২০২৫ সালে, কৃত্রিম বুদ্ধিমত্তার (AI) দ্রুত বিকাশ ডেটা সেন্টারের স্থাপত্যকে নতুন রূপ দিচ্ছে। মাল্টিমোডাল বৃহৎ ভাষা মডেল থেকে শুরু করে উন্মুক্ত এবং দক্ষ কাঠামো পর্যন্ত, AI উদ্ভাবনের মূল চালিকা শক্তি হয়ে উঠেছে। AI মডেলের স্কেল লক্ষ লক্ষ পরামিতি থেকে ট্রিলিয়ন স্তরে প্রসারিত হচ্ছে, যেখানে হাজার হাজার এমনকি কয়েক হাজার GPU-কে সমান্তরালভাবে প্রশিক্ষণ দেওয়া হচ্ছে। উদাহরণস্বরূপ, OpenAI's GPT-4o এবং অনুরূপ মডেলগুলির জন্য দক্ষ অনুমান এবং প্রশিক্ষণ সক্ষম করার জন্য রিয়েল-টাইম ডেটা সিঙ্ক্রোনাইজেশন প্রয়োজন। এর জন্য কেবল TB/s স্তরে ডেটা থ্রুপুটই প্রয়োজন হয় না, বরং যেকোনো বাধা দূর করার জন্য মাইক্রোসেকেন্ড-স্তরের ল্যাটেন্সি এবং উচ্চ নির্ভরযোগ্যতাও প্রয়োজন।
এই পটভূমিতে, ঐতিহ্যবাহী ১০০জি/২০০জি নেটওয়ার্ক ইন্টারকানেক্টগুলি আর প্রয়োজনীয়তা পূরণ করতে পারে না। ৪০০জি/৮০০জি ওএসএফপি অপটিক্যাল মডিউলগুলি আরও কমপ্যাক্ট এবং দক্ষ ইন্টারকানেকশন সমাধান প্রদান করে, যেখানে ডিএসি (ডাইরেক্ট অ্যাটাচ কেবল) এবং এওসি (অ্যাক্টিভ অপটিক্যাল কেবল) হল স্বল্প-প্রবাহের সংযোগের জন্য পছন্দের বিকল্প, যা কার্যকরভাবে খরচ এবং বিদ্যুৎ খরচকে সর্বোত্তম করে তোলে। এআই এখন কেবল অ্যালগরিদমিক উদ্ভাবন নয়, বরং একটি সিস্টেম-স্তরের ইঞ্জিনিয়ারিং প্রচেষ্টা যা ভৌত অবকাঠামোর সাথে গভীরভাবে সংহত।
২০২৫ সালে AI ভূদৃশ্য বহুমুখীতা এবং ওপেন-সোর্স উদ্ভাবনের দ্বারা সংজ্ঞায়িত। বেশ কয়েকটি শীর্ষস্থানীয় মডেল তুলে ধরেছে যে কীভাবে এই অগ্রগতিগুলি আন্তঃসংযোগের চাহিদাগুলিকে পুনর্গঠন করছে:
GPT-4o (ওপেনএআই)
টেক্সট, ইমেজ এবং স্পিচ জুড়ে শক্তিশালী মাল্টিমোডাল প্রসেসিং ক্ষমতার জন্য বিখ্যাত, GPT-4o হাজার হাজার GPU তে সিঙ্ক্রোনাইজড প্রশিক্ষণের উপর নির্ভর করে। প্রতিটি GPU-এর জন্য শত শত GB/s গতিতে ডেটা বিনিময় প্রয়োজন, এবং যেকোনো আন্তঃসংযোগ বাধা প্রশিক্ষণের সময়কে উল্লেখযোগ্যভাবে দীর্ঘায়িত করতে পারে।
ক্লড ৩.৭ সনেট (নৃতাত্ত্বিক)
কোডিং এবং জটিল যুক্তির কাজে বিশেষজ্ঞ, ক্লাউড 3.7 সনেটের দক্ষ অনুমান বজায় রাখার জন্য রিয়েল-টাইম ডেটা স্ট্রিম প্রয়োজন। অতি-নিম্ন-বিলম্বিত আন্তঃসংযোগ অপরিহার্য, 800G অপটিক্যাল মডিউলগুলি প্রায় 5 pJ/bit গতিতে শক্তি দক্ষতা সক্ষম করে।
জেমিনি ২.৫ (গুগল)
মাল্টিমোডাল ইনফারেন্স এবং বৈজ্ঞানিক গবেষণা অ্যাপ্লিকেশনে উৎকৃষ্ট, জেমিনি 2.5 উচ্চ ব্যান্ডউইথ এবং বৃহৎ-স্কেল বিতরণ যোগাযোগের উপর জোর দেয়। এর কর্মক্ষমতা DWDM সিস্টেম এবং উচ্চ-গতির ইথারনেট ইন্টারকানেক্টের উপর ব্যাপকভাবে নির্ভর করে।
গ্রোক ৩/৪ (xAI)
অন্তর্নির্মিত ভয়েস মোড এবং দক্ষ ইনফারেন্স ক্ষমতা সহ, Grok 3/4 সাধারণত GB200 ক্লাস্টারে স্থাপন করা হয়। দ্বিগুণ কর্মক্ষমতা অর্জনের জন্য প্রতিটি GPU-এর একটি 800GbE ইন্টারফেস প্রয়োজন।
Llama 3 / DeepSeek V3 (মেটা / ডিপসিক)
ওপেন-সোর্স মডেলের নেতৃস্থানীয় প্রতিনিধি হিসেবে, লামা ৩ এবং ডিপসিক ভি৩ উচ্চ কর্মক্ষমতা এবং কাস্টমাইজেবিলিটির উপর জোর দেয়। তাদের বিতরণকৃত প্রশিক্ষণ ৪০০G/৮০০G আন্তঃসংযোগের উপর নির্ভর করে, যা সামগ্রিক দক্ষতা ২০-২৫% বৃদ্ধি করে।
| এআই মডেল | বিকাশকারী | মুখ্য সুবিধা | কম্পিউট এবং ইন্টারকানেক্টের প্রয়োজনীয়তা |
| GPT-4o | OpenAI | মাল্টিমোডাল (টেক্সট, ইমেজ, বক্তৃতা); উন্নত যুক্তি; o1/o3 রূপগুলিকে সমর্থন করে | প্রশিক্ষণের সময় প্রতি GPU-তে ডেটা বিনিময় শত শত GB/s পর্যন্ত পৌঁছানোর সাথে সাথে বৃহৎ-স্কেল GPU ক্লাস্টার সিঙ্ক্রোনাইজেশন প্রয়োজন; আন্তঃসংযোগ বাধা প্রশিক্ষণের সময় 2-3× বাড়িয়ে দিতে পারে। |
| ক্লদ 3.7 সনেট | নৃতাত্ত্বিক | কোডিং এবং জটিল কাজে দক্ষ; খরচ-সাশ্রয়ী। | ইনফারেন্স রিয়েল-টাইম ডেটা স্ট্রিমিংয়ের উপর নির্ভর করে, সমসাময়িক প্রশ্নগুলিকে সমর্থন করার জন্য অতি-নিম্ন-বিলম্বিত আন্তঃসংযোগের প্রয়োজন হয়; 800G অপটিক্স শক্তি খরচ ~5 pJ/bit এ কমাতে পারে। |
| মিথুন 2.5 | গুগল | দক্ষ মাল্টিমোডাল প্রক্রিয়াকরণ; ডেভেলপার এবং গবেষণার জন্য অপ্টিমাইজ করা | প্রশিক্ষণে সমান্তরাল কম্পিউটিং-এর উপর জোর দেওয়া হয়, যেখানে DWDM (ডেনস ওয়েভলেন্থ ডিভিশন মাল্টিপ্লেক্সিং) মাল্টি-ওয়েভলেন্থ ট্রান্সমিশন পরিচালনার জন্য উচ্চ ব্যান্ডউইথের উপর আন্তঃসংযোগের প্রয়োজনীয়তার উপর জোর দেওয়া হয়। |
| গ্রোক ৩/৪ | xAI | দক্ষ অনুমান, ভয়েস-মোড সমর্থন, ওপেন-সোর্স বান্ধব | সাধারণত বৃহৎ-স্কেল ক্লাস্টারে (যেমন, GB200) স্থাপন করা হয়, যেখানে প্রতিটি GPU-এর 800× পারফরম্যান্স স্কেলিং অর্জনের জন্য 2GbE সংযোগের প্রয়োজন হয়। |
| লামা ৩ / ডিপসিক ভি৩ | মেটা / ডিপসিক | ওপেন-সোর্স, উচ্চ-কার্যক্ষমতাসম্পন্ন, কাস্টমাইজযোগ্য প্রশিক্ষণ | বিতরণকৃত প্রশিক্ষণ ক্রস-নোড যোগাযোগের উপর নির্ভর করে, 400G/800G আন্তঃসংযোগগুলি সামগ্রিক দক্ষতা ~25% বৃদ্ধি করে। |
এই মডেলগুলির একটি সাধারণ বৈশিষ্ট্য রয়েছে: তারা মিক্সচার অফ এক্সপার্টস (MoE) বা অনুরূপ আর্কিটেকচারের উপর নির্ভর করে, যার জন্য ঘন ঘন অল-টু-অল যোগাযোগের প্রয়োজন হয়। GPT-4o এর মতো অতি-বৃহৎ মডেলগুলিকে প্রশিক্ষণের জন্য পেটাবাইট-স্তরের ডেটা বিনিময় জড়িত থাকতে পারে এবং অপর্যাপ্ত আন্তঃসংযোগ নেটওয়ার্ক খরচ 70% এরও বেশি বাড়িয়ে দিতে পারে।
AI প্রশিক্ষণ এবং অনুমানের মূলে রয়েছে বিশাল GPU ক্লাস্টারগুলির সিঙ্ক্রোনাইজেশন। উদাহরণস্বরূপ, একটি NVIDIA GB200 ক্লাস্টারে, প্রতিটি GPU-এর জন্য PCIe Gen800 সরাসরি যোগাযোগ সমর্থন করার জন্য 2GbE (400×6GbE) সংযোগ প্রয়োজন, যা CPU-এর বাধা এড়ায়। প্রধান চ্যালেঞ্জগুলির মধ্যে রয়েছে:
১. ওএসএফপি অপটিক্যাল মডিউল
অপটিক্যাল স্মল ফর্ম-ফ্যাক্টর প্লাগেবল (OSFP) 400G/800G গতি সমর্থন করে এবং সিলিকন ফোটোনিক্স (SiPh) বা EML মডুলেটর ব্যবহার করে। AI স্থাপনায়, OSFP মডিউলগুলি দীর্ঘ-প্রবাহের ট্রান্সমিশন (>100m) এর জন্য ব্যবহৃত হয়, যা 4 Tbps পর্যন্ত দ্বিমুখী সংযোগ সক্ষম করে। উদাহরণস্বরূপ, ইন্টেলের OCI চিপসেটগুলি কম বিদ্যুৎ খরচ (~5 pJ/bit) অর্জনের জন্য DWDM ব্যবহার করে।
২. DAC (ডাইরেক্ট অ্যাটাচ কেবল)
র্যাকের ভেতরে স্বল্প-প্রবাহের (<৭ মিটার) সংযোগের জন্য তৈরি একটি তামা-ভিত্তিক সমাধান, DAC অপটিক্যাল-বৈদ্যুতিক রূপান্তর ছাড়াই একটি সাশ্রয়ী বিকল্প অফার করে। AI ক্লাস্টারগুলিতে, AMD Pensando Pollara 7 NIC-এর মতো সমাধানগুলি 400Gbps ব্যান্ডউইথ সরবরাহ করার জন্য DAC ব্যবহার করে এবং ডেটা স্থানান্তর ত্বরান্বিত করার জন্য RDMA (রিমোট ডাইরেক্ট মেমোরি অ্যাক্সেস) সমর্থন করে।
৩. AOC (সক্রিয় অপটিক্যাল কেবল)
ইন্টিগ্রেটেড অপটিক্যাল ট্রান্সসিভার সমন্বিত, AOC গুলি মাঝারি-নাগালের (৭-১০০ মিটার) সংযোগের জন্য উপযুক্ত। এগুলি উচ্চ নির্ভরযোগ্যতা প্রদান করে এবং পোর্ট দূষণ এড়াতে সাহায্য করে। AI পরিবেশে, AOC গুলি সমান্তরাল কেবলিংয়ের জন্য ব্যাপকভাবে ব্যবহৃত হয়, যা 7G ডেটা সেন্টার স্থাপনকে সমর্থন করে।
ব্যবহারিক প্রয়োগে, এই প্রযুক্তিগুলি সরাসরি AI কর্মক্ষমতা বৃদ্ধি করে:
প্রশিক্ষণ পর্যায়: উদাহরণস্বরূপ, লামা ৩-এর বিতরণকৃত প্রশিক্ষণে, ৪০০জি এসআর৪ মডিউল ব্যবহার করা হয় জিপিইউগুলির মধ্যে কম-বিলম্বিত যোগাযোগ নিশ্চিত করার জন্য, ব্যবহার উন্নত করার জন্য।
অনুমানের পর্যায়: জেমিনি ২.৫ এর রিয়েল-টাইম প্রসেসিং ৩২০০ জিবিপিএস ডেটা ট্রান্সফার অর্জনের জন্য ৮০০জি এওসির উপর নির্ভর করে।
কেস স্টাডি: OpenAI-এর স্টারগেট ক্লাস্টারটি কাস্টম 800GbE NIC ব্যবহার করে, প্রতিটি GPU 8× OSFP পোর্ট দিয়ে সজ্জিত, যা 2× নেটওয়ার্ক কর্মক্ষমতা প্রদান করে। AMD-এর Vulcano NIC 800 Gbps থ্রুপুট প্রদান করে এবং UC 1.0 স্ট্যান্ডার্ড সমর্থন করে।
ওপেন সোর্স এবং স্কেলেবিলিটি: উদাহরণস্বরূপ, ডিপসিক ভি৩ আন্তঃসংযোগ অপ্টিমাইজ করার জন্য আরডিএমএ ব্যবহার করে, ব্রিজিং খরচ কমায়।
ব্যবহারিক স্থাপনার ক্ষেত্রে, এই আন্তঃসংযোগ প্রযুক্তিগুলি প্রায়শই একত্রে ব্যবহৃত হয়: DAC এবং AOC সংলগ্ন র্যাকের মধ্যে বা তার মধ্যে স্বল্প-প্রবাহের সংযোগের জন্য সবচেয়ে উপযুক্ত, যা কম খরচে, কম লেটেন্সি এবং স্কেলে সরলীকৃত কেবলিং প্রদান করে। অন্যদিকে, OSFP অপটিক্যাল মডিউলগুলি প্রাথমিকভাবে আন্তঃ-র্যাক বা এমনকি আন্তঃ-ডেটা হল সংযোগের জন্য স্থাপন করা হয়, যা দীর্ঘ দূরত্বে উচ্চতর ব্যান্ডউইথ, স্থিতিশীলতা এবং স্কেলেবিলিটি প্রদান করে। এই স্তরযুক্ত পদ্ধতি ডেটা সেন্টারগুলিকে খরচ, বিদ্যুৎ খরচ এবং কর্মক্ষমতা ভারসাম্য বজায় রাখতে সাহায্য করে, যার ফলে বৃহৎ-স্কেল AI ক্লাস্টারগুলির প্রশিক্ষণ এবং অনুমানের চাহিদাগুলিকে সমর্থন করে।
সংক্ষেপে, উন্নত AI মডেলের সাথে উচ্চ-গতির আন্তঃসংযোগ প্রযুক্তির একীকরণ ডেটা সেন্টার উদ্ভাবনের পরবর্তী যুগকে রূপ দিচ্ছে। 400G/800G আন্তঃসংযোগের সাথে সর্বশেষ AI মডেলগুলির সংমিশ্রণ কেবল প্রযুক্তিগত সমন্বয়ই প্রদর্শন করে না বরং AI বাস্তুতন্ত্রে অবকাঠামোর গুরুত্বপূর্ণ ভূমিকাও তুলে ধরে। আন্তঃসংযোগ প্রযুক্তি কেবল কৃত্রিম বুদ্ধিমত্তার একটি সহায়ক উপাদান নয় - এটি এর ভবিষ্যতের উন্নয়নের ভিত্তি।
