การเลี้ยงสัตว์ป่าให้เชื่อง: วิธีการที่ตัวควบคุมแรงดันไฟฟ้าแบบบูรณาการกำลังแก้ปัญหาการใช้พลังงานของ AI

ปัญญาประดิษฐ์ (AI) ต้องการพลังงานมาก จากการฝึกอบรมโมเดลภาษาขนาดใหญ่ไปจนถึงการให้พลังงานแก่การอนุมานแบบเรียลไทม์บนคลาวด์ ความต้องการการคำนวณของ AI กำลังเพิ่มขึ้นอย่างรวดเร็ว ซึ่งสร้างวิกฤตที่สองที่คุกคามความก้าวหน้า: ความต้องการพลังงานไฟฟ้าที่ไม่ยั่งยืน ห้องข้อมูล ซึ่งเป็นมหาวิหารแห่งการคำนวณสมัยใหม่ กำลังจะใช้เศษส่วนสำคัญของไฟฟ้าทั่วโลก โดยงาน AI เป็นตัวขับเคลื่อนหลัก ตามรายงานของ International Energy Agency (IEA) ห้องข้อมูลใช้ไฟฟ้าทั่วโลกประมาณ 2% ในปี 2022 และคาดว่าจะเพิ่มขึ้นอย่างมาก

ปัญหานี้ไม่เพียงแต่เกี่ยวกับค่าไฟฟ้าที่สูงและผลกระทบต่อสิ่งแวดล้อมเท่านั้น แต่ยังเป็นปัญหาการออกแบบทางวิศวกรรมด้วย โปรเซสเซอร์ที่ขับเคลื่อน AI ซึ่งรวมถึง GPU, TPU และ ASIC ที่ออกแบบมาเฉพาะ กำลังเผชิญกับกำแพงความร้อน ไม่สามารถเพิ่มทรานซิสเตอร์บนชิปได้หากไม่สามารถจ่ายพลังงานให้พวกมันอย่างสะอาดและมีประสิทธิภาพโดยไม่ทำให้ชิปเกิดความร้อนเกินไป ความท้าทายไม่เพียงแต่เกี่ยวกับการสร้างพลังงานเท่านั้น แต่ยังเกี่ยวกับการส่งมอบพลังงานให้ถึงซิลิกอนในช่วงไม่กี่มิลลิเมตรสุดท้าย แต่ตอนนี้ เทคโนโลยีขนาดเล็กที่เรียกว่า ตัวควบคุมแรงดันไฟฟ้าแบบบูรณาการ (IVR) กำลังเปลี่ยนแปลงอนาคตของการคำนวณประสิทธิภาพสูง

ปัญหา “Last-Inch” ในการส่งมอบพลังงาน

เพื่อเข้าใจนวัตกรรมของ IVR เราต้องเข้าใจวิธีการจ่ายพลังงานให้กับชิปประสิทธิภาพสูงแบบดั้งเดิม โปรเซสเซอร์สมัยใหม่มีทรานซิสเตอร์หลายพันล้านตัวที่เปลี่ยนสถานะเปิด-ปิดหลายพันล้านครั้งต่อวินาที การดำเนินการทั้งหมดนี้ต้องการแหล่งจ่ายไฟ DC ที่มีแรงดันต่ำและเสถียร อย่างไรก็ตาม ไฟฟ้าที่มาจากเต้าเสียบเป็นไฟฟ้า AC ที่มีแรงดันสูง การเดินทางจากเต้าเสียบไปยังซิลิกอนเกี่ยวข้องกับชุดการแปลงและควบคุมที่ซับซ้อนซึ่งเรียกว่า เครือข่ายการจ่ายพลังงาน (PDN)

โดยทั่วไป กระบวนการนี้เกี่ยวข้องกับหลายขั้นตอน ไฟฟ้าถูกแปลงและลดแรงดันบนเมนบอร์ดเซิร์ฟเวอร์ และการแปลงครั้งสุดท้ายที่สำคัญที่สุดจะถูกจัดการโดยส่วนประกอบที่เรียกว่า ตัวควบคุมแรงดัน (VR) VR เหล่านี้มักเป็นส่วนประกอบที่แยกออกมา ซึ่งเป็นชุดของตัวควบคุม ตัวขยายกำลัง และตัวเหนี่ยวนำที่มีเส้นลวดลวดหนามที่ใหญ่ ซึ่งวางอยู่บนเมนบอร์ดโดยรอบソケットโปรเซสเซอร์

พลังงานบนชิปและแม่เหล็กฟิล์มบาง

ความก้าวหน้าล่าสุดในเทคโนโลยีแม่เหล็กฟิล์มบางทำให้สามารถผลิตตัวเหนี่ยวนำประสิทธิภาพสูงได้โดยตรงบนชิปหรือซับストレทของแพ็คเกจโดยใช้เทคนิคการผลิตเซมิคอนดักเตอร์ ตัวเหนี่ยวนำขนาดเล็กและประสิทธิภาพสูงเหล่านี้ทำให้ตัวควบคุมแรงดันไฟฟ้าสามารถวางอยู่ห่างจากวงจรที่มันจ่ายพลังงานเพียงไม่กี่ไมโครเมตร

การเปลี่ยนแปลงที่ตั้งนี้มีประโยชน์หลายประการ:

• การลดการสูญเสียพลังงาน: การลดระยะทางในการส่งมอบพลังงานจากนิ้วเป็นไมโครเมตรจะลดพลังงานที่สูญเสียไประหว่างการถ่ายโอน ทำให้ประสิทธิภาพของระบบโดยรวมดีขึ้น
• การบริหารจัดการพลังงานแบบละเอียด: โดเมนพลังงานอิสระหลายโดเมนที่มีแรงดันต่ำสามารถจ่ายพลังงานให้กับแกนหรือบล็อกฟังก์ชันแต่ละตัวได้อย่างแม่นยำเมื่อต้องการ และปิดทันทีเมื่อไม่ต้องการ
• การตอบสนองแบบใกล้เคียงทันที: ตัวควบคุมแรงดันไฟฟ้าแบบบูรณาการบนแพ็คเกจสามารถตอบสนองต่อการเปลี่ยนแปลงของโหลดแบบทันทีในระดับนาโนวินาที ทำให้สามารถลดแรงดันไฟฟ้าได้อย่างมีประสิทธิภาพโดยไม่สูญเสียประสิทธิภาพ
• การออกแบบที่ง่ายขึ้นและพื้นที่ที่เล็กลง: การเอาตัวควบคุมแรงดันไฟฟ้าออกจากเมนบอร์ดจะช่วยให้พื้นที่บนเมนบอร์ดว่างเพิ่มขึ้น ทำให้การออกแบบง่ายขึ้นและรองรับโครงสร้างที่มีประสิทธิภาพสูงและหนาแน่นมากขึ้น

การปรับโครงสร้างอนาคตของฮาร์ดแวร์ AI

ประโยชน์ของ IVR ถือเป็นคำตอบโดยตรงต่อความท้าทายที่ใหญ่ที่สุดซึ่งผู้ออกแบบฮาร์ดแวร์ AI ต้องเผชิญ สำหรับบริษัทที่กำลังพัฒนา GPU และตัวเร่งความเร็ว AI รุ่นต่อไป การจัดการพลังงานแบบบูรณาการไม่ใช่แค่ “คุณสมบัติที่ดี” แต่เป็นเทคโนโลยีที่ช่วยให้สามารถทำได้

ความท้าทายและสรุป

เส้นทางสู่การนำไปใช้กันอย่างแพร่หลายไม่ใช่เรื่องง่าย การรวมวัสดุและกระบวนการใหม่เข้ากับระบบนิเวศการผลิตเซมิคอนดักเตอร์ที่มีความคิดริเริ่มและซับซ้อนเป็นงานที่ยิ่งใหญ่

อย่างไรก็ตาม ความจำเป็นในการแก้ปัญหานี้ไม่สามารถปฏิเสธได้ เส้นทางการบริโภคพลังงานของ AI ในปัจจุบันไม่ยั่งยืน การทำให้ทรานซิสเตอร์เล็กลงเพียงอย่างเดียวไม่เพียงพอแล้ว การปรับโครงสร้างระบบทั้งหมดตั้งแต่ซอฟต์แวร์ไปจนถึงการจ่ายพลังงานเป็นสิ่งจำเป็น งานของบริษัทอย่าง Ferric เป็นส่วนสำคัญของปัญหานี้ โดยการทำให้ปัญหาการใช้พลังงานลดลงตั้งแต่แหล่งกำเนิด พวกเขากำลังสร้างเส้นทางให้กับ AI และการคำนวณประสิทธิภาพสูงรุ่นต่อไป

การเดินทางของนวัตกรรมฮาร์ดแวร์เป็นการเอาชนะอุปสรรคมาเป็นเวลานาน การมุ่งเน้นไปที่ความเร็วในการคำนวณและความหนาแน่นของทรานซิสเตอร์ ในปัจจุบัน อุปสรรคที่กดดันที่สุดคือพลังงาน บริษัทที่สามารถแก้ไขความท้าทายนี้ได้จะกำหนดภูมิทัศน์ของการคำนวณในหลายปีถัดไป คุณคิดว่าอุปสรรคหลักถัดไปในการออกแบบฮาร์ดแวร์ AI หลังจากที่การจ่ายพลังงานได้รับการปรับให้เหมาะสมแล้วคืออะไร การปรับปรุงประสิทธิภาพการใช้พลังงานจะเปลี่ยนแปลงเศรษฐศาสตร์ของการนำ AI ไปใช้ในระดับใหญ่ๆ อย่างไร