عصر استنتاج هوش مصنوعی (AI inference) فرا رسیده است. تصور کنید یک سیستم مراقبت بهداشتی میلیونها نقطه داده را در زمان واقعی برای سرعت بخشیدن به تحقیقات پزشکی نجاتبخش تحلیل میکند، یا یک دستیار هوشمند هزاران نیاز پیچیده مشتری را به طور همزمان وی فوری برطرف میکند. این پیشرفتهای دنیای واقعی به زیرساختهای پیشرفتهای متکی هستند که به عنوان موتور هوش مداوم عمل میکنند و خدمات بلادرنگ را تقویت کرده و در عین حال از لبه رو به رشد هوش مصنوعی در اینترنت اشیا (IoT) و دستگاههای مصرفکننده پشتیبانی میکنند. با این حال، در این چشمانداز مبتنی بر استنتاج، هرگونه تاخیر، گلوگاه یا وات هدررفته مستقیماً بر نتایج انسانی و هزینههای عملیاتی تأثیر میگذارد.
این تغییر دگرگونی، انتظاراتی را که زیرساخت باید برآورده کند، دگرگون میسازد. عملکرد، تاخیر (Latency)، پهنای باند حافظه، توان عملیاتی ذخیرهسازی و شبکه را نمیتوان به صورت مجزا و در جزایر جداگانه بهینهسازی کرد. بارهای کاری استنتاج مداوم، توزیعشده جغرافیایی و بسیار حساس به زمان پاسخ هستند و به سیستمهایی نیاز دارند که از ابتدا برای مقیاسپذیری، انعطافپذیری و بهرهوری طراحی شده باشند.
جیم مکگرگور (Jim McGregor)، بنیانگذار و تحلیلگر ارشد موسسه تیریاس ریسرچ (Tirias Research) میگوید: «ما عادت داریم به هوش مصنوعی به عنوان یک بار کاری واحد فکر کنیم، در حالی که اینطور نیست. این شامل هزاران، میلیونها و میلیاردها بار کاری مختلف است.» استنتاج هوش مصنوعی، مسئله بهینهسازی را از محاسبات خام به زیرساختهای هماهنگ شامل حافظه، ذخیرهسازی و شبکه تغییر میدهد.
برای رهبران کسبوکار، اولویت کاملاً واضح است: تصمیمات مربوط به زیرساخت هوش مصنوعی باید هزینه، انعطافپذیری و آمادگی برای آینده را به تعادل برسانند. برندگان کسانی خواهند بود که عملکرد به ازای هر وات را بهبود ببخشند، ردپای محیطی را کاهش دهند و گلوگاههای حافظه و ذخیرهسازی را پیش از آنکه مانع رشد شوند، از میان بردارند.
استنتاج هوش مصنوعی نیازمند یک رویکرد معماری جدید است
سیستمهای مختص هوش مصنوعی باید از نو معماری شوند، زیرا چپاندن سیستمهای مدرن هوش مصنوعی در زیرساختهای قدیمی، پتانسیل تحولآفرین هوش مصنوعی را محدود میکند. معماریهای سفارشی برای درک ارزش واقعی هوش مصنوعی، از تسریع اکتشافات علمی گرفته تا خلق عاملهای دیجیتال واقعاً خودمختار، ضروری هستند.
فناوری اطلاعات سنتی سازمانی توانسته است به فرضیات زیرساختی نسبتاً پایداری اتکا کند، اما استنتاج و هوش مصنوعی عاملی (Agentic AI) تقاضاهای جدیدی را در زمینه تاخیر، جابجایی دادهها، مقیاسپذیری و بهرهوری معرفی میکنند که انتخابهای معماری را بسیار پرنفوذتر میسازد.
مکگرگور میگوید: «مراکز داده اکنون باید از خدمات هوش مصنوعی مداوم، توزیعشده و فزایندهای که به صورت بلادرنگ ارائه میشوند پشتیبانی کنند؛ که هیچکدام یک بار کاری واحد نیستند. همه آنها از منظر سطح سیستم به الزامات متفاوتی نیاز دارند.»
برای پشتیبانی از هوش مصنوعی بلادرنگ، شرکتها دیگر نمیتوانند حافظه و ذخیرهسازی را صرفاً به عنوان سختافزار پشتیبان ببینند، بلکه باید آنها را در قلب سیستم بدانند. سازمانها باید خط لوله دادهای را معماری کنند که بتواند دادهها را به سرعت دریافت، پاکسازی، تبدیل، ذخیره، جابجا و ارائه کند. بارهای کاری استنتاج فشاری مداوم بر زیرساخت وارد میکنند که به شکلی بسیار متفاوت از استقرارهای متمرکز بر آموزش قبلی به نظر میرسد و نیازمند بازیابی و کش کردن (Caching) مداوم دادهها است که برنامههای سنتی هرگز به آن نیاز نداشتند.
بر همین اساس، عملکرد به خودی خود دیگر تنها معیار مهم نیست. شرکتها به طور فزایندهای باید عملکرد را با بهرهوری، هزینه و مقیاسپذیری به تعادل برسانند، بهویژه هنگامی که تلاش میکنند از خدمات مختلف هوش مصنوعی بدون ساخت بیش از حد زیرساخت برای شرایط اوج مصرف پشتیبانی کنند.
مکگرگور میگوید: «شما باید کل شبکه، و این شامل حافظه و ذخیرهسازی را نیز در بر میگیرد، پیرامون انواع بارهای کاری که قصد اجرای آنها را دارید بهینهسازی کنید. شما باید درک کاملاً دقیقی از این موضوع داشته باشید که آن بارهای کاری قرار است چه چیزی باشند.»
هر استراتژی زیرساخت هوش مصنوعی باید با آگاهی از بار کاری آغاز شود. استنتاج، هوش مصنوعی عاملی و سایر موارد استفاده نوظهور هوش مصنوعی سازمانها را ملزم میکنند که مرکز داده را به عنوان یک سیستم یکپارچه در نظر بگیرند.
جابجایی دادهها؛ گلوگاه جدید و فرصتی برای مزیت رقابتی
همزمان با استقرار سیستمهای پیشرفته استنتاج و عاملهای هوش مصنوعی توسط شرکتها، حجم عظیم دادههایی که به صورت بلادرنگ کوئری (Query) میشوند، جابجایی دادهها را به مبرمترین محدودیت تبدیل کرده است. تکنیکهای مدرن هوش مصنوعی مانند تولید افزوده بازیابی (RAG) مستلزم آن است که سیستمها به طور مداوم پایگاههای داده عظیم را برای تولید پاسخهای دقیق اسکن کنند. این امر به قدرت محاسباتی عظیمی نیاز دارد، اما از همه مهمتر، مستلزم دسترسی فوری به دادهها است.
مکگرگور میگوید تمرکز بر این که دادهها با چه کارآمدی میتوانند جابجا، کش و در سراسر معماری وسیعتر ارائه شوند، حافظه و ذخیرهسازی را از زیرساخت پسزمینه به داراییهای استراتژیک ارتقا میدهد. «بزرگترین کاری که در حال حاضر انجام میدهیم این است که دادهها را از جایی به جای دیگر منتقل میکنیم و مطمئن میشویم که میتوانیم به طور مؤثری از آنها استفاده کنیم.»
از آنجا که هوش مصنوعی یک دسته بار کاری واحد نیست، صرفاً خرید سریعترین پردازندهها کافی نیست. استنتاج به شدت به پهنای باند حافظه، کش کردن، نزدیکی ذخیرهسازی و توانایی بازیابی اطلاعات مرتبط به سرعت و به طور مداوم وابسته است. درک اینکه هر منبع در کجا متعلق به پشته (Stack) است و آن لایهها چگونه تحت شرایط عملیاتی واقعی با یکدیگر تعامل دارند، به یک ضرورت تجاری تبدیل شده است.
مکگرگور میگوید مؤثرترین زیرساخت هوش مصنوعی کمتر شبیه به مجموعهای از بهترین قطعات و بیشتر شبیه به یک سیستم متوازن از پردازش، حافظه، ذخیرهسازی و شبکه است، زیرا گلوگاهها تمایل دارند از یک لایه به لایه دیگر منتقل شوند. «شما باید هر چهار مورد را با هم معماری کنید تا کارآمد باشد، و این چالش اصلی است.»
وابستگی متقابل طراحی صفحه داده (Data-plane) و پهنای باند شبکه به این معناست که برنامهریزی زیرساخت هوش مصنوعی به همان اندازه که یک تصمیم مهندسی است، یک تصمیم تجاری نیز شده است: تاخیر اکنون از ارزش تفکیکناپذیر است. در رباتیک، خدمات مالی، مراقبتهای بهداشتی و سیستمهای هوش مصنوعی رو به کاربر، تاخیرها صرفاً نواقص فنی نیستند؛ آنها میتوانند ایمنی، پاسخگویی یا اعتماد را تضعیف کنند. عملکرد زیرساخت هوش مصنوعی به موضوعی برای مدیریت شهرت تبدیل میشود.
سازمانهایی که بیشترین بهره را از هوش مصنوعی میبرند ممکن است کسانی نباشند که بزرگترین خوشهها را دارند، بلکه کسانی هستند که واضحترین درک را از نحوه همسوسازی هر عنصر زیرساختی برای اجرای مؤثر بارهای کاری هوش مصنوعی دارند.
ایجاد چارچوب تامین زیرساخت هوش مصنوعی
برنامهریزی زیرساخت هوش مصنوعی صرفاً به معنای انتخاب سریعترین سختافزار نیست. این موضوع در مورد چگونگی مقیاسپذیری بدون به دام انداختن سازمان در فرضیاتی است که ممکن است به سرعت منسوخ شوند. مکگرگور میگوید: «شما باید انعطافپذیر باشید زیرا تقاضاها به سرعت تغییر خواهند کرد و فناوری نیز به سرعت در حال تغییر است.»
آیندهنگری زیرساخت هوش مصنوعی مستلزم باز نگه داشتن گزینهها همزمان با تغییر مداوم بارهای کاری، اقتصاد و معماریها است:
- تعریف بارهای کاری هوش مصنوعی که در حال بهینهسازی هستند. انتخابهای زیرساختی باید با نیازهای کسبوکار مطابقت داشته باشند تا آنچه مکگرگور آن را «آمادگی برای هوش مصنوعی» عمومی مینامد؛ که خطر هزینهکرد بیش از حد در برخی حوزهها را به همراه دارد در حالی که گلوگاهها را در سایر بخشها حلنشده باقی میگذارد.
- ساخت یک معماری ماژولار برای پردازش، حافظه، ذخیرهسازی، قدرت و خنککننده به طوری که ظرفیت بتواند با تغییر تقاضا تغییر کند به جای اینکه خیلی زود به یک معماری صلب متعهد شوید.
- همکاری با کل اکوسیستم تامینکنندگان و یکپارچهسازها برای کاهش ریسک تامین و بهبود دسترسی به قطعات مناسب. مکگرگور میگوید خریداران دیگر نمیتوانند فرض کنند که تامینکننده تجهیزات اصلی (OEM) یا ارائهدهنده ابر به تنهایی آنها را از محدودیتهای تامین یا پیچیدگی معماری مصون نگه میدارد.
- ارزیابی مجدد مداوم استراتژی تامین. الزامات هوش مصنوعی، سختافزار و مدلهای کسبوکار بسیار سریعتر از یک طراحی بلندمدت ثابت در حال تغییر هستند.
- بهینهسازی برای بهرهوری و بازگشت سرمایه (ROI)، نه فقط اوج عملکرد. قدرتمندترین تنظیمات ممکن است برای پایدار ماندن بیش از حد پرهزینه باشد. بهرهوری همچنین یک متریک عمومی است - استفاده بهتر و طراحی سیستم آگاهانهتر از بار کاری میتواند به شرکتها کمک کند تا به نظارت روزافزون پیرامون مصرف انرژی و استفاده از آب پاسخ دهند.
هدف استراتژیک طراحی هوشمندتر مرکز داده هوش مصنوعی، حداکثر عملکرد به هر قیمتی نیست، بلکه یک معماری سازگار است که میتواند ارزش آفرینی کند، تغییرات را جذب کند و ردپای خود را توجیه کند.
زیرساخت هوش مصنوعی اکنون یک استراتژی کسبوکار است
مراکز داده هوش مصنوعی به سرعت از یک دغدغه فنی پسزمینه به سیستمهای تجاری استراتژیک تبدیل شدهاند که کمک میکنند مشخص شود یک سازمان چقدر به طور مؤثر میتواند هوش مصنوعی را به درآمد تبدیل کند، نتایج انسانی را بهبود بخشد و مزیت رقابتی ایجاد کند.
مکگرگور توضیح میدهد که در عصر استنتاج، حافظه و ذخیرهسازی دیگر مخازن منفعل نیستند، بلکه خون حیاتبخش فعال هوش مصنوعی هستند. سازمانهایی که بیشترین سود را از هوش مصنوعی میبرند لزوماً کسانی نخواهند بود که بزرگترین ردپای محاسباتی را دارند، بلکه کسانی هستند که سرمایهگذاریهای زیرساختی را با نتایج کسبوکار همسو میکنند، گلوگاههای داده را کاهش میدهند و انعطافپذیری لازم را برای سازگاری با تکامل بارهای کاری ایجاد میکنند. او پیشبینی میکند که مزیت رقابتی فزایندهای متعلق به شرکتهایی خواهد بود که پردازش، حافظه، ذخیرهسازی و شبکه را به عنوان یک سیستم یکپارچه طراحیشده برای ارائه کارآمد هوش مصنوعی، در مقیاس و با بازگشت سرمایه قابل اندازهگیری درمان کنند.
مکگرگور در نتیجهگیری میگوید تامین اکنون به یک استراتژی تبدیل شده و طراحی سیستم یک مسئله رهبری است. «یکی از بزرگترین سوالاتی که هر مدیر ارشد اجرایی باید بپرسد این است که هوش مصنوعی چگونه قرار است مدل کسبوکار مرا تغییر دهد؟»
منبع: technologyreview.com