پردازنده NVIDIA Vera در آزمایش‌های Daytona توانست ۲۰۰۰ سندباکس هوش مصنوعی را در ۲۷.۴ ثانیه فعال کند؛ عملکردی که از برتری قابل‌توجه آن نسبت به AMD EPYC Zen 5 حکایت دارد.
پردازنده جدید NVIDIA Vera در آزمایش‌های مرتبط با هوش مصنوعی عامل‌محور (Agentic AI) عملکرد چشمگیری از خود نشان داده است. براساس نتایج منتشرشده از سوی Daytona، این پردازنده توانسته ۲۰۰۰ محیط اجرای ایزوله یا سندباکس (Sandbox) را در حدود ۲۷.۴ ثانیه فعال کند؛ درحالی‌که پردازنده AMD EPYC 9755 مبتنی بر معماری Zen 5 برای راه‌اندازی ۱۰۰۰ سندباکس به حدود ۸۸.۴ ثانیه زمان نیاز داشت.
این نتایج نشان می‌دهند که معماری Vera می‌تواند برای اجرای هم‌زمان تعداد زیادی از وظایف هوش مصنوعی، به‌ویژه در زیرساخت‌های ابری و دیتاسنترها، مزیت قابل‌توجهی داشته باشد.
پردازنده NVIDIA Vera در برابر AMD EPYC Zen 5؛ اختلاف عملکرد چشمگیر !
پلتفرم Daytona محیطی برای اجرای کدهای تولیدشده توسط هوش مصنوعی و مدیریت گردش کار عامل‌های هوشمند فراهم می‌کند. در این نوع کاربردها، پردازنده تنها وظیفه اجرای محاسبات را برعهده ندارد؛ بلکه باید محیط‌های نرم‌افزاری متعدد را ایجاد کند، وابستگی‌ها را مدیریت کند و امکان اجرای مستقل وظایف مختلف را فراهم سازد.
در بنچمارک منتشرشده، پردازنده NVIDIA Vera توانسته در هر ثانیه حداکثر ۱۳.۳ وظیفه عامل هوش مصنوعی را تکمیل کند. این تراشه همچنین عملکرد خود را با افزایش تعداد سندباکس‌ها تا ۲۰۰۰ محیط، در سطح نسبتاً پایداری حفظ کرده است.
در مقابل، پردازنده AMD EPYC 9755 برای فعال‌سازی ۱۰۰۰ سندباکس به ۸۸.۴ ثانیه زمان نیاز داشت. مدل EPYC 9575F هم که از فرکانس کاری بالاتری بهره می‌برد، همین تعداد محیط را در ۳۲.۳ ثانیه فعال کرد.
مقایسه این اعداد نشان می‌دهد که NVIDIA Vera در آزمون زمان راه‌اندازی سندباکس‌ها، حتی در مقایسه با مدل سریع‌تر EPYC 9575F هم عملکرد بهتری داشته است.
نتایج بنچمارک NVIDIA Vera و پردازنده‌های AMD EPYC
براساس داده‌های منتشرشده از سوی Daytona، نتایج اصلی این آزمایش به شرح زیر است:
- NVIDIA Vera: راه‌اندازی ۱۰۰۰ سندباکس در ۱۰.۸ ثانیه و ۲۰۰۰ سندباکس در ۲۷.۴ ثانیه.
- AMD EPYC 9755: راه‌اندازی ۱۰۰۰ سندباکس در حدود ۸۸.۴ ثانیه.
- AMD EPYC 9575F: راه‌اندازی ۱۰۰۰ سندباکس در حدود ۳۲.۳ ثانیه.
نکته مهم این است که این اعداد به زمان آماده‌سازی سندباکس‌ها مربوط می‌شوند و نباید آن‌ها را معادل سرعت اجرای تمام انواع برنامه‌ها یا برتری مطلق در همه بارهای کاری پردازنده دانست. همچنین، مقایسه فوق به مدل‌های مشخص‌شده در آزمایش مربوط است و به‌تنهایی عملکرد تمام پردازنده‌های AMD را نشان نمی‌دهد.
چرا معماری NVIDIA Vera برای هوش مصنوعی عامل‌محور اهمیت دارد؟
با گسترش هوش مصنوعی عامل‌محور، نقش پردازنده‌ها در زیرساخت‌های محاسباتی بیش از گذشته مورد توجه قرار گرفته است. عامل‌های هوش مصنوعی برای انجام وظایف خود ممکن است به محیط اجرای اختصاصی، فایل‌سیستم، ابزارهای نرم‌افزاری، وابستگی‌ها و فرایندهای آزمایشی مجزا نیاز داشته باشند.
به همین دلیل، ایجاد و مدیریت هزاران محیط ایزوله به یکی از چالش‌های مهم زیرساخت‌های هوش مصنوعی تبدیل شده است. پردازنده‌ای که بتواند این محیط‌ها را سریع‌تر آماده کند و هم‌زمان تعداد زیادی از وظایف را با افت عملکرد محدود اجرا کند، می‌تواند بهره‌وری سرورها را افزایش دهد.
پردازنده NVIDIA Vera در این آزمایش توانسته با افزایش تعداد سندباکس‌ها تا ۲۰۰۰ مورد، نرخ تکمیل وظایف را نزدیک به ۱۳ وظیفه در ثانیه نگه دارد. چنین پایداری‌ای برای سرویس‌هایی که باید تعداد زیادی عامل هوشمند را به‌صورت هم‌زمان مدیریت کنند، اهمیت زیادی دارد.
کاهش تعداد سرورها و هزینه زیرساخت با NVIDIA Vera
یکی دیگر از نکات قابل‌توجه این آزمایش، تعداد ماشین‌های موردنیاز برای دستیابی به حجم مشخصی از پردازش است. طبق برآورد Daytona، برای دستیابی به سطح عملکرد موردنظر در این سناریو، پلتفرم مبتنی بر NVIDIA Vera به حدود ۱۵ درصد عملکرد ماشینی کمتر از EPYC 9755 و حدود ۳۸ درصد عملکرد ماشینی کمتر از EPYC 9575F نیاز دارد.
کاهش تعداد سرورها می‌تواند به بهینه‌سازی هزینه مالکیت کل (TCO) کمک کند. در مقیاس دیتاسنتر، استفاده از ماشین‌های کمتر ممکن است هزینه خرید تجهیزات، مصرف انرژی، خنک‌سازی و نگهداری را کاهش دهد؛ البته میزان صرفه‌جویی نهایی به قیمت سخت‌افزار، نوع بار کاری و هزینه‌های عملیاتی هر سازمان بستگی دارد.
برای شرکت‌هایی که زیرساخت‌های بزرگ هوش مصنوعی را مدیریت می‌کنند، افزایش تعداد وظایف قابل‌اجرا روی هر سرور می‌تواند به‌اندازه افزایش توان پردازشی اهمیت داشته باشد.
آیا NVIDIA Vera از تمام پردازنده‌های AMD سریع‌تر است؟
با وجود نتایج قابل‌توجه این بنچمارک، نمی‌توان از آن نتیجه گرفت که NVIDIA Vera در تمام کاربردها از پردازنده‌های AMD سریع‌تر است. این آزمایش روی گردش کار مشخصی در پلتفرم Daytona و با تمرکز بر اجرای وظایف هوش مصنوعی عامل‌محور انجام شده است.
همچنین، AMD نسل جدید پردازنده‌های EPYC مبتنی بر معماری Zen 6 را هم معرفی کرده؛ بنابراین، برای مقایسه دقیق‌تر باید نتایج آزمایش‌های همسان روی مدل‌های جدیدتر، با شرایط سخت‌افزاری و نرم‌افزاری مشابه، در دسترس باشد.
بااین‌حال، نتایج فعلی نشان می‌دهند که NVIDIA با طراحی پردازنده Vera، تمرکز ویژه‌ای بر عملکرد هر هسته، تراکم اجرای وظایف و آماده‌سازی سریع محیط‌های نرم‌افزاری داشته؛ ویژگی‌هایی که می‌توانند در نسل جدید زیرساخت‌های هوش مصنوعی تعیین‌کننده باشند.
جمع‌بندی
پردازنده NVIDIA Vera در بنچمارک Daytona توانسته ۲۰۰۰ سندباکس را در حدود ۲۷.۴ ثانیه فعال کند و نرخ تکمیل وظایف هوش مصنوعی را حتی در این مقیاس بالا، نزدیک به ۱۳ وظیفه در ثانیه حفظ کند. این عملکرد در مقایسه با نتایج ثبت‌شده برای AMD EPYC 9755 و EPYC 9575F، از مزیت Vera در سناریوی مورد آزمایش حکایت دارد.
اگر این برتری در کاربردهای عملی و مقیاس‌های مختلف هم حفظ شود، Vera می‌تواند گزینه‌ای مهم برای دیتاسنترها و شرکت‌هایی باشد که به اجرای تعداد زیادی عامل هوش مصنوعی نیاز دارند. بااین‌حال، قضاوت نهایی درباره جایگاه این پردازنده در بازار به بنچمارک‌های بیشتر، بررسی هزینه کل زیرساخت و مقایسه با نسل‌های جدیدتر پردازنده‌های رقیب وابسته خواهد بود.
