شرکت زیرساخت هوش مصنوعی Runware روز سه‌شنبه از راه‌اندازی دیتاسنتر ماژولار اختصاصی خود به نام Sonic Inference Pod خبر داد. این پادها (Pod) که به‌عنوان واحدهای منفرد و قابل حمل طراحی شده‌اند، نوع انعطاف‌پذیرتری از توان پردازشی را ارائه می‌دهند که می‌تواند در کنار پروژه‌های عظیم دیتاسنتر ابرشرکت‌ها (hyperscalers) قرار گیرد.
طبق اعلام Runware، این پادها می‌توانند خدمات استنتاج (inference) را با کیفیتی بالاتر و هزینه‌ای کمتر نسبت به سایر پلتفرم‌های استنتاج بدون سرور (serverless) و ابرهای مبتنی بر GPU ارائه دهند. طراحی ماژولار این سیستم به این معنی است که به‌جای توسعه یک دیتاسنتر ثابت، می‌توان با ساخت پادهای جدید، ظرفیت پردازشی را به‌سرعت افزایش داد. Flaviu Radulescu، هم‌بنیان‌گذار و مدیرعامل Runware، در گفت‌وگو با TechCrunch اظهار داشت که این رویکرد تا حدی آینده این صنعت محسوب می‌شود.
او با اشاره به مدل شرکت خود گفت:
«ما معتقدیم پردازش توزیع‌شده که برای استنتاج سریع‌تر در نزدیکی کاربران نهایی قرار می‌گیرد، در درازمدت برنده خواهد بود.»
Radulescu علاوه بر قیمت پایین‌تر، اشاره کرد که سیستم Runware می‌تواند به‌سرعت مقیاس‌پذیر شود، ظرفیت اضافه کند، در هر نقطه‌ای که برق وجود دارد مستقر شود و با سخت‌افزارهای جدید سازگار گردد. همچنین پادهای Runware به‌جای سیستم‌های خنک‌کننده آبی، از یک سیستم مداربسته استفاده می‌کنند که ساخت آن به‌جای ماه‌ها یا سال‌ها در دیتاسنترهای سنتی، تنها چند روز طول می‌کشد.
مدیرعامل Runware افزود: «تقاضا برای استنتاج هوش مصنوعی سریع‌تر از ساخت تأسیسات جدید رشد می‌کند. هدف ما این است که توان پردازشی هوش مصنوعی جهان را تأمین کنیم و به زیرساخت اصلی تمام مدل‌های هوش مصنوعی تبدیل شویم تا ظرفیت شبکه همگام با تقاضا رشد کند.»
به گفته Radulescu، در حال حاضر ۱۰ پاد Runware در سراسر آمریکا، اروپا و منطقه آسیا-پاسفیک مستقر شده‌اند. این شرکت هم‌اکنون خدمات استنتاج خود را به چند شرکت از جمله Higgsfield AI و Wix ارائه می‌دهد و ۱۶۰ موقعیت مکانی آماده برای تأمین برق پادهای خود در اختیار دارد. Runware در ماه دسامبر یک جذب سرمایه سری A به مبلغ ۵۰ میلیون دلار را اعلام کرد تا زیرساخت لازم برای تولید تصویر توسط شرکت‌ها را فراهم کند. آن‌ها توسعه این پادها را بخشی از مأموریت اصلی خود برای ارائه استنتاج به شرکت‌ها می‌دانند.
در همین حال، آزمایشگاه‌های هوش مصنوعی مانند OpenAI و SpaceX همچنان در حال رقابت برای ساخت دیتاسنترهای بزرگ در سراسر آمریکا هستند. طبق گزارش‌ها، OpenAI در آستانه نهایی کردن قراردادی ۵۰۰ میلیارد دلاری برای ساخت یک دیتاسنتر در اوهایو است. اما Radulescu این پروژه‌ها را تهدیدی برای Sonic Inference Pods نمی‌داند و انعطاف‌پذیری پادها را مزیتی کلیدی می‌نامد.
او توضیح داد: «هر پاد به‌عنوان بخشی از یک شبکه واحد عمل می‌کند؛ بنابراین درخواست‌ها به هر جایی که ظرفیت خالی دارد و به کاربران نزدیک‌تر است ارسال می‌شوند و اگر یک پاد از مدار خارج شود، ترافیک به پاد دیگری منتقل می‌شود.» او اضافه کرد که خرابی در این سیستم صرفاً به معنای از دست رفتن یک پاد است، نه کل تأسیسات. همچنین مشتریانی که سخت‌افزار اختصاصی می‌خواهند، می‌توانند پادهای کاملاً مجزا در اختیار داشته باشند.
او درباره احتمال ساخت فناوری مشابه توسط سایر شرکت‌ها نگران نیست و توضیح می‌دهد که توسعه سخت‌افزار زمان‌بر است و نیروی متخصص برای ساخت و تعمیر این فناوری محدود است: «یک اشتباه در طراحی برد مدار چاپی (circuit board) باعث تلف شدن ماه‌ها زمان برای طراحی مجدد، شبیه‌سازی، ساخت، تست و تحویل می‌شود. تمام این مراحل نیازمند فردی است که دقیقاً بداند هر قطعه چه کاری انجام می‌دهد.»
با این حال، ساخت دیتاسنترهای هوش مصنوعی موضوعی چالش‌برانگیز است، به‌ویژه به دلیل حجم بالای منابعی که مصرف می‌کنند. برخی جوامع محلی در محل احداث دیتاسنترها از افزایش هزینه‌های خدمات عمومی خبر داده‌اند. Runware چشم‌اندازی دارد که در آن از انرژی‌های تجدیدپذیر استفاده کند و به منابع محلی فشار نیاورد، اگرچه این هدف هنوز به‌طور کامل محقق نشده است.
مدیرعامل این شرکت تأکید کرد که مصرف برق هوش مصنوعی در هر صورت به دلیل تقاضای استنتاج افزایش خواهد یافت. تمرکز Runware در حال حاضر بر نحوه پاسخگویی به این تقاضا است: «بدون افت انتقال، بدون مصرف آب در خنک‌کننده و با استفاده از برق موجود به‌جای درخواست برای ساخت شبکه برق جدید. استنتاج بیشتر به این روش به معنای نیاز کمتر به شبکه‌های برق جدید و مصرف آب کمتر برای همان میزان پردازش است.»
چرا این خبر مهم است؟
افزایش شدید تقاضا برای مدل‌های هوش مصنوعی، دیتاسنترهای سنتی را با کمبود انرژی، مصرف بالای آب و زمان ساخت طولانی مواجه کرده است. رویکرد ماژولار و سیار Runware با حذف مصرف آب و استقرار سریع در نزدیکی کاربران، می‌تواند هزینه‌های پردازش استنتاج (inference) را به‌شدت کاهش دهد. این تغییر معماری، گامی مهم به سوی تمرکززدایی از زیرساخت‌های پردازش ابری و بهینه‌سازی مصرف انرژی در صنعت هوش مصنوعی به شمار می‌رود.