شرکت چینی Dongfang Suanxin (DFSX) در تلاش است تا ثابت کند که پهنای باند حافظه، و نه کوچکسازی مداوم نودها، کلید دستیابی به صرفهجوییهای قابل توجه در بارهای کاری هوش مصنوعی است. این موضوع با استفاده از تراشههای DF1000 و DF2000 این شرکت، که معمولاً در ساختارهای TY64 SuperNode قرار میگیرند، به نمایش گذاشته شده است. DFSX با ارائه پهنای باند حافظه 960 ترابایت بر ثانیه در مقایسه با 576 ترابایت بر ثانیه برای سیستم NVIDIA GB200 NVL72، به رقابت با این سیستم میپردازد.
تراشه DF1000 DFSX با استفاده از فرآیند 14 نانومتری ساخته شده و دارای معماری محاسباتی نزدیک به حافظه 3D است. در این طراحی، حافظه بهطور مستقیم بر روی لایه محاسباتی قرار گرفته و از طریق پیوند هیدرولیکی 3D به هم متصل میشود. این روش بهجای استفاده از میکروپمپها یا سیمها، مانند میلیونها آسانسور عمودی فوقسریع عمل میکند. در مقابل، تراشه DF2000 که انتظار میرود در سهماهه چهارم سال 2026 معرفی شود، از طراحی 3.5D Infinity Chiplet استفاده میکند و چندین برج حافظه و محاسباتی را در کنار هم قرار میدهد.
DFSX در تلاش است تا مشکل مداوم بارهای کاری هوش مصنوعی را حل کند، جایی که GPUها بیشتر اوقات بیکار هستند و منتظر دادهها از لایههای حافظه میمانند. این شرکت بر این باور است که دیوار حافظه، نه کوچکسازی نودها، بزرگترین مانع در این زمینه است. بر اساس اطلاعات جدید، هر تراشه DF2000 دارای پهنای باند 15 ترابایت بر ثانیه است و زمانی که در فرمت TY64 SuperNode چیده میشود، این پهنای باند به 960 ترابایت بر ثانیه افزایش مییابد. در حالی که سیستم NVIDIA GB200 NVL72 تنها 576 ترابایت بر ثانیه پهنای باند دارد.
با توجه به اینکه تراشههای DF2000 بر اساس فناوری 14 نانومتری ساخته شدهاند، تفاوتهای قابل توجهی در امتیازهای BF16 بین این تراشهها و تراشههای 4 نانومتری وجود دارد. در حالی که سیستم TY64 SuperNode مبتنی بر DF2000 امتیاز 64 PFLOPS را ارائه میدهد، سیستم GB200 NVL72 به 360 PFLOPS میرسد. DFSX بر این باور است که با دو برابر کردن پهنای باند حافظه، میتواند کمبودهای قدرت محاسباتی خام تراشه DF2000 را جبران کند. با ادامه رشد مدلهای بزرگ زبان، محدودیتهای اصلی در زمینه توان عملیاتی به یکپارچگی سیستم، اندازه حافظه و سرعت ارتباطات تغییر کرده است.
منبع: Wccftech
زمان انتشار منبع: 2 آگوست 2026