وقتی شرکتها و دولتها خوشههای محاسباتی خصوصی میسازند، رقابت ابررایانهها کموبیش از یک محک عددی ساده فراتر رفته؛ امتیازهای TOP500 و بنچمارک HPL تنها بخشی از تصویر کلی را نشان میدهند و معیارهایی مانند حافظه، تاخیر و شتابدهندهها اهمیت بیشتری یافتهاند.
LineShine؛ صدرنشینی پرسروصدا اما پیچیده
ابررایانهٔ چینی LineShine در فهرست TOP500 ژوئن 2026 با ثبت نزدیک به 2.2 اگزافلاپس روی HPL صدر فهرست را بهدست آورد، اما این جایگاه بستگی دارد به معیار انتخابی. این دستگاه که در مرکز ملی ابررایانهٔ شنژن مستقر است، از 13.79 میلیون هستهٔ پردازشی بر پایهٔ پلتفرم داخلی LingKun، پردازندههای 304 هستهای LX2، شبکهٔ درونی LingQi و سیستمعامل Kylin استفاده میکند و با مصرف 42.2 مگاوات حدود 80% از اوج نظری خود را محقق کرده است.
LineShine در همهٔ معیارها اول نیست: در ردهبندی HPCG و برخی آزمونها امتیازات خوبی داشت، اما در آزمون ترکیبی HPL-MxP در جایگاه چهارم ایستاد و در فهرستِ کارایی انرژی Green500 فاصله نشان داد. این تناقضها نشان میدهد «سریع» معانی متعددی دارد که وابسته به نوع بار کاری، معماری و معیار انتخابی است.
معیارها و واقعیتهای متفاوت
TOP500 از سال 1993 بنچمارک HPL را بهعنوان معیار اصلی ردهبندی بهکار میبرد؛ HPL مجموعهای از معادلات خطی چگال را با دقت دوبل حل میکند و توانایی هماهنگی هستهها و شبکه را میسنجد. اما معیارهای مکمل، هر یک جنبهای متفاوت از کارایی را روشن میکنند:
- HPCG: بارهای پراکنده و وابستگی به پهنای باند حافظه و تاخیر را بهتر منعکس میکند.
- HPL-MxP: برای شتابدهندهها و محاسبات ماتریسی-تنسوری طراحی شده و در مورد GPUها و شتابدهندههای نوظهور اطلاعات بهتری میدهد.
- IO500: عملکرد ذخیرهسازی و متادیتا را میسنجد و برای بارهای دادهمحور حیاتی است.
نمونهای از تفاوتها: سیستمهایی با شتابدهنده مانند El Capitan، Aurora و Frontier در HPL-MxP بهبودهای چندبرابری نسبت به HPL نشان دادند (مثلاً 9.2، 11.5 و 8.4 برابر)؛ در عوض طراحی CPUمحور LineShine در برخی بارهای مختلط ضعیفتر عمل کرد اما در جاهای دیگر برتری داشت.
چرا HPL دیگر کفایت نمیکند
ظهور بارهای کاری مبتنی بر هوش مصنوعی، بهویژه مدلهای بزرگ که با دقتهای ترکیبی و شتابدهندههای تنسوری اجرا میشوند، نشان داد HPL که بر دقت دوبل متمرکز است، تصویر کامل توان واقعی در کاربردهای نوین را ارائه نمیدهد. در عمل نیاز واقعی مراکز و شرکتها شامل تاخیر پایینتر، پهنای باند حافظهٔ بیشتر و طراحی شبکهای است که ارتباط بین گرهها را برای مدلهای توزیعشده بهینه کند؛ معیارهایی که در HPL قابلمشاهده نیستند.
جک دونگارا و دیگر پژوهشگران اشاره کردهاند که تنوع نتایج معیارها نشانهٔ «تخصصیسازی» سیستمهاست نه لزوماً نقص در یک ایدهٔ طراحی. به بیان دیگر، یک سامانه ممکن است در بنچمارکی برتر باشد اما برای بار کاری دیگری نامناسب باشد؛ تشخیص مناسبترین معیار، وابسته به کاربریِ مورد نظر است.
پیامدها برای علم، صنعت و سیاست
پیامدها در چند حوزه مشخص است:
- برای پژوهشگران: اهمیت اندازهگیری کارایی واقعی در بارهای عملیاتی — اگر پیشبینی هوا بیش از زمان مفید طول بکشد، نتیجه بیفایده است.
- برای شرکتهای فناوری: ساخت خوشههای خصوصی با شتابدهندهها و شبکههای تخصصی برای اجرای مدلهای هوش مصنوعی با دقتهای ترکیبی و بهرهوری انرژی بالاتر.
- برای سیاستگذاران و اقتصاد ملی: کنترل زنجیرهٔ تأمین قطعات و نرمافزار میتواند بر توان محاسباتی ملی تأثیر بگذارد؛ صدرنشینی LineShine برای چین نمادین است و این حوزه را استراتژیک جلوه میدهد.
علاوه بر این، بسیاری از خوشههای خصوصی در فهرستهای عمومی ثبت نمیشوند که خود اهمیت رتبهبندیهای عمومی را کمرنگ میکند و رقابت را به مجموعهای از رقابتهای موازی تبدیل میسازد.
چه چیزی باید اندازهگیری شود؟
پاسخ مشخص است: معیارها باید با کاربرد منطبق باشند. مثالهای عملی:
- پژوهشهای فیزیک و مدلسازی اقلیم: تاخیر و پهنای باند حافظه معیارهای حیاتیاند.
- آموزش مدلهای زبانی بزرگ: توان محاسباتی تنسوری و کارایی در دقتهای ترکیبی اهمیت دارد.
- خدمات تجاری و اینترنتی: کارایی انرژی و هزینهٔ مالکیت طولانیمدت تعیینکنندهاند.
بهجای اتکا به یک امتیاز واحد، بهتر است مجموعهای از معیارهای هدفمحور تعریف شود تا خریداران، پژوهشگران و سیاستگذاران بتوانند بر مبنای نیازهای واقعی تصمیمگیری کنند.
در افق
رقابت ابررایانهها همچنان فعال است، اما تبدیل به رقابتی چندلایه شده که معیارها، معماریها و اهداف مختلف را دربرمیگیرد. سازمانهایی که به کارایی عملی در بارهای واقعی نیاز دارند، خود معیارهای مناسب را تعریف میکنند و بازار بهتدریج بهسمت شفافیت بیشتر در ارزیابیهایی حرکت میکند که برای کاربران اهمیت واقعی دارند.
