در دنیای پیچیده طراحی نیمه‌هادی‌ها، جایی که دقت در سطح گیت‌های منطقی حرف اول را می‌زند، OpenAI رویکردی جسورانه اتخاذ کرده است. ریچارد هو، مدیر واحد سخت‌افزار این شرکت، در مصاحبه‌ای با More Than Moore جزئیات حیرت‌انگیزی از چگونگی استفاده از مدل‌های هوش مصنوعی برای بهینه‌سازی تراشه اختصاصی «Jalapeño» فاش کرده است؛ تراشه‌ای که در طراحی آن، هوش مصنوعی تغییراتی اعمال کرده که مهندسان انسانی هنوز فراتر از نتایج بهینه، دلیل منطقی پشت آن را کاملاً درک نکرده‌اند.
معماری طراحی مبتنی بر هوش مصنوعی و ابزار XLS
یکی از نوآوری‌های کلیدی در پروسه ساخت Jalapeño، استفاده از مدل‌های زبانی برای تولید منطق تراشه است. برخلاف روش‌های سنتی که از زبان توصیف سخت‌افزار (HDL) مانند Verilog استفاده می‌کنند، تیم OpenAI از ابزار متن‌باز XLS استفاده کرد. XLS که در زمان حضور کریس لیری در گوگل توسعه یافته، امکان تبدیل کد سطح بالا به منطق سخت‌افزاری را فراهم می‌کند و سینتکس آن به زبان مدرن Rust نزدیک‌تر است تا Verilog. این تغییر پارادایم به مدل‌های هوش مصنوعی اجازه داد تا با درک بهتر ساختار نرم‌افزاری، بهینه‌سازی‌هایی انجام دهند که منجر به کاهش ۱۳ درصدی سطح قالب (Die Area) تراشه شد.
پارادوکس اعتماد؛ وقتی ماشین بهتر از انسان طراحی می‌کند
ریچارد هو، که پیش‌تر در پروژه TPU گوگل و ابررایانه‌های Anton فعالیت داشته، به صراحت اعلام کرده است که «هنوز ۱۰۰ درصد به این مدل‌ها اعتماد ندارد». مشکل اصلی اینجاست که در تراشه‌ای با صدها میلیون گیت منطقی، دقت ۹۹.۹۹ درصدی کافی نیست و ریسک خطای احتمالی بسیار بالاست. با این حال، تیم طراحی تمامی تغییرات اعمال شده توسط مدل را از طریق جریان‌های اعتبارسنجی (Validation Flow) استاندارد عبور داده‌اند تا از صحت عملکرد اطمینان حاصل کنند. این رویکرد نه به معنای جایگزینی مهندسان، بلکه به معنای بهره‌وری بیشتر و سرعت بخشیدن به فرآیند توسعه است.
طراحی یکپارچه در مقابل مدل‌های تفکیک‌شده
یکی از ویژگی‌های متمایز تراشه Jalapeño، عدم تفکیک سخت‌افزار برای مراحل پیش‌فیل (Prefill) و دیکود (Decode) است. در حالی که بسیاری از رقبا این دو مرحله را در سخت‌افزارهای مجزا اجرا می‌کنند، OpenAI معتقد است که قفل کردن ظرفیت دیتاسنتر در یک نسبت ثابت، ریسک عملیاتی بالایی در محیط‌های پویا دارد. تراشه مذکور با اتصال مستقیم بانک‌های حافظه با پهنای باند بالا (HBM) به هسته‌های پردازشی، حرکت داده‌ها را به حداقل رسانده و بهینه‌سازی قابل توجهی در تاخیر ایجاد کرده است.
مشخصات و استراتژی فنی Jalapeño
- هدف کاربری: بهینه‌سازی برای عملیات استنتاج (Inference) مدل‌های OpenAI
- ابزار طراحی منطقی: استفاده از چارچوب متن‌باز XLS برای سنتز سخت‌افزار
- استراتژی حافظه: ارتباط مستقیم بانک‌های حافظه با پهنای باند بالا (HBM) با هسته‌های پردازشی
- نوآوری معماری: یکپارچه‌سازی مراحل Prefill و Decode برخلاف معماری‌های رایج صنعت
- وضعیت توسعه: نسخه دوم در مرحله اعتبارسنجی آزمایشگاهی جهت تولید انبوه (مهر ۱۴۰۵)
آینده صنعت سخت‌افزار در نگاه ریچارد هو
از دیدگاه تیم سخت‌افزار OpenAI، محدودیت اصلی فعلی صنعت، قدرت پردازشی یا حافظه نیست، بلکه محافظه‌کاری بیش از حد سرمایه‌گذاران و مدیران است. هو معتقد است که مدل‌های هوش مصنوعی در حال تبدیل شدن به ابزاری برای عبور از مرزهای طراحی دستی هستند و انتظار دارد که سایر تولیدکنندگان تراشه و رقبای انویدیا به‌زودی از الگوهای طراحی Jalapeño الگوبرداری کنند. این شفافیت در اشتراک‌گذاری متدولوژی، نه به دلیل بی‌نیاز بودن از GPUهای انویدیا، بلکه در راستای تعالی کل اکوسیستم سخت‌افزار صورت می‌گیرد.
