הסוף של חוק מור (Moore law) הוכרז בהזדמנויות רבות ונראה שכעת כבר די בטוח לומר שאנו פועלים בעידן שלאחר חוק מור. עם זאת, איש עדיין לא מוכן להאט את הקצב. התובנות של גורדון מור (Gordon Moore) בנוגע לציפוף (densification) של טרנזיסטורים, יכולות להיראות לנו לא יותר מאשר אחד ההיבטים של מגמות טכנולוגיות שקיימות לטווח הרחוק – החוק להאצת החזרים (Law of Accelerating Returns), שאותו ביטא בצורה בהירה למדי קורצווייל (Kurzweil). אפשר להתווכח על כך שבעידן של מור, חברות הפכו להיות שאננות מעט ומוכנות להסתפק ברווחים שהושגו על ידי כל צומת תהליכים חדש. על אף שאנו יכולים לצפות שהשדרוג ימשיך, אולי אפילו בקצב איטי, הסוף של חוק מור מעניק לנו תמריץ חזק לדחוף עוד יותר גם מגמות אחרות.
כמה טכנולוגיות מרגשות צצות כעת, בהן גם אינטגרציה תלת ממדית של שבבים מרובים: ניצלנו באופן מרבי כל מילימטר רבוע, ועכשיו אנו עוברים לממדים נפחיים. אנו גם נקבל הישגים מהירים באמצעות השקה של טכנולוגיות חדשות כגון זיכרון אחסון (Storage Class Memory) ופוטוניקת סיליקון (silicon photonics). ככל שנתקרב אל גבול המהירות הפיסית של מעגלי כניסה/ יציאה (I/O) קונבנציונליים, אשר כפי שאנו יודעים הוא 100 ג’יגה סיביות בשנייה לכל מטר, החיפוש להגדלת המהירות של קישוריות בריבוי שבבים והספק קלט/ פלט נמוך יותר, יעבירו את טכנולוגית פוטוני הסיליקון לדורות העתיד של המעגלים המשולבים המתקדמים, כמו למשל רכיבי FPGA.
תור הזהב של ארכיטקטורת המחשבים
אכן, אנו נמצאים כעת בתקופה מרגשת מאוד. הזוכים בפרס טיורינג (Turing) לשנת 2017, הפרופסורים ג’והן הנסי (John Hennessy) ודויד פטרסון (David Patterson), מאוניברסיטת סטנפורד ואוניברסיטת ברקלי, הריעו לתור הזהב של ארכיטקטורת המחשבים. אחד התמריצים העיקריים היה המרדף אחר אופטימיזציות ייעודיות לתחום. אני יכול להצביע על דוגמה במנוע האינטליגנציה המלאכותית (Al Engine) של Xilinx, אחת התכונות החשובות ביותר ורבות העוצמה ביותר של פלטפורמת VersalTM ACAP (פלטפורמת האצת מחשוב מסתגלת), שאותה השקנו באוקטובר 2018. אני מניח שלא סביר שהיינו יכולים לעשות דבר כזה לפני כמה שנים בלבד, כאשר היה ניתן להשיג ביתר קלות שיפורי ביצועים באופנים אחרים.
כיום, ההתקדמות באה לידי ביטוי לא רק בביצועים של עיבוד תהליכים. הזכרתי כבר קודם את ההתפתחות של פוטוניקת הסיליקון כטכנולוגיה להגדלת מהירויות מעגלי כניסה/ יציאה. למעשה, התפוצצות עומסי העבודה באינטליגנציה מלאכותית היא אחד המניעים רבי העוצמה, החזקים יותר, שמסיטים את תשומת הלב שלנו למציאת דרכים מהירות יותר להעברת נתונים אל תוך מאיצים, על פני מאיצים ואל מחוץ למאיצים, כגון שבבי Versal. החיבור הפנימי של רשת על שבב (NoC) עם פס רחב שניתן לתכנות של Versal ותכונות תכנון אחרות, כגון החיבורים הקרובים והקצרים בין יחידות זיכרון ועיבוד מבוזרות על השבב, הן דוגמאות נוספות של הדרכים שבהם יוצרי השבבים מביטים מעבר לשדרוג להשגת שיפורי ביצועים של הדור הבא.
איור 1. אופטימיזציה של חיבורים פנימיים בהתקן לשיפור מהירות העיבוד
לעת עתה, אינטליגנציה מלאכותית היא כנראה ההשפעה השלטת בתחום ארכיטקטורות המעבדים הקיימות והעתידיות. יהיה נכון לומר שהדרישות של היישומים במרכז הנתונים מניעות הרבה ממה שחברת Xlinx עושה היום, והמדובר בגיוון של עומסי העבודה.
מבחינה היסטורית מרכזי נתונים בקנה מידה גדול מאוד שירתו כמאגרים אדירים עבור ארכיוני הנתונים שלנו, כשהם מאחסנים תכנים בווידיאו, בתמונות ובאודיו, ומספקים תכנים לפי דרישה. באופן גובר והולך, כולנו, הן יחידים והן עסקים – מבקשים הרבה יותר כאשר אנו מחברים כלי רכב אוטונומיים והזרמת אינספור נתונים של האינטרנט של הדברים, המגיעים ממפעלים חכמים, ערים חכמות ותשתיות חכמות. אנו צריכים לעזור לאתר את התובנות העמוקות האלו הנדרשות באופן נואש, כדי להמשיך ולהגביר את היצרנות העסקית, נצילות האנרגיה, את הבטיחות והאבטחה של הציבור ואת רמות החיים.
מרכזי נתונים מסתגלים וניתנים להגדרה
בהינתן הגיוון הזה בעומסי עבודה, נדרשים מערכים שונים של משאבים כדי שמרכזי הנתונים יכולו להתמודד עימם ביעילות. ארכיטקטורות של מרכזי נתונים מתרחקות ממבנים קשיחים שממוקדים ביחידות עיבוד CPU, ובמקומם הן יוצרות העדפה לתאימות וליכולת הגדרת קונפיגורציה, כדי לשפר משאבים כגון זיכרון ומאיצים שמוקצים לעומסי עבודה יחידים. כעת כבר אין גורם איכות (figure of merit) אחד ויחיד. לא הכל זה טרה פעולות בשנייה (Tera OPS). יש מדדים נוספים כגון העברה בשנייה וזמן אחזור (latency) שעומדים בראש כשהדרישות הופכות להיות יותר דרישות בזמן אמת. כלי רכב אוטונומיים מהווים דוגמה ברורה וחשובה.
איור 1. אופטימיזציה של חיבורים פנימיים בהתקן לשיפור מהירות העיבוד
באופן ברור, זה התחום שבו המומחיות של Xilinx בהתקנים ניתנים לתכנות, הופכת ישימה באופן ישיר, ואנו מכוונים פתרונות כגון הפלטפורמה Versal ACAP כדי שיתאימו לצורכי התעשייה האלו. אפשר לראות עד כמה רחוק הגיעה החברה, כאשר לוקחים בחשבון שהעיסוק שלנו היה מוכוון בתחילה למהנדסי ASIC בעיקר, שחיפשו סבבי תכנון מהירים יותר ועלויות תכנון נמוכות יותר, במקביל למשתמשי בתוכנת EDA. כיום, בסיס הלקוחות שלנו עובר לכיוון מדעני מחשבים ומדעני נתונים, ועובדה זו מציבה דגש מתרחב על אספקת כלים רבי עוצמה שיעזרו להם לשחרר את העוצמה המרבית של התקנים ניתנים לתכנות, מבלי שיהיה צורך לדעת את פרטי המבנה של הרמה הנמוכה. היוזמה שלנו PYNQ – Python on Zynq, כך אני מאמין, תהווה צעד חשוב שיהפוך את הארכיטקטורות המתקדמות הניתנות לתכנות, שימושיות יותר עבור קהיליות תכנון הנדסי מגוונות יותר.
עלייתו של הדור החמישי
אין ישתנו סדרי העדיפות בעתיד? המעבר לדור החמישי הוא תחום שאליו חברת Xilinx ייעדה משאבים נמרצים, ואנו יכולים לספק הצעות בעלות ערך, ייחודיות ומיוחדות. במקרים רבים הפתרונות פועלים על פני גבולות תחומים מסורתיים, בין הענן לבין פלטפורמות הקצה, ובפלטפורמות משובצות שהן ללא כל ספק, בעלות מודעות להספק ורגישות לנושא העלות. יש עוד הרבה מה לעשות בכל הנוגע לכלים שמחוברים, על מנת להתאים את התפשטות היישומים אל מעבר לגבולות התחומים.
כמו האינטרנט של הדברים (IoT), הדור החמישי (5G) יסתמך במידה רבה על מחשוב קצה ולימוד מכונה. כולנו יודעים שטכנולוגיות אלו הן רק בתחילת ההתפתחות שלהן, וקיים פוטנציאל רב עוד יותר שאותו ניתן לממש, ככל שהבנתו תתרחב. כיום, יישומי לימוד מכונה מסחריים ממומשים בשני שלבים: הראשון מורכב מאיסוף נתונים, מהתוויה (labelling) של נתונים ומהכשרת רשת עצבית, שעה שהשלב השני הוא פרישה בשדה, של מנוע הסקת מסקנות שעבר הכשרה.
כבר עתה אנו מבינים שהסבב שנוצר מסורבל ואיטי, נדרשות לו כמויות גדולות למדי של נתונים והתוויה מייגעת, שלהם נדרשים משאבים עצומים ותשתיות רבות. רבים רואים בכך התקדמות שאין בה קיימות, מבחינת צריכת אנרגיה וזמן יציאה לשוק. כמו כן הטכנולוגיה אינה נגישה למספיק מפתחים שיספקו את הפתרונות שאותם נצטרך. המעבר מהכשרה רבת הנתונים המסורתית של רשתות עצביות, אל למידת חיזוק (reinforcement learning) יכולה הייתה לספק אסטרטגיות מהירות וכלכליות יותר על ידי אפשור התרחשות בו זמנית של הכשרה ופיתוח.
הרלוונטיות של שרשרת הבלוקים
מגמת על גדולה נוספת שקיימת בתעשייה, שאותה הייתי מבקש להזכיר, היא שרשרת הבלוקים. עבור חלקנו, ייתכן שכבר יצא לה שם רע שהוכתם מתוך ההקשר (association) לאנרכיה של מטבעות מבוזרים (cryptocurrency), אך אני מאמין שהיא תהיה רלוונטית יותר מאשר רובנו משערים. מי יכול היה לחזות את התפתחות האינטרנט של היום, כאשר ARPANET הופיעה לראשונה כפלטפורמה יחידה למחשוב ושליחת דוא”ל מבוזרים? באמצעות פרוייקטים כגון Hyperledger במקור פתוח, טכנולוגית שרשרת הבלוקים יכולה הייתה להיות פלטפורמה בעלת חשיבות רבה שמתאימה לבניית אמון בטרנסאקציות שמבוצעות דרך האינטרנט.
איור 3: מאיצים ניתנים לתכנות וניתנים להגדרה יכולים לתמוך בצומתי אינטרנט של העתיד
שניתן לתת בהם אמון
בקרוב נוכל לדבר במונחים של רשת אינטרנט שניתן לתת בה אמון שמגינה ביעילות על פרטיות, על ידי כך שהיא מאפשרת לאנשים לקבוע את אמיתות הנתונים מבלי שיצטרכו לשלוח נתונים נוספים, ואשר בסופו של דבר היא תספק פתרון לבעיות כגון חדשות כזב (fake news) על ידי זיהוי ברור של המוצא והמקור של המידע. עלינו למצוא דרכים כדי לבנות ולשדרג ביעילות יישומים של שרשרת בלוקים, וכדי שטכנולוגיות כגון פלטפורמת ACAP שיאיצו בצורה יעילה את המחשוב, האחסון והרישות יהיו חלק רב משמעות של הפתרון.
ייתכן שיכולת החיזוי של חוק מור הפכה להיות די נוחה ואיטית. העתיד דורש מיקסום של הגמישות, הזריזות והיעילות של הטכנולוגיות שלנו, ויצירת קשר עם קהילות שאולי לא מכירות אותן, אבל כאלו שאנו חייבים לכלול את תבונתם, אם אנו רוצים לזכות בהישגים שכולנו זקוקים להם. כעת, שעה שחוק מור מאחורינו, אנו יכולים לראות בצורה ברורה יותר את הכורח הקיים בחוק קורצוויל של האצת החזרים.
איבו בולסנס, ) Ivo Bolsens ( סגן נשיא
בכיר ומנהל טכנולוגיה ראשי, «
Xilin
