پردازنده فوتونیک Q.ANT Gen 2+؛ آیا محاسبه با نور آمادهٔ AI است؟

تصویرسازی پردازنده فوتونیک Q.ANT و پردازش نوری برای مدل‌های هوش مصنوعی

فهرست مطالب

به‌روزرسانی: ۱ آذر ۱۴۰۵ (۲۲ نوامبر ۲۰۲۶) آیا می‌توان بخشی از محاسبات هوش مصنوعی را به جای عبور الکترون‌ها در مدارهای دیجیتال، با نور انجام داد؟ شرکت آلمانی Q.ANT در ۱۷ نوامبر از نسل تازهٔ پردازندهٔ فوتونیک NPU Gen 2+ خبر داد؛ قطعه‌ای که به گفتهٔ شرکت، تبدیل فوریهٔ گسسته (DFT) را به‌صورت نوری اجرا می‌کند و در نمایشگاه SC26 در یک سامانهٔ ترکیبی با GPU شرکت AMD برای اجرای بخشی از یک مدل زبانی بزرگ به کار رفته است. این خبر چشمگیر است، اما معنی آن «پایان GPU» یا «مدل زبانی کاملاً نوری» نیست. خود شرکت آن را پردازندهٔ کمکی در کنار CPU و GPU توصیف می‌کند و نمونهٔ ارائه‌شده ترکیبی بوده است.

تصویر پردازنده فوتونیک Q.ANT و محاسبه نوری برای شتاب‌دهی مدل‌های هوش مصنوعی
Q.ANT می‌گوید نسل ۲+ تبدیل فوریهٔ گسسته را به‌صورت نوری اجرا می‌کند؛ نمایش LLM در سامانهٔ ترکیبی انجام شده است.
خلاصهٔ خبر: NPU Gen 2+ یک شتاب‌دهندهٔ فوتونیک است که برخی عملیات ریاضی را با خواص نور انجام می‌دهد. Q.ANT می‌گوید نمونهٔ ترکیبی خود را با GPU شرکت AMD برای آزمایش عملیات مربوط به attention یک مدل زبانی به کار برده است. شرکت هنوز این فناوری را هم‌ردهٔ جایگزین عمومی GPU معرفی نکرده و عرضهٔ سامانه‌های تجاری ترکیبی را برای نیمهٔ دوم ۲۰۲۷ برنامه‌ریزی کرده است.

پردازش فوتونیک چیست و چرا دوباره خبرساز شده است؟

رایانه‌های معمولی اطلاعات را با حالت‌های الکتریکی در ترانزیستورها پردازش می‌کنند. در محاسبهٔ فوتونیک، از ویژگی‌های نور برای اجرای بعضی عملیات استفاده می‌شود. این روش می‌تواند برای محاسباتی که ماهیت موجی یا تبدیل‌های خطی دارند جذاب باشد، چون نور در برخی مسیرها بدون همان نوع جابه‌جایی بار الکتریکی حرکت می‌کند. اما عبارت «محاسبه با نور» به تنهایی به معنی مصرف برق صفر یا سرعت نامحدود نیست. لیزر، کنترل دما، تبدیل دادهٔ دیجیتال به نوری و برعکس، حافظه، دقت اندازه‌گیری و اتصال به بقیهٔ سامانه نیز در مصرف و کارایی کل نقش دارند.

Q.ANT می‌گوید نسل ۲+ عملیات Discrete Fourier Transform یا DFT را مستقیماً روی تراشهٔ فوتونیک انجام می‌دهد. DFT الگوریتمی است که سیگنال را به مؤلفه‌های فرکانسی تجزیه می‌کند و در پردازش صوت، تصویر، داده و برخی شبیه‌سازی‌ها کاربرد دارد. از نگاه شرکت، افزودن DFT به عملیات قبلی NPU می‌تواند به مدل‌ها اجازه دهد بخش‌هایی از محاسبه را با معماری متفاوت انجام دهند. نکتهٔ فنی مهم این است که مدل و الگوریتم باید متناسب با عملیات نوری طراحی یا بازنویسی شوند؛ نمی‌توان هر نرم‌افزاری را بدون تغییر روی شتاب‌دهندهٔ جدید منتقل کرد و انتظار بهبود خودکار داشت.

نمایش Q.ANT در SC26 چه چیزی را نشان داد؟

طبق اطلاعیهٔ Q.ANT، در SC26 سامانه‌ای ترکیبی شامل NPU Gen 2+ و GPU شرکت AMD یک مدل زبانی بزرگ را اجرا کرده و عملیات تبدیل فوریهٔ نوری را در بخشی از روند محاسباتی به کار برده است. شرکت می‌گوید این نمایش از یک لایهٔ محاسباتی مرتبط با attention در مدل استفاده می‌کند؛ attention بخش پرهزینه‌ای از برخی معماری‌های مدل زبانی است که ارتباط میان tokenها را محاسبه می‌کند. این نمایش نشان می‌دهد پژوهش و مهندسی برای وصل‌کردن یک شتاب‌دهندهٔ فوتونیک به شتاب‌دهندهٔ دیجیتال در حال جلو رفتن است.

بااین‌حال، نمایشگاه یا نمونهٔ اولیه پاسخ همهٔ پرسش‌های خرید سازمانی نیست. برای سنجش آمادگی محصول باید بدانیم روی کدام مدل، اندازهٔ ورودی، دقت عددی و baseline مقایسه شده؛ چه مقدار زمان به انتقال داده و تبدیل سیگنال اختصاص یافته؛ انرژی کل رک و خنک‌کاری چقدر بوده؛ و کیفیت خروجی مدل بعد از اجرای عملیات نوری چگونه ارزیابی شده است. در اطلاعیهٔ عمومی Q.ANT جزئیات کامل همهٔ این بنچمارک‌ها در قالبی قابل‌مقایسه با شتاب‌دهنده‌های تولیدی منتشر نشده است؛ بنابراین بهتر است خبر را «نمایش فناوری» بدانیم، نه اثبات برتری تجاری در مقیاس دیتاسنتر.

چه چیزهایی هنوز نامعلوم است؟

اول، اقتصاد واقعی سامانه: قیمت کارت، توان مصرفی کل، هزینهٔ سرمایش و تعداد کارهایی که به ازای هر وات انجام می‌شوند باید در محیط واقعی مشخص شود. دوم، دقت و پایداری: آیا خروجی نوری در بار طولانی و شرایط دمایی مختلف به اندازهٔ لازم تکرارپذیر است؟ سوم، مقیاس‌پذیری: دیتاسنتر به هزاران کارت، شبکهٔ پرسرعت، زمان‌بندی کار و ابزار پایش نیاز دارد، نه فقط یک دمو. چهارم، نرم‌افزار: آیا توسعه‌دهنده می‌تواند الگوریتم‌های مرسوم را با کتابخانه‌ها و ابزارهای موجود تبدیل کند یا باید مدل را عمیقاً بازطراحی کند؟ پنجم، زنجیرهٔ تأمین و دسترسی: اعلامیه از برنامهٔ تجاری برای نیمهٔ دوم ۲۰۲۷ سخن می‌گوید، پس استقرار گسترده هنوز موضوع آینده است.

شرکت اعلام کرده SDK متن‌باز خود را برای C و Python گسترش می‌دهد و یک محیط شبیه‌سازی CPU برای شروع توسعه در دسترس قرار داده است؛ همچنین از یک پایلوت فوتونیک با IONOS نام می‌برد. این گام نرم‌افزاری مهم است، چون بدون ابزار توسعه، نمونهٔ سخت‌افزاری برای اکوسیستم برنامه‌نویس ارزش محدودی دارد. اما دسترسی به SDK یا پایلوت ابری نیز به معنی بلوغ کامل محصول، پشتیبانی سازمانی گسترده یا برتری قیمت نیست. تیم فنی باید مستندات، محدودیت‌های API و نتایج آزمون خود را بررسی کند.

پرسش آنچه در خبر آمده آنچه برای تصمیم خرید نیاز است
چه عملیات نوری اضافه شده؟ DFT روی تراشهٔ فوتونیک دقت، توان، latency و هزینه روی workload خودتان
آیا LLM فقط روی NPU اجرا شد؟ نمایش اعلام‌شده سامانهٔ ترکیبی NPU + AMD GPU بود سهم هر بخش از محاسبه و سربار انتقال داده
چه زمانی سامانه تجاری می‌آید؟ Q.ANT نیمهٔ دوم ۲۰۲۷ را هدف‌گذاری کرده است عرضهٔ واقعی، قیمت، ظرفیت تولید و پشتیبانی باید تأیید شود

آیا پردازندهٔ فوتونیک قرار است GPU را کنار بزند؟

بر اساس همین اعلامیه، نه؛ دست‌کم فعلاً چنین نتیجه‌ای نمی‌توان گرفت. Q.ANT معماری خود را مکمل CPU و GPU می‌داند و نمایش مدل زبانی نیز با اتصال GPU انجام شده است. شتاب‌دهندهٔ فوتونیک ممکن است در عملیات مشخصی که به شکل طبیعی با خواص نور انجام می‌شوند، مفید باشد؛ GPU همچنان برای مجموعهٔ بزرگی از عملیات عمومی، نرم‌افزارهای بالغ، حافظهٔ در دسترس و آموزش یا inference متنوع اهمیت دارد. آینده ممکن است هیبریدی باشد: CPU برای کنترل، GPU برای ماتریس‌های عمومی و پردازندهٔ نوری برای تابع مشخصی که روی آن مزیت واقعی نشان دهد.

برای مشتری سازمانی، تصمیم صحیح این نیست که از روی یک خبر زیرساخت فعلی را کنار بگذارد. راه درست، دنبال‌کردن مشخصات منتشرشده، ثبت مسئله‌ای که می‌تواند از DFT سریع‌تر یا کم‌مصرف‌تر سود ببرد، و اجرای pilot با دادهٔ نماینده است. معیار باید انرژی کل به ازای خروجی قابل‌قبول، زمان پاسخ، قابلیت اطمینان و هزینهٔ مالکیت باشد. اگر سامانهٔ فوتونیک به workload شما نمی‌خورد، ارزش فناوری در سطح عمومی لزوماً به سود عملیاتی شما تبدیل نمی‌شود.

چرا محاسبه با نور برای مراکز داده اهمیت دارد؟

تقاضای پردازش AI رشد می‌کند و مراکز داده باید هم‌زمان توان محاسباتی، حافظه و انرژی را مدیریت کنند. هر معماری تازه‌ای که بتواند بخشی از عملیات را با انرژی یا فضای کمتر اجرا کند، ارزش آزمودن دارد. Q.ANT می‌گوید ترکیب عملیات نوری می‌تواند مصرف و هزینهٔ عملیاتی را کاهش دهد؛ این ادعا هدف فناوری و چشم‌انداز شرکت است. برای تأیید آن باید کل زنجیرهٔ سیستم سنجیده شود؛ از منبع نور و کنترل الکترونیکی گرفته تا کارت، اتصال PCIe، GPU، شبکه و سرمایش. مقایسه فقط روی توان خود تراشه ممکن است نتیجهٔ دیتاسنتر را گمراه کند.

این حوزه در مرحله‌ای است که همکاری پژوهش، الگوریتم و سخت‌افزار اهمیت بیشتری از شعار «نور سریع‌تر از الکترون» دارد. اگر نرم‌افزار مدل از ابتدا برای اپتیک طراحی شود، شاید عملیات خاصی ساده‌تر شود؛ اما اگر داده مرتباً بین دیجیتال و نوری جابه‌جا شود، سربار تبدیل می‌تواند بخش زیادی از مزیت را کاهش دهد. در نتیجه خبر Q.ANT برای متخصصان سخت‌افزار و AI جالب است، اما ارزش آن را باید در بنچمارک‌های شفاف، مستقل و قابل‌بازتولید دید.

پرسش‌های متداول دربارهٔ NPU Gen 2+

آیا Q.ANT یک مدل زبانی نوری ساخته است؟

خیر. خبر دربارهٔ پردازندهٔ فوتونیک است که در یک سامانهٔ ترکیبی با GPU برای انجام برخی محاسبات مرتبط با مدل زبانی به کار رفته؛ خود مدل زبانی یک محصول مستقل نوری معرفی نشده است.

آیا پردازندهٔ فوتونیک برق مصرف نمی‌کند؟

نه. نور برای انجام عملیات فیزیکی استفاده می‌شود، اما تولید و کنترل نور، تبدیل داده، حافظه و اتصال سامانه نیز انرژی می‌خواهد. باید مصرف کل سامانه را اندازه‌گیری کرد.

چه زمانی می‌توان این فناوری را خرید؟

Q.ANT عرضهٔ سامانه‌های تجاری ترکیبی با نسل ۲ و ۲+ را برای نیمهٔ دوم ۲۰۲۷ برنامه‌ریزی کرده است. زمان و محدودهٔ عرضه ممکن است تغییر کند؛ صفحهٔ رسمی شرکت را پیگیری کنید.

آیا این خبر برای برنامه‌نویس معمولی کاربرد فوری دارد؟

فعلاً بیشتر برای پژوهشگر، توسعه‌دهندهٔ HPC و تیم‌های سخت‌افزار AI اهمیت دارد. SDK و شبیه‌ساز به آزمون الگوریتم کمک می‌کنند، اما کاربرد گسترده به دسترسی سخت‌افزار، مستندات و ابزارهای توسعه وابسته است.

جمع‌بندی: نقطهٔ عطف پژوهشی، نه حکم پایان GPU

Q.ANT در NPU Gen 2+ عملیات DFT نوری را اضافه کرده و نمایش ترکیبی آن با AMD GPU مسیر تازه‌ای برای آزمایش محاسبه با نور باز می‌کند. آنچه تاکنون می‌دانیم از اطلاعیهٔ خود شرکت می‌آید؛ برای تصمیم تجاری به نتایج شفاف و قابل‌مقایسه، دسترسی واقعی و آزمون workload نیاز است. این خبر را بهتر است به‌عنوان گام ملموس در معماری هیبریدی سخت‌افزار ببینیم، نه اعلام جایگزینی GPU یا کاهش قطعی هزینهٔ همهٔ مدل‌های هوش مصنوعی.

از خبر سخت‌افزار AI به درک داده و مدل برسید

اگر می‌خواهید مبانی داده، یادگیری ماشین و پردازش زبان را برای فهم عمیق‌تر مدل‌های AI یاد بگیرید، دورهٔ جامع علم داده، یادگیری ماشین و NLP را ببینید. پیش از ثبت‌نام، سرفصل‌ها را با سطح و هدف یادگیری خودتان تطبیق دهید.

مطالعهٔ بعدی: خبر همکاری Microsoft و Intel در زیرساخت Azure؛ نمونه‌ای دیگر از تغییر معماری مراکز داده و محاسبات AI.

منبع اصلی: اطلاعیهٔ رسمی Q.ANT دربارهٔ NPU Gen 2+، ۱۷ نوامبر ۲۰۲۶. توصیف عملکرد و چشم‌انداز عرضه در این خبر، ادعاهای شرکت است و باید با بنچمارک مستقل سنجیده شود.

از اخبار فناوری همین هفته: برای مقایسه با همکاری سخت‌افزاری مراکز داده، گزارش Microsoft و Intel دربارهٔ زیرساخت Azure را بخوانید؛ سپس خبر وویجر ۱ و تأخیر ارتباطی یک‌روزه را برای نمونه‌ای متفاوت از مهندسی سامانه‌های محاسباتی ببینید.

پرداخت اقساطی ترب‌پیهر قسط 54.750 تومان
هر قسط 54.750 تومان•خرید قسطی با ترب‌پی بدون کارمزد   

“تسلط به برنامه‌نویسی پایتون با هوش مصنوعی: آموزش کدنویسی هوشمند با ChatGPT”

قیمت اصلی 2.290.000 تومان بود.قیمت فعلی 219.000 تومان است.

آموزش برنامه‌نویسی پایتون با کمک ChatGPT؛ از مبانی کدنویسی و حل خطا تا ساخت پروژه‌های هوشمند.