AMD вложит £2 млрд в британский ИИ: ставка на суверенные технологии и независимость от США
В ближайшие пять лет AMD планирует вложить до £2 млрд ($2,7 млрд) в укрепление ИИ-экосистемы Великобритании, создав новую инфраструктуру, а также запустив совместные исследовательские программы и инициативы по обучению специалистов. Как отмечает представитель технологического гиганта, данный план согласуется с государственным проектом AI Opportunities Action Plan и стратегией AI Hardware Strategy, при этом основной упор делается на суверенные возможности в области ИИ, научные вычисления и передовые разработки, сообщает Converge Digest.
Ключевой элемент инициативы — расширение вычислительной ИИ-инфраструктуры. Совместно с Dell Technologies AMD поддерживает создание двух новых суперкомпьютерных систем в Кембриджском университете. Суперкомпьютер Zenith AI, финансируемый Министерством науки, инноваций и технологий (DSIT) и организацией UK Research and Innovation (UKRI), строится как платформа для применения ИИ в научной сфере. Система Sunrise разрабатывается в партнёрстве с Управлением по атомной энергии Великобритании для поддержки исследований в области термоядерных технологий. Оба суперкомпьютера будут оснащены GPU-ускорителями AMD Instinct, CPU AMD EPYC и программным обеспечением AMD для решения задач в здравоохранении, климатологии, материаловедении, разработке научных ИИ-моделей и других областях.
Кроме того, AMD объявила о научных партнёрствах с Имперским колледжем Лондона и компанией Oriole Networks. В первом случае сотрудничество сосредоточено на вычислительных дисциплинах, медицине, моделировании климата, оптимизации ИИ, обработке больших объёмов данных и прочих направлениях.
Одновременно AMD и Oriole Networks участвуют в проекте Scaling Inference Lab британского агентства ARIA (Advanced Research and Invention Agency). Этот проект стоимостью £50 млн направлен на решение ряда проблем современной ИИ-инфраструктуры. Он объединяет фотонную сетевую архитектуру PRISM от Oriole, ИИ-ускорители AMD Instinct и процессоры EPYC для тестирования новых методов масштабирования задач ИИ-инференса с меньшей задержкой и повышенной энергоэффективностью.
Источник изображения: Robert Bye/unsplash.com
Как отмечают специалисты Converge!, лондонский стартап Oriole Networks стремится обойти традиционные ограничения классических ИИ-кластеров. В то время как в стандартных сетях на базе InfiniBand или Ethernet многократные преобразования оптического сигнала в электрический и обратно приводят к дополнительным задержкам, архитектура PRISM (Photonic Routing Infrastructure for Scalable Models) заменяет активные электронные коммутаторы «пассивным» оптическим ядром маршрутизации. Прямые оптические соединения между узлами позволяют уменьшить время простоя GPU, вызванное ожиданием обмена данными, что затрудняет работу с масштабными ИИ-нагрузками.
PRISM обрабатывает динамический ИИ-трафик без применения электрических буферов пакетов данных. Многомерная коммутация каналов дает возможность перенастраивать соединения в реальном времени и адаптировать сеть к интенсивному обмену данными, характерному для больших языковых моделей. Кроме того, Oriole заявляет, что ее технология способна объединять до миллиона оконечных устройств. В итоге снижение энергопотребления сетевого ядра может достичь 81%.
Ключевая особенность архитектуры PRISM — независимость от конкретного типа используемых процессоров и ускорителей. Вместо применения проприетарных интерконнектов, которые «привязывают» операторов к определенной аппаратной платформе, Oriole разделяет транспортный и вычислительный уровни инфраструктуры. Компания утверждает, что ее технологии интегрируются в существующие программные стеки через стандартные драйверы PCIe и специализированные библиотеки ускорения, такие как NCCL для NVIDIA или RCCL для AMD.
Благодаря этому можно поддерживать различные аппаратные платформы без изменения базовых ИИ-фреймворков. Будущее внедрение технологии в рамках ARIA Scaling Inference Lab станет важной проверкой ее жизнеспособности для индустрии и покажет, способны ли полностью фотонные сети обеспечивать предсказуемую производительность и открытость проприетарных вычислительных систем в промышленных масштабах.
Источник: