ورک استیشن هوش مصنوعی Lenovo ThinkStation PGX

ورک استیشن هوش مصنوعی Lenovo ThinkStation PGX یک سیستم رومیزی تخصصی برای توسعه و اجرای محلی هوش مصنوعی است که بر پایه NVIDIA GB10 Grace Blackwell ساخته شده است. این پلتفرم پردازنده 20 هسته‌ای Arm و GPU نسل Blackwell را با 128 گیگابایت حافظه یکپارچه LPDDR5x ترکیب می‌کند. توان پردازش AI تا 1 PFLOP در FP4، شبکه پرسرعت و فرم‌فاکتور کوچک باعث می‌شود Lenovo ThinkStation PGX برای توسعه مدل‌های زبانی، هوش مصنوعی مولد، بینایی ماشین، تحلیل داده و ساخت نمونه اولیه محصولات AI گزینه‌ای جدی برای میز کار توسعه باشد.

معماری NVIDIA GB10 در Lenovo ThinkStation PGX

هسته اصلی Lenovo ThinkStation PGX سوپرچیپ NVIDIA GB10 Grace Blackwell است. CPU شامل 10 هسته Cortex-X925 و 10 هسته Cortex-A725 است و در کنار GPU معماری Blackwell کار می‌کند. Tensor Coreهای نسل پنجم برای بارهای AI و ارتباط پرسرعت CPU و GPU برای جابه‌جایی داده طراحی شده‌اند. این معماری به توسعه‌دهنده اجازه می‌دهد مراحل مختلفی مانند آماده‌سازی داده، استنتاج، ارزیابی مدل و آزمایش‌های تکرارشونده را روی یک دستگاه محلی انجام دهد. برای آموزش‌های بسیار بزرگ همچنان ممکن است زیرساخت چند GPU یا دیتاسنتری لازم باشد.

حافظه یکپارچه 128 گیگابایتی

یکی از نقاط مهم این پلتفرم، 128 گیگابایت حافظه یکپارچه LPDDR5x با رابط 256 بیتی و پهنای باند حدود 273GB/s است. در این طراحی CPU و GPU به یک فضای حافظه مشترک دسترسی دارند و محدودیت جدایی RAM سیستم و VRAM کارت گرافیک کمتر می‌شود. این ویژگی برای مدل‌های زبانی و مولد که مصرف حافظه بالایی دارند اهمیت دارد. اندازه واقعی مدلی که می‌توان اجرا کرد به نوع مدل، کوانتیزیشن، طول Context، فریم‌ورک و تنظیمات نرم‌افزار وابسته است، اما ظرفیت 128GB برای کار محلی فضای قابل‌توجهی فراهم می‌کند.

اجرای محلی AI و کنترل داده

ورک استیشن هوش مصنوعی Lenovo ThinkStation PGX برای تیم‌هایی کاربردی است که می‌خواهند مدل و داده را تا حد امکان در محیط خود نگه دارند. اجرای محلی می‌تواند وابستگی به سرویس ابری را در مرحله توسعه و آزمایش کاهش دهد و تکرارهای سریع‌تر ایجاد کند. توسعه‌دهنده می‌تواند Notebook، مدل، دیتاست و ابزارهای کدنویسی را روی همان سیستم اجرا کند و بلافاصله نتیجه تغییرات را بررسی کند. این روش برای ساخت Proof of Concept، توسعه Agent، استنتاج، پردازش متن و تصویر و آزمایش مدل‌های مولد مناسب است. برای پروژه‌های تولیدی بسیار بزرگ، زیرساخت ابری یا سروری همچنان می‌تواند مکمل این دستگاه باشد.

ذخیره‌سازی، شبکه و نرم‌افزار

در این مدل SSD یک یا چهار ترابایتی M.2 NVMe در نظر گرفته شده و شبکه 10GbE و NVIDIA ConnectX-7 برای انتقال سریع داده و ارتباط حرفه‌ای در دسترس هستند. Wi‑Fi 7 و Bluetooth 5.3 نیز اتصال بی‌سیم را پوشش می‌دهند. محیط نرم‌افزاری این محصول NVIDIA DGX OS است و اکوسیستم NVIDIA شامل CUDA، PyTorch، TensorFlow، Jupyter و کتابخانه‌های شتاب‌یافته برای توسعه AI قابل استفاده است. از آنجا که CPU این پلتفرم Arm است، اگر نرم‌افزار اختصاصی سازمان فقط نسخه x86 داشته باشد، سازگاری آن باید پیش از خرید بررسی شود.

ویژگی متمایز این مدل

ThinkStation PGX نخستین ورک استیشن Lenovo است که با NVIDIA GB10 Grace Blackwell شتاب می‌گیرد و مشخصاً برای توسعه هوش مصنوعی طراحی شده است. Lenovo در اسناد PSREF علاوه بر 10GbE، دو درگاه QSFP با ظرفیت 200Gbps برای هر درگاه را ثبت کرده و اتصال دو سیستم PGX را برای افزایش مقیاس کاری در نظر گرفته است. ابعاد 150 در 150 در 50.5 میلی‌متر و وزن حدود 1.2 کیلوگرم، آن را به یک نود محاسباتی بسیار کوچک تبدیل می‌کند. این مدل برای توسعه‌دهندگانی جذاب است که استانداردهای سخت‌افزاری خانواده ThinkStation را در کنار اکوسیستم NVIDIA می‌خواهند.

چه زمانی انتخاب مناسبی است؟

ورک استیشن هوش مصنوعی Lenovo ThinkStation PGX برای توسعه‌دهندگان AI، پژوهشگران، متخصصان داده، تیم‌های محصول و دانشگاه‌ها مناسب است؛ به‌خصوص زمانی که اجرای محلی LLM، مدل‌های مولد، پردازش تصویر یا ساخت نمونه اولیه در برنامه کاری قرار دارد. اگر نرم‌افزار شما به کارت‌های توسعه PCIe متعدد، چند GPU مجزا یا Windows x86 وابسته است، یک ورک استیشن Tower می‌تواند انعطاف بیشتری بدهد. در مقابل، وقتی اندازه کوچک، حافظه یکپارچه 128GB، اکوسیستم NVIDIA و اتصال شبکه سریع اولویت دارند، Lenovo ThinkStation PGX می‌تواند بخش مهمی از چرخه توسعه را مستقیماً روی میز کار منتقل کند.

خرید ورک استیشن هوش مصنوعی Lenovo ThinkStation PGX

پیش از خرید ورک استیشن هوش مصنوعی Lenovo ThinkStation PGX بهتر است اندازه مدل‌ها، حجم دیتاست، ظرفیت SSD و نرم‌افزارهای اصلی مشخص شوند. اگر قرار است فایل‌های حجیم روی NAS یا میان چند نود جابه‌جا شوند، 10GbE و ConnectX-7 اهمیت بیشتری پیدا می‌کنند. سازگاری ابزارهای اختصاصی با معماری Arm نیز باید کنترل شود. انتخاب این محصول زمانی منطقی‌تر است که از توان GB10 و حافظه 128 گیگابایتی به‌صورت مستمر در توسعه، تست یا استنتاج استفاده شود؛ در این حالت سیستم می‌تواند یک ایستگاه AI محلی قدرتمند و کم‌حجم باشد.

سوالات متداول