پلتفرم ورا روبین (Vera Rubin) انویدیا که برای عرضه در اواخر امسال برنامه‌ریزی شده، در نقطه عطفی از مسیر تکامل هوش مصنوعی روی صحنه می‌آید؛ نقطه‌ای که تمرکز صنعت از آموزش مدل‌های پیشگام به سمت استنتاج هوش مصنوعی عامل‌مند (Agentic AI) در مقیاس وسیع تغییر مسیر داده است. تقاضای روزافزون برای تولید توکن‌ها در گردش‌کارهای عامل‌مند و لزوم تحویل سریع، کارآمد و اقتصادی این توکن‌ها، اکنون محور اصلی بحث‌های فنی صنعت را تشکیل می‌دهد.

انویدیا به تازگی جزئیات تازه‌ای از معماری روبین را منتشر کرده و توضیح می‌دهد چگونه این بهبودها کارایی استنتاج را از سطح تراشه GPU تا پیاده‌سازی‌های مقیاس رک و دیتاسنتر ارتقا می‌دهند.

تراشه روبین؛ ترکیب قدرت و پهنای باند بی‌نظیر

سیستم کامل مقیاس‌پذیر Vera Rubin NVL72 از 36 پردازنده ورا (Vera) و 72 GPU روبین تشکیل شده است. روبین با بهره‌گیری از رابط پهنای باند بالای انویدیا (NV-HBI)، دو دای محاسباتی را در یک بسته واحد ادغام می‌کند. تراشه حاصل 224 پردازنده جریانی چندگانه (SM) را در خود جای داده که در مجموع 896 هسته تنسور (Tensor Core) را تشکیل می‌دهند. این تراشه به 288 گیگابایت حافظه HBM4 با پهنای باند 22 ترابایت بر ثانیه متصل است.

معماری تراشه روبین انویدیا و ساختار دای‌های محاسباتی

انویدیا رقم 50 پتافلاپس توان استنتاج NVFP4 (با تنکی) را به عنوان شاخص عملکردی اصلی روبین برجسته می‌کند؛ اما این تنها یکی از طیف گسترده‌ای از انواع داده‌ای است که این تراشه پشتیبانی می‌کند. جدول زیر نرخ‌های کلیدی عملکرد این تراشه را نشان می‌دهد:

نوع داده / عملیات توان پردازشی
استنتاج NVFP4 (با تنکی) 50 پتافلاپس
آموزش NVFP4 35 پتافلاپس
آموزش FP8/FP6 17.5 پتافلاپس
INT8 250 تاپس
FP16/BF16 4 پتافلاپس
TF32 2 پتافلاپس
FP32 130 ترافلاپس
FP64 33 ترافلاپس

شتاب‌دهنده حافظه تنسور و مدیریت هوشمند مدل‌های MoE

یکی از محوری‌ترین بهبودهای معماری روبین در شتاب‌دهنده حافظه تنسور (TMA) رخ داده است. TMA موتوری اختصاصی برای مدیریت محاسبات آدرس حافظه و بارگذاری مستقیم داده‌های آرایه در حافظه محلی مشترک GPU است. عملکرد این بخش مستقیماً تعیین می‌کند هسته‌های تنسور چقدر سریع می‌توانند داده دریافت کنند و چه میزان از زمان آن‌ها صرف انتظار برای داده می‌شود.

شتاب‌دهنده حافظه تنسور روبین و معماری MoE

معماری‌های پیشرو هوش مصنوعی از مدل‌های متراکم — که در آن‌ها هر پارامتر به ازای هر توکن خروجی فعال می‌شد — به معماری ترکیب کارشناسان (MoE) تغییر مسیر داده‌اند. در این الگو، تنها زیرشبکه‌های تخصصی مشخصی به ازای هر توکن و بر اساس راهنمایی یک روتر فعال می‌شوند که قضاوت می‌کند کدام کارشناسان برای پردازش یک ورودی مشخص مناسب‌ترند. این رویکرد اجازه می‌دهد وزن‌های کارشناسان میان GPUها توزیع شوند تا از ظرفیت محدود HBM در هر تراشه بیشترین بهره‌برداری صورت گیرد.

چالش مدیریت کارشناسان در نسل بلک‌ول

در GPUهای بلک‌ول (Blackwell)، TMA برای ذخیره مکان هر کارشناس نیازمند نگهداری توصیف‌گرهای (descriptors) جداگانه MoE در حافظه بود. این طراحی بدان معناست که با افزایش تعداد کارشناسان — که در مدل‌های پیشرو امروزی به صدها نفر می‌رسد — سربار محاسباتی یافتن و جابجایی وزن‌ها نیز به طور تصاعدی افزایش می‌یافت. هر چه مدل بزرگ‌تر می‌شود، بخش بیشتری از توان GPU صرف مدیریت کتابخانه‌ای از توصیف‌گرها می‌شود به جای پردازش استنتاج واقعی.

رویکرد متحدالشکل روبین

معماری روبین این چالش را با رویکردی کاملاً متفاوت حل می‌کند. TMA جدید از هسته‌هایی (kernels) پشتیبانی می‌کند که یک توصیف‌گر واحد و متحدالشکل MoE را مستقیماً در دستورالعمل TMA و در زمان اجرا (runtime) نگهداری و به‌روزرسانی می‌کنند. این طراحی محاسبات فراداده توصیف‌گر MoE را به شدت کاهش داده و سربار محاسباتی جابجایی داده‌ها را به حداقل می‌رساند. نتیجه مستقیم این بهبود، آزادسازی چرخه‌های GPU برای محاسبات استنتاج است — دقیقاً همان جایی که یک شتاب‌دهنده پرهزینه هوش مصنوعی باید بیشترین زمان خود را در آن صرف کند.

مقایسه TMA در بلک‌ول و روبین برای مدیریت مدل‌های MoE

دو برابر کردن توان بُعد K و خروجی هسته تنسور

روبین علاوه بر بهبود TMA، عملکرد بنیادین عملیات ماتریسی در هسته تنسور را نیز ارتقا داده است. این تراشه با دو برابر کردن حجم کاری قابل اجرا در بُعد K — بُعد داخلی مشترک در ضرب ماتریس‌ها — خروجی هر هسته تنسور را به طور مستقیم دو برابر می‌کند.

بُعد K در عملیات ضرب ماتریسی تعمیم‌یافته (GEMM) نشان‌دهنده محور اشتراک دو ماتریس است و عملکرد در این بُعد مستقیماً بر سرعت کلی محاسبات ماتریسی تأثیر می‌گذارد. با دو برابر کردن توان پردازشی این بُعد، روبین می‌تواند در هر چرخه ساعت حجم بیشتری از داده‌ها را پردازش کند. این بهبود به ویژه برای بارهای کاری استنتاج که به شدت به عملیات ماتریسی وابسته‌اند، حیاتی است؛ جایی که مدل‌های زبانی بزرگ برای تولید هر توکن نیاز به محاسبات ماتریسی گسترده دارند و دو برابر شدن توان بُعد K مستقیماً به کاهش تأخیر و افزایش نرخ تولید توکن منجر می‌شود.

از تراشه تا رک؛ چشم‌انداز یکپارچه

بهبودهای روبین تنها به سطح تراشه محدود نمی‌شوند. انویدیا طراحی این معماری را با نگاهی همه‌جانبه از GPU تا مقیاس رک و دیتاسنتر صورت داده است. سیستم NVL72 با اتصال 72 تراشه روبین در یک رک واحد، مجموعه‌ای از شتاب‌دهنده‌ها را تشکیل می‌دهد که نه تنها به صورت فردی بهینه‌سازی شده‌اند، بلکه در سطح کلکتivo نیز برای کارایی حداکثری در بارهای کاری استنتاج عامل‌مند طراحی شده‌اند.

تغییر پارادایم از مدل‌های متراکم به MoE، از آموزش به استنتاج، و از توان خام به کارایی واقعی، همگی نشان‌دهنده بلوغ صنعت هوش مصنوعی هستند. فاصله میان تراشه‌هایی که صرفاً اعداد خیره‌کننده FLOPS ارائه می‌دهند و تراشه‌هایی که منابع خود را هوشمندانه مدیریت می‌کنند، روز به روز پررنگ‌تر می‌شود. روبین با ترکیب بهبودهای در سطح میکرومعماری و سیستم، نشان می‌دهد که آینده استنتاج نه در دستیابی به اعداد پردازشی بالاتر، بلکه در تحویل سریع و اقتصادی توکن‌ها در مقیاس میلیاردها درخواست نهفته است. پرسش اساسی اکنون این است که رقبای انویدیا چگونه به این تغییر پارادایم پاسخ خواهند داد.