Вычислительная индустрия упёрлась в неприятный предел: наращивать производительность всё чаще приходится не за счёт более компактных транзисторов, а за счёт всё более крупных дата-центров. Следующий скачок вычислений будет зависеть не только от бюджета на серверные стойки и электричество, но и от способности инженеров снова использовать запас, который оставляют законы физики, сообщает MIT Technology Review.
Отправной точкой для этого разговора редакция издания называет лекцию физика Ричарда Фейнмана «There’s Plenty of Room at the Bottom», прочитанную в декабре 1959 года. Тогда Фейнман предложил мысленный эксперимент: ничто в фундаментальной физике не мешает разместить полный текст Encyclopædia Britannica на головке булавки. Проблема была не в запрете природы, а в отсутствии инструментов, способных работать на таком масштабе.
В следующие десятилетия микроэлектроника именно этим и занималась. Транзисторы становились меньше, плотность компонентов росла, а вычислительная мощность прибавляла без необходимости каждый раз строить отдельную электростанцию рядом с серверной. Эта привычка к почти «бесплатному» прогрессу сформировала и бизнес-модели, и ожидания разработчиков: очередное поколение железа обычно делало прежние архитектурные решения быстрее и дешевле.
Теперь этот сценарий даёт сбои. Простое уменьшение элементов на чипе становится всё труднее и дороже, а спрос на вычисления, особенно для ИИ, продолжает расти. Вместо прежней экономии отрасль всё заметнее прибегает к грубой силе: строит дата-центры большего размера, закупает больше ускорителей и пытается решить проблему производительности масштабом инфраструктуры. Работает — но только пока доступны капитал, энергия, вода для охлаждения и площадки с подходящей сетевой инфраструктурой.
MIT Technology Review обращает внимание, что физический потенциал вычислительной техники далеко не исчерпан. Исследователи ищут способы получить следующий скачок вычислений через новые подходы к устройству и работе вычислительных систем. В центре вопроса уже не только количество транзисторов, но и то, как перемещаются данные, сколько энергии тратится на операции, где возникают задержки и какие свойства материалов можно использовать эффективнее.
Для разработчиков это важный сдвиг оптики. Долгое время можно было рассчитывать, что более мощная инфраструктура сгладит неидеальную архитектуру, тяжёлые запросы и избыточные перемещения данных. В эпоху дорогих ускорителей и ограниченной мощности дата-центров снова приобретают вес старые, но не устаревшие дисциплины: профилирование, экономия памяти, разумный выбор алгоритмов, локальность данных и точное понимание того, за что приложение платит временем и энергией.
Для бизнеса вывод ещё прозаичнее. Стратегия «добавим вычислений» перестаёт быть нейтральным решением и превращается в отдельный риск: инфраструктурный, энергетический и финансовый. Компаниям, которые строят продукты на ИИ или обрабатывают большие массивы данных, придётся сравнивать не только качество модели и скорость вывода, но и стоимость каждой дополнительной единицы производительности. Иногда выгоднее оптимизировать пайплайн, уменьшить модель или изменить постановку задачи, чем бесконечно расширять парк железа.
История с миниатюризацией показывает, что технологические барьеры редко исчезают сами по себе: их обходят, когда появляются новые инструменты, материалы и инженерные компромиссы. Следующий скачок вычислений, вероятно, не будет одним красивым прорывом с единственным победителем. Скорее это будет набор решений, которые постепенно сделают вычисления менее прожорливыми — и вернут инженерии влияние, которое в последние годы слишком легко покупалось размером дата-центра.
