مایکروسافت از تراشه غول‌پیکر مایا ۳۰۰ رونمایی کرد؛ جهش چشمگیر هوش مصنوعی در کوپایلت و تیمز

• مایکروسافت از مایا ۳۰۰، تازه‌ترین و قوی‌ترین تراشه هوش مصنوعی اختصاصی خود رونمایی کرد.
• این تراشه با تمرکز ویژه بر استنتاج (Inference) طراحی شده و جهش غول‌پیکری در راندمان مصرف انرژی و قدرت پردازش ایجاد می‌کند.
• استقرار گسترده مایا ۳۰۰ در دیتاسنترها از سال ۲۰۲۷ رسماً کلید خواهد خورد.

مایکروسافت در مسیر آماده‌سازی زیرساخت‌های چند گیگاواتی هوش مصنوعی خود، از نسل جدید سخت‌افزار ابری آزور با نام «مایا ۳۰۰» (Maia 300) پرده برداشت.

به گفته مایکروسافت، مایا ۳۰۰ که قرار است از سال ۲۰۲۷ وارد فاز استقرار شود، تا ۴۰ درصد توکن بیشتری به ازای هر مگاوات در مقایسه با پیشرفته‌ترین سیستم‌های مبتنی بر پردازنده‌های گرافیکی (GPU) تولید می‌کند. این تراشه قدرتمند که مشخصاً با اولویت استنتاج توسعه یافته، مواردی مثل استدلال با پنجره کانتکست طولانی، چت‌بات‌های هوش مصنوعی فوق‌سریع و کار‌های چندمرحله‌ای و مداوم ایجنت‌ها را هدف گرفته است.

طبق اعلام این شرکت، هر رکِ سرور شامل ۹۶ شتاب‌دهنده مایا ۳۰۰ می‌تواند تا ۷ برابر توان عملیاتی توکن بیشتری نسبت به رک‌های نسل قبلی یعنی مایا ۲۰۰ ارائه دهد.

معماری متمرکز بر استنتاج؛ اولویت مایا ۳۰۰ چیست؟

جالب اینجاست که مایکروسافت حساب ویژه‌ای روی مایا ۳۰۰ باز کرده تا نسل تازه‌ای از هوش مصنوعی را در تمام محصولات و سرویس‌هایش پیاده کند؛ از کدنویسی خودکار و مبتنی بر ایجنت در گیت‌هاب گرفته تا سرویس‌دهی به مدل‌های فوق‌بزرگ از طریق پلتفرم Microsoft Foundry.

علاوه بر این، غول ردموند انتظار دارد این تراشه سرعت استنتاج و تولید داده را برای تیم تحقیقاتی هوش مصنوعی خود ارتقا دهد و کارایی ابزار‌هایی مثل کوپایلت (Copilot)، دستیار Cowork و حتی نرم‌افزارهای نام‌آشنایی مانند مایکروسافت تیمز (Microsoft Teams) را به اوج برساند.

مایا ۳۰۰ با معماری موسوم به «اولویت با استنتاج» ساخته شده تا با کاهش جابه‌جایی داده و مصرف بهینه‌تر منابع محاسباتی، حافظه و شبکه، بالا‌ترین پرفورمنس ممکن را آزاد کند. مایکروسافت می‌گوید در این سخت‌افزار از معماری جریان داده مبتنی بر نرم‌افزار در کنار بهینه‌سازی کرنل به کمک هوش مصنوعی استفاده شده تا داده‌ها دقیقاً در نزدیک‌ترین بخش به قطعات پردازشی نگهداری شوند.

همان‌طور که انتظار می‌رفت، حافظه یکی از ارکان حیاتی طراحی این تراشه است؛ مایا ۳۰۰ از ۸ بسته غول‌پیکر حافظه فوق‌سریع HBM4 بهره می‌برد که در توان حرارتی ۹۵۰ وات، پهنای باند باورنکردنی ۱۸ ترابایت بر ثانیه را به ثبت می‌رساند. به گفته مایکروسافت، نرم‌افزارهای اختصاصی می‌توانند از حافظه SRAM داخلی تراشه به عنوان فضای کش موقت استفاده کنند تا در بارهای پردازشی سنگین، فشار از روی حافظه اصلی HBM برداشته شود.

این شتاب‌دهنده همچنین به معماری چندچیپلتی (Multi-Chiplet) مجهز شده که وظایف محاسباتی، کنترلر حافظه و ورودی/خروجی (I/O) را کاملاً تفکیک می‌کند. چیپلت‌های محاسباتی مایا ۳۰۰ با لیتوگرافی پیشرفته N2P شرکت TSMC به تولید می‌رسند. علاوه بر این، پشتیبانی از فرمت‌های محاسباتی کم‌دقت نظیر نسخه ارتقایافته MXFP4 باعث کاهش چشمگیر فشار روی حافظه و پهنای باند شده و به سیستم اجازه می‌دهد پنجره‌های کانتکست بزرگ‌تری را با نرخ پردازش توکن بالا‌تر اجرا کند، بدون اینکه مصرف برق اضافه روی دست دیتاسنتر بگذارد.

بخش شبکه هم طوری طراحی شده که به جای یک لایه جداگانه، مستقیماً جزئی از جریان داده خود سیستم باشد. مایا ۳۰۰ برای موازی‌سازی تانسوری (Tensor Parallelism) از ارتباطات پرسرعت میان شتاب‌دهنده‌ها بهره می‌برد و در کنار آن، از یک پروتکل اختصاصی انتقال هوش مصنوعی مبتنی بر شبکه اترنت استفاده می‌کند؛ راهکاری که مایکروسافت می‌گوید مقیاس‌پذیری آن را از یک تک‌رک ساده تا کل دیتاسنتر ممکن می‌سازد.

یک رک سرور از مایا ۳۰۰ شامل ۹۶ شتاب‌دهنده با مصرف توان ۱۶۷ کیلووات خواهد بود که در مجموع ۲۷.۶ ترابایت ظرفیت حافظه HBM و پهنای باند سرسام‌آور ۱.۷ پتابایت بر ثانیه را در اختیار سیستم می‌گذارد. مایکروسافت تاکید کرده این تراکم بالا باعث می‌شود هر رک بتواند هم‌زمان از تعاملات هوش مصنوعی به مراتب بیشتری پشتیبانی کرده و بارهای کاری غول‌آسا را مدیریت کند.

این دستاورد در ادامه موفقیت‌های مایا ۲۰۰ معرفی شده؛ تراشه‌ای که مایکروسافت می‌گوید همین حالا در حال پردازش بارهای کاری واقعی از جمله مایکروسافت ۳۶۵ کوپایلت و مدل‌های تیم مایکروسافت است.

به گفته این شرکت، مایا ۲۰۰ در مقایسه با پیشرفته‌ترین زیرساخت‌های GPU فعلی، تا ۱.۷ برابر توکن بیشتری بر حسب وات برای قابلیت‌های هوش مصنوعی داخلی تیمز، کوپایلت و کوورک ارائه می‌دهد و انتظار می‌رود تا پایان امسال، گیت‌هاب کوپایلت و مایکروسافت فاندری هم به آن مهاجرت کنند.