عصر استنتاج هوش مصنوعی (AI Inference) فرارسیده است. امروزه سامانههای مراقبتهای بهداشتی با تحلیل میلیونها نقطه داده در لحظه، به تحقیقات پزشکی سرعت میبخشند و دستیارهای هوشمند در آنِ واحد پاسخگوی هزاران نیاز پیچیده مشتریان هستند. این پیشرفتهای واقعی بر زیرساختهای پیشرفتهای متکی هستند که موتور محرک هوش مداوم محسوب میشوند؛ زیرساختهایی که علاوه بر پشتیبانی از خدمات مبتنی بر پردازش آنی، از تجهیزات هوشمند اینترنت اشیا (IoT) و ابزارهای مصرفی در لبه شبکه نیز پشتیبانی میکنند. با این حال، در این فضای مبتنی بر استنتاج، هرگونه تأخیر، ایجاد گلوگاه پردازشی یا اتلاف انرژی، مستقیماً بر نتایج کاری و هزینههای عملیاتی تأثیر منفی میگذارد.
این تغییر پارادایم، انتظارات از زیرساختهای فناوری اطلاعات را متحول کرده است. مواردی همچون عملکرد، زمان تأخیر (Latency)، پهنای باند حافظه، نرخ تبادل ذخیرهسازی و ارتباطات شبکهای دیگر نمیتوانند به صورت جداگانه و مجزا بهینهسازی شوند. بارهای کاری استنتاج توزیعشده، مداوم و به شدت نسبت به زمان پاسخگویی حساس هستند؛ از این رو نیازمند سیستمهایی هستند که از همان ابتدا برای مقیاسپذیری، تابآوری و کارایی بالا طراحی شده باشند.
جیم مکگریگور، بنیانگذار و تحلیلگر ارشد موسسه تحقیقاتی Tirias Research، در این باره میگوید: «ما معمولاً به هوش مصنوعی به چشم یک بار کاری یکپارچه نگاه میکنیم، در حالی که اینطور نیست. هوش مصنوعی شامل هزاران، میلیونها و میلیاردها بار کاری متفاوت است.» استنتاج هوش مصنوعی، مسئله بهینهسازی را از قدرت پردازشی خام به یک زیرساخت هماهنگ شامل حافظه، ذخیرهسازی و شبکه تغییر داده است.
برای مدیران ارشد ارزامیافته، اولویت کاملاً روشن است: تصمیمگیری در خصوص زیرساختهای هوش مصنوعی باید میان هزینه، انعطافپذیری و آمادگی برای آینده تعادل ایجاد کند. سازمانهای برنده آنهایی خواهند بود که عملکرد به ازای هر وات مصرفی را بهبود ببخشند، اثرات زیستمحیطی را کاهش دهند و گلوگاههای حافظه و ذخیرهسازی را پیش از آنکه مانع رشد شوند، برطرف سازند.
سیستمهای هوش مصنوعی نیازمند بازطراحی معماری هستند، چرا که تحمیل سیستمهای مدرن هوش مصنوعی بر زیرساختهای قدیمی، پتانسیل تحولآفرین این فناوری را محدود میکند. معماریهای هدفمند و تخصصی برای تحقق ارزش واقعی هوش مصنوعی — از تسریع کشفهای علمی گرفته تا ایجاد عاملهای دیجیتال کاملاً خودمختار — ضروری هستند.
فناوری اطلاعات سنتی در بنگاههای اقتصادی همواره بر فرضیات زیرساختی نسبتاً باثباتی متکی بوده است؛ اما استنتاج و هوش مصنوعی عاملمحور (Agentic AI) نیازمندیهای جدیدی در زمینه کاهش تأخیر، جابهجایی دادهها، مقیاسپذیری و میزان بهرهبرداری معرفی کردهاند که انتخاب نوع معماری را بسیار سرنوشتسازتر میکند.
مکگریگور معتقد است: «مراکز داده اکنون باید از خدمات هوش مصنوعی مداوم، توزیعشده و مبتنی بر پردازش آنی پشتیبانی کنند که هیچکدام از آنها یک بار کاری منفرد نیستند. تمامی این خدمات از منظر سیستم به الزامات متفاوتی نیاز دارند.»
برای پشتیبانی از هوش مصنوعی آنی، سازمانها دیگر نمیتوانند به حافظه و ذخیرهسازی صرفاً به عنوان سختافزار پشتیبان نگاه کنند، بلکه باید آنها را در کانون اصلی سیستم قرار دهند. شرکتها نیازمند معماری خط لوله دادهای (Data Pipeline) هستند که بتواند دادهها را با سرعت بالا دریافت، پاکسازی، تبدیل، ذخیره، منتقل و ارائه کند. بارهای کاری استنتاج، برخلاف استقرارهای قدیمیتر که صرفاً بر آموزش (Training) تمرکز داشتند، فشاری مداوم بر زیرساخت وارد میکنند که مستلزم بازیابی و کشینگ (Caching) مداوم دادهها است.
بر همین اساس، عملکرد خام به تنهایی دیگر تنها معیار سنجش نیست. سازمانها باید میان عملکرد، کارایی، هزینه و مقیاسپذیری تعادل ایجاد کنند؛ بهویژه زمانی که تلاش میکنند بدون ساخت زیرساختهای مازاد برای شرایط اوج مصرف، از خدمات متنوع هوش مصنوعی پشتیبانی کنند.
با استقرار سیستمهای پیشرفته استنتاج و عاملمحور توسط سازمانها، حجم چشمگیر دادههایی که به صورت آنی فراخوانی میشوند، جابهجایی دادهها را به جدیترین محدودیت فنی تبدیل کرده است. تکنیکهای مدرن هوش مصنوعی مانند «تولید مبتنی بر بازیابی اطلاعات» (Retrieval-Augmented Generation یا RAG) نیازمند پیمایش مداوم پایگاههای داده عظیم برای تولید پاسخهای دقیق هستند. این امر نه تنها به توان پردازشی بالا، بلکه به دسترسی آنی به دادهها نیاز دارد.
به گفته مکگریگور، تمرکز بر کارایی جابهجایی، ذخیرهسازی موقت (Caching) و تحویل دادهها در سراسر معماری، حافظه و ذخیرهسازی را از یک زیرساخت پسزمینه به داراییهای استراتژیک ارتقا میدهد: «بزرگترین کاری که در حال حاضر انجام میدهیم، انتقال داده از یک نقطه به نقطه دیگر و اطمینان از امکان استفاده موثر از آن است.»
از آنجا که هوش مصنوعی یک بار کاری تکبعدی نیست، صرفاً خرید سریعترین پردازندهها کافی نخواهد بود. استنتاج به شدت به پهنای باند حافظه، کشینگ، نزدیکی محل ذخیرهسازی به پردازنده و توانایی بازیابی سریع و مداوم اطلاعات مرتبط وابسته است. درک موقعیت هر منبع در لایههای پردازشی و نحوه تعامل این لایهها در شرایط واقعی عملیاتی، به یک الزام تجاری تبدیل شده است.
مؤثرترین زیرساختهای هوش مصنوعی کمتر شبیه به مجموعهای از قطعات مجزا و برتر، و بیشتر شبیه به یک سیستم متوازن از پردازش، حافظه، ذخیرهسازی و شبکه هستند؛ زیرا گلوگاهها معمولاً از یک لایه به لایه دیگر منتقل میشوند. وابستگی متقابل طراحی لایه داده (Data-plane) و پهنای باند شبکه باعث شده که برنامهریزی زیرساخت هوش مصنوعی به همان اندازه که یک تصمیم مهندسی است، یک تصمیم تجاری نیز باشد.
امروزه میزان تأخیر شبکه با ارزش تجاری گره خورده است. در رباتیک، خدمات مالی، مراقبتهای بهداشتی و سیستمهای هوش مصنوعی مرتبط با مشتریان، تأخیرها فقط نقصهای فنی نیستند، بلکه میتوانند امنیت، پاسخگویی یا اعتماد را خدشهدار کنند. عملکرد زیرساخت هوش مصنوعی مستقیماً با مدیریت اعتبار سازمان در ارتباط است.
برنامهریزی برای زیرساخت هوش مصنوعی صرفاً انتخاب سریعترین سختافزار موجود نیست؛ بلکه نحوه مقیاسپذیری بدون وابستگی به فرضیاتی است که ممکن است به سرعت منسوخ شوند. تضمین پایداری زیرساخت هوش مصنوعی در آینده، مستلزم باز نگه داشتن گزینهها همزمان با تغییر نیازمندیها، اقتصاد و معماریها است:
مراکز داده هوش مصنوعی به سرعت از یک دغدغه فنی در بخش پشتیبانی، به سیستمهای استراتژیک تجاری تبدیل شدهاند که میزان موفقیت سازمان را در تبدیل هوش مصنوعی به درآمد، بهبود نتایج انسانی و ایجاد مزیت رقابتی تعیین میکنند.
در عصر استنتاج، حافظه و ذخیرهسازی دیگر مخازن غیرفعال اطلاعات نیستند، بلکه شریانهای حیاتی و فعال هوش مصنوعی به شمار میروند. سازمانهایی که بیشترین بهره را از هوش مصنوعی میبرند، لزوماً دارنده بزرگترین مراکز پردازشی نیستند، بلکه مجموعههایی هستند که سرمایهگذاریهای زیرساختی خود را با اهداف تجاری همسو کرده، گلوگاههای داده را کاهش داده و انعطافپذیری لازم برای تطبیق با تکامل بارهای کاری را ایجاد کردهاند.
مزیت رقابتی بیش از پیش متعلق به بنگاههایی خواهد بود که با پردازش، حافظه، ذخیرهسازی و شبکه به عنوان یک سیستم یکپارچه برخورد کنند؛ سیستمی که برای ارائه کارآمد هوش مصنوعی در مقیاس وسیع و با نرخ بازگشت سرمایه قابل سنجش طراحی شده است.
این مطلب بر اساس خبر MIT Technology Review بازنویسی و ترجمه شده است.
دیدگاهها۰
برای ثبت نظر، پرسش یا رأی ابتدا وارد حساب کاربری شوید.