CHIPSMORE: ยุคใหม่ของชิปเล็ตด้วยเทคโนโลยี Compute-in-Memory ปฏิวัติประสิทธิภาพการอนุมาน LLM

การเปิดตัวงานวิจัยเรื่อง CHIPSMORE (Compute-in-Interconnect and -Memory Chiplets) โดยมหาวิทยาลัยแห่งชาติสิงคโปร์ (NUS) นับเป็นก้าวสำคัญของอุตสาหกรรมเซมิคอนดักเตอร์ในการทลายขีดจำกัดด้านคอขวดของหน่วยความจำ (Memory Wall) ซึ่งเป็นอุปสรรคใหญ่ที่สุดในการประมวลผลโมเดลภาษาขนาดใหญ่ (LLM) ในปัจจุบัน เทคโนโลยีนี้ไม่ได้มุ่งเน้นแค่การเพิ่มพลังการประมวลผลในชิปหลัก (GPU/NPU) เท่านั้น แต่เป็นการเปลี่ยนผ่านไปสู่สถาปัตยกรรมแบบเฮเทอโรจีเนียส (Heterogeneous Integration) ที่ผสานการคำนวณเข้ากับตัวเชื่อมต่อและหน่วยความจำโดยตรง ในเชิงผลกระทบต่ออุตสาหกรรม CHIPSMORE นำเสนอแนวทางใหม่ในการรองรับภาระงานแบบ Multi-request และ Multi-mode โดยเฉพาะการรันโมเดลพื้นฐานควบคู่ไปกับการทำ LoRA (Low-Rank Adaptation) ซึ่งเป็นเทคนิคสำคัญในการปรับแต่ง LLM ให้เข้ากับงานเฉพาะด้าน การที่สถาปัตยกรรมนี้สามารถจัดการหลายภาระงานได้พร้อมกันโดยลดการเคลื่อนย้ายข้อมูล (Data Movement) ระหว่างหน่วยความจำและหน่วยประมวลผล จะช่วยลดการใช้พลังงานได้อย่างมหาศาลและเพิ่มอัตรา Throughput ของการอนุมาน (Inference) อย่างก้าวกระโดด ซึ่งเป็นปัจจัยวิกฤตสำหรับศูนย์ข้อมูล AI ที่ต้องการประสิทธิภาพสูงภายใต้งบประมาณพลังงานที่จำกัด ในด้านห่วงโซ่อุปทาน (Supply Chain) นวัตกรรมนี้จะเป็นตัวเร่งให้ผู้ผลิตชิปต้องปรับตัวเข้าสู่ระบบนิเวศการออกแบบแบบ Chiplet มากยิ่งขึ้น การใช้สถาปัตยกรรมที่รวมเอา Compute-in-Memory (CIM) เข้าไปในชิปเล็ตนั้น จะสร้างความต้องการใหม่ให้กับผู้ผลิตหน่วยความจำ (เช่น HBM และหน่วยความจำแบบพิเศษ) และโรงหล่อชิป (Foundries) ที่ต้องมีเทคโนโลยีการบรรจุภัณฑ์ขั้นสูง (Advanced Packaging) เช่น 2.5D หรือ 3D IC เพื่อเชื่อมต่อส่วนประกอบเหล่านี้เข้าด้วยกัน ซึ่งจะส่งผลดีต่อบริษัทที่มีความพร้อมด้านการผลิตชิปขั้นสูงและการออกแบบแบบแยกส่วน มุมมองในอนาคต CHIPSMORE จะเป็นพิมพ์เขียวสำคัญที่นำไปสู่การพัฒนาระบบ AI Hardware ที่ยืดหยุ่นและมีขนาดเล็กลงแต่ทรงพลังมากขึ้น แนวโน้มการเปลี่ยนผ่านจากสถาปัตยกรรมโมโนลิธิคสู่ชิปเล็ตที่รวมความสามารถในการประมวลผลในระดับโครงข่ายเชื่อมต่อ จะกลายเป็นมาตรฐานใหม่ในตลาดเซมิคอนดักเตอร์สำหรับ AI โดยคาดว่าในช่วง 3-5 ปีข้างหน้า เราจะได้เห็นการนำโซลูชันแนวนี้มาประยุกต์ใช้ใน Edge AI และอุปกรณ์พกพาประสิทธิภาพสูง เพื่อตอบโจทย์การรัน LLM ที่มีความซับซ้อนโดยไม่พึ่งพาเพียงแค่คลาวด์คอมพิวติ้งเพียงอย่างเดียว