uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Teksti: Semiconductor Industry Perspective

"Laskintatehoon" liittyvät teollisuudenalat ovat jatkaneet nousuaan viime aikoina, ja myös älykkäiden laskentakeskusten rakentaminen kukoistaa kaikkialla.

Vuoteen 2024 mennessä Wuchangin älykäs laskentakeskus, China Mobilen älykäs laskentakeskus (Qingdao), Etelä-Kiinan Data Valleyn älykäs laskentakeskus, Zhengzhoun tekoälyn laskentakeskus, Broad Data Shenzhen Qianhai älykäs laskentakeskus jne. ovat aloittaneet rakentamisen tai otettu tuotantoon.

Epätäydellisten tilastojen mukaan eri puolilla maata on tällä hetkellä yli 30 kaupunkia, jotka rakentavat tai aikovat rakentaa älykkäitä laskentakeskuksia, joiden investointiaste on yli 10 miljardia juania.

Mikä älykäs laskentakeskus oikein on? Mihin älykästä laskentakeskusta pääasiassa käytetään? Mitkä ovat älykkäiden laskentakeskusten ominaisuudet?

Mikä on älykäs laskentakeskus?

"Action Plan for High Quality Development of Computing Infrastructure" määritelmän mukaan älykkäät laskentakeskukset tarkoittavat laajamittaisten heterogeenisten laskentaresurssien käyttöä, mukaan lukien yleinen laskentateho (CPU) ja älykäs laskentateho (GPU, FPGA, ASIC jne.), pääasiassa tilat, jotka tarjoavat tarvittavaa laskentatehoa, dataa ja algoritmeja tekoälysovelluksiin (kuten tekoälyn syväoppimismallin kehittäminen, mallikoulutus, mallin päättely ja muut skenaariot).

Voidaan myös sanoa, että älykäs laskentakeskus on tietokeskus, joka keskittyy tekoälyn laskentatehtäviin.

Tietokeskukset sisältävät yleensä kolme luokkaa Älykkäiden laskentakeskusten lisäksi kaksi muuta ovat yleisiä laskentakeskuksia, jotka keskittyvät yleisiin laskentatehtäviin, ja superlaskentakeskuksia, jotka keskittyvät superlaskentatehtäviin.

Vuosi 2023 on tärkeä käännevuosi tekoälyn kehityksessä tietokonehuoneet yleisiin laskentakeskuksiin, kehitetty nykyiseen superlaskentakeskukseen ja älykkääseen laskentakeskukseen.

Mitä eroa on älykkäällä laskentakeskuksella ja yleisellä datakeskuksella?

Älykkäät laskentakeskukset, jotka yleensä liittyvät läheisesti pilvilaskentaan, korostavat resurssienhallinnan ja infrastruktuurin hallinnan joustavuutta. Pilviympäristössä konesalin tarjoaja vastaa laitteiston ja tiettyjen ohjelmistotyökalujen ylläpidosta, kun taas asiakas omistaa tiedot. Perinteiset paikalliset datakeskukset sitä vastoin edellyttävät yrityksiltä itse kaikkien tietoresurssien hallintaa ja ylläpitoa.

Olennaiset erot johtavat suuriin eroihin näiden kahden mallin välillä pääomasijoittamisen, resurssien käytön ja turvallisuuden suhteen.

Pääomasijoitusten osalta älykkäiden laskentakeskusten asiakkaat voivat valita itselleen sopivan palvelumallin, kuten julkisen pilven, yksityisen pilven tai hybridipilven, ilman suuria laitteisto- ja ohjelmistokustannuksia, kun taas perinteisten palvelinkeskusten asiakkaiden on investoitava paljon ostaa ja ylläpitää tarvitsemasi palvelimet, verkko- ja tallennuslaitteet.

Resurssien käyttöönoton ja turvallisuuden kannalta älykkään laskentakeskuksen asiakkaat voivat käyttää ja hallita tietojaan ja sovelluksiaan Internetin kautta milloin ja missä tahansa palomuurit, salaus, varmuuskopiointi ja palautus jne., kun taas perinteisten datakeskusten asiakkaita rajoittavat toimistot/määrätyt paikat, ja heidän on suojattava ja hallinnoitava tietoja itse.

Älykäs laskentakeskus on yksinkertaisesti tietolaskentakeskus, joka palvelee nimenomaan tekoälyä ja pystyy tarjoamaan tekoälyn laskemiseen tarvittavan laskentatehon. Perinteisiin datakeskuksiin verrattuna älykkäät laskentakeskukset voivat täyttää kohdistetuimmat tarpeet, niillä on suurempi laskentamäärä ja nopeammat laskentanopeudet, ja ne tarjoavat tekoälynlaskentaa erilaisille vertikaalisille teollisuuden skenaarioille, kuten suurille mallikoulutuspäätelmille, autonomiselle ajolle ja AIGC-voimalle.

Millaisia ​​siruja tarvitaan älykkään tekoälyn laskentaan?

Älykkäiden laskentakeskusten laitteistoarkkitehtuuri eroaa myös laitteistovalinnalla perinteisistä palvelinkeskuksista.

Millaisia ​​laskentapiirejä tarvitaan älykkään tekoälyn laskentaan?

Perinteisten datakeskusten laitteistoarkkitehtuuri on suhteellisen yksinkertainen, sisältäen pääasiassa palvelimia, tallennuslaitteita ja verkkolaitteita. Tähän laitteistoarkkitehtuuriin verrattuna älykäs laskentakeskus on joustavampi ja eri sovellusskenaarioihin valitaan erilaisia ​​laskentasolmuja.

Älykäs laskentapalvelin on älykkään laskentakeskuksen tärkein laskentalaitteisto. Se käyttää tavallisesti heterogeenista laskenta-arkkitehtuuria "CPU+GPU", "CPU+NPU" tai "CPU+TPU" antaakseen täyden pelin suorituskyvylle, kustannuksille ja. erilaisten laskentasirujen suorituskyky. Edut energiankulutuksessa.

GPU:ssa, NPU:ssa ja TPU:ssa on suuri määrä ytimiä ja ne ovat hyviä rinnakkaislaskennassa. Tekoälyalgoritmit sisältävät suuren määrän yksinkertaisia ​​matriisitoimintoja ja vaativat tehokkaita rinnakkaislaskentaominaisuuksia.

Perinteiset yleiskäyttöiset palvelimet käyttävät CPU:ta pääsiruna tukemaan yleistä peruslaskentaa, kuten pilvilaskentaa ja reunalaskentaa.

Millaisia ​​muistisiruja tarvitaan älykkään tekoälyn laskentaan?

Sen lisäksi, että laskentatehon sirut eivät ole erilaisia, älykäs tekoälyn laskenta vaatii myös korkeampia muistisiruja.

Ensimmäinen on annostus. Älykkäiden laskentapalvelimien DRAM-kapasiteetti on yleensä 8 kertaa tavallisten palvelimien kapasiteetti ja NAND-kapasiteetti on 3 kertaa tavallisten palvelimien kapasiteetti. Jopa sen PCB-piirilevyssä on huomattavasti enemmän kerroksia kuin perinteisessä palvelimessa.

Tämä tarkoittaa myös sitä, että älykkäiden tietojenkäsittelypalvelimien on otettava käyttöön enemmän muistisiruja vaaditun suorituskyvyn saavuttamiseksi.

Kysynnän kasvaessa esiin tulee myös joukko pullonkauloja.

Toisaalta perinteinen von Neumannin arkkitehtuuri vaatii, että tiedot on ladattava muistiin, mikä johtaa alhaiseen tietojenkäsittelyn tehokkuuteen, korkeaan latenssiin ja korkeaan virrankulutukseen, toisaalta muistiseinäongelma saa prosessorin suorituskyvyn kasvamaan paljon nopeammin kuin muistin nopeus. Tämän seurauksena SSD:n ja muistin välillä on siirrettävä suuri määrä dataa, minkä lisäksi suorittimeen asennetun SSD:n kapasiteetin ja kaistanleveyden rajoitukset ovat muodostuneet suorituskyvyn pullonkauloiksi.

"Tallennusseinän" ja "virrankulutusseinän" kaltaisten ongelmien vuoksi perinteisen laskenta-arkkitehtuurin tietojenkäsittelyn tallennusarkkitehtuuria on päivitettävä pikaisesti Vain yhdistämällä tallennus ja tietojenkäsittely orgaanisesti se pystyy vastaamaan älykkään tietojenkäsittelyn aikakauden valtavaa datamäärää. ja sen valtavat energiatehokkuuden parantamisvaatimukset.

Vastauksena tähän ongelmasarjaan integroitu tallennus- ja laskentasiru voi olla hyvä vastaus.

Erilaisten sirujen lisäksi AI-palvelin on suunniteltu tehostetulla arkkitehtuurilla, lämmönpoistolla, topologialla ja muilla näkökohdilla, jotta suorituskyvylle voidaan antaa täysi peli ja varmistaa vakaa toiminta.

Kuka näitä siruja levittää?

Laskentatehosirujen asettelu

GPU-puolella GPU:t ovat hyviä massiivisessa rinnakkaislaskennassa. Huawei, Tianshu Zhixin, Moore Thread, Sugon, Suiyuan Technology, Nvidia, Intel, AMD jne. ovat kaikki julkaisseet liittyvät sirut. Esimerkiksi Huawei on julkaissut Ascend-sarjan tekoälysiruja, Ascend 910 ja Ascend 310. Nämä sirut on suunniteltu erityisesti tekoälyharjoitteluun ja päättelyyn, ja niissä on korkea suorituskyky ja alhainen virrankulutus. Ascend-sarjaa on käytetty laajalti datakeskuksissa, pilvipalveluissa, reunalaskennassa ja muilla aloilla, mikä tarjoaa tehokkaan laskentatehon tuen älykkäille laskentakeskuksille.

NVIDIA on julkaissut useita GPU-tuotteita tekoälykoulutukseen ja päättelyyn, kuten A100, H100 jne. Intel on myös tuonut markkinoille useita tekoälysirutuotteita, kuten Habana Labsin Gaudi-sirusarjan, tavoitteenaan kilpailla Nvidian kanssa. AMD on myös tehnyt suunnitelmia tekoälysirujen alalla ja lanseerannut MI-sarjan GPU- ja APU-tuotteita.

FPGA:n suhteen CPU+FPGA yhdistää joustavuuden ja korkean suorituskyvyn mukautuakseen nopeisiin algoritmien muutoksiin. Xilinx ja Intel ovat markkinoiden tärkeimmät toimijat: Xilinxin VIRTEX, KINTEX, ARTIX, SPARTAN tuotesarjat ja Intelin Agilex-tuotesarjat ovat Fudan Microelectronics, Unisoc Microelectronics ja Anlu Technology.

Mitä tulee ASIC:iin, CPU+ASIC tarjoaa korkean suorituskyvyn mukautettua tietojenkäsittelyä erityistarpeiden mukaan. Ulkomaiset jättiläiset, kuten Google, Intel ja NVIDIA, ovat peräkkäin julkaisseet ASIC-siruja. Kotimaiset valmistajat, kuten Cambrian, Huawei HiSilicon ja Horizon, ovat myös tuoneet markkinoille syvien hermoverkkojen kiihdytettyjä ASIC-siruja.

NPU:n suhteen NPU on prosessori, joka on erityisesti suunniteltu tekoäly- ja koneoppimisskenaarioihin. Prosessorista ja GPU:sta poiketen NPU on erityisesti optimoitu laitteistorakenteessa ja keskittyy tekoälyyn liittyvien laskentatehtävien, kuten hermoverkkojen päättelyn, suorittamiseen. CPU:n monipuolisuuden ja NPU:n spesifisyyden yhdistelmä mahdollistaa sen, että koko järjestelmä reagoi joustavasti erilaisiin tekoälysovellusskenaarioihin ja mukautuu nopeasti algoritmien ja mallien muutoksiin.

Markkinoilla on tällä hetkellä monia massatuotettuja NPU-moduuleilla varustettuja siruja. Tunnetuista niistä ovat muun muassa Qualcomm Hexagon NPU ja Huawein Ascend -sarja strategia.

TPU:n suhteen TPU on Googlen kehittämä siru, joka nopeuttaa syvän neuroverkkojen laskentatehoa. Se keskittyy enemmän laajamittaisten syväoppimistehtävien käsittelyyn, ja sillä on suurempi laskentateho ja pienempi latenssi. TPU on myös ASIC-siru.

DPU:n suhteen DPU on suunniteltu erityisesti tietojenkäsittelytehtäviin ja sillä on erittäin optimoitu laitteistorakenne, joka soveltuu tiettyjen alojen laskentatarpeisiin. Toisin kuin CPU, jota käytetään yleiseen tietojenkäsittelyyn ja GPU, jota käytetään kiihdytettyyn laskentaan, DPU on kolmas pääsiru datakeskuksessa. Kolmen kansainvälisen jättiläisen NVIDIAn, Broadcomin ja Intelin DPU-tuotteet vievät suurimman osan kotimarkkinoista Monet valmistajat, kuten Xilinx, Marvell, Pensando, Fungible, Amazon ja Microsoft, ovat myös tuottaneet DPU- tai vastaavia arkkitehtuurituotteita viimeisten 2- 5 vuotta. . Kotimaisia ​​valmistajia ovat Zhongke Yushu, Xinqiyuan, Yunbao Intelligence, Dayu Zhixin, Alibaba Cloud jne.

Mihin kotimaiset laskentapiirit ovat kadonneet?

Vuoden 2024 Beijing Mobile Computing Network -konferenssissa China Mobile Computing Centerin Pekingin solmu otettiin virallisesti käyttöön, mikä merkitsi uutta vaihetta kotimaani älykkään laskentakeskuksen rakentamisessa. Pekingin ensimmäisenä laajamittaisena koulutus- ja edistämisintegroituna älykkään laskentakeskuksena hanke kattaa noin 57 000 neliömetrin alueen, ottaa käyttöön lähes 4 000 tekoälykiihdytyskorttia, sen lokalisointiaste on 33 % tekoälysiruista ja siinä on älykäs laskenta. tehoasteikko yli 1000P.

Zhen Yanan, Beijing Beilong Super Cloud Computing Co., Ltd.:n, Beijing Super Cloud Computing Centerin toimintayksikön, teknologiajohtaja, sanoi äskettäin, että se "oksastaa" parhaillaan kotimaisia ​​suuria malleja kotimaisilla siruilla, ja se kestää vain noin 15 päivää. juosta läpi. Hän uskoo, että laskentatehon jakaminen tulee olemaan suuri trendi alalla, ja huippuluokan GPU-laskentaresurssit vaativat kaikkien osapuolten ponnisteluja.

Viime vuosina Kiinan tekoälyn laskentatehosirujen markkinarakennetta on hallinnut pääasiassa NVIDIA, jonka osuus markkinaosuudesta on yli 80 %.

Zhen Yanan sanoi: "Olemme myös erittäin huolissamme kotimaisten sirujen kehityksestä. On selvää, että kotimaisia ​​itse kehitettyjä suuria malleja ja jopa joitakin avoimen lähdekoodin suuria malleja siirretään jatkuvasti kotimaisille siruille. Nyt sirun käytön näkökulmasta jotkut malleissa on Se voidaan ajaa läpi, ja se, mitä pitää saada kiinni, on pääasiassa korkea suorituskyky, kuten GPU.

"Koko lokalisointi on hierarkkinen. Sirut kuuluvat laitteistokerrokseen. Lisäksi siellä on ohjelmistoekosysteemi. Kotimaisille siruille sekä kehys että ekosysteemi vaativat tietyn viljelysyklin Zhen Yanan pyysi lopullista sovellusosapuolta antamaan." tarpeeksi luottamusta kotimaisiin siruihin.

Muistisirun asettelu

Älykkäillä laskentakeskuksilla on oltava suuri kapasiteetti, korkea luotettavuus, korkea käytettävyys ja muita tallennusominaisuuksia. Tallennuslaitteet käyttävät yleensä korkean suorituskyvyn kiintolevyjä tai solid-state-asemia, ja ne on varustettu redundantilla tallennusarkkitehtuurilla tietojen turvallisuuden ja käytettävyyden varmistamiseksi. Samsungilla, Micronilla, SK Hynixillä jne. on vastaavia siruja, joita käytetään laajasti datakeskuksissa, pilvipalveluissa ja muilla aloilla tarjoamaan korkean suorituskyvyn tallennusratkaisuja älykkäille laskentakeskuksille.

Myös kotimaiset valmistajat ovat viime vuosina saavuttaneet nopeaa kehitystä DRAM- ja NAND-teknologian perässä.

Älykkäät laskentakeskukset tarvitsevat perinteisten muistisirujen lisäksi myös edellä mainittuja uusia tallennus-tallennus-laskenta-integroituja siruja saadakseen suuremman roolin.

Integroidun tallennustilan ja tietojenkäsittelyn kehityshistorian perusteella vuodesta 2017 lähtien suuret valmistajat, kuten NVIDIA, Microsoft ja Samsung, ovat ehdottaneet integroidun tallennustilan ja tietojenkäsittelyn prototyyppejä.

Suurten valmistajien vaatimus integroidulle tallennus- ja laskentaarkkitehtuurille on käytännöllistä ja nopeaa toteuttaa. Lähes muistin käyttämisestä on tullut tekniikan toteutusta lähinnä suurten valmistajien ykkösvalinta. Tärkeimmät valmistajat, joilla on rikkaat ekosysteemit, kuten Tesla ja Samsung, sekä perinteiset siruvalmistajat, kuten Intel ja IBM, ottavat kaikki käyttöön lähes muistia käyttävän tietojenkäsittelyn.

Kotimaiset start-upit keskittyvät muistin sisäiseen laskentaan, joka ei vaadi kehittynyttä prosessiteknologiaa. Heidän joukossaan startup-yritykset, kuten Zhicun Technology, Yizhu Technology ja Jiutian Ruixin, lyövät vetoa PIM:n, CIM:n ja muiden teknologiareittien puolesta, jotka yhdistävät tallennustilan ja tietojenkäsittelyn tiiviimmin "tallennustilaan" ja "laskentaan". Yizhu Technology, Qianxin Technology jne. keskittyvät tekoälyn suuriin laskentatehoskenaarioihin, kuten suuriin mallilaskelmiin ja autonomiseen ajoon, Shanyi, Xinyi Technology, Pingxin Technology, Zhicun Technology jne. Skenaariot, kuten marginaalinen laskentateho.

Yizhu Technology on sitoutunut suunnittelemaan tehokkaat tekoälypiirit käyttämällä integroitua tallennus- ja laskentaarkkitehtuuria. Ensimmäistä kertaa se yhdistää Memristor ReRAMin integroidun tallennus- ja laskenta-arkkitehtuuriin. Se tarjoaa paremman ratkaisun Nykyisessä teollisessa rakenteessa suuret laskentatehopiirit, joilla on kustannustehokkuus, korkeampi energiatehokkuus ja enemmän tilaa laskentatehon kehittymiselle, ovat ottaneet uuden kehityksen polun.

Qianxin Technology keskittyy suurten laskentatehon tallennus- ja laskentapiirien sekä laskentaratkaisujen tutkimukseen ja kehittämiseen tekoälyn ja tieteellisen laskennan aloille Vuonna 2019 se ehdotti ensimmäisenä uudelleenkonfiguroitavaa tallennus- ja laskentateknologian tuotearkkitehtuuria. Verrattuna muihin yrityksiin laskennan suorituskyvyn suhteen perinteisiä AI-siruja voidaan parantaa 10-40 kertaa. Tällä hetkellä Qianxin Technologyn uudelleenkonfiguroitavaa tallennus- ja tietojenkäsittelypiiriä (prototyyppiä) on kokeiltu tai otettu käyttöön pilvitekniikassa, autonomisessa ajohavainnoissa, kuvien luokittelussa, rekisterikilpien tunnistamisessa ja muilla aloilla läpäisi ensimmäisenä Kiinassa suurten Internet-yritysten sisäiset testaukset.

Zhicun Technologyn suunnitelmana on suunnitella muisti uudelleen, käyttää Flash-muistin tallennuskennojen fyysisiä ominaisuuksia, muuttaa tallennusryhmä ja suunnitella oheispiirit uudelleen niin, että siihen mahtuu enemmän dataa, ja samalla tallentaa operaattorit muistiin niin, että jokainen Yksikkö voi suorittaa simulaatiotoimintoja ja tulostaa suoraan operaatiotulokset tallennuksen ja laskennan yhdistämisen tavoitteen saavuttamiseksi.

Älykkään tietojenkäsittelyn osuus on yli 30 % mittakaavasta, ja laskentatehon rakentaminen on täydessä vauhdissa

Heinäkuun alussa Tianfu Intelligence Southwest Computing Center otettiin virallisesti käyttöön Chengdussa, Sichuanissa. Raporttien mukaan keskus käyttää laskentatehoa tukemaan Chengdun 100 miljardin tason tekoälyn ydinteollisuuden luomista ja vahvistamaan tekoälyinnovaatioita sellaisilla aloilla kuin teollinen valmistus, luonnontieteet, biolääketiede ja tieteellisen tutkimuksen simulaatiokokeet.

Tämä ei ole yksittäistapaus. Viime kuussa Yinchuan Green Intelligent Computing Center -projekti on alkanut intensiivisesti Beijing Mobile on rakentanut Pekingiin ensimmäisen laajan koulutus- ja edistämisintegroidun älykkään laskentakeskuksen tukemaan kymmeniä miljardeja ja satoja miljardeja suuria mallikoulutuksia ja perusteluja. korkea monimutkaisuus ja korkeat laskentavaatimukset Zhengzhou Tekoälyn laskentakeskuksen rakentaminen on aloitettu, ja sen kokonaisinvestointi on yli 1,6 miljardia yuania... Älykkään laskentakeskuksen edustama uusi digitaalinen infrastruktuuri kiihdyttää rakentamista ja käyttöönottoa.

Tilastokeskuksen 15. heinäkuuta julkaisemat tiedot osoittivat, että toukokuun loppuun mennessä oli rakennettu 460 000 5G-tukiasemaa eri puolille maata, joissa on korkean suorituskyvyn tietokoneklustereita ja älykästä laskentatehoa. osuus kokonaislaskentatehosta oli yli 30 %.

China IDC Circlen epätäydellisten tilastojen mukaan Manner-Kiinassa on 23. toukokuuta 2024 283 älykästä laskentakeskusta, jotka kattavat kaikki Manner-Kiinan provinssit, autonomiset alueet ja kunnat. Niiden joukossa on 140 älykästä laskentakeskusprojektia investointitilastoilla, joiden kokonaisinvestointi on 436,434 miljardia yuania. Älykkäitä laskentakeskushankkeita on suunniteltu 177 laskentatehomittakaavatilastoineen, ja kokonaislaskentateho on 369 300 PFloppia.

Näillä "älykkäillä laskentakeskuksilla" on erilaiset standardit ja mittakaavat. Laskentatehomittakaava on yleensä 50P, 100P, 500P, 1000P, ja jotkut jopa yli 12000P:n avulla. tarjonta ja kysyntä Yhteensopimattomuus, korkeat hinnat ja päällekkäinen rakentaminen ovat edelleen ongelmia maani laskentatehon rakentamisessa.

Samaan aikaan monilla paikoilla on myös otettu käyttöön erityissuunnitelmia lähivuosien rakentamisen tavoitteiden selkeyttämiseksi ja tukitoimenpiteiden parantamiseksi niin teknologian, sovelluksen kuin rahoituksenkin osalta. Esimerkiksi Jiangsu julkaisi erityissuunnitelman maakuntien laskentatehoinfrastruktuurin kehittämiseksi, ja siinä ehdotetaan, että vuoteen 2030 mennessä provinssin käytössä oleva kokonaislaskentateho ylittää 50 EFLOPS (EFLOPS tarkoittaa 10 miljardia liukulukuoperaatiota sekunnissa), ja älykäs. laskentatehon osuus on yli 45 %. Gansu ehdottaa poliittisen tuen tarjoamista uudelle laskentaverkkoinfrastruktuurille maankäytön, kunnallisten tukilaitosten rakentamisen, lahjakkuuksien käyttöönoton ja rahoituksen osalta.

"Sovellusten, kuten tekoälyn suurten mallien räjähdysmäinen kehitys on johtanut älykkään laskentatehon kysynnän kasvuun, Kansallisen tietokeskuksen tietotekniikan ja teollisen kehityksen osaston johtaja Shan Zhiguang sanoi, että älykäs tietojenkäsittely on kehittynyt nopeasti." ja siitä on tullut maani laskentatehorakenteessa nopeimmin kasvava. Niiden joukossa suuret mallit ovat suurin älykkään laskentatehon vaatija, ja niiden osuus kysynnästä on lähes 60 prosenttia. Vuoteen 2027 mennessä Kiinan älykkään laskentatehon vuotuisen yhdistetyn kasvuvauhdin odotetaan nousevan 33,9 prosenttiin.