ການເຊື່ອມຕໍ່ກັບເຄືອຂ່າຍ AI - 5 ສິ່ງທີ່ທ່ານຈຳເປັນຕ້ອງຮູ້

GPU ແມ່ນສະໝອງຂອງຄອມພິວເຕີ AI.

ເວົ້າງ່າຍໆ, ໜ່ວຍປະມວນຜົນກຣາບຟິກ (GPU) ເຮັດໜ້າທີ່ເປັນສະໝອງຂອງຄອມພິວເຕີ AI.

ດັ່ງທີ່ທ່ານອາດຈະຮູ້ແລ້ວ, ໜ່ວຍປະມວນຜົນສູນກາງ (CPU) ແມ່ນສະໝອງຂອງຄອມພິວເຕີ. ຂໍ້ໄດ້ປຽບຂອງ GPU ແມ່ນຢູ່ໃນຄວາມຈິງທີ່ວ່າມັນເປັນ CPU ພິເສດສຳລັບການຄິດໄລ່ທີ່ສັບສົນ. ວິທີທີ່ໄວທີ່ສຸດໃນການປະຕິບັດການຄິດໄລ່ເຫຼົ່ານີ້ແມ່ນການໃຫ້ກຸ່ມ GPU ແກ້ໄຂບັນຫາຮ່ວມກັນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ການຝຶກອົບຮົມແບບຈຳລອງ AI ຍັງອາດໃຊ້ເວລາຫຼາຍອາທິດ ຫຼື ແມ່ນແຕ່ຫຼາຍເດືອນ. ເມື່ອສ້າງແລ້ວ, ມັນຈະຖືກວາງໄວ້ໃນລະບົບຄອມພິວເຕີດ້ານໜ້າ, ແລະຜູ້ໃຊ້ສາມາດຖາມຄຳຖາມກັບແບບຈຳລອງ AI ໄດ້; ຂະບວນການນີ້ເອີ້ນວ່າການອະນຸມານ.

ຄອມພິວເຕີ AI ປະກອບດ້ວຍ GPU ຫຼາຍອັນ.

ສະຖາປັດຕະຍະກຳທີ່ດີທີ່ສຸດສຳລັບການແກ້ໄຂບັນຫາ AI ແມ່ນການໃຊ້ກຸ່ມ GPU ໃນແຣັກທີ່ເຊື່ອມຕໍ່ກັບສະວິດທີ່ຢູ່ເທິງສຸດຂອງແຣັກ. ແຣັກ GPU ຫຼາຍອັນສາມາດເຊື່ອມຕໍ່ໄດ້ເພີ່ມເຕີມໃນລະບົບການເຊື່ອມຕໍ່ເຄືອຂ່າຍແບບລຳດັບຊັ້ນ. ເມື່ອບັນຫາທີ່ຕ້ອງແກ້ໄຂມີຄວາມສັບສົນຫຼາຍຂຶ້ນ, ຄວາມຕ້ອງການຂອງ GPU ກໍ່ເພີ່ມຂຶ້ນເຊັ່ນກັນ, ໂດຍບາງໂຄງການອາດຈະຕ້ອງນຳໃຊ້ກຸ່ມ GPU ຫຼາຍພັນໜ່ວຍ.

ແຕ່ລະກຸ່ມ AI ແມ່ນເຄືອຂ່າຍຂະໜາດນ້ອຍ.

ເມື່ອສ້າງກຸ່ມ AI, ມັນຈຳເປັນຕ້ອງຕັ້ງຄ່າເຄືອຂ່າຍຄອມພິວເຕີຂະໜາດນ້ອຍເພື່ອເຊື່ອມຕໍ່ ແລະ ອະນຸຍາດໃຫ້ GPU ເຮັດວຽກຮ່ວມກັນ ແລະ ແບ່ງປັນຂໍ້ມູນໄດ້ຢ່າງມີປະສິດທິພາບ.

ກຸ່ມ AI

ແຜນວາດຂ້າງເທິງສະແດງໃຫ້ເຫັນກຸ່ມ AI ບ່ອນທີ່ວົງມົນຢູ່ທາງລຸ່ມສະແດງເຖິງຂະບວນການເຮັດວຽກທີ່ເຮັດວຽກຢູ່ໃນ GPU. GPU ເຊື່ອມຕໍ່ກັບສະວິດຢູ່ເທິງຊັ້ນເທິງ (ToR). ສະວິດ ToR ເຫຼົ່ານີ້ຍັງເຊື່ອມຕໍ່ກັບສະວິດກະດູກສັນຫຼັງຂອງເຄືອຂ່າຍທີ່ສະແດງຢູ່ຂ້າງເທິງໃນແຜນວາດ, ສະແດງໃຫ້ເຫັນເຖິງລຳດັບຊັ້ນຂອງເຄືອຂ່າຍທີ່ຊັດເຈນທີ່ຈຳເປັນເມື່ອມີ GPU ຫຼາຍອັນທີ່ກ່ຽວຂ້ອງ.

ເຄືອຂ່າຍແມ່ນຈຸດແຂງໃນການນຳໃຊ້ AI.
ໃນລະດູໃບໄມ້ຫຼົ່ນທີ່ຜ່ານມາ, ໃນກອງປະຊຸມສຸດຍອດທົ່ວໂລກຂອງໂຄງການຄອມພິວເຕີເປີດ (OCP), ບ່ອນທີ່ຜູ້ແທນໄດ້ກໍ່ສ້າງພື້ນຖານໂຄງລ່າງ AI ລຸ້ນຕໍ່ໄປ, ຜູ້ແທນ Loi Nguyen ຈາກ Marvell Technology ໄດ້ຊີ້ໃຫ້ເຫັນບັນຫາສຳຄັນຄື: "ເຄືອຂ່າຍແມ່ນຈຸດແຂງຂໍ້ຈຳກັດໃໝ່."

ໃນທາງເທັກນິກແລ້ວ, ຄວາມໜ່ວງຊ້າຂອງແພັກເກັດສູງ ຫຼື ການສູນເສຍແພັກເກັດຍ້ອນຄວາມແອອັດຂອງເຄືອຂ່າຍສາມາດເຮັດໃຫ້ແພັກເກັດຖືກສົ່ງຕໍ່, ເຊິ່ງເຮັດໃຫ້ເວລາເຮັດວຽກສຳເລັດ (JCT) ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ດັ່ງນັ້ນ, GPU ມູນຄ່າຫຼາຍລ້ານ ຫຼື ຫຼາຍສິບລ້ານໂດລາທີ່ເປັນຂອງທຸລະກິດຕ່າງໆຈຶ່ງຖືກເສຍໄປຍ້ອນລະບົບ AI ທີ່ບໍ່ມີປະສິດທິພາບ, ເຊິ່ງເປັນອັນຕະລາຍຕໍ່ທຸລະກິດທັງໃນດ້ານລາຍຮັບ ແລະ ເວລາທີ່ນຳໄປສູ່ການຕະຫຼາດ.

ການທົດສອບ ແລະ ການວັດແທກແມ່ນເງື່ອນໄຂທີ່ສຳຄັນສຳລັບການດຳເນີນງານຂອງເຄືອຂ່າຍ AI ທີ່ປະສົບຜົນສຳເລັດ.

ເພື່ອດຳເນີນງານກຸ່ມ AI ຢ່າງມີປະສິດທິພາບ, GPU ຈຳເປັນຕ້ອງສາມາດໃຊ້ຄວາມສາມາດຢ່າງເຕັມທີ່ເພື່ອຫຼຸດເວລາການຝຶກອົບຮົມ ແລະ ຈັດຕັ້ງປະຕິບັດຮູບແບບການຮຽນຮູ້ເພື່ອເພີ່ມຜົນຕອບແທນຈາກການລົງທຶນໃຫ້ສູງສຸດ. ດັ່ງນັ້ນ, ການທົດສອບ ແລະ ການປະເມີນປະສິດທິພາບຂອງກຸ່ມ AI ຈຶ່ງເປັນສິ່ງຈຳເປັນ (ຮູບທີ 2). ຢ່າງໃດກໍຕາມ, ໜ້າວຽກນີ້ບໍ່ແມ່ນເລື່ອງງ່າຍ, ຍ້ອນວ່າສະຖາປັດຕະຍະກຳລະບົບກ່ຽວຂ້ອງກັບການຕັ້ງຄ່າ ແລະ ຄວາມສຳພັນຫຼາຍຢ່າງລະຫວ່າງ GPU ແລະ ໂຄງສ້າງເຄືອຂ່າຍທີ່ຕ້ອງເສີມເຊິ່ງກັນແລະກັນເພື່ອແກ້ໄຂບັນຫາ.

ແພລດຟອມການປຽບທຽບສູນຂໍ້ມູນ AI ​​ແລະວິທີທີ່ມັນປຽບທຽບກຸ່ມສູນຂໍ້ມູນ AI.

ສິ່ງນີ້ສ້າງຄວາມຫຍຸ້ງຍາກ ແລະ ສິ່ງທ້າທາຍຫຼາຍຢ່າງໃນການວັດແທກເຄືອຂ່າຍ AI:

- ສິ່ງທ້າທາຍໃນການສຳເນົາເຄືອຂ່າຍການຜະລິດທັງໝົດໃນຫ້ອງທົດລອງແມ່ນຍ້ອນຂໍ້ຈຳກັດດ້ານຄ່າໃຊ້ຈ່າຍ, ອຸປະກອນ, ການຂາດແຄນວິສະວະກອນເຄືອຂ່າຍ AI ທີ່ມີຄວາມຊຳນານສູງ, ພື້ນທີ່, ການສະໜອງພະລັງງານ ແລະ ອຸນຫະພູມ.

- ການທົດສອບຢູ່ໃນສະຖານທີ່ໃນລະບົບການຜະລິດຫຼຸດຜ່ອນຄວາມສາມາດໃນການປະມວນຜົນທີ່ມີຢູ່ຂອງລະບົບການຜະລິດເອງ.

- ມີຄວາມຫຍຸ້ງຍາກໃນການສ້າງບັນຫາຄືນໃໝ່ຢ່າງຖືກຕ້ອງ ເນື່ອງຈາກຄວາມແຕກຕ່າງໃນຂອບເຂດ ແລະ ຂອບເຂດຂອງບັນຫາ.

- ຄວາມຊັບຊ້ອນຂອງວິທີທີ່ GPU ເຊື່ອມຕໍ່ກັນ.

ເພື່ອແກ້ໄຂສິ່ງທ້າທາຍເຫຼົ່ານີ້, ທຸລະກິດສາມາດດຳເນີນການວັດແທກມາດຕະຖານຂອງກຸ່ມຍ່ອຍຂອງການຕັ້ງຄ່າທີ່ສະເໜີໃນສະພາບແວດລ້ອມຫ້ອງທົດລອງເພື່ອວັດແທກມາດຕະຖານພາລາມິເຕີຫຼັກເຊັ່ນ JCT (ເວລາສຳເລັດວຽກ), ແບນວິດທີ່ທີມງານ AI ສາມາດບັນລຸໄດ້, ແລະປຽບທຽບພວກມັນກັບການນຳໃຊ້ແພລດຟອມສະຫຼັບ ແລະ ການນຳໃຊ້ແຄຊ. ການວັດແທກມາດຕະຖານນີ້ຊ່ວຍຊອກຫາຄວາມສົມດຸນທີ່ເໝາະສົມລະຫວ່າງປະລິມານວຽກ GPU/ການປະມວນຜົນ ແລະ ການອອກແບບ/ການຕິດຕັ້ງເຄືອຂ່າຍ. ເມື່ອພໍໃຈກັບຜົນໄດ້ຮັບແລ້ວ, ສະຖາປະນິກຄອມພິວເຕີ ແລະ ວິສະວະກອນເຄືອຂ່າຍສາມາດນຳໃຊ້ການຕັ້ງຄ່າເຫຼົ່ານີ້ໃນການຜະລິດ ແລະ ວັດແທກຜົນໄດ້ຮັບໃໝ່.

ຫ້ອງທົດລອງຄົ້ນຄວ້າວິສາຫະກິດ, ສະຖາບັນຄົ້ນຄວ້າ ແລະ ມະຫາວິທະຍາໄລຕ່າງໆ ກຳລັງເຮັດວຽກເພື່ອວິເຄາະທຸກດ້ານຂອງການສ້າງ ແລະ ດຳເນີນງານເຄືອຂ່າຍ AI ທີ່ມີປະສິດທິພາບເພື່ອແກ້ໄຂສິ່ງທ້າທາຍຂອງການເຮັດວຽກໃນເຄືອຂ່າຍຂະໜາດໃຫຍ່, ໂດຍສະເພາະຍ້ອນວ່າການປະຕິບັດທີ່ດີທີ່ສຸດມີການປ່ຽນແປງຢູ່ຕະຫຼອດເວລາ. ວິທີການຮ່ວມມືທີ່ເຮັດຊ້ຳໄດ້ນີ້ແມ່ນວິທີດຽວສຳລັບທຸລະກິດທີ່ຈະປະຕິບັດການວັດແທກທີ່ເຮັດຊ້ຳໄດ້ ແລະ ການທົດສອບສະຖານະການ "ຖ້າເປັນແນວນັ້ນ" ຢ່າງວ່ອງໄວ - ເຊິ່ງເປັນພື້ນຖານໃນການເພີ່ມປະສິດທິພາບຂອງເຄືອຂ່າຍທີ່ໃຊ້ AI.

(ແຫຼ່ງຂໍ້ມູນ: Keysight Technologies)

ແຫຼ່ງຂໍ້ມູນ: https://vietnamnet.vn/ket-noi-mang-ai-5-dieu-can-biet-2321288.html