Hans Hasselby-Andersen ประธานเจ้าหน้าที่บริหารของ Lotus Microsystems – บทสัมภาษณ์

Hans Hasselby-Andersen เป็นประธานเจ้าหน้าที่บริหารของ Lotus Microsystems และมีประสบการณ์ในอุตสาหกรรมเซมิคอนดักเตอร์มากกว่า 20 ปี ในฐานะผู้ก่อตั้ง ผู้บริหาร กรรมการบริษัท และนักลงทุน เขาก่อตั้ง Merus Audio และนำบริษัทผ่านการเข้าซื้อกิจการโดย Infineon ในปี 2018 อีกทั้งยังเคยดำรงตำแหน่งผู้นำที่ Texas Instruments, Infineon, Toccata Technology และ Nokia งานของเขามุ่งเน้นการนำเทคโนโลยีเซมิคอนดักเตอร์ประหยัดพลังงานออกสู่ตลาด

Lotus Microsystems เป็นบริษัทเซมิคอนดักเตอร์แบบ Fabless ซึ่งตั้งอยู่ในโคเปนเฮเกน และพัฒนาตัวแปลงกำลังไฟฟ้าแบบบูรณาการกับโซลูชันการจ่ายพลังงานสำหรับอุปกรณ์อิเล็กทรอนิกส์ขั้นสูง เทคโนโลยี Power Interposer Technology บนซิลิคอนของบริษัทผสานการแปลงกำลังไฟฟ้าเข้ากับการจัดการความร้อน รวมถึงผ่านแพลตฟอร์มจ่ายพลังงานแนวตั้ง vStrata สำหรับ AI และการประมวลผลประสิทธิภาพสูง ในบทสัมภาษณ์นี้ Hasselby-Andersen พูดถึงการสูญเสียพลังงานในระดับเซิร์ฟเวอร์ ข้อจำกัดของสถาปัตยกรรมพลังงานแบบดั้งเดิม และเหตุใดการจ่ายพลังงาน การระบายความร้อน และการบรรจุหีบห่อเซมิคอนดักเตอร์จึงจำเป็นต้องได้รับการออกแบบร่วมกันมากขึ้น

เส้นทางอาชีพของคุณครอบคลุมทั้งระบบสื่อสารไร้สายที่ Nokia การพัฒนาเซมิคอนดักเตอร์ที่ Texas Instruments การก่อตั้ง Merus Audio และนำบริษัทผ่านการเข้าซื้อกิจการโดย Infineon จนถึงการเป็นผู้นำ Lotus Microsystems ในปัจจุบัน ประสบการณ์เหล่านี้หล่อหลอมมุมมองของคุณต่อความท้าทายด้านพลังงานและความร้อนที่กำลังเกิดขึ้นในโครงสร้างพื้นฐาน AI ยุคปัจจุบันอย่างไร

ผมเข้าสู่วงการเซมิคอนดักเตอร์แทบจะโดยบังเอิญ สตาร์ทอัพที่ผมทำงานด้วยถูก Texas Instruments เข้าซื้อกิจการ และนั่นทำให้ผมได้รู้จักกระบวนการออกแบบ ผลิต และนำชิปออกสู่ตลาด แม้ผมจะไม่ได้เป็นนักออกแบบชิปเอง แต่ก็ได้เรียนรู้เกี่ยวกับอุตสาหกรรมนี้อย่างมาก

ต่อมา เมื่อผมก่อตั้ง Merus Audio จุดเริ่มต้นมาจากการมองเห็นช่องว่างในตลาดอย่างชัดเจน นั่นคือความจำเป็นในการลดการสูญเสียพลังงานและยืดอายุแบตเตอรี่ของลำโพงไร้สาย จากนั้นผมก็มุ่งหาองค์ความรู้และบุคลากรที่เหมาะสมเพื่อแก้ปัญหานี้

หลังจาก Infineon เข้าซื้อกิจการ Merus ผมใช้เวลาช่วงหนึ่งทำงานนอกอุตสาหกรรมเซมิคอนดักเตอร์ แต่ท้ายที่สุดก็ตระหนักว่านี่คือวงการที่ผมอยากทำงานด้วย สิ่งที่ดึงดูดผมให้มาร่วมงานกับ Lotus Microsystems คือการที่ทีมผู้ก่อตั้งให้ความสำคัญกับปัจจัยพื้นฐานสามประการของเทคโนโลยีการจ่ายพลังงานขั้นสูง ได้แก่ ประสิทธิภาพการใช้พลังงาน ขนาดทางกายภาพ และประสิทธิภาพด้านความร้อน ความท้าทายเหล่านี้ไม่เคยหมดไปจากการจ่ายพลังงาน ไม่ว่าจะนำไปใช้กับงานใด แต่ AI ทำให้การแก้ปัญหาเหล่านี้ยิ่งเร่งด่วนเป็นพิเศษ

เรากำลังเห็นความก้าวหน้าอย่างน่าทึ่งในเทคโนโลยีโปรเซสเซอร์ แต่พลังประมวลผลทั้งหมดนั้นมาพร้อมข้อจำกัดทางกายภาพที่มีอยู่จริง ประสบการณ์ของผมสอนให้รู้ว่า การแก้ปัญหาที่มองเห็นได้ไม่ชัดเหล่านี้อาจมีคุณค่าไม่แพ้การพัฒนาเทคโนโลยีที่ทุกคนกำลังให้ความสนใจ

การพูดคุยเกี่ยวกับโครงสร้างพื้นฐาน AI มักให้ความสำคัญอย่างมากกับประสิทธิภาพของ GPU เครือข่าย และระบบระบายความร้อน เหตุใดคุณจึงมองว่าการจ่ายพลังงานกำลังกลายเป็นหนึ่งในข้อจำกัดสำคัญที่สุดต่อการขยายขนาดระบบ AI อย่างต่อเนื่อง

เราพูดถึงกันมากว่า GPU ให้พลังประมวลผลได้มากเพียงใด แต่กลับพูดถึงวิธีส่งกระแสไฟฟ้าให้เพียงพอและมีประสิทธิภาพน้อยกว่ามาก ตัวเร่งความเร็ว AI สมัยใหม่ต้องใช้กระแสไฟฟ้าหลายพันแอมป์ที่แรงดันไฟฟ้าต่ำมาก และความต้องการพลังงานอาจเปลี่ยนแปลงแทบจะในทันทีตามภาระงาน ระบบจ่ายพลังงานแบบดั้งเดิมไม่ได้ออกแบบมาเพื่อรองรับความเข้มข้นระดับนี้ คุณอาจมีโปรเซสเซอร์ที่ล้ำหน้าที่สุดในโลก แต่หากจ่ายพลังงานได้ไม่เสถียรในเวลาที่ต้องการ ก็ไม่สามารถดึงศักยภาพออกมาใช้ได้เต็มที่ นี่จึงเป็นเหตุผลที่การจ่ายพลังงานกำลังกลายเป็นส่วนสำคัญอย่างยิ่งของความท้าทายในการขยายระบบ AI

เมื่อผู้ให้บริการศูนย์ข้อมูลพูดถึงประสิทธิภาพการใช้พลังงาน มักให้ความสนใจกับระบบระบายความร้อนและตัวชี้วัดระดับสถานที่เป็นหลัก ก่อนที่พลังงานจะไปถึงโปรเซสเซอร์ มีการสูญเสียพลังงานภายในเซิร์ฟเวอร์จริง ๆ มากเพียงใด และเหตุใดประเด็นนี้จึงได้รับความสนใจน้อยกว่าเมื่อเทียบกัน

ไม่มีตัวเลขเดียวที่ใช้ได้กับเซิร์ฟเวอร์ทุกเครื่อง แต่การสูญเสียอาจมีมากพอสมควร ในสถาปัตยกรรมบางแบบที่ใช้กระแสไฟฟ้าสูง เราประเมินว่าพลังงานราว 7–10% อาจสูญเสียไปในขั้นตอนสุดท้ายของการจ่ายไฟให้โปรเซสเซอร์ พลังงานส่วนนั้นไม่ได้ถูกนำไปใช้ประมวลผลที่เป็นประโยชน์ แต่เปลี่ยนเป็นความร้อน ซึ่งต้องกำจัดออกไป เมื่อใช้งานโปรเซสเซอร์หลายพันตัวตลอด 24 ชั่วโมง แม้ความสูญเสียจะมีสัดส่วนไม่มากนัก ก็ทำให้มีค่าใช้จ่ายสูงมาก

เหตุผลหนึ่งที่ประเด็นนี้ถูกมองข้ามคือวิธีที่เราใช้วัดประสิทธิภาพของศูนย์ข้อมูลมาแต่เดิม ค่า Power Usage Effectiveness หรือ PUE กลายเป็นมาตรฐานของอุตสาหกรรม และมีประโยชน์ในการทำความเข้าใจพลังงานส่วนเกินที่ใช้ในสถานที่ รวมถึงพลังงานสำหรับการระบายความร้อนและการจ่ายไฟ แต่ค่านี้ไม่ได้แสดงให้เห็นว่ามีการแปลงและจ่ายกระแสไฟฟ้าภายในตัวเซิร์ฟเวอร์อย่างมีประสิทธิภาพเพียงใด

ผมไม่ได้หมายความว่าประสิทธิภาพการระบายความร้อนไม่สำคัญ เพราะสำคัญอย่างยิ่ง แต่การทุ่มเงินมหาศาลเพื่อกำจัดความร้อน โดยไม่ได้ใส่ใจมากพอว่าความร้อนส่วนที่ไม่จำเป็นนั้นเกิดจากอะไร ถือเป็นเรื่องที่ย้อนแย้งอยู่บ้าง เราควรพยายามป้องกันการสูญเสียเหล่านั้นตั้งแต่แรก

เมื่อ GPU และตัวเร่งความเร็ว AI อื่น ๆ ใช้พลังงานมากขึ้นเรื่อย ๆ ข้อจำกัดใดบ้างที่กำลังเกิดขึ้นกับสถาปัตยกรรมการจ่ายพลังงานแบบดั้งเดิมในระดับแผงวงจร

ปัญหาจะเห็นได้ชัดขึ้นเมื่อพิจารณาว่าพลังงานไปถึง GPU ได้อย่างไร ในสถาปัตยกรรมแบบดั้งเดิม ตัวแปลงกำลังไฟฟ้าจะอยู่ข้างโปรเซสเซอร์ และกระแสไฟฟ้าจะไหลไปตามแนวราบของแผงวงจรเพื่อไปถึงโปรเซสเซอร์ ระยะทางนี้อาจดูเหมือนไม่มีนัยสำคัญ แต่เมื่อมีกระแสไฟฟ้าไหลหลายพันแอมป์ แม้ความต้านทานเพียงเล็กน้อยก็ส่งผลได้ การสูญเสียจากความต้านทานเพิ่มขึ้นตามกำลังสองของกระแสไฟฟ้า กล่าวคือ เมื่อกระแสไฟฟ้าเพิ่มเป็นสองเท่าโดยที่ความต้านทานเท่าเดิม การสูญเสียก็อาจเพิ่มเป็นสี่เท่า

อีกความท้าทายหนึ่งคือการตอบสนองต่อความต้องการใช้พลังงานที่เปลี่ยนแปลงอย่างรวดเร็วไปพร้อมกับการรักษาแรงดันไฟฟ้าให้คงที่ วิศวกรอาจรับมือด้วยการเพิ่มตัวเก็บประจุและส่วนประกอบอื่น ๆ แต่วิธีเหล่านั้นกินพื้นที่อันมีค่า ในที่สุด การปรับคิดสถาปัตยกรรมใหม่ก็สมเหตุสมผลกว่าการเพิ่มส่วนประกอบเข้าไปในแบบเดิมอย่างต่อเนื่อง

หากอุตสาหกรรมต้องการเพิ่มความหนาแน่นในการประมวลผลต่อไปโดยไม่ก่อให้เกิดปัญหาด้านความร้อนหรือประสิทธิภาพที่ไม่ยั่งยืน จำเป็นต้องเปลี่ยนแปลงวิธีจ่ายพลังงานจากแร็กเซิร์ฟเวอร์ไปยังโปรเซสเซอร์อย่างไรบ้าง?

ขณะนี้มีนวัตกรรมเกิดขึ้นมากมายในระดับแร็ก รวมถึงการเปลี่ยนไปใช้ระบบจ่ายพลังงานแรงดันสูงขึ้น ซึ่งสำคัญเพราะแรงดันไฟฟ้าที่สูงขึ้นช่วยให้ส่งกระแสไฟฟ้าโดยใช้กระแสน้อยลง จึงลดการสูญเสียเมื่อต้องส่งพลังงานเป็นระยะทางไกล อย่างไรก็ตาม ในท้ายที่สุดก็ยังต้องแปลงไฟฟ้าให้มีแรงดันต่ำมากตามที่โปรเซสเซอร์ต้องการ และนี่คือจุดที่ยังมีความท้าทายยากที่สุดบางประการ

หนึ่งในพัฒนาการที่มีแนวโน้มมากที่สุดคือการจ่ายพลังงานในแนวตั้ง ซึ่งติดตั้งระบบแปลงพลังงานไว้ใต้โปรเซสเซอร์โดยตรง แทนที่จะวางไว้ข้าง ๆ การลดระยะทางที่กระแสไฟฟ้าต้องเดินทางช่วยลดการสูญเสียและเพิ่มความเร็วในการตอบสนอง แต่แนวทางนี้ก็สร้างความท้าทายใหม่ขึ้นมาเช่นกัน เพราะทำให้ส่วนประกอบที่ก่อให้เกิดความร้อนอยู่ใกล้กันมากขึ้น หากต้องการให้สถาปัตยกรรมเหล่านี้ใช้งานได้ในระดับใหญ่ เราต้องเลิกมองการจ่ายพลังงาน การจัดการความร้อน และการบรรจุหีบห่อเป็นงานวิศวกรรมที่แยกจากกัน ทั้งหมดนี้ต้องได้รับการออกแบบร่วมกันตั้งแต่เริ่มต้น

เมื่อไม่นานมานี้ Lotus Microsystems เปิดตัวแพลตฟอร์มจ่ายพลังงานในแนวตั้ง vStrata การจ่ายพลังงานในแนวตั้งมีจุดมุ่งหมายเพื่อแก้ปัญหาใด และแนวทางนี้แตกต่างจากสถาปัตยกรรมจ่ายพลังงานแบบดั้งเดิมที่ใช้ในเซิร์ฟเวอร์ AI ปัจจุบันอย่างไร?

แนวคิดพื้นฐานของการจ่ายพลังงานในแนวตั้งนั้นค่อนข้างตรงไปตรงมา แทนที่จะส่งกระแสไฟฟ้าปริมาณมหาศาลไปตามแนวราบของแผงวงจร ก็ย้ายแหล่งจ่ายพลังงานมาไว้ใต้โปรเซสเซอร์โดยตรง วิธีนี้ช่วยลดระยะทางที่กระแสไฟฟ้าต้องเดินทางลงอย่างมาก จึงลดการสูญเสียและช่วยให้ระบบตอบสนองได้รวดเร็วยิ่งขึ้นเมื่อความต้องการใช้พลังงานเปลี่ยนแปลง

อย่างไรก็ตาม การนำแหล่งจ่ายพลังงานเข้าใกล้โปรเซสเซอร์ขึ้นกับการแก้ปัญหาทั้งหมดนั้นเป็นคนละเรื่องกัน ความร้อนก็จะกระจุกตัวอยู่ในพื้นที่เล็กลง ติดกับส่วนประกอบที่ต้องทำงานภายใต้ภาระความร้อนสูงอยู่แล้ว หากไม่จัดการเรื่องนี้ ก็เสี่ยงที่จะสร้างคอขวดใหม่ขึ้นมาในระหว่างแก้ปัญหาเดิม

นี่คือปัญหาที่เราตั้งใจแก้ด้วย vStrata เทคโนโลยี Power Interposer Technology บนซิลิคอนที่เป็นกรรมสิทธิ์ของเราช่วยให้จ่ายพลังงานในแนวตั้งได้ พร้อมผสานการจัดการความร้อนไว้ในสถาปัตยกรรมเดียวกัน โมดูลแรกของเรา LSC0580 ได้รับการออกแบบให้มีประสิทธิภาพ ณ จุดโหลดสูงสุด 96% และลดอุณหภูมิได้สูงสุด 25°C ในการจัดวางที่ผ่านการปรับให้เหมาะสม เป้าหมายไม่ใช่เพียงการส่งกระแสไฟฟ้าให้มากขึ้น แต่คือการช่วยให้ศูนย์ข้อมูลประมวลผลได้อย่างมีประสิทธิผลมากขึ้นบนพื้นที่ทางกายภาพเท่าเดิม พร้อมลดภาระด้านพลังงานและการระบายความร้อนที่จำเป็นต่อการรองรับระบบ

อุตสาหกรรม AI มักเชื่อว่าการเพิ่มประสิทธิภาพในอนาคตจะมาจากชิปที่ดีขึ้นหรือกระบวนการผลิตเซมิคอนดักเตอร์ที่ก้าวหน้ายิ่งขึ้น การปรับปรุงสถาปัตยกรรมด้านพลังงานจะมีความสำคัญต่อประสิทธิภาพของ AI ได้ไม่แพ้ความก้าวหน้าของตัวโปรเซสเซอร์เองหรือไม่?

แน่นอน ประสิทธิภาพตามทฤษฎีของโปรเซสเซอร์จะมีประโยชน์ก็ต่อเมื่อระบบโดยรอบเอื้อให้โปรเซสเซอร์ทำงานได้ถึงระดับนั้น หากระบบจ่ายพลังงานรองรับความต้องการไม่ทัน หรือความร้อนที่สูงเกินไปทำให้ระบบต้องลดประสิทธิภาพลง คุณก็จะไม่ได้ใช้ประโยชน์จากสิ่งที่จ่ายเงินซื้อมาอย่างเต็มที่ สิ่งที่น่าสนใจคือ สถาปัตยกรรมด้านพลังงานที่ดีขึ้นอาจช่วยปลดล็อกประสิทธิภาพการทำงานต่อเนื่องของฮาร์ดแวร์เดิมได้ โดยไม่จำเป็นต้องเปลี่ยนตัวโปรเซสเซอร์ ผมไม่มองว่านี่เป็นการเลือกระหว่างชิปที่ดีขึ้นกับโครงสร้างพื้นฐานที่ดีขึ้น เราต้องมีทั้งสองอย่าง และผมคาดว่าความสัมพันธ์ระหว่างทั้งสองสิ่งนี้จะยิ่งสำคัญขึ้นเรื่อย ๆ

ศูนย์ข้อมูล AI กำลังสร้างแรงกดดันอย่างมากต่อโครงข่ายไฟฟ้าทั่วโลกแล้ว การปรับปรุงการแปลงและจ่ายพลังงานในระดับเซิร์ฟเวอร์จะช่วยลดการใช้พลังงานโดยรวมของโครงสร้างพื้นฐาน AI ขนาดใหญ่ได้มากน้อยเพียงใด?

ศักยภาพในการลดการใช้พลังงานมีสูงมาก แม้จะระบุตัวเลขเดียวได้ยาก เพราะผลกระทบขึ้นอยู่กับสถาปัตยกรรมและขนาดของสถานที่ หนึ่งจุดเปอร์เซ็นต์ที่เพิ่มขึ้นในขั้นตอนการแปลงพลังงานขั้นหนึ่งไม่ได้หมายความว่าการใช้ไฟฟ้ารวมของศูนย์ข้อมูลจะลดลงในสัดส่วนเดียวกันโดยอัตโนมัติ

แต่ลองพิจารณาดูว่า แม้การปรับปรุงประสิทธิภาพเพียงเล็กน้อย เมื่อนำไปใช้กับโปรเซสเซอร์หลายพันตัวที่ทำงานต่อเนื่อง จะส่งผลอย่างไรบ้าง ผลที่อาจเกิดขึ้นคือการลดพลังงานที่สูญเปล่า ต้นทุนการดำเนินงาน ค่าใช้จ่ายลงทุน และปริมาณความร้อนที่ระบบระบายความร้อนต้องจัดการได้อย่างมีนัยสำคัญ เรื่องนี้มีความสำคัญเป็นพิเศษเมื่อขีดความสามารถของโครงข่ายไฟฟ้ากำลังจำกัดสถานที่และความเร็วในการสร้างศูนย์ข้อมูลแห่งใหม่อยู่แล้ว

พูดอีกอย่างได้ว่า พลังงานที่เป็นมิตรต่อสิ่งแวดล้อมที่สุดคือพลังงานที่เราไม่ต้องใช้ มีการให้ความสำคัญอย่างมากกับการจัดหาพลังงานเพิ่มเพื่อรองรับการขยายตัวของ AI ซึ่งเป็นเรื่องที่เข้าใจได้ แต่เราก็ควรให้ความสนใจกับการใช้ไฟฟ้าที่มีอยู่แล้วให้คุ้มค่ามากขึ้นไม่แพ้กัน

เมื่อฮาร์ดแวร์ AI มุ่งไปสู่ GPU ที่ใช้พลังงานสูงขึ้น ตัวเร่งการประมวลผลที่ออกแบบเฉพาะ และระบบคอมพิวเตอร์ที่มีความหนาแน่นสูงขึ้นเรื่อย ๆ คุณคาดว่าวิศวกรด้านพลังงานจะเผชิญกับคอขวดทางเทคนิคอะไรบ้างในช่วงหลายปีข้างหน้า?

ความต้องการกระแสไฟฟ้าจะเพิ่มขึ้นอย่างต่อเนื่อง และเราก็เริ่มเห็นความท้าทายที่เกิดขึ้นแล้ว โปรเซสเซอร์ AI บางรุ่นต้องใช้กระแสไฟฟ้าหลายพันแอมป์ ส่วนการออกแบบรุ่นต่อไปอาจต้องใช้ถึง 6,000 หรือแม้แต่ 8,000 แอมป์ การจ่ายกระแสไฟฟ้าปริมาณดังกล่าวให้มีประสิทธิภาพก็ยากอยู่แล้ว แต่การรักษาแรงดันไฟฟ้าให้คงที่ในขณะที่ภาระงานเปลี่ยนแปลงอย่างรวดเร็ว ยังเพิ่มความซับซ้อนขึ้นไปอีกขั้น

อุตสาหกรรมนี้ยังมักให้ความสำคัญกับความหนาแน่นกระแสไฟฟ้าในฐานะตัวชี้วัดความก้าวหน้าหลัก การจ่ายกระแสไฟฟ้าได้มากขึ้นจากตัวแปลงกำลังที่มีขนาดเล็กลงเป็นเรื่องน่าประทับใจ แต่หากยังสร้างความร้อนในปริมาณเท่าเดิมภายในพื้นที่ที่เล็กลง ก็ไม่ได้หมายความว่าระบบโดยรวมจะดีขึ้นเสมอไป ที่จริงแล้ว ปัญหาด้านความร้อนอาจยิ่งแย่ลงด้วยซ้ำ ผมคิดว่าวิศวกรที่สามารถสร้างสมดุลระหว่างประสิทธิภาพ การจัดการความร้อน การตอบสนองต่อการเปลี่ยนแปลง และความน่าเชื่อถือ จะเป็นผู้ที่สร้างความก้าวหน้าได้มากที่สุด

เมื่อมองไปยังโครงสร้างพื้นฐาน AI รุ่นถัดไป การเปลี่ยนแปลงด้านใดบ้างในการจ่ายพลังงาน การระบายความร้อน การบรรจุหีบห่อเซมิคอนดักเตอร์ และสถาปัตยกรรมระบบ ที่จำเป็นต่อการรองรับการเพิ่มขีดความสามารถในการประมวลผล AI ครั้งใหญ่อีกครั้ง?

ผมคาดว่าเราจะเห็นการผสานระบบจ่ายพลังงานเข้ากับตัวโปรเซสเซอร์อย่างแนบแน่นยิ่งขึ้น การจ่ายพลังงานแนวตั้งเป็นก้าวสำคัญ แต่ผมไม่คิดว่าพัฒนาการจะหยุดอยู่แค่นั้น เรากำลังศึกษาโมดูลจ่ายพลังงานที่บางลง ซึ่งสามารถฝังลงในแผงวงจรได้ และในท้ายที่สุดก็จะมีสถาปัตยกรรมที่รวมฟังก์ชันการจ่ายพลังงานไว้ในแพ็กเกจ xPU โดยตรงมากขึ้น ทุกขั้นตอนทำให้แหล่งจ่ายพลังงานเข้าใกล้จุดที่มีการใช้พลังงานจริงยิ่งขึ้น

ระบบระบายความร้อนก็ต้องพัฒนาไปพร้อมกับการเปลี่ยนแปลงเหล่านี้ การระบายความร้อนด้วยของเหลวมีความสำคัญเพิ่มขึ้นเรื่อย ๆ สำหรับการประมวลผลความหนาแน่นสูง แต่การปรับปรุงวิธีระบายความร้อนเป็นเพียงส่วนหนึ่งของคำตอบ เรายังต้องลดความร้อนส่วนเกินที่ไม่จำเป็น และหาวิธีจัดการความร้อนบริเวณแหล่งกำเนิดให้ดียิ่งขึ้น

การเปลี่ยนแปลงที่สำคัญที่สุดอาจอยู่ที่วิธีพัฒนาระบบเหล่านี้ ตามธรรมเนียมที่ผ่านมา ส่วนต่าง ๆ ของชุดฮาร์ดแวร์มักได้รับการปรับปรุงประสิทธิภาพแยกจากกันในระดับหนึ่ง แต่เมื่อเรามุ่งไปสู่ระดับพลังงานที่สูงขึ้น การทำเช่นนั้นก็ยิ่งยากขึ้น ผู้ผลิตชิป ผู้เชี่ยวชาญด้านอิเล็กทรอนิกส์กำลัง วิศวกรด้านการบรรจุหีบห่อ และนักออกแบบระบบ จะต้องทำงานร่วมกันอย่างใกล้ชิดยิ่งขึ้น เราใช้เวลาหลายปีผลักดันขีดจำกัดของโปรเซสเซอร์แต่ละตัว แต่ในระยะต่อไปของโครงสร้างพื้นฐาน AI สิ่งสำคัญคือการทำให้ระบบทั้งหมดรองรับความสามารถของโปรเซสเซอร์เหล่านั้นได้

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการศึกษาเพิ่มเติมเกี่ยวกับการจ่ายพลังงานแนวตั้งและการจัดการความร้อนสำหรับโครงสร้างพื้นฐาน AI สามารถเยี่ยมชม Lotus Microsystems ได้