Çin merkezli Dongfang Suanxin (DFSX), yapay zeka hızlandırıcılarında performans yarışını yalnızca daha gelişmiş üretim düğümleriyle kazanmanın şart olmadığını savunuyor. Şirketin yaklaşımı, özellikle AI iş yüklerinde asıl darboğazın ham hesaplama gücü değil, bellekten işlem katmanına veri taşıma hızı olduğu fikrine dayanıyor. DFSX’in mevcut DF1000 ve 2026’nın dördüncü çeyreğinde gelmesi beklenen DF2000 çipleri de bu düşüncenin etrafında şekilleniyor.
DF1000, olgun 14nm süreciyle üretilmesine rağmen klasik tasarımlardan ayrılan bir 3D near-memory compute mimarisi kullanıyor. Bu yapıda bellek, doğrudan hesaplama katmanının üzerine yerleştiriliyor ve iki katman 3D wafer-level hybrid bonding ile bağlanıyor. Böylece mikro bump ya da kablo benzeri ara bağlantılar ortadan kalkıyor. Sonuç olarak veri, yatayda daha uzun yollar izlemek yerine katmanlar arasında çok daha kısa bir rotadan taşınabiliyor.
DF2000 ise bu fikri bir adım ileri taşıyor. Yine 14nm düğümünü kullanan çip, tek bir bellek katmanını hesaplama bölümünün üstüne koymak yerine, bir temel yapı üzerinde yan yana yerleştirilmiş çoklu bellek-hesaplama kulelerinden oluşuyor. DFSX bu yerleşimi 3.5D Infinity Chiplet olarak adlandırıyor. Ayrıca yapıda standart depolama katmanları yerine özel tasarlanmış 3D DRAM düzeni kullanılıyor. Amaç, geçici veriyi mümkün olduğunca çipin içinde tutmak ve işlem birimlerinin belleği beklerken boşta kalma süresini azaltmak.
Şirketin temel iddiası da burada netleşiyor: AI iş yüklerinde sıkça görülen “memory wall” sorunu, yani işlemcinin veriyi beklemesi, üretim düğümünden daha kritik bir sınırlayıcı olabilir. DFSX’e göre bu nedenle yalnızca FLOPS değerlerine odaklanmak tabloyu eksik gösteriyor; bellek bant genişliği en az ham hesaplama kadar, hatta bazı senaryolarda daha önemli.
Açıklanan sayılar bu tezi desteklemek için kullanılıyor. Her bir DF2000 çipi 15TB/s bellek bant genişliği sunuyor. Bu çipler TY64 SuperNode yapısında bir araya getirildiğinde toplam bant genişliği 960TB/s seviyesine çıkıyor. Karşılaştırma tarafında NVIDIA GB200 NVL72 sisteminin toplam bellek bant genişliği 576TB/s olarak veriliyor. Bu da TY64 SuperNode’un bellek tarafında belirgin bir üstünlük hedeflediğini gösteriyor.
Öte yandan ham hesaplama tarafında tablo farklı. DF2000 tabanlı TY64 SuperNode, BF16 hesaplamada 64 PFLOPS sunarken, NVIDIA GB200 NVL72 sistemi 360 PFLOPS düzeyine ulaşıyor. Yani 14nm ile 4nm arasındaki fark, doğrudan hesaplama yoğunluğunda açık şekilde hissediliyor. DFSX’in stratejisi ise bu açığı yaklaşık 2 kat yüksek bellek bant genişliğiyle dengelemek.
Şirketin yol haritasında bir sonraki adım DF3000. Buna göre DF3000 çipi 20TB/s bellek bant genişliği sunacak; TY64 SuperNode içinde toplam değer 1,280TB/s seviyesine çıkacak. Karşılaştırma için NVIDIA Vera Rubin NVL72 sisteminin toplam bellek bant genişliği 1,580TB/s olarak veriliyor. Bu değer, DF3000 tabanlı TY64 SuperNode’dan yaklaşık yüzde 23 daha yüksek. DFSX böylece daha eski üretim teknolojisine rağmen, bellek odaklı mimariyle büyük ölçekli AI sistemlerinde alternatif bir performans denklemi kurmayı amaçlıyor.
