ก้าวข้าม GPU: เพิ่มประสิทธิภาพโรงงาน AI ในฐานะระบบหนึ่ง

โรงงาน AI ไม่ใช่ศูนย์ข้อมูลที่มีขนาดใหญ่กว่า แต่ได้รับการออกแบบมาโดยเฉพาะเพื่อผลิตโทเค็นอัจฉริยะ ไม่ใช่ให้บริการหน้าเว็บและอีเมล เมื่อผู้ให้บริการคลาวด์ระดับไฮเปอร์สเกลหรือนีโอคลาวด์ทุ่มเงิน หลายพันล้านดอลลาร์ และใช้เวลาหลายปีสร้างโรงงาน AI หน่วย GPU ที่ทำงานคำนวณหนักย่อมกลายเป็นสิ่งสำคัญอันดับต้น ๆ แต่การเพิ่มประสิทธิภาพ GPU เพียงอย่างเดียวไม่ได้ทำให้โรงงานที่รายล้อม GPU นั้นมีประสิทธิภาพขึ้นตามไปด้วย ระบบพลังงานและระบบจัดการความร้อนต้องรองรับการประมวลผลดังกล่าว และการตัดสินใจในระบบหนึ่งอาจส่งผลกระทบอย่างมีนัยสำคัญต่อระบบอื่น ๆ AI มีไว้เพื่อเพิ่มประสิทธิภาพให้ระบบที่ซับซ้อน แต่โรงงานที่ใช้สร้าง AI กลับมักได้รับการปรับปรุงทีละองค์ประกอบ เทคโนโลยีฝาแฝดเสมือนช่วยให้วิศวกรสร้างแบบจำลองและปรับปรุงระบบทั้งหมดให้มีประสิทธิภาพยิ่งขึ้นได้ ก่อนเริ่มการก่อสร้างเสียด้วยซ้ำ

เหตุใดการออกแบบอย่างระมัดระวังจึงกลายเป็นทางเลือกที่ปลอดภัยที่สุด

เนื่องจากผลกระทบที่อาจเกิดขึ้นจากระบบขัดข้องหรือคอขวดด้านประสิทธิภาพนั้นร้ายแรงมาก โรงงานยุคแรกจึงสร้างขึ้นโดยเผื่อระยะความปลอดภัยและติดตั้งฮาร์ดแวร์ไว้มากเกินความจำเป็น เมื่อไม่มีแนวทางสำหรับศูนย์ข้อมูลยุคใหม่ การก่อสร้างอย่างระมัดระวังจึงอาจดูเป็นวิธีที่ปลอดภัยที่สุด ระยะเผื่อเหล่านี้ช่วยป้องกันปัญหา เช่น อุณหภูมิพุ่งสูงใกล้ชิป ซึ่งอาจทำให้ผู้ปฏิบัติงานมีเวลาเพียงหนึ่งนาทีหรือน้อยกว่านั้นในการตอบสนองก่อนฮาร์ดแวร์จะขัดข้อง ในโรงงานยุคแรกบางแห่ง มีการกันกำลังไฟฟ้าที่ใช้ได้ไว้โดยไม่ได้ใช้มากถึง 10 เปอร์เซ็นต์ เพื่อเป็นระยะเผื่อ

โรงงาน AI เผชิญความเสี่ยงจากอุณหภูมิ สภาพอากาศ อุปกรณ์ขัดข้อง กำลังการผลิตไม่เพียงพอ ข้อบกพร่องในการออกแบบ และปัญหาการบำรุงรักษา เมื่อเดิมพันสูงถึงเพียงนี้ ในระดับกำลังการผลิตหลายกิกะวัตต์ ความล่าช้าในการเพิ่มกำลังการผลิตเพียงวันเดียวอาจหมายถึงรายได้จากการสร้างโทเค็นที่สูญเสียไป ประมาณ 100 ล้านดอลลาร์ เมื่อไม่สามารถคาดการณ์ผลที่จะเกิดจากปัญหาเหล่านี้ได้ ความระมัดระวังจึงดูเป็นสิ่งจำเป็น

ความท้าทายยิ่งเพิ่มขึ้นเมื่อความเสี่ยงเหล่านี้ครอบคลุมระบบอิสระหลายระบบ โรงงาน AI ต้องพึ่งพาระบบสามส่วนที่เชื่อมโยงกันอย่างใกล้ชิด ได้แก่ การประมวลผล พลังงาน และการจัดการความร้อน GPU ต้องอาศัยระบบจ่ายพลังงานที่ซับซ้อนเพื่อป้อนพลังงานให้ และต้องมีระบบจัดการความร้อนที่มีประสิทธิภาพสูงไม่แพ้กันเพื่อระบายความร้อนที่เกิดขึ้น เมื่อแยกการประมวลผล พลังงาน และการจัดการความร้อนออกจากกัน แล้วปรับปรุงแต่ละส่วนให้เหมาะสมภายในขอบเขตของตนเอง ทีมงานอาจมองไม่เห็นว่าการตัดสินใจในระบบหนึ่งส่งผลต่อระบบอื่นอย่างไร จึงเกิดจุดบอดและความไม่สมดุล โดยเฉพาะเมื่อมองว่าพลังงานและระบบทำความเย็นเป็นเพียงข้อกำหนดด้านโครงสร้างพื้นฐานที่ค่อยจัดการภายหลังจากตัดสินใจเรื่องการประมวลผลแล้ว

พลังงานและระบบทำความเย็นไม่อาจแยกออกจากการประมวลผลได้ ทั้งสองส่วนเป็นองค์ประกอบของระบบที่กำหนดว่าการประมวลผลจะทำงานได้มีประสิทธิภาพเพียงใด ดังนั้น แนวทางใหม่จึงเปลี่ยนจากการเพิ่มประสิทธิภาพระบบแต่ละส่วน ไปสู่การเพิ่มประสิทธิภาพโรงงานทั้งหมด

เหตุผลที่ควรเพิ่มประสิทธิภาพร่วมกัน

การแก้ปัญหานี้หมายถึงการเปลี่ยนจากการเพิ่มประสิทธิภาพแต่ละระบบแยกจากกัน ไปสู่การเพิ่มประสิทธิภาพโรงงานทั้งระบบร่วมกัน การก่อสร้างจริงทำให้ต้องตัดสินใจเป็นลำดับ กล่าวคือ ออกแบบระบบหนึ่งก่อน จากนั้นจึงสร้างอีกระบบขึ้นมารองรับ และเพิ่มระบบอื่นเพื่อสนับสนุนระบบนั้นต่อไป วิธีนี้ทำให้เพิ่มประสิทธิภาพโรงงานโดยรวมได้ยาก เพราะการตัดสินใจแต่ละครั้งจะจำกัดทางเลือกที่มีสำหรับระบบที่จะตามมา การเพิ่มประสิทธิภาพร่วมกันจึงต้องย้ายกระบวนการนี้ไปไว้ในสภาพแวดล้อมเสมือน ซึ่งสามารถสร้างแบบจำลอง ปรับเปลี่ยน และประเมินระบบทั้งหมดได้ก่อนที่จะลงมือก่อสร้างจริงและผูกมัดกับรูปแบบใดรูปแบบหนึ่ง จนเกิดเป็นพิมพ์เขียวที่ปรับเปลี่ยนได้

สร้างแบบจำลองโรงงานก่อนที่โรงงานจะมีอยู่จริง

นี่คือจุดที่เทคโนโลยีฝาแฝดเสมือนระดับระบบมีความสำคัญอย่างยิ่ง

ฝาแฝดเสมือนใช้การสร้างแบบจำลองระบบอย่างเป็นทางการเพื่อจำลองการประมวลผล โครงสร้างพื้นฐานด้านพลังงาน และระบบจัดการความร้อนร่วมกัน จึงสามารถจำลองโรงงาน AI ได้ก่อนที่จะมีการก่อสร้างจริง ต่างจากฝาแฝดดิจิทัลแบบดั้งเดิมที่มุ่งเน้นสินทรัพย์ทางกายภาพซึ่งมีอยู่แล้ว ฝาแฝดเสมือนสามารถจำลองระบบได้ก่อนที่ระบบนั้นจะมีอยู่จริง ช่วยให้วิศวกรทดสอบการจัดวางรูปแบบต่าง ๆ และทำความเข้าใจว่าการเปลี่ยนแปลงในส่วนหนึ่งของระบบส่งผลต่อส่วนอื่นอย่างไรก่อนที่การตัดสินใจเหล่านั้นจะกลายเป็นข้อผูกมัดในการก่อสร้างจริง

ตัวอย่างเช่น การเพิ่มความหนาแน่นของ GPU ไม่ได้หมายถึงการเพิ่มกำลังการประมวลผลเพียงอย่างเดียว แต่อาจเพิ่มภาระทางไฟฟ้า เปลี่ยนข้อกำหนดในการระบายความร้อน ส่งผลต่อตำแหน่งติดตั้งอุปกรณ์ และทำให้ต้องคำนึงถึงประเด็นใหม่ ๆ ในการทดสอบและเดินระบบ การสร้างแบบจำลองความสัมพันธ์เหล่านี้ร่วมกันช่วยให้วิศวกรประเมินข้อแลกเปลี่ยนต่าง ๆ ได้ก่อนเริ่มก่อสร้าง แทนที่จะพบปัญหาเมื่อโครงการดำเนินไปแล้ว

เทคโนโลยีฝาแฝดเสมือนช่วยให้วิศวกรทำพลาดในโลกเสมือนได้อย่างมีค่าใช้จ่ายสูง ก่อนที่ความผิดพลาดนั้นจะก่อให้เกิดค่าใช้จ่ายสูงในโลกจริง เทคโนโลยีนี้ช่วยให้ค้นพบปัญหาและโอกาสที่อาจเกิดขึ้นในสภาพแวดล้อมเสมือน ทำให้ทีมงานแก้ปัญหาได้ก่อนที่ปัญหาเหล่านั้นจะเกิดขึ้นจริง การทดสอบรูปแบบต่าง ๆ ก่อนการทดสอบและเดินระบบจริงยังช่วยให้ตรวจพบและกำจัดระยะเผื่อในการออกแบบที่ไม่จำเป็น กำลังไฟฟ้าที่ไม่ได้ใช้ และการสูญเปล่าจากระยะเผื่อด้านความปลอดภัยได้ตั้งแต่ขั้นออกแบบ เมื่อนำไปใช้ในวงกว้าง แม้ลดได้เพียงเล็กน้อยก็อาจช่วยประหยัดเงินลงทุนได้หลายล้าน และทำให้เริ่มสร้างรายได้ได้เร็วขึ้น

 ทำให้แบบจำลองคาดการณ์ได้

แบบจำลองยังสามารถใช้การจำลองที่อิงหลักฟิสิกส์เพื่อคาดการณ์พฤติกรรมของระบบได้ เมื่อเข้าใจหลักฟิสิกส์หรือเคมีที่เป็นพื้นฐานอย่างถ่องแท้ เครื่องมือจำลองก็สามารถคาดการณ์พฤติกรรมของระบบได้ ส่วนในกรณีที่มีข้อมูลการดำเนินงานจำนวนมากและเป็นแนวทางที่ดีกว่า ก็สามารถใช้โมเดล AI และการเรียนรู้ของเครื่องเพื่อเสริมการจำลองเหล่านั้นได้

ผลลัพธ์คือสภาพแวดล้อมสำหรับสำรวจว่าระบบที่เชื่อมโยงกันทำงานอย่างไร และประสานการตัดสินใจในสาขาวิศวกรรมต่าง ๆ แบบจำลองยังพัฒนาต่อได้เมื่อมีข้อมูลการดำเนินงานเพิ่มขึ้น ทำให้บทเรียนจากโรงงานแห่งหนึ่งหรือรอบการดำเนินงานหนึ่งนำไปใช้ประกอบการออกแบบและการตัดสินใจในอนาคตได้

พิมพ์เขียวสำหรับโรงงาน AI

อุตสาหกรรมกำลังวางรากฐานสำหรับแนวทางนี้อยู่แล้ว พิมพ์เขียว DSX ของ NVIDIA กำลัง กำหนดแบบอ้างอิง สำหรับโรงงาน AI ขนาดระดับกิกะวัตต์ NVIDIA เริ่มจากการกำหนดส่วนประมวลผลของพิมพ์เขียวดังกล่าว โดยใช้การสร้างแบบจำลองระบบและแนวทางจำลองด้วยแฝดเสมือน พร้อมเปิดรับความร่วมมือจากพันธมิตรในระบบนิเวศที่ครอบคลุมด้านพลังงาน ระบบทำความเย็น และการก่อสร้าง รวมถึงบริษัทอย่าง Eaton, Vertiv และ Jacobs เพื่อร่วมจัดทำส่วนต่าง ๆ ของแบบดังกล่าว การทำงานร่วมกันระหว่างแบบอ้างอิงทำได้ผ่าน SysML ซึ่งรองรับการกำหนดนิยามในระดับระบบ ขณะที่ OpenUSD เป็นพื้นฐานสำหรับข้อมูลที่เน้น 3 มิติ

เป้าหมายไม่ใช่ให้แต่ละบริษัทปรับส่วนประกอบของตนให้เหมาะสม แล้วคาดหวังว่าส่วนต่าง ๆ เหล่านั้นจะนำมาประกอบเข้าด้วยกันได้ แต่ต้องผสานความเชี่ยวชาญด้านการประมวลผล พลังงาน ระบบทำความเย็น และสถานที่ปฏิบัติงานเข้าด้วยกัน เพื่อให้เทคโนโลยีที่ดีที่สุดในแต่ละด้านช่วยเพิ่มประสิทธิภาพให้ระบบโดยรวม

แต่ละอุตสาหกรรมสามารถปรับการทำงานภายในขอบเขตความเชี่ยวชาญของตนให้เหมาะสมได้ แต่การสร้างผลิตภัณฑ์ขั้นสุดท้ายที่ทรงประสิทธิภาพต้องอาศัยการปรับระบบเหล่านั้นให้ทำงานร่วมกัน เมื่อแนวทางนี้พัฒนาขึ้น ก็จะช่วยให้โครงสร้างพื้นฐาน AI ก้าวพ้นจากโครงการนำร่องเฉพาะกิจที่แยกส่วน ไปสู่ระบบระดับองค์กรที่รองรับการจัดการสภาพแวดล้อมการดำเนินงานซึ่งมีความซับซ้อนสูงได้

ปรับโรงงานให้เหมาะสม ไม่ใช่แค่ GPU

GPU จะยังคงเป็นหัวใจสำคัญของประสิทธิภาพโรงงาน AI แต่การซื้อ GPU ที่ดีที่สุดเพียงอย่างเดียวไม่ได้ทำให้โรงงานที่สร้างขึ้นรอบ ๆ GPU เหล่านั้นมีประสิทธิภาพสูงสุด โครงสร้างพื้นฐาน AI รุ่นถัดไปจะขึ้นอยู่กับการออกแบบระบบประมวลผล พลังงาน และความร้อนให้เป็นระบบบูรณาการเดียวกัน การจำลองความสัมพันธ์ระหว่างระบบเหล่านี้ก่อนตัดสินใจลงทุนทางกายภาพครั้งใหญ่ และการนำสิ่งที่ระบบเรียนรู้มาใช้อย่างต่อเนื่องเพื่อปรับปรุงสิ่งที่จะเกิดขึ้นต่อไป เราไม่อาจทำนายอนาคตหรือป้องกันความผิดพลาดได้ทุกครั้ง แต่เทคโนโลยีแฝดเสมือนช่วยให้ทีมวางแผนรับมือกับความไม่แน่นอนและปรับโรงงาน AI ให้เหมาะสมในฐานะระบบหนึ่งได้