به گزارش مدیاتی:شرکت چینی DFSX از برنامه خود برای توسعه یک سیستم مبتنی بر فناوری ۱۴ نانومتری خبر داده که به ادعای این شرکت، پهنای باندی تا دو برابر GB200 انویدیا ارائه میدهد. این وعده جاهطلبانه در حالی مطرح شده که رقابت در بازار سختافزارهای هوش مصنوعی به اوج خود رسیده و شرکتهای چینی بهدنبال کاهش وابستگی به فناوریهای خارجی هستند.
رقیب چینی انویدیا وارد میدان شد؛ DFSX از سیستم ۱۴ نانومتری با پهنای باند دوبرابری خبر داد
شرکت چینی Dongfang Suanxin (DFSX) معتقد است گلوگاه اصلی توسعه سختافزارهای هوش مصنوعی، کوچکتر شدن فناوری ساخت تراشهها نیست، بلکه افزایش پهنای باند حافظه است. این شرکت با معرفی تراشههای DF1000 و DF2000 که در قالب سوپرنودهای TY64 بهکار گرفته میشوند، قصد دارد رقیبی جدی برای سیستم NVIDIA GB200 NVL72 باشد.
سوپرنود TY64 مبتنی بر تراشههای DF2000 با فناوری ساخت ۱۴ نانومتری، طبق ادعای DFSX، پهنای باند حافظهای برابر با ۹۶۰ ترابایتبرثانیه ارائه خواهد کرد؛ رقمی که در مقایسه با ۵۷۶ ترابایتبرثانیه سیستم GB200 NVL72 انویدیا، اختلاف قابلتوجهی را نشان میدهد.
تراشه DF1000 با وجود بهرهگیری از لیتوگرافی ۱۴ نانومتری، از معماری سهبعدی اختصاصی Near-Memory Compute استفاده میکند. در این طراحی، حافظه بهطور مستقیم روی لایه پردازشی قرار گرفته و از طریق فناوری 3D Wafer-Level Hybrid Bonding به آن متصل میشود. این روش با حذف کامل Microbump و اتصالات سیمی و استفاده از مسیرهای مسی دولایه، ارتباطی بسیار سریع و کمتأخیر میان واحد پردازشی و حافظه ایجاد میکند. DFSX این ساختار را به جای یک بزرگراه افقی، به میلیونها مسیر عمودی فوقسریع تشبیه میکند که انتقال داده را به شکل چشمگیری بهبود میبخشند.
نسل بعدی این خانواده، یعنی DF2000، قرار است در سهماهه چهارم سال ۲۰۲۶ و همچنان با فناوری ساخت ۱۴ نانومتری معرفی شود. این تراشه با بهرهگیری از فناوری 3.5D Infinity Chiplet، چندین ماژول پردازش و حافظه را بهجای یک مجموعه واحد، روی یک بستر مشترک کنار هم قرار میدهد تا ظرفیت پردازش و پهنای باند را بیش از پیش افزایش دهد.
علاوه بر این، DF2000 ساختار رایج حافظه را نیز دگرگون میکند. این تراشه بهجای تکیه بر لایههای ذخیرهسازی متداول، از معماری اختصاصی مبتنی بر حافظه سهبعدی DRAM بهره میبرد؛ رویکردی که امکان نگهداری حجم بسیار بیشتری از دادههای موقتی را درون خود تراشه فراهم میکند و میتواند عملکرد بارهای کاری هوش مصنوعی را بهبود ببخشد.
