تراشه A20 اپل قرار است با بهره‌گیری از پیشرفته‌ترین فرآیند ساخت ۲ نانومتری TSMC تولید شود؛ تغییری که با افزایش چشمگیر هزینه همراه خواهد بود و احتمالاً A20 را به گران‌ترین تراشه‌ای تبدیل می‌کند که اپل تاکنون طراحی کرده است.

افزایش حدود ۸۰ درصدی هزینه A20 نسبت به A19

بر اساس گزارش روزنامه تایوانی Economic Daily، انتظار می‌رود هزینه تولید هر واحد از تراشه A20 برای اپل به حدود ۲۸۰ دلار برسد؛ رقمی که نشان‌دهنده افزایش سالانه‌ای در حدود ۸۰ درصد نسبت به تراشه A19 است؛ تراشه‌ای که در حال حاضر در سری آیفون ۱۷ به کار گرفته می‌شود.

این افزایش قیمت تا حدی به فشارهای تورمی مداوم در بازار حافظه مربوط می‌شود و در عین حال، به استفاده TSMC از نسل اول فناوری ترانزیستور نانوشیت و همچنین خازن‌های فلزی بین لایه‌ای با بهره‌وری بسیار بالا در فرآیند تولید N2P این شرکت بازمی‌گردد.

برای یادآوری، فناوری ترانزیستور نانوشیت که با عنوان Gate-All-Around (GAA) نیز شناخته می‌شود، روشی در ساخت تراشه است که در آن گیت، کانالی متشکل از نانوشیت‌های روی‌هم‌چیده‌شده را به‌طور کامل احاطه می‌کند. این طراحی، کنترل الکترواستاتیکی بهتری فراهم می‌کند و در عین حال، امکان افزایش حدود ۱.۲ برابری چگالی منطقی را به همراه دارد.

همان‌طور که پیش‌تر گزارش شده، TSMC با تقاضای بسیار بالایی برای فرآیند N2P خود مواجه است؛ موضوعی که یکی از عوامل اصلی افزایش شدید هزینه تراشه A20 به شمار می‌رود. گفته می‌شود اپل حدود نیمی از ظرفیت ۲ نانومتری TSMC را برای تولید تراشه‌های خود رزرو کرده است؛ اقدامی که شرایط را برای سایر بازیگران بزرگ بازار، از جمله کوالکام و مدیاتک، دشوارتر می‌کند.

برای آن دسته از مخاطبانی که شاید با این موضوع آشنا نباشند، تراشه A20 اپل قرار است از بسته‌بندی InFO به WMCM مهاجرت کند. در حالی که InFO امکان یکپارچه‌سازی اجزایی مانند DRAM روی یک دای (die) واحد را فراهم می‌کرد، WMCM اجازه می‌دهد چندین دای مجزا از جمله CPU ،GPU و موتور عصبی در قالب یک بسته واحد کنار هم قرار گیرند؛ تغییری که انعطاف‌پذیری بی‌سابقه‌ای را به‌دلیل تنوع بالای پیکربندی‌های ممکن ایجاد می‌کند.

در عمل، WMCM می‌تواند به اپل اجازه دهد تراشه A20 را با پیکربندی‌های مختلف و با استفاده از هسته‌های متفاوت CPU و GPU عرضه کند. افزون بر این، این فناوری بسته‌بندی باعث می‌شود دای‌های CPU ،GPU و موتور عصبی به‌صورت مستقل عمل کنند و متناسب با نوع وظیفه، مصرف انرژی موردنیاز خود را درخواست کنند؛ رویکردی که به کاهش مصرف کلی انرژی منجر می‌شود. در نهایت، برای بهبود بهره‌وری فرآیند تولید، بسته‌بندی WMCM از فناوری Molding Underfill (MUF) استفاده می‌کند که به کاهش مصرف مواد و تعداد مراحل ساخت کمک می‌کند.

همان‌طور که در گزارشی جداگانه نیز اشاره شده، انتظار می‌رود فرآیند N2P شرکت TSMC باعث شود هسته‌های کم‌مصرف تراشه A20 بهره‌وری بالاتری داشته باشند و بدون افزایش مصرف انرژی، عملکرد بهتری ارائه دهند. همچنین پیش‌بینی می‌شود پردازنده گرافیکی این تراشه به نسل سوم فناوری Dynamic Cache مجهز شود؛ قابلیتی که تخصیص حافظه داخلی را به‌صورت لحظه‌ای و متناسب با بار کاری بهینه می‌کند.

تراشه‌های فوتونیکی جدید هوش مصنوعی چین به دستاوردهای چشمگیر در سرعت و بهره‌وری دست یافته‌اند، اما تنها برای بارهای کاری بسیار محدود و تعریف‌شده. دانشمندان چینی بنا بر گزارش‌ها مجموعه‌ای از ریزتراشه‌های فوتونیکی جدید مبتنی بر نور توسعه داده‌اند که از نظر سرعت و بهره‌وری می‌توانند پردازنده‌های گرافیکی پیشرو هوش مصنوعی انویدیا را با اختلافی بیش از ۱۰۰ برابر پشت سر بگذارند.

بر اساس این ادعاها، تراشه‌های جدید قادرند در برخی وظایف مولد خاص، از جمله تولید ویدئو و سنتز تصویر، به‌راحتی از فناوری‌های پیشرو انویدیا عملکرد بهتری ارائه دهند. هرچند این موضوع چشمگیر به نظر می‌رسد، اما درک این نکته ضروری است که این تراشه‌ها جایگزین مستقیم پردازنده‌های گرافیکی به سبک انویدیا برای کاربردهای عمومی محسوب نمی‌شوند.

در عوض، در صورت صحت ادعاها، تراشه‌های مذکور نمایانگر یک معماری محاسباتی جدید برای بارهای کاری هوش مصنوعی بسیار محدود و مشخص هستند، به‌ویژه برای وظایفی مانند بینایی ماشین و تولید تصویر مولد.

پردازنده‌های گرافیکی انویدیا، مانند مدل محبوب NVIDIA A100، برای انجام محاسبات از الکترون‌هایی استفاده می‌کنند که از میان ترانزیستورها عبور می‌کنند. این رویکرد امکان اجرای دستورات به‌صورت گام‌به‌گام را فراهم می‌کند و انعطاف‌پذیری بسیار بالایی دارد، به این معنا که می‌توانند به‌طور هم‌زمان برنامه‌های متعددی را اجرا کنند.

با این حال، چنین تراشه‌هایی مصرف انرژی بسیار بالایی دارند و می‌توانند در مدت‌زمان کوتاهی به شدت داغ شوند. همچنین تولید آن‌ها مستلزم استفاده از فرایندهای ساخت بسیار پیشرفته است.

این تراشه‌های فوتونیکی جدید چینی، مانند اکسل (ACCEL) و لایت‌جن (LightGen)، به جای الکترون‌ها از فوتون‌ها برای عملکرد خود بهره می‌برند. آن‌ها محاسبات را از طریق تداخل نوری انجام می‌دهند، امری که موجب دستیابی به سرعتی فوق‌العاده بالا و بهره‌وری انرژی بسیار چشمگیر می‌شود.

با این وجود، در مقایسه با پردازنده‌های گرافیکی انویدیا، از نظر انعطاف‌پذیری محدودتر هستند. در مقابل، می‌توان آن‌ها را نسبتاً آسان‌تر و با استفاده از فرایندهای ساخت قدیمی‌تر تولید کرد.

برای درک بهتر تفاوت، می‌توان پردازنده‌های گرافیکی انویدیا را به ماشین‌حساب‌های قابل برنامه‌ریزی تشبیه کرد، در حالی که این تراشه‌های فوتونیکی جدید بیشتر به ماشین‌های آنالوگ اختصاصی با هدفی مشخص شباهت دارند.

تراشه اکسل که توسط دانشگاه تسینگ‌هوا توسعه یافته، یک تراشه هیبریدی متشکل از مؤلفه‌های فوتونیکی و بخش‌هایی از تراشه‌های الکترونیکی آنالوگ است. این تراشه‌ها می‌توانند با استفاده از فناوری‌های قدیمی‌تر شرکت Semiconductor Manufacturing International Corporation ساخته شوند و نشان داده شده که توان پردازشی ۴.۶ پتافلاپس را با مصرف انرژی بسیار اندک ارائه می‌دهند.

برای مقایسه، هر پتافلاپس معادل یک کوادریلیون، یعنی ۱۰^۱۵، عملیات ممیز شناور در ثانیه است. این رقم بسیار قابل توجه به نظر می‌رسد، اما باید توجه داشت که این تراشه‌ها کد اجرا نمی‌کنند و عملیات سنگین مبتنی بر حافظه را، آن‌گونه که اغلب از تراشه‌های انویدیا انتظار می‌رود، انجام نمی‌دهند.

آن‌ها صرفاً عملیات ریاضی آنالوگ از پیش تعیین‌شده را اجرا می‌کنند که برای وظایفی مانند تشخیص تصویر، بینایی در نور کم و موارد مشابه کاملاً مناسب است. چنین تراشه‌هایی هرگز قادر نخواهند بود کارهایی مانند اجرای برنامه‌ها، آموزش مدل‌ها یا جایگزینی پردازنده‌های گرافیکی، یا حتی پردازنده‌های مرکزی، در دستگاه‌های الکترونیکی را انجام دهند.

تراشه دیگر، لایت‌جن، توسط یک تیم مشترک از دانشگاه شانگهای جیائو تونگ و دانشگاه تسینگ‌هوا توسعه داده شده است. برخلاف اکسل، این تراشه کاملاً نوری بوده و بیش از ۲ میلیون نورون فوتونیکی را در خود جای داده است.

این تراشه بنا بر ادعاها قادر است وظایفی مانند تولید تصویر، انتقال سبک، حذف نویز و دست‌کاری تصاویر سه‌بعدی را انجام دهد. در مقایسه با تراشه‌های متداول‌تر مانند محصولات انویدیا، لایت‌جن می‌تواند این وظایف را با سرعتی بیش از ۱۰۰ برابر و در عین حال با مصرف تنها کسری از انرژی مورد نیاز انجام دهد.

در همین راستا، تیم پژوهشی توضیح می‌دهد که لایت‌جن تاکنون قوی‌ترین شاهد بر این است که فوتونیک می‌تواند هوش مصنوعی مولد واقعی را محقق کند، هرچند تنها در حوزه‌هایی با محدودیت‌های بسیار سخت‌گیرانه.

اکسل و لایت‌جن نشان می‌دهند که سخت‌افزار هوش مصنوعی مبتنی بر نور می‌تواند برای وظایف هوش مصنوعی محدود، با اختلاف مرتبه‌ای از پردازنده‌های گرافیکی پیشی بگیرد. با این حال، این تراشه‌ها ماشین‌های آنالوگ تخصصی هستند و جایگزین‌های عمومی محسوب نمی‌شوند، و همین تمایز اهمیت بنیادین دارد.