انواع پردازندههای گرافیکی
همهٔ پردازندههای گرافیکی برای همهٔ کاربردهای هوش مصنوعی مناسب نیستند. این عدم تناسب بیشتر به خاستگاه و کاربرد اصلی پردازنده مرتبط است، هرچند در بسیاری از موارد میتوان یک کارت را خارج از بازار اصلی آن نیز به کار گرفت. اصطلاح GPGPU در اصل به استفاده از پردازندهٔ گرافیکی برای محاسبات عاممنظوره اشاره دارد و نام یک خانوادهٔ تجاری نیست؛ بااینحال برای حفظ ساختار نسخهٔ اولیه، کارتها را بر اساس بازار و هدف طراحی به سه خانواده تقسیم میکنیم.
کارتهای عمومی
این کارتها عمدتاً برای بازی در رایانههای شخصی توسعه داده میشوند. اغلب آنها برای آموزش صنعتی مدلهای بسیار بزرگ مناسب نیستند، اما میتوانند برای توسعه، پژوهش، fine-tuning محدود و استنتاج مدلهای هوش مصنوعی به کار روند. در این زمینه عمدهٔ تمرکز بازار معطوف به کارتهای NVIDIA است، بااینحال کارتهای Radeon شرکت AMD نیز با پشتهٔ ROCm در بخشی از بارهای کاری قابل استفادهاند و کارایی آنها باید همراه با سازگاری نرمافزار سنجیده شود.
در میان کارتهای این خانواده، محصولات NVIDIA که با نام RTX معرفی شدهاند به دلیل تعداد هستهٔ پردازشی و حجم حافظه در حوزهٔ هوش مصنوعی کاربرد زیادی دارند. کارتهایی نظیر RTX 3090، RTX 4090 و RTX 5090 میتوانند برای آموزش و استنتاج مدلهایی که در حافظهٔ آنها جا میشوند مناسب باشند و حتی نسبت به کارتهای صنعتی قدیمیتر نظیر K80 و V100 و در برخی بارها A100، کارایی به قیمت بالاتری نشان دهند. این برتری مطلق نیست؛ حافظهٔ محدودتر، نبود برخی امکانات مرکز داده و دشواری نصب متراکم میتواند نتیجه را تغییر دهد.
باید توجه داشت که کارتهای این خانواده برای جایگذاری متراکم در سرور طراحی نشدهاند. ابعاد بزرگ، خنککنندهٔ open-air و اتصال برق آنها در بسیاری از شاسیها مشکل ایجاد میکند. سرورهایی با قابلیت پشتیبانی از تعداد زیادی کارت عمومی تولید شدهاند، اما پشتیبانی آنها مربوط به مدل و part number مشخص است و نباید به هر کارت همنام تعمیم داده شود.
کارتهای بهینهشده برای پردازشهای گرافیکی
هرچند کاربرد هوش مصنوعی خود از دنیای پردازشهای گرافیکی منتج شده است، با تخصصیشدن کاربردها دستهای از کارتها شکل گرفت که برای پردازش سهبعدی، CAD، CGI، تولید محتوای دیجیتال و مصورسازی حرفهای بهینه شدهاند. این محصولات در گذشته در NVIDIA با نام Quadro و سپس RTX A و RTX Ada معرفی میشدند و در نسل جدیدتر نام RTX PRO به کار میرود. در AMD نیز Radeon PRO جایگزین نام قدیمی FirePro شده است.
این کارتها معمولاً نسبت به مدل عمومی همنسل خود حافظهٔ بیشتر، کیفیت ساخت بالاتر، درایورهای حرفهای و فرم مناسبتری برای ایستگاه کاری یا سرور دارند. برخلاف عبارت قطعی نسخهٔ اولیه، نمیتوان گفت برای هوش مصنوعی مناسب نیستند. کارتهایی مانند RTX A6000 و RTX 6000 Ada دقیقاً به سبب حافظهٔ ۴۸ گیگابایتی و امکان نصب مناسبتر، در بسیاری از کاربردهای آموزش و استنتاج انتخابهای خوبی هستند. بااینحال بخشی از قیمت آنها بابت قابلیتها و گواهیهای نرمافزارهای حرفهای گرافیکی پرداخت میشود و به همین سبب همچنان باید کارایی به قیمت روی بار کاری واقعی سنجیده شود.
کارتهای صنعتی و خاصمنظوره
عمدهٔ آموزشهای بسیار بزرگ هوش مصنوعی در دنیا روی کارتها و شتابدهندههای مرکز داده صورت میگیرد. این محصولات برای نصب روی سرور بهینه شدهاند، حافظهٔ بیشتر و پرسرعتتری عرضه میکنند و در عین حال قیمت، توان و الزامات خنککاری چندبرابری دارند. در شرایط عادی فرض بر این است که کارتهای عمومی به تعداد محدود روی رایانه نصب میشوند، در حالی که در محصولات صنعتی از ابتدا موضوع کلاسترشدن، مدیریت سازمانی و در برخی موارد باس ارتباطی اختصاصی در نظر گرفته شده است.
در زمان تدوین نسخهٔ اولیه، A100، H100 و H200 از NVIDIA و خانوادههای MI100، MI200 و MI300 از AMD مهمترین نامهای این حوزه بودند. اکنون نسلهای Blackwell انویدیا و خانوادههای جدیدتر AMD Instinct نیز به این فهرست افزوده شدهاند. این تغییر نسل، منطق مقاله را عوض نمیکند: مزیت کارت صنعتی تنها تعداد هسته نیست، بلکه ظرفیت و پهنایباند HBM، قابلیت اطمینان، امکانات مدیریتی و اتصال چندGPU است. اگر بار کاری از این امکانات استفاده نکند، قیمت بیشتر آن به کارایی بیشتر تبدیل نمیشود.