تراشه اختصاصی مایا ۱۰۰: ورود قدرتمند مایکروسافت به بازار سخت‌افزارهای شتاب‌دهنده هوش مصنوعی
سخت‌افزارراهنمای جامع

تراشه اختصاصی مایا ۱۰۰: ورود قدرتمند مایکروسافت به بازار سخت‌افزارهای شتاب‌دهنده هوش مصنوعی

Maia 100 Custom Chip: Microsoft's Powerful Entry into the AI Accelerator Hardware Market

۱۰ خرداد ۱۴۰۵ 15 دقیقه مطالعه 16 بازدید

تراشه مایا ۱۰۰، نخستین پردازنده اختصاصی مایکروسافت برای پردازش‌های سنگین هوش مصنوعی در دیتاسنترهای آژور است. این سخت‌افزار ۵ نانومتری با هدف بهینه‌سازی مدل‌های زبانی بزرگ مانند GPT-4 و همراه با سیستم خنک‌کننده مایع «سایدکار» طراحی شده تا وابستگی به پردازنده‌های گرافیکی انویدیا را کاهش دهد.

۱. مقدمه

A highly detailed and futuristic render of the Microsoft Maia 100 silicon chip glowing with blue and purple data streams inside a dark data center
A highly detailed and futuristic render of the Microsoft Maia 100 silicon chip glowing with blue and purple data streams inside a dark data center

در دنیای پرشتاب و تحول‌آفرین فناوری امروز، هوش مصنوعی از یک مفهوم تحقیقاتی به موتور محرک اقتصاد دیجیتال تبدیل شده است. با ظهور مدل‌های زبانی بزرگ و تقاضای بی‌سابقه برای توان پردازشی، زیرساخت‌های سنتی محاسبات ابری به مرزهای نهایی ظرفیت خود نزدیک شده‌اند. در این میان، مایکروسافت به عنوان یکی از پیشگامان انقلاب هوش مصنوعی و شریک اصلی OpenAI، گامی تاریخی و استراتژیک برداشته است. این شرکت با معرفی مایا ۱۰۰ (Maia 100)، رسماً وارد میدان رقابت سخت‌افزارهای شتاب‌دهنده هوش مصنوعی شده است.

تراشه اختصاصی مایا ۱۰۰ اولین پردازنده کاملاً سفارشی مایکروسافت برای پردازش‌های سنگین هوش مصنوعی در دیتاسنترها به شمار می‌رود. این سخت‌افزار نه تنها نشان‌دهنده تغییر پارادایم در استراتژی تامین سخت‌افزار این غول فناوری است، بلکه نمایانگر یک شاهکار مهندسی در طراحی سیلیکون، بهینه‌سازی نرم‌افزاری و مدیریت حرارتی است. در این مقاله جامع، به کالبدشکافی عمیق معماری مایا ۱۰۰، سیستم‌های خنک‌کننده نوآورانه آن و تاثیرات شگرف این فناوری بر آینده محاسبات ابری آژور (Azure) خواهیم پرداخت.


۲. بافت و پیش‌زمینه: عصر جدید هوش مصنوعی و نیاز به تحول سخت‌افزاری

برای درک اهمیت تولد مایا ۱۰۰، باید به شرایط بازار و چالش‌های زیرساختی در سال‌های اخیر نگاهی بیندازیم. پس از معرفی ChatGPT در اواخر سال ۲۰۲۲، جهان با یک «تب طلا» در حوزه هوش مصنوعی مولد مواجه شد. در این رقابت نفس‌گیر، پردازنده‌های گرافیکی (GPUs) شرکت انویدیا (Nvidia)، به ویژه مدل‌های A100 و H100، به ارزشمندترین کالای دنیای فناوری تبدیل شدند.

وابستگی شدید غول‌های ابری به یک تامین‌کننده واحد، چالش‌های متعددی را به همراه داشت. مایکروسافت متوجه شد که برای حفظ برتری خود و ارائه خدمات مقرون‌به‌صرفه در مقیاس جهانی، نمی‌تواند تنها به سخت‌افزارهای عمومی شخص ثالث متکی باشد. دلایل اصلی مایکروسافت برای توسعه پردازنده اختصاصی عبارتند از:

  • کاهش هزینه‌های عملیاتی (OPEX): خرید پردازنده‌های گران‌قیمت انویدیا (که هر کدام ده‌ها هزار دلار قیمت دارند) حاشیه سود سرویس‌های ابری را به شدت کاهش می‌دهد.
  • بهینه‌سازی برای بارهای کاری خاص: سخت‌افزارهای عمومی برای طیف وسیعی از وظایف طراحی شده‌اند، اما مایکروسافت به پردازنده‌ای نیاز داشت که دقیقاً برای مدل‌های زبانی بزرگی مانند GPT-4 کالیبره شده باشد.
  • کنترل زنجیره تامین: استقلال سخت‌افزاری به مایکروسافت اجازه می‌دهد تا از شوک‌های کمبود تراشه در بازار جهانی در امان بماند.
  • یکپارچگی عمیق نرم‌افزار و سخت‌افزار: توسعه همزمان سیلیکون و سیستم‌عامل دیتاسنتر، بهره‌وری نهایی (Efficiency) را به طرز چشمگیری افزایش می‌دهد.
  • مدیریت مصرف انرژی: با توجه به اهداف زیست‌محیطی مایکروسافت برای رسیدن به انتشار کربن منفی تا سال ۲۰۳۰، نیاز به تراشه‌هایی با مصرف انرژی بهینه‌تر به شدت احساس می‌شد.

Graph showing the exponential growth in parameter size of AI models from 2018 to 2024, highlighting the explosive demand for compute power
Graph showing the exponential growth in parameter size of AI models from 2018 to 2024, highlighting the explosive demand for compute power

در همین راستا، پروژه مایا به صورت کاملاً محرمانه کلید خورد. مهندسان مایکروسافت با همکاری نزدیک محققان OpenAI، شروع به طراحی سخت‌افزاری کردند که از پایین‌ترین سطح ترانزیستور تا بالاترین سطح رک‌های دیتاسنتر، برای یک هدف واحد خلق شده باشد: اجرای سریع، ارزان و پایدار هوش مصنوعی.


۳. جزئیات و تحلیل: کالبدشکافی پروژه مایا ۱۰۰

۳.۱. معماری اختصاصی سیلیکون آژور: شاهکار مهندسی در ابعاد نانومتر

تراشه مایا ۱۰۰ یکی از بزرگترین و پیچیده‌ترین پردازنده‌هایی است که تا به حال بر پایه لیتوگرافی‌های پیشرفته ساخته شده است. این تراشه با استفاده از معماری ۵ نانومتری اختصاصی شرکت TSMC (بزرگترین تولیدکننده نیمه‌هادی در جهان) تولید شده است. استفاده از نود ۵ نانومتری به مایکروسافت اجازه داده تا تعداد خیره‌کننده‌ای از ترانزیستورها را در یک مساحت محدود جای دهد.

«ما مایا را به گونه‌ای طراحی کردیم که مرزهای فیزیک و مهندسی سیلیکون را جابجا کند. هر میلی‌متر مربع از این تراشه با هدف تسریع محاسبات تنسور و کاهش گلوگاه‌های حافظه برنامه‌ریزی شده است.» — ساتیا نادلا، مدیرعامل مایکروسافت

این تراشه دارای بیش از ۱۰۵ میلیارد ترانزیستور است که آن را در زمره متراکم‌ترین پردازنده‌های جهان قرار می‌دهد. اما آنچه مایا را متمایز می‌کند، صرفاً تعداد ترانزیستورها نیست، بلکه نحوه جریان داده‌ها درون این شبکه پیچیده است. مراحل پردازش و جریان داده در مایا ۱۰۰ شامل گام‌های بهینه‌سازی شده زیر است:

  1. واکشی سریع داده‌ها (Data Fetching): داده‌ها از طریق رابط‌های پرسرعت شبکه با کمترین تاخیر (Ultra-low latency) وارد حافظه‌های کش سطح بالا (SRAM) روی خود تراشه می‌شوند.
  2. توزیع موازی بارهای کاری: کنترلرهای اختصاصی، عملیات ضرب ماتریس‌ها را به هزاران هسته پردازشی کوچکتر که به صورت شبکه‌ای (Mesh) به هم متصل‌اند، ارسال می‌کنند.
  3. پردازش با فرمت‌های داده‌ای جدید: به جای استفاده از فرمت‌های سنگین ۳۲ بیتی، محاسبات با استفاده از انواع داده‌های Microscaling (مانند MX4 و MX8) انجام می‌شود که پهنای باند را به شدت حفظ می‌کنند.
  4. تجمیع و خروجی نتایج: نتایج پردازش شده بدون نیاز به عبور از لایه‌های اضافی سیستم‌عامل، مستقیماً به گره‌های بعدی در دیتاسنتر منتقل می‌شوند.

۳.۲. بهینه‌سازی برای مدل‌های زبانی بزرگ (LLMs)

یکی از مهم‌ترین کلیدواژه‌ها در طراحی مایا ۱۰۰، Co-design یا طراحی مشترک است. مایکروسافت این تراشه را در خلاء نساخته، بلکه آن را بر اساس بازخوردهای مستقیم از نحوه رفتار مدل‌های عظیمی مانند ChatGPT و GPT-4 در محیط واقعی (Production) شکل داده است.

مدل‌های زبانی بزرگ دارای ویژگی‌های خاصی هستند که آن‌ها را از سایر بارهای کاری متمایز می‌کند. گلوگاه‌های اصلی در اجرای این مدل‌ها عبارتند از:

  • پهنای باند حافظه (Memory Bandwidth): در مرحله استنتاج (تولید متن)، سرعت خواندن وزن‌های مدل از حافظه بسیار مهم‌تر از قدرت محاسباتی خام (FLOPs) است.
  • ظرفیت حافظه نهان (KV Cache): برای حفظ контекст در مکالمات طولانی، پردازنده نیاز به ذخیره‌سازی موقت حجم عظیمی از داده‌ها در حافظه کش سریع دارد.
  • تاخیر ارتباطات بین‌تراشه‌ای (Interconnect Latency): مدل‌های بزرگ روی یک تراشه جا نمی‌شوند و روی ده‌ها یا صدها تراشه توزیع می‌گردند، بنابراین سرعت ارتباط بین تراشه‌ها حیاتی است.

Abstract technical diagram showing AI model parameters flowing through customized memory hierarchies of the Maia 100 chip
Abstract technical diagram showing AI model parameters flowing through customized memory hierarchies of the Maia 100 chip

مایا ۱۰۰ برای غلبه بر این محدودیت‌ها، از معماری حافظه یکپارچه‌ای استفاده می‌کند که پهنای باند عظیمی را بین هسته‌های پردازشی و حافظه HBM (High Bandwidth Memory) فراهم می‌آورد. همچنین پشتیبانی بومی از فرمت‌های داده‌ای استاندارد جدید در صنعت (OCP Microscaling Formats)، به این تراشه اجازه می‌دهد تا محاسبات ریاضی را با دقت کمتر اما سرعت دوچندان انجام دهد، بدون آنکه افت کیفیتی در پاسخ‌های هوش مصنوعی ایجاد شود.

۳.۳. سیستم‌های خنک‌کننده پیشرفته دیتاسنتر: تولد سایدکار (Sidekick)

با افزایش چگالی ترانزیستورها و قدرت پردازشی، یک چالش فیزیکی اجتناب‌ناپذیر رخ می‌نماید: حرارت. تراشه مایا ۱۰۰ مصرف انرژی بسیار بالایی دارد و سیستم‌های خنک‌کننده هوایی (Air Cooling) سنتی که دهه‌ها در دیتاسنترها استاندارد بودند، دیگر توانایی دفع این حجم از گرما را ندارند. در یک رک سرور معمولی، توان مصرفی حدود ۱۰ تا ۱۵ کیلووات است، اما رک‌های حاوی پردازنده‌های هوش مصنوعی می‌توانند بیش از ۱۰۰ کیلووات انرژی مصرف کنند.

برای حل این بحران ترمودینامیکی، مایکروسافت یک سیستم خنک‌کننده مایع اختصاصی به نام سایدکار (Sidekick) طراحی کرده است. سایدکار مانند یک رادیاتور پیشرفته و هوشمند عمل می‌کند که مستقیماً در کنار رک‌های سرور قرار می‌گیرد. چرخه دفع حرارت در این سیستم به شکل زیر است:

  1. تماس مستقیم (Cold Plates): مایع خنک‌کننده از طریق لوله‌های مینیاتوری به صفحات سردی (Cold Plates) که مستقیماً روی سطح تراشه مایا ۱۰۰ چسبیده‌اند، پمپاژ می‌شود.
  2. جذب و انتقال حرارت: مایع سرد، گرمای عظیم تولید شده توسط میلیاردها ترانزیستور را جذب کرده و به سرعت از روی تراشه دور می‌شود.
  3. تبادل حرارتی در سایدکار: مایع داغ وارد واحد سایدکار در کنار رک می‌شود. در آنجا، از طریق یک مبدل حرارتی (Heat Exchanger)، گرما به سیستم آب خنک‌کننده مرکزی تاسیسات دیتاسنتر منتقل می‌شود.
  4. بازگشت به چرخه: مایع که اکنون دمای آن کاهش یافته، مجدداً به سمت سرورها پمپاژ می‌شود.

«سایدکار یک نوآوری حیاتی است. بدون این سیستم خنک‌کننده مایع حلقه بسته، پیاده‌سازی متراکم مایا ۱۰۰ در دیتاسنترهای فعلی ما از نظر فیزیکی غیرممکن بود. این سیستم به ما اجازه می‌دهد قدرت محاسباتی را بدون نیاز به بازسازی کل ساختمان‌های دیتاسنتر، به طور چشمگیری افزایش دهیم.» — تیم زیرساخت ابری مایکروسافت آژور

۳.۴. اقتصاد ابری و کاهش وابستگی به انویدیا

جنبه پنهان اما بسیار مهم پروژه مایا ۱۰۰، تاثیرات اقتصادی آن است. در حال حاضر، حاشیه سود شرکت انویدیا در فروش پردازنده‌های دیتاسنتر به بیش از ۷۰ درصد می‌رسد. وقتی مایکروسافت هزاران تراشه H100 خریداری می‌کند، در واقع بخش بزرگی از سرمایه خود را به عنوان سود خالص به حساب انویدیا واریز می‌کند.

با تولید سیلیکون اختصاصی، هزینه‌های استهلاک و استقرار سخت‌افزار (Capital Expenditure - CapEx) برای مایکروسافت به شدت کاهش می‌یابد. دستاوردهای اقتصادی این استراتژی عبارتند از:

  • کاهش هزینه به ازای هر کوئری (Cost per Query): سرویس‌هایی مانند Copilot و سرویس‌های API هوش مصنوعی آژور می‌توانند با هزینه بسیار کمتری اجرا شوند.
  • انعطاف در قیمت‌گذاری: مایکروسافت می‌تواند خدمات هوش مصنوعی خود را با قیمت‌های رقابتی‌تری نسبت به آمازون (AWS) یا گوگل کلاود (Google Cloud) ارائه دهد.
  • حفظ مالکیت معنوی: با تسلط بر تمام لایه‌ها (از سیلیکون تا نرم‌افزار)، مایکروسافت نوآوری‌های خود را در داخل اکوسیستم خود نگه می‌دارد.

۴. جداول مقایسه

برای درک بهتر جایگاه تراشه مایا ۱۰۰ در بازار و همچنین برتری سیستم خنک‌کننده آن، دو جدول مقایسه‌ای زیر با استفاده از داده‌های واقعی صنعت گردآوری شده است.

جدول ۱: مقایسه تراشه‌های پرچمدار هوش مصنوعی در دیتاسنترها

| ویژگی | مایکروسافت مایا ۱۰۰ (Maia 100) | انویدیا (Nvidia H100) | گوگل (TPU v5p) | |---|---|---|---| | فرایند تولید (لیتوگرافی) | ۵ نانومتری اختصاصی TSMC | ۴ نانومتری TSMC (4N) | ۴ نانومتری TSMC | | تعداد تقریبی ترانزیستور | ۱۰۵ میلیارد | ۸۰ میلیارد | ۸۹ میلیارد | | تمرکز اصلی معماری | استنتاج و آموزش مدل‌های زبانی (LLM) | پردازش عمومی و همه‌منظوره AI | پردازش تنسور مقیاس‌پذیر در شبکه | | پشتیبانی از فرمت‌های Microscaling | پشتیبانی بومی سخت‌افزاری (MX) | پشتیبانی از طریق نرم‌افزار و Tensor Core | پشتیبانی محدود سخت‌افزاری | | سال معرفی/استقرار اولیه | اواخر ۲۰۲۳ / ۲۰۲۴ | ۲۰۲۲ / ۲۰۲۳ | اواخر ۲۰۲۳ |

جدول ۲: مقایسه سیستم‌های خنک‌کننده دیتاسنتر

| مشخصه فنی و زیرساختی | خنک‌کننده هوایی سنتی (Air Cooling) | سیستم خنک‌کننده مایع سایدکار (Sidekick) | |---|---|---| | حداکثر ظرفیت دفع حرارت منطقی | حدود ۳۰ تا ۴۰ کیلووات به ازای هر رک | بیش از ۱۰۰ کیلووات به ازای هر رک | | نیاز به فضای فیزیکی در دیتاسنتر | نیاز به راهروهای عریض مجزای سرد و گرم | طراحی یکپارچه و فشرده (چسبیده به رک) | | راندمان مصرف انرژی زیرساخت (PUE) | حدود ۱.۳۰ الی ۱.۵۰ (نسبتاً ضعیف) | نزدیک به ۱.۰۵ (بسیار کارآمد و سبز) | | میزان نویز صوتی (آلودگی صوتی) | بسیار بالا (نیاز به محافظ گوش برای تکنسین‌ها) | بسیار پایین (گردش نرم مایعات به جای فن‌های غول‌پیکر) | | احتمال بروز نقاط داغ (Hotspots) | بالا (بسته به جریان هوای محیطی) | بسیار پایین (کنترل دقیق دمای سطح تراشه) |


۵. سوالات متداول

IT professional inspecting a server rack powered by Maia 100 processors, surrounded by liquid cooling tubes
IT professional inspecting a server rack powered by Maia 100 processors, surrounded by liquid cooling tubes

در این بخش به رایج‌ترین پرسش‌ها درباره تراشه مایا ۱۰۰ پاسخ داده‌ایم:

سوال ۱: آیا مایکروسافت قصد دارد تراشه‌های مایا ۱۰۰ را به صورت عمومی به فروش برساند؟ پاسخ: خیر. در حال حاضر استراتژی مایکروسافت استفاده انحصاری از این تراشه‌ها در دیتاسنترهای زیرساخت Azure است. کاربران تنها از طریق خرید سرویس‌های ابری و APIها می‌توانند از قدرت این سخت‌افزار بهره‌مند شوند.

سوال ۲: آیا مایا ۱۰۰ جایگزین پردازنده‌های انویدیا در آژور خواهد شد؟ پاسخ: در کوتاه‌مدت خیر. مایا ۱۰۰ به عنوان یک سخت‌افزار مکمل در کنار هزاران پردازنده انویدیا و AMD کار خواهد کرد. هدف مایکروسافت ایجاد تنوع در زنجیره تامین است، نه قطع همکاری کامل با شرکای فعلی.

سوال ۳: منظور از پشتیبانی از Microscaling Formats چیست؟ پاسخ: مدل‌های هوش مصنوعی نیازی به دقت اعشاری بسیار بالا (مانند ۳۲ بیت) برای همه محاسبات ندارند. فرمت‌های Microscaling به تراشه اجازه می‌دهند تا داده‌ها را با بلوک‌های کوچکتر (مثل ۴ یا ۸ بیتی) فشرده کند، که این امر سرعت محاسبات را بدون افت کیفیت پاسخ‌دهی هوش مصنوعی، چندین برابر می‌کند.

سوال ۴: سیستم سایدکار (Sidekick) چقدر به کاهش مصرف آب کمک می‌کند؟ پاسخ: سیستم‌های خنک‌کننده سنتی مبتنی بر تبخیر در برج‌های خنک‌کننده، میلیون‌ها لیتر آب مصرف می‌کنند. سایدکار یک سیستم حلقه بسته (Closed-loop) است که مایع در آن به طور مداوم در گردش است و تبخیر نمی‌شود، در نتیجه مصرف آب تازه دیتاسنترها به شدت کاهش می‌یابد.

سوال ۵: توسعه این تراشه چقدر زمان برده است؟ پاسخ: طراحی یک تراشه ۵ نانومتری از صفر تا مرحله تولید انبوه معمولاً بین ۳ تا ۴ سال زمان می‌برد. پروژه‌های سخت‌افزاری مایکروسافت (از جمله مایا و پردازنده‌های CPU کبالت) سال‌ها پیش در قالب پروژه‌های محرمانه آغاز شده بودند.

سوال ۶: نقش OpenAI در این پروژه چه بوده است؟ پاسخ: محققان OpenAI در فرایند Co-design نقش مشاوران اصلی را داشتند. آن‌ها رفتار دقیق شبکه‌های عصبی خود را به مهندسان سیلیکون مایکروسافت ارائه دادند تا معماری کش و پهنای باند حافظه دقیقاً برای بارهای کاری آن‌ها تنظیم شود.

سوال ۷: چه سیستم‌عاملی این سخت‌افزار را مدیریت می‌کند؟ پاسخ: مایکروسافت یک پشته نرم‌افزاری کاملاً جدید و اختصاصی توسعه داده است که به طور یکپارچه با سیستم‌های مدیریت منابع Azure متصل است. این نرم‌افزارها به گونه‌ای طراحی شده‌اند که توسعه‌دهندگان بتوانند بدون تغییر کدهای مدل خود (مانند کدهای نوشته شده با PyTorch)، آن‌ها را روی مایا اجرا کنند.

  • برخی از مزایای این پشته نرم‌افزاری عبارتند از:
    • کامپایلرهای هوشمند مبتنی بر گراف
    • تخصیص پویای حافظه
    • کاهش سربار (Overhead) سیستم‌عامل در ارتباطات بین سرورها

۶. نگاه به آینده

A conceptual digital roadmap extending into the future, with cloud computing and AI symbols integrated into a glowing microprocessor
A conceptual digital roadmap extending into the future, with cloud computing and AI symbols integrated into a glowing microprocessor

ورود مایا ۱۰۰ تنها آغاز مسیر بلندپروازانه مایکروسافت در توسعه سیلیکون است. نقشه راه سخت‌افزاری این شرکت نشان می‌دهد که نسل‌های بعدی این پردازنده در حال توسعه هستند. در آینده نزدیک، شاهد هم‌گرایی بیشتر بین هوش مصنوعی و زیرساخت‌های محاسباتی خواهیم بود.

«آینده پردازش ابری در گرو استقلال سخت‌افزاری و طراحی‌های تخصصی است. دوران پردازنده‌های یک-اندازه-برای-همه (One-size-fits-all) در دنیای هوش مصنوعی به پایان رسیده است.» — تحلیلگران گارتنر

انتظارات و پیش‌بینی‌ها برای آینده شامل موارد زیر است:

  • توسعه مایا ۲۰۰ و ۳۰۰: با استفاده از لیتوگرافی‌های ۳ و ۲ نانومتری برای دوچندان کردن ظرفیت پردازشی.
  • بسته‌بندی سه‌بعدی (3D Packaging): روی هم قرار دادن لایه‌های حافظه و پردازش برای کاهش بیشتر تاخیر.
  • ادغام کامل با پردازنده‌های کبالت: مایکروسافت علاوه بر مایا، پردازنده‌های مرکزی کبالت (Cobalt CPU) مبتنی بر معماری ARM را نیز معرفی کرده است. ترکیب این دو، اکوسیستمی کاملاً اختصاصی و غیروابسته به معماری x86 ایجاد خواهد کرد.
  • دیتاسنترهای ماژولار: طراحی دیتاسنترهایی که از پایه بر اساس سیستم خنک‌کننده سایدکار ساخته شده‌اند، بدون نیاز به کف کاذب یا چیلرهای هوایی عظیم.

۷. جمع‌بندی

Wide shot of a futuristic Microsoft data center seamlessly blending into a green, eco-friendly environment, highlighting sustainability
Wide shot of a futuristic Microsoft data center seamlessly blending into a green, eco-friendly environment, highlighting sustainability

تراشه اختصاصی مایا ۱۰۰ بسیار بیشتر از یک قطعه سیلیکونی است؛ این پردازنده نماد تکامل یک اکوسیستم و تغییر توازن قدرت در صنعت فناوری جهانی است. مایکروسافت با سرمایه‌گذاری سنگین در حوزه لیتوگرافی پیشرفته ۵ نانومتری، طراحی معماری مبتنی بر نیازهای واقعی مدل‌های زبانی بزرگ، و ابداع راهکار مهندسی شگفت‌انگیزی همچون سیستم خنک‌کننده مایع سایدکار، ثابت کرده است که قصد دارد کنترل سرنوشت خود را در عصر هوش مصنوعی در دست بگیرد.

کاهش وابستگی به غول‌هایی مانند انویدیا، نه تنها از نظر اقتصادی به نفع آژور و در نهایت مشتریان نهایی خواهد بود، بلکه امکان نوآوری‌های سریع‌تر و سفارشی‌تر را فراهم می‌آورد. با بلوغ این پلتفرم سخت‌افزاری و نرم‌افزاری در سال‌های پیش رو، سرویس‌های هوش مصنوعی سریع‌تر، ارزان‌تر و در دسترس‌تر از همیشه خواهند شد. مایا ۱۰۰ تنها یک پردازنده نیست، بلکه فونداسیون دنیایی است که در آن، هوش مصنوعی در تار و پود زیرساخت‌های محاسباتی زمین تنیده شده است.

Microsoft Maia 100AI AcceleratorAzure CloudData Center CoolingLLM Optimization

آیا این مقاله برای شما مفید بود؟

بازخورد شما به ما کمک می‌کند محتوای بهتری تولید کنیم