استفاده هم‌زمان از رم DDR4 و DDR5 ممکن شد

اگر فکر می‌کنید فقط این مصرف‌کنندگان هستند که در پی گرانی و کمبود تراشه‌های حافظه DDR5 ناچار به بازگشت به نسل قبل شده‌اند، بهتر است بدانید Meta هم تصمیم گرفته از رم DDR4 استفاده کند. جالب‌تر اینکه سرورهای متا در اصل برای رم DDR5 طراحی شده‌اند اما این شرکت راهی برای استفاده از رم DDR4 با پردازنده‌های مُدرن پیدا کرده است.

در این راهکار که در کنفرانس ISCA 2026 رونمایی شد، متا رم‌های DDR4 سرورهای بازنشسته را با کمک یک تراشه اختصاصی به سرورهای جدید ساخته شده برای رم DDR5 وصل می‌کند که هوشمندانه است. با این کار متا می‌تواند بدون نیاز به پشتیبانی مستقیم پردازنده از DDR4، مالژول‌های حافظه قدیمی را دوباره وارد چرخه استفاده کند.

به گفته متا این روش بدون افت محسوس کارایی، هزینه ارتقای حجم حافظه رم سرورها را کاهش می‌دهد.

استفاده هم‌زمان از رم DDR4 و DDR5 در یک سرور

سرورهای جدید متا از پردازنده‌های AMD EPYC Turin استفاده می‌کنند که به‌صورت رسمی تنها از حافظه DDR5 پشتیبانی می‌کنند. با این حال،مهندسان متا تراشه‌ اختصاصی با نام Vistara را مبتنی بر استاندارد CXL 2.0 توسعه داده‌اند تا رم‌های DDR4 نیز در کنار DDR5 قابل استفاده باشند.

در هر سرور جدید متا مجموعاً یک ترابایت حافظه رم وجود دارد که شامل ۷۶۸ گیگابایت رم DDR5-6400 و ۲۵۶ گیگابایت رم نسل DDR4 است. سیستم‌عامل نیز حافظه DDR4 را به‌عنوان یک نود مستقل شناسایی می‌کند تا داده‌هایی که کمتر مورد استفاده قرار می‌گیرند روی رم کندتر ذخیره شوند و اطلاعات مهم همچنان روی DDR5 باقی بمانند.

متا اعلام کرده استفاده از این معماری باعث شده تعداد سرورهای موردنیاز برای اجرای مدل‌های هوش مصنوعی تا ۲۵ درصد کاهش پیدا کند. همچنین سربار ناشی از راه‌اندازی مجدد پردازش‌ها و پراکندگی حافظه نیز حدود ۳۳ درصد کمتر شده است.

مهندسان این شرکت حتی درایورهای هسته لینوکس را نیز تغییر داده‌اند تا استفاده از رم DDR4 روی این پلتفرم امکان‌پذیر شود و بخشی از این تغییرات قرار است به هسته اصلی لینوکس نیز اضافه شود.

متا تنها شرکتی نیست که به چنین ایده‌ای رسیده است. شرکت کره‌ای Panmnesia نیز هم‌زمان از کنترلرها و سوئیچ‌های جدید مبتنی بر CXL رونمایی کرده که امکان ترکیب نسل‌های مختلف حافظه را برای مراکز داده فراهم می‌کند.

در شرایطی که قیمت حافظه‌های DRAM همچنان روند صعودی دارد و تحلیلگران از ادامه کمبود عرضه تا سال ۲۰۲۸ خبر می‌دهند، استفاده دوباره از سخت‌افزارهای قدیمی می‌تواند به یکی از راهکارهای مهم شرکت‌های بزرگ برای کنترل هزینه زیرساخت‌های هوش مصنوعی تبدیل شود.