وقتی مشخصات نسل جدید پردازنده‌ها و شتاب‌دهنده‌های AMD را می‌بینیم، عددهای مربوط به توان مصرفی خیلی زود جلب توجه می‌کنند. مثلاً در بعضی مدل‌های EPYC 9005، توان طراحی‌شده به 500 وات رسیده و در خانواده Instinct هم اعداد بسیار بالاتری دیده می‌شود. در نگاه اول شاید نتیجه ساده باشد: هرچه وات بالاتر، مصرف بیشتر و

در بسیاری از پروژه‌های هوش مصنوعی، اولین سؤال این است: چه GPUای بخریم؟ اما به‌نظر من، این سؤال فقط بخشی از مسئله را پوشش می‌دهد. NVIDIA امروز دیگر فقط یک تولیدکننده GPU نیست. مجموعه‌ای از فناوری‌های پردازشی، شبکه‌ای، ارتباطی و نرم‌افزاری را کنار هم قرار داده که عملاً روی معماری کامل زیرساخت AI تأثیر می‌گذارد.

اگر چند سال پیش می‌خواستیم درباره GPU حرف بزنیم، معمولاً بحث خیلی ساده‌تر بود: کدام مدل سریع‌تر است و چقدر حافظه دارد؟ اما الان قضیه کاملاً فرق کرده. NVIDIA، AMD و Intel هرکدام دارند GPU را به یک مسیر متفاوت می‌برند؛ از لپ‌تاپ و کامپیوتر شخصی گرفته تا ورک‌استیشن، سرور و دیتاسنترهای بزرگ هوش مصنوعی.

با معرفی IBM Power S1112  مبتنی بر Power11، چیزی که برای من جالب است فقط کوچک‌تر شدن یک سرور Enterprise نیست؛ بلکه مسیری است که IBM برای نزدیک کردن AI به روندهای کاری اصلی سازمان دنبال می‌کند. Power S1112 یک سیستم نسبتاً جمع‌وجور است که برای دفاتر سازمانی و محیط‌های Edge طراحی شده است. یعنی

در پروژه‌های دیتاسنتری، معمولاً اولین سؤال درباره سرور این است: «چه پردازنده‌ای دارد؟» اما وقتی مجازی‌سازی، Database، Analytics و حجم Storage هم‌زمان رشد می‌کنند، به نظر من سؤال مهم‌تر این است: این سرور تا چه اندازه می‌تواند همراه با نیاز سازمان توسعه پیدا کند؟ Dell PowerEdge R770 یک سرور 2U،  دوپردازنده‌ای مبتنی بر Intel Xeon

در بسیاری از پروژه‌های AI تمام توجه روی GPU است. اما در Agentic AI، عامل هوشمند فقط مدل را اجرا نمی‌کند؛ باید داده بخواند، کد اجرا کند، با ابزارها ارتباط بگیرد، تصمیم‌گیری کند و چند مرحله پردازش را پشت سر هم انجام دهد. همین موضوع باعث می‌شود CPU، Latency و پهنای باند حافظه دوباره نقش