تسلا نقشه راه تراشه‌های ابرهوش را با هدف افزایش ۸۰ برابری قدرت پردازشی SI6 و توسعه شتاب‌دهنده Dojo 3 برای کاربردهای فضایی معرفی کرد.
فهرست مطالب
تسلا نقشه راه جدید تراشه‌های ابرهوش خود را با هدف افزایش ۸۰ برابری قدرت پردازشی نسل ششم و توسعه شتاب‌دهنده Dojo 3 برای کاربردهای فضایی معرفی کرد.
به گزارش سرویس هوش مصنوعی تک‌ناک، مهم‌ترین بخش این برنامه به شتاب‌دهنده نسل ششم SI6 اختصاص دارد. تسلا انتظار دارد قدرت پردازشی این محصول در مقایسه با تراشه نسل چهارم HW4 تا ۸۰ برابر افزایش یابد.
تسلا همچنین قصد دارد معماری شتاب‌دهنده آموزشی Dojo 3 را به‌طور اساسی تغییر دهد. این شرکت در نسل جدید از طراحی چندچیپلتی و حافظه HBM انباشته استفاده خواهد کرد و وابستگی خود به معماری مبتنی بر حافظه SRAM را کاهش می‌دهد. توسعه نسخه‌های مناسب برای محیط‌های فضایی نیز بخشی از برنامه‌های این شرکت است.
به نقل از Tom’s Hardware، تسلا هم‌زمان نام‌گذاری پردازنده‌های خود را تغییر داده است. این شرکت اکنون عبارت «ابرهوش» (Super Intelligence) را جایگزین اصطلاح «هوش مصنوعی» (Artificial Intelligence) کرده و پیشوند SI را برای تراشه‌های خود به کار می‌برد. این تغییر نام محصولات قدیمی را نیز شامل می‌شود. برای مثال، تراشه HW4 که بعدها AI4 نام گرفت، اکنون با عنوان SI4 شناخته می‌شود.
ایلان ماسک نیز اخیراً تأیید کرده است که نام SpaceXAI به SpaceXSI تغییر خواهد کرد. این تغییر با رویکرد جدید او در استفاده از اصطلاح ابرهوش هماهنگ است.
افزایش ۸۰ برابری قدرت پردازشی تراشه SI6 تسلا
مهم‌ترین دستاورد پیش‌بینی‌شده در نقشه راه تسلا به شتاب‌دهنده نسل ششم SI6 مربوط می‌شود. این پردازنده برای اجرای مدل‌های هوش مصنوعی و پردازش استنتاج طراحی شده است و انتظار می‌رود عملکردی بسیار بالاتر از نسل فعلی داشته باشد.
تسلا اعلام کرده است که SI6 نسبت به HW4 حدود ۸۰ برابر قدرت پردازشی بیشتری ارائه خواهد داد. در متن اطلاعات منتشرشده، افزایش ظرفیت حافظه نیز ۹ برابر عنوان شده است. البته ظرفیت ۱۴۴ گیگابایتی درج‌شده در جدول مشخصات، دقیقاً معادل ۹ برابر حافظه ۱۶ گیگابایتی HW4 است.
برآوردهای اولیه نشان می‌دهند که قدرت پردازشی SI6 می‌تواند بین ۱۷٬۲۸۰ تا ۴۶٬۰۸۰ تریلیون عملیات در ثانیه (TOPS) باشد. این ارقام معادل ۱۷٫۲۸ تا ۴۶٫۰۸ کوادریلیون عملیات در ثانیه (POPS) هستند.
البته تسلا هنوز قالب‌های داده پشتیبانی‌شده و توان پردازشی رسمی این تراشه را اعلام نکرده است. بنابراین اعداد یادشده تخمینی هستند و نمی‌توان آن‌ها را نتیجه آزمایش‌های عملی دانست.
برای مقایسه، پردازنده گرافیکی Rubin انویدیا در پردازش استنتاج با قالب NVFP4 به توان ۵۰ پتافلاپس می‌رسد. توان این محصول هنگام آموزش مدل‌ها با همین قالب ۳۵ پتافلاپس است. همچنین عملکرد آن در قالب‌های FP8 و FP6 به ۱۷٫۵ پتافلاپس می‌رسد.
بااین‌حال، تفاوت قالب‌های عددی و معیارهای سنجش، مقایسه مستقیم این محصولات را دشوار می‌کند. علاوه‌براین، انویدیا عرضه Rubin به مشتریان را آغاز کرده است، درحالی‌که عرضه SI6 برای سال‌های ۲۰۲۹ تا ۲۰۳۰ پیش‌بینی می‌شود.
تسلا درحال‌حاضر از پردازنده نسل چهارم HW4 در خودروهای خود استفاده می‌کند. سامسونگ این تراشه را با فناوری ساخت ۷ نانومتری تولید می‌کند. پردازنده مذکور از بسته‌بندی متداول FCBGA بهره می‌برد و احتمالاً به ۱۶ گیگابایت حافظه GDDR6 مجهز است.
این تراشه معیار فعلی عملکرد سیستم رانندگی کاملاً خودکار تسلا، موسوم به FSD، محسوب می‌شود.
تسلا تاکنون قدرت پردازشی مطلق، ظرفیت حافظه و مصرف انرژی HW4 را به‌صورت رسمی منتشر نکرده است. بااین‌حال، ایلان ماسک پیش‌تر عملکرد آن را بین ۳ تا ۸ برابر بیشتر از HW3 توصیف کرده بود.
ازآنجاکه قدرت پردازشی رسمی HW3 برابر با ۷۲ تریلیون عملیات در ثانیه است، عملکرد HW4 را می‌توان بین ۲۱۶ تا ۵۷۶ تریلیون عملیات در ثانیه تخمین زد. همین اختلاف قابل‌توجه، تعیین قدرت نهایی نسل‌های بعدی را دشوار می‌کند.
مشخصات تراشه‌های تسلا و تغییرات نسل پنجم و ششم
تسلا پیش از عرضه SI6، تراشه نسل پنجم خود با نام SI5 را وارد مرحله تولید خواهد کرد. این پردازنده پیش‌تر با نام‌های HW5 و AI5 شناخته می‌شد و اکنون به مرحله تولید نزدیک شده است.
شرکت‌های TSMC و سامسونگ مسئولیت ساخت نسخه‌های مختلف آن را برعهده خواهند داشت. TSMC از فناوری ۳ نانومتری و سامسونگ از فناوری ۲ نانومتری برای تولید این شتاب‌دهنده استفاده می‌کنند.
تراشه SI5 برخلاف HW4 از معماری ماژول چندتراشه‌ای (MCM) بهره می‌برد. در این ساختار، چند تراشه در قالب یک مجموعه واحد قرار می‌گیرند. این تغییر امکان استفاده از واحدهای پردازشی بیشتر و طراحی انعطاف‌پذیرتر را فراهم می‌کند.
ایلان ماسک انتظار دارد SI5 نسبت به HW4 حدود ۴۰ برابر قدرت پردازشی بیشتری داشته باشد. او افزایش هشت‌برابری توان محاسباتی و بهینه‌سازی پنج‌برابری طراحی سیلیکونی را عوامل اصلی این پیشرفت معرفی کرده است.
افزایش تعداد واحدهای اجرایی و استفاده از فناوری ساخت متراکم‌تر در دستیابی به این هدف نقش دارند.
بر همین اساس، عملکرد احتمالی SI5 بین ۸٬۶۴۰ تا ۲۳٬۰۴۰ تریلیون عملیات در ثانیه برآورد می‌شود. مصرف انرژی این تراشه نیز بسته به کاربرد بین ۲۵۰ تا ۸۰۰ وات خواهد بود.
ظرفیت حافظه SI5 احتمالاً به ۹۶ گیگابایت می‌رسد که ۶ برابر نسل چهارم است. نوع حافظه هنوز مشخص نیست، اما استفاده از GDDR6 یا GDDR7 مطرح شده است. پهنای باند احتمالی نیز بین ۷۶۸ گیگابایت تا ۱٫۵۳۶ ترابایت در ثانیه تخمین زده می‌شود.
جدول زیر مشخصات و تفاوت‌های نسل‌های مختلف شتاب‌دهنده‌های تسلا را براساس اطلاعات منتشرشده نشان می‌دهد.
| مشخصات | HW3 / AI3 | SI4 / HW4 | SI5 / AI5 | SI6 / AI6 | Dojo D1 | Dojo D3 |
| کاربرد | استنتاج | استنتاج | استنتاج | استنتاج | آموزش | آموزش |
| فناوری ساخت | سامسونگ ۱۴ نانومتری | سامسونگ ۷ نانومتری | TSMC سه‌نانومتری / سامسونگ دونانومتری | کلاس ۲ نانومتری | TSMC هفت‌نانومتری | نامشخص |
| معماری | یکپارچه | یکپارچه | MCM | MCM | سیستم در مقیاس ویفر | چیپلت |
| بسته‌بندی | FCBGA | FCBGA | MCM | MCM | InFO_SoW | ترکیب ۲٫۵ و ۳ بعدی |
| نوع حافظه | LPDDR4 | GDDR6 | احتمالاً GDDR6/GDDR7 | احتمالاً GDDR7 | SRAM داخلی | HBM انباشته |
| ظرفیت حافظه | ۸ گیگابایت | ۱۶ گیگابایت | ۹۶ گیگابایت | ۱۴۴ گیگابایت | ۴۴۰ مگابایت در هر تراشه / ۱۱ گیگابایت در هر ویفر | نامشخص |
| پهنای باند حافظه | حدود ۶۸ گیگابایت‌برثانیه | حدود ۲۲۴ گیگابایت‌برثانیه | نامشخص | نامشخص | حدود ۱۰ ترابایت‌برثانیه، داخلی | نامشخص |
| عملکرد نسبت به SI4 | — | ۱ برابر | ۴۰ برابر | ۸۰ برابر | — | — |
| توان پردازشی تخمینی | ۷۲ TOPS | ۲۱۶ تا ۵۷۶ TOPS | ۸٬۶۴۰ تا ۲۳٬۰۴۰ TOPS | ۱۷٬۲۸۰ تا ۴۶٬۰۸۰ TOPS | ۳۶۲ ترافلاپس | نامشخص |
| وضعیت | نسل قدیمی | در حال تولید | نزدیک به تولید | در حال توسعه | متوقف‌شده | در حال توسعه |
مقادیر پردازشی نسل‌های SI4، SI5 و SI6 تخمینی هستند. توان Dojo D1 نیز با واحد فلاپس بیان شده و مستقیماً با مقادیر TOPS قابل‌مقایسه نیست.تسلا برای تولید SI6 نیز با سامسونگ قراردادی تا سال ۲۰۳۳ امضا کرده است. این شتاب‌دهنده از فناوری ساخت کلاس ۲ نانومتری استفاده خواهد کرد.
با توجه به برنامه تولید سامسونگ، احتمال استفاده از فناوری‌های SF2A، SF2P یا SF2Z وجود دارد. فناوری SF2A برای کاربردهای خودرویی طراحی شده و SF2Z از انتقال انرژی از پشت تراشه پشتیبانی می‌کند.
نکته قابل‌توجه این است که نقشه راه منتشرشده، تولید SI6 در کارخانه Terafab با فناوری 14A اینتل را پیش‌بینی نمی‌کند.تسلا همچنین معماری MCM را در نسل ششم حفظ خواهد کرد. این تصمیم می‌تواند امکان استفاده از تجربه تولید SI5 و کنترل هزینه بسته‌بندی را فراهم کند.باوجود بررسی استفاده از حافظه HBM در صنعت خودرو، به نظر نمی‌رسد تسلا این فناوری را در شتاب‌دهنده استنتاج SI6 به کار بگیرد.
بازگشت پروژه Dojo 3 با معماری چندچیپلتی و حافظه HBM
یکی از تغییرات مهم نقشه راه تسلا، بازگشت پروژه شتاب‌دهنده آموزشی Dojo است. ایلان ماسک در اوت ۲۰۲۵ پروژه Dojo مبتنی بر معماری در مقیاس ویفر را متوقف کرده بود.او در اوت ۲۰۲۶ نیز اعلام کرد که SpaceX و xAI برای مراکز داده زمینی و فضایی خود فقط از سخت‌افزار انویدیا استفاده خواهند کرد.
اکنون تسلا نسل سوم Dojo را با معماری متفاوتی توسعه می‌دهد. این محصول با نام D3 شناخته می‌شود و برخلاف نسل‌های قبلی، بر طراحی چندچیپلتی و حافظه HBM متکی خواهد بود.شتاب‌دهنده Dojo D1 از معماری یکپارچه در مقیاس ویفر استفاده می‌کرد. در این سیستم، ۲۵ پردازنده D1 به یکدیگر متصل می‌شدند و مجموع ظرفیت حافظه SRAM آن‌ها به ۱۱ گیگابایت می‌رسید.هر تراشه D1 نیز حدود ۴۴۰ مگابایت حافظه SRAM داخلی داشت.
تسلا قصد دارد در Dojo 3 از ترکیب فناوری‌های بسته‌بندی ۲٫۵ بعدی و سه‌بعدی همراه با حافظه HBM انباشته استفاده کند.این تغییر با نیاز روزافزون مدل‌های پیشرفته هوش مصنوعی به حافظه بیشتر ارتباط دارد. مدل‌های بزرگ برای نگهداری پارامترها، داده‌های فعال‌سازی و نتایج میانی پردازش، ظرفیت حافظه قابل‌توجهی مصرف می‌کنند.
حافظه SRAM سرعت بسیار بالایی دارد، اما افزایش ظرفیت آن در مقیاس موردنیاز مدل‌های بزرگ دشوار است.در مقابل، فناوری HBM امکان دستیابی به ظرفیت بیشتر و پهنای باند بالا را فراهم می‌کند. به همین دلیل، استفاده از آن می‌تواند توسعه شتاب‌دهنده‌های آموزشی قدرتمندتر را آسان‌تر کند.
بااین‌حال، استفاده از حافظه HBM چالش‌های تازه‌ای در زمینه سرعت دسترسی به داده‌ها، مصرف انرژی، پهنای باند حافظه و طراحی تراشه ایجاد می‌کند. همچنین هنوز مشخص نیست که تسلا قصد دارد معماری یکپارچه در مقیاس ویفر را به‌طور کامل کنار بگذارد یا همچنان از آن در نسل جدید شتاب‌دهنده‌های خود استفاده کند.
از نظر فنی، قرار دادن ماژول‌های سفارشی HBM روی تراشه‌های منطقی متصل‌شده در مقیاس ویفر امکان‌پذیر است. بااین‌حال، چنین طراحی پیچیده‌ای مشکلات تولید و خنک‌سازی را افزایش می‌دهد.
کاهش بازده تولید، افزایش هزینه ساخت و نگرانی درباره قابلیت اطمینان بلندمدت از دیگر چالش‌های این معماری هستند.استفاده از افزونگی و بهبود فرایندهای تولید می‌تواند بخشی از مشکلات را کاهش دهد، اما هزینه نهایی را نیز افزایش خواهد داد.به همین دلیل، احتمال استفاده تسلا از معماری متداول‌تر و کم‌هزینه‌تر در Dojo 3 بیشتر به نظر می‌رسد.
توسعه شتاب‌دهنده Dojo 3 برای مراکز داده فضایی
تسلا قصد دارد شتاب‌دهنده Dojo 3 را علاوه بر آموزش مدل‌های هوش مصنوعی، برای کاربردهای فضایی و توسعه سیستم‌های پردازشی بزرگ‌تر نیز بهینه‌سازی کند.این شرکت سه اولویت اصلی برای D3 معرفی کرده است: استفاده در فضا، آموزش هوش مصنوعی و مقیاس‌پذیری.
مقیاس‌پذیری در اینجا به معنای امکان افزایش توان پردازشی از طریق افزودن شتاب‌دهنده‌های بیشتر است. چنین قابلیتی برای توسعه زیرساخت‌های آموزشی بزرگ اهمیت دارد.بااین‌حال، جذاب‌ترین بخش برنامه تسلا به استفاده احتمالی از Dojo 3 در محیط‌های خارج از زمین مربوط می‌شود.
تسلا هنوز مشخص نکرده است که این شتاب‌دهنده دقیقاً در چه نوع زیرساخت فضایی استفاده خواهد شد. همچنین جزئیاتی درباره توان پردازشی، ظرفیت حافظه، فناوری ساخت و زمان عرضه آن وجود ندارد.استفاده از تراشه‌های پیشرفته در فضا چالش‌های متفاوتی ایجاد می‌کند. یکی از مهم‌ترین مشکلات، قرار گرفتن تجهیزات الکترونیکی در معرض تشعشعات فضایی است.
این تشعشعات می‌توانند عملکرد مدارهای الکترونیکی را مختل کنند. بنابراین نسخه‌های فضایی D3 احتمالاً به طراحی مقاوم در برابر تشعشع نیاز خواهند داشت.البته تسلا هنوز استفاده از چنین فناوری‌هایی را تأیید نکرده است و مقاوم‌سازی در برابر تشعشعات فعلاً یک احتمال فنی محسوب می‌شود.همچنین مشخص نیست نسخه‌های فضایی و زمینی Dojo 3 از معماری کاملاً یکسانی استفاده خواهند کرد یا تسلا برای محیط‌های مختلف، طراحی‌های متفاوتی در نظر خواهد گرفت.
تسلا هنوز اطلاعات دقیقی درباره قدرت پردازشی، ظرفیت حافظه و فناوری ساخت شتاب‌دهنده D3 منتشر نکرده است. بااین‌حال، معرفی این محصول نشان می‌دهد که این شرکت با وجود توقف پروژه اولیه Dojo، همچنان توسعه تراشه‌های اختصاصی برای آموزش هوش مصنوعی را دنبال می‌کند. استفاده از D3 در فضا نیز به تکمیل فرایند طراحی، انجام آزمایش‌های فنی و بررسی عملکرد آن در شرایط محیطی فضا بستگی دارد