の要件が変わり、機器の配置に影響が及ぶほか、新たな試運転上の検討事項が生じる可能性もあります。こうした関係を一体としてモデル化すれば、プロジェクトの進行中に問題が判明するのを待たず、建設前にトレードオフを評価できます。

バーチャルツイン技術を使えば、エンジニアは、現実の世界で高くつく失敗をする前に、仮想環境で高くつく失敗を試せます。仮想環境で潜在的な問題や機会を特定できるため、チームは問題が現実のものとなる前に解決できます。物理的な試運転の前に構成を検証すれば、不要な設計余裕や、使われないまま残る電力、安全余裕の過剰分も設計段階で見つけて取り除けます。大規模な施設では、わずかな削減でも、数百万ドルの設備投資削減や、より早い収益化につながる可能性があります。

 モデルを予測に活用する

このモデルでは、物理法則に基づくシミュレーションを用いて、システムの挙動を予測することもできます。基礎となる物理現象や化学現象が十分に解明されている場合、シミュレーションツールでシステムの挙動を予測できます。運用データが豊富にあり、別のアプローチがより有効な場合には、AIや機械学習モデルを使ってシミュレーションを補完できます。

その結果、連携するシステムがどのように動作するかを検討し、エンジニアリングの各分野にまたがる意思決定を調整できる環境が実現します。また、運用データが得られるようになるにつれてモデルを進化させ、ある施設や運用サイクルから得た教訓を、将来の設計や意思決定に生かすこともできます。

AIファクトリーの設計指針

業界ではすでに、このアプローチの基盤づくりが進んでいます。NVIDIAのDSX設計指針は、ギガワット規模のAIファクトリー向けにリファレンス設計を体系化しています。NVIDIAは、システムモデリングと仮想ツイン・シミュレーションのアプローチを用いて、この設計指針のうちコンピューティング部分の体系化に着手しました。また、Eaton、Vertiv、Jacobsなど、電力、冷却、建設の各分野にわたるエコシステムパートナーに、それぞれの設計部分を提供するよう呼びかけています。リファレンス設計間の相互運用性は、システムレベルの定義を可能にするSysMLによって実現され、OpenUSDは3D中心のデータの基盤となります。

目指すのは、各社がそれぞれのコンポーネントを最適化し、その後で組み合わせればうまく機能すると期待することではありません。システム全体の性能を高めるためには、コンピューティング、電力、冷却、施設運用の専門知識を結集し、それぞれの分野で最良の技術を生かす必要があります。

各業界はそれぞれの領域内で最適化できますが、優れた最終製品を生み出すには、システムを一体として最適化する必要があります。このアプローチが成熟すれば、AIインフラは孤立した単発のパイロットプロジェクトを脱し、極めて複雑な運用環境を管理できるエンタープライズ規模のシステムへと発展できます。

GPUだけでなく、ファクトリー全体を最適化する

GPUは今後もAIファクトリーの性能の中核を担います。しかし、最良のGPUを購入するだけでは、それを取り巻くファクトリー全体を最適化できません。次世代のAIインフラでは、コンピューティング、電力、熱の各システムを一体の統合システムとして設計し、大規模な物理的投資を行う前にそれらの関係をモデル化するとともに、システムから得られる知見を継続的に活用して次の改善につなげることが重要になります。未来を予測したり、あらゆる失敗を防いだりすることはできませんが、仮想ツイン技術を使えば、不確実性を見越した計画を立て、AIファクトリーをシステム全体として最適化できます。