A mesterséges intelligencia következő fejezete és az autonóm AI-ágensek elterjedése alapvetően új számítási követelményeket támaszt a processzorok felépítésével szemben. Erről beszélt Mark Papermaster, az AMD technológiai vezérigazgató-helyettese és műszaki igazgatója (CTO), valamint Mike Clark, a vállalat szenior alelnöke és a Zen architektúra vezető megalkotója az érkező Advanced Insights interjú beharangozójában. A szakemberek szerint az ágenses terhelések a jövőben a gyorsítótárak méretét, az adatmozgatási késleltetést és a rendszerszintű memóriasávszélességet állítják a chiptervezés fókuszába.
Félelem a nulláról indított architektúráktól: a Zen kezdetei
A beszélgetés felvezetőjében Mike Clark felidézte a 2010-es évek közepét, amikor a vállalat a kudarcot vallott Bulldozer moduláris koncepciója után teljesen tiszta lappal vágott bele a Zen mikroarchitektúra fejlesztésébe. Clark elismerte: egy alapoktól felépített, radikálisan új x86-os mag tervezése rendkívül ijesztő feladat volt, és a mérnökcsapat egy része távozott is a kezdeti fázisban. Sokan tarthatatlannak és észszerűtlennek vélték a kitűzött mérnöki célokat, a 40 százalékos IPC-ugrást, amit végül 52 százalékkal sikerült túlszárnyalniuk. A kitartó mag azonban szilárdan hitt a koncepcióban, és elvégezte a munkát.
Clark hozzátette: a vállalat belső mérnöki kultúrájának alapja a konkurenciára fordított paranoiás figyelem. A hierarchia náluk sosem írja felül a valódi rátermettséget. A rangidős kutatói (Fellow) titulus önmagában nem garantálja egy-egy funkció vagy utasításkészlet-bővítés bekerülését a szilíciumba. Egy kezdő mérnök (MTS – Member of Technical Staff) kiváló ötlete éppúgy zöld utat kaphat, ha a mérési adatok és a szimulációk igazolják annak mérnöki hasznát.
Az autonóm ágensek szerepe a processzortervezésben
A processzorok jövőjét taglalva Clark kiemelte: az autonóm AI-ágensek megjelenése mélyreható átalakulást hoz a mindennapi használatban és a hardvertervezés belső módszertanában egyaránt. A szakember rámutatott, hogy a számítógépek végre úgy működnek, ahogyan az emberek mindig is elvárták tőlük: a felhasználónak nem szükséges programozási szakértőnek lennie ahhoz, hogy a gép hasznos és összetett munkafolyamatokat végezzen el helyette.
A szilíciumtervezésben ez a gyakorlatban hatalmas gyorsulást jelent. Egy korszerű mikroarchitektúra paramétertere (feature space) óriási: elágazásbecslők, regiszterfájlok mérete, gyorsítótár-hierarchia és végrehajtóegységek számtalan kombinációban versenyeznek a fogyasztási és felületi korlátok között. Az AI-ágensek alkalmazásával a tervezők töredékidő alatt képesek végigpásztázni rengeteg szimulációs lehetőséget, azonnal kiszűrve a gyengébb variációkat a legígéretesebb topológiák megtalálásához.
Gyorsítótárak és sávszélesség: mit követelnek az ágensek a CPU-tól?
Az ágenses AI rendszerek helyi futtatása merőben eltér a hagyományos szerveres inferenciától. Míg a monolitikus nyelvi modelleknél a párhuzamos mátrixszorzások miatt a GPU-k és NPU-k viszik a prímet, az autonóm ágens-rajok működése szekvenciális döntési fákból, folyamatos eszközmeghívásokból (tool calling), kontextuskezelésből és gyors állapotváltásokból áll.
Ez a fajta feladattípus rendkívül érzékeny a szálankénti késleltetésre és az utasítás-gyorsítótárak telítettségére. A Zen fejlődéstörténete – például a Zen 2-nél alkalmazott osztott CCX-ről való áttérés a Zen 3 egységesített, 32 megabájtos L3 gyorsítótárára, vagy a 3D V-Cache rétegzési technológia bevezetése – pontosan azt mutatta meg, mekkora gyorsulást hoz a közvetlen magközeli adathozzáférés. A következő generációs x86-os lapkáknál az ágensek kiszolgálása agresszívabb adatmozgatási sávszélességet és alacsonyabb memóriakésleltetést követel meg.
Az interjú teljes adása a napokban válik megtekinthetővé az AMD hivatalos videós felületein.
