نحن نعيش في عصر يحركه الذكاء الاصطناعي. تعمل النماذج الكبيرة مثل ChatGPT أو Sora على إعادة تشكيل مختلف الصناعات. ومع ذلك، فإن هذه النماذج لديها "شهية" ضخمة؛ حيث تفرض معاييرها الضخمة تحديات شديدة على أنظمة الحوسبة والتخزين. عندما تكون سرعات حوسبة الرقاقات سريعة، ولكن لا يمكن مواكبة إمدادات البيانات، يتشكل ما يسمى بـ "جدار الذاكرة" الذي يمثل عنق الزجاجة. تُعد تقنية الفلاش ذات النطاق الترددي العالي ابتكارًا رئيسيًا وُلد خصيصًا لكسر هذا الجدار وضخ زخم قوي في أنظمة الذكاء الاصطناعي بتكلفة اقتصادية أكثر.
ما هو HBF؟ كيف يحقق "أفضل ما في العالمين"؟
لا يُعد الفلاش ذو عرض النطاق الترددي العالي وسيط تخزين جديد تماماً، بل هو ابتكار معماري ذكي. وتتمثل فكرته الأساسية في الجمع بين ذاكرة فلاش NAND الموجودة بشكل شائع في حياتنا اليومية (المستخدمة في الهواتف ومحركات الأقراص الصلبة) مع تقنية التغليف والتوصيل البيني المتقدمة لذاكرة HBM، والتي تُستخدم عادةً في الحوسبة عالية الأداء. ببساطة، يهدف HBF ببساطة إلى توفير سرعات نقل بيانات ذاكرة فلاش عالية السعة ومنخفضة التكلفة قريبة من الذاكرة المتطورة، وبالتالي تحقيق توازن مثالي بين السعة وعرض النطاق الترددي والتكلفة. يعتمد تحقيق هذا الهدف في المقام الأول على إنجازين تكنولوجيين رئيسيين.
الأول هو التراص ثلاثي الأبعاد وتقنية التوصيل البيني TSV. يكمن نجاح HBM في تكديس العديد من رقائق DRAM عمودياً مثل كتل البناء باستخدام تقنية Vias عبر السيليكون، مما يتيح الاتصال عالي السرعة من خلال قنوات رأسية صغيرة جداً. يستعير HBF هذا المفهوم، حيث يقوم بتكديس عالي الكثافة لعدة شرائح فلاش NAND. يقلل هذا التصميم بشكل كبير من مسارات نقل البيانات الداخلية داخل الشريحة، ويزيد من كثافة التكامل، ويضع الأساس لعرض النطاق الترددي العالي.
أما الإنجاز الثاني والأكثر أهمية فهو بنية المصفوفة الفرعية المتوازية. على الرغم من أن فلاش NAND التقليدي يتمتع بسعة كبيرة، إلا أن عدد القنوات التي يمكنها قراءة البيانات وكتابتها في وقت واحد محدود. وهذا يشبه طريقًا عريضًا به عدد قليل جدًا من المداخل والمخارج، وهو عرضة للازدحام. تبتكر HBF البنية الأساسية لذاكرة الفلاش من خلال تقسيمها إلى عدد كبير من المصفوفات الفرعية للتخزين التي يمكن أن تعمل بشكل مستقل ومتوازٍ. لكل مصفوفة فرعية قنوات قراءة/كتابة مستقلة خاصة بها. عندما تعمل مئات أو آلاف من هذه المصفوفات الفرعية في وقت واحد، فإن ذلك يعادل توسيع طريق ذي مسار واحد إلى شبكة عالية السرعة تضم آلاف المسارات، مما يسمح بتدفق طوفان البيانات دون عوائق، وبالتالي تحقيق قفزة في عرض النطاق الترددي الإجمالي.
ولإظهار مكانة HBF الفريدة بشكل أكثر وضوحًا، يقارن الجدول أدناه خصائصه الرئيسية مع "أسلافه" HBM ومحركات أقراص الحالة الصلبة التقليدية NAND SSD:
| الخصائص | مؤسسة حمدان بن راشد آل مكتوم | HBM | أقراص الحالة الصلبة التقليدية NAND SSD |
|---|---|---|---|
| الميزة الأساسية | سعة عالية ونطاق ترددي عالٍ وتكلفة منخفضة | نطاق ترددي عالٍ للغاية وزمن استجابة منخفض للغاية | سعة عالية وتكلفة منخفضة للغاية |
| السعة النموذجية لكل مكدس/رقاقة | حتى 512 جيجابايت | 24-48 جيجابايت تقريبًا | 1 تيرابايت - 2 تيرابايت |
| مستوى عرض النطاق الترددي | عالية جداً، قريبة من HBM | متطرف | منخفضة نسبيًا |
| التكلفة لكل وحدة | منخفضة نسبيًا | عالية جداً | منخفضة جداً |
| أفضل تطبيق | الاستدلال بالذكاء الاصطناعي والمهام كثيفة القراءة | تدريب الذكاء الاصطناعي والحوسبة عالية الأداء | تخزين البيانات وأرشفتها |
تُظهر هذه المقارنة بشكل بديهي أن HBF يملأ بدقة فجوة السوق بين HBM و أقراص الحالة الصلبة التقليدية. فهي لا تتمتع بزمن انتقال منخفض للغاية وسرعة كتابة فائقة مثل HBM، ولكنها توفر سعة أكبر بكثير وتكلفة أقل بكثير. ومقارنةً بمحركات أقراص الحالة الصلبة التقليدية، فإنها تحقق نطاقًا تردديًا أعلى بأضعاف، وهو ما يولد سيناريوهات تتطلب قراءة سريعة لبيانات ضخمة.
الخصائص والمزايا والتحديات التقنية
تكمن قيمة الفلاش عالي النطاق الترددي في مزيجه الفريد من الخصائص التقنية التي تحدد قدراته الحالية واتجاهات تطبيقه الأساسية. فهو ليس قويًا على الإطلاق، ولكنه يتفوق في مجالات خبرته. يمكن عرض وضعها الحالي بوضوح من خلال مقارنة مزاياها وتحدياتها.
ثلاث مزايا أساسية لمؤسسة حمد بن فهد
سعة هائلة وميزة التكلفة: في نفس المساحة المادية، يمكن أن توفر حزمة HBF واحدة سعة تصل إلى 512 جيجابايت، أي أكثر من 10 أضعاف سعة HBM. استنادًا إلى فلاش NAND منخفض التكلفة لكل وحدة، يمكن أن يقلل بشكل كبير من التكلفة الإجمالية لملكية أنظمة الذكاء الاصطناعي. عرض النطاق الترددي العالي للقراءة وكفاءة الطاقة: من خلال بنيتها المتوازية يمكن أن يقترب عرض نطاقها الترددي للقراءة من مستويات HBM، مما يلبي احتياجات مهام مثل الاستدلال بالذكاء الاصطناعي لقراءة البيانات بسرعة. وفي الوقت نفسه، فإن استهلاكها للطاقة الثابتة أقل بكثير من DRAM، والتي تتطلب تحديثًا مستمرًا. التموضع الدقيق في السوق: وهو يملأ الفجوة بدقة بين HBM ومحركات الأقراص الصلبة التقليدية (SSD)، مما يوفر حلاً مثالياً للتطبيقات كثيفة القراءة الحساسة للسعة والتكلفة.
التحديات الرئيسية التي تواجه مؤسسة حمد بن راشد آل مكتوم
سرعة الكتابة وحدود التحمل: هذه خصائص متأصلة في فلاش NAND. سرعة كتابة HBF أبطأ بكثير من سرعة كتابة HBM، كما أن رقائقها لها دورات مسح/كتابة محدودة. لذلك، فهي غير مناسبة لسيناريوهات تدريب نماذج الذكاء الاصطناعي التي تتطلب كتابة بيانات متكررة. زمن وصول أعلى: يبلغ زمن وصولها إلى مستوى الميكروثانية. على الرغم من أن هذا له تأثير ضئيل على العديد من مهام القراءة، إلا أنه لا يزال أعلى بكثير من زمن الوصول على مستوى النانو ثانية في HBM ولا يمكنه التعامل مع التطبيقات الحساسة للغاية لزمن الوصول.
باختصار، إن الفهم الدقيق لوضع HBF الحالي هو: إنه حل تخزين عالي الأداء مُحسّن للمهام كثيفة القراءة. إنه ليس بديلاً عن HBM، ولكنه مكمل قوي. تكمن قيمته في الاستفادة من نقاط قوته وتجنب نقاط ضعفه لحل مشاكل محددة.
الآفاق المستقبلية لمؤسسة حمد بن راشد آل مكتوم
بناءً على خصائصها من "سعة كبيرة، ونطاق ترددي عالٍ للقراءة، وتكلفة منخفضة، وقدرة تحمل محدودة للكتابة" مسار التطوير المستقبلي لشركة HBF واضح للغاية. لن تحل محل مكانة HBM في مجال التدريب، ولكنها ستصنع سوقها الخاص بها وستشكل نظامًا بيئيًا مكملاً للتقنيات الحالية.
سيناريوهات التطبيق الأساسية
تتركز التطبيقات القاتلة لـ HBF بشكل أساسي في الاتجاهات التالية:
خوادم استنتاج حافة الذكاء الاصطناعي. هذا هو سيناريو التطبيق الأكثر مثالية والواعدة لـ HBF. ينطوي نشر نماذج الذكاء الاصطناعي على خوادم الحافة للاستدلال على أعباء عمل تكاد تكون عمليات قراءة بحتة، وكثيراً ما تستدعي معلمات نموذجية مُدرّبة مسبقاً. يتطابق هذا تمامًا مع مزايا HBF المتمثلة في عرض النطاق الترددي العالي للقراءة والسعة الضخمة، مع تجنب نقاط ضعفها المتمثلة في بطء الكتابة ومحدودية القدرة على التحمل. بالإضافة إلى ذلك، فإن استهلاك HBF المنخفض للطاقة مناسب تمامًا لبيئات الحافة الحساسة للطاقة.
تشكيل بنية ذاكرة غير متجانسة أو هجينة مع HBM. في مراكز البيانات السحابية، يمكن أن يكون HBF بمثابة امتداد فعال لسعة HBM. في هذا النموذج، يعمل HBM كذاكرة تخزين مؤقت عالية السرعة، حيث يحتفظ ب "البيانات الساخنة" الأكثر إلحاحًا للحسابات الحالية، بينما يتم تخزين نموذج الذكاء الاصطناعي الضخم الكامل في HBF. ثم يتم نقل أجزاء مختلفة من معلمات النموذج بسرعة عالية من HBF إلى HBM حسب الحاجة. يوفر هذا المزيج توازنًا جذابًا بين الأداء والسعة والتكلفة الإجمالية.
وبالنظر إلى المستقبل، من المتوقع أن تنتقل تكنولوجيا HBF إلى أجهزة المستخدم النهائي. نظرًا لأن حواسيب الذكاء الاصطناعي والهواتف الذكية المتطورة تتطلب قدرات ذكاء اصطناعي محلية أقوى، فإن دمج HBF يمكن أن يمكّن هذه الأجهزة من تشغيل نماذج معلمات أكبر محليًا، مما يقلل من الاعتماد على السحابة ويحمي خصوصية المستخدم بشكل أفضل.
تطوير التكنولوجيا وعملية التصنيع
فيما يتعلق بتطوير التكنولوجيا، خططت الشركات الرائدة بالفعل خرائط طريق واضحة. فعلى سبيل المثال, ساند ديسك يخطط للتكرار المستمر من خلال ثلاثة أجيال من المنتجات، مع أهداف تشمل زيادة سعة الشريحة الواحدة إلى ما يزيد عن 512 جيجابايت ومضاعفة عرض النطاق الترددي للقراءة عن المستويات الحالية، مع تحسين كفاءة الطاقة باستمرار.
كما بدأت عملية التصنيع أيضاً. التعاون بين إس كيه هاينكس و SandDisk يمثل خطوة رئيسية لانتقال HBF من مرحلة البحث والتطوير إلى مرحلة التصنيع. وتتوقع الصناعة بشكل عام أن تكون عينات وحدات HBF متاحة في النصف الثاني من عام 2026، ومن المتوقع أن تظهر أول خوادم استدلالية للذكاء الاصطناعي التي تدمج HBF رسميًا في أوائل عام 2027. ويتوقع محللو السوق أنه بحلول عام 2030، من المحتمل أن تنمو تقنية HBF لتصبح سوقًا تبلغ قيمتها عشرات المليارات من الدولارات الأمريكية. على الرغم من أن حجمها قد يكون أصغر من حجم HBM، إلا أنها ستصبح جزءًا لا غنى عنه في البنية التحتية للذكاء الاصطناعي.
في الختام، يكمن مستقبل HBF في كونه جزءًا أساسيًا في منظومة تخزين الذكاء الاصطناعي. وسوف يتمحور تطويره بشكل وثيق حول المهام كثيفة القراءة، مما يمكّن تدريجياً الجيل القادم من تطبيقات الذكاء الاصطناعي من السحابة إلى الحافة.
