7 دقیقه
یک استارتاپ آمریکایی با پشتیبانی صندوق Gates Frontier متعلق به بیل گیتس، از یک پردازنده تجربی هوش مصنوعی رونمایی کرده که بهجای الکترونها با نور کار میکند. شرکت Neurophos ادعا میکند این تراشه نوری میتواند بهطور قابلتوجهی در کارایی محاسبات و بهرهوری انرژی پیشرفت ایجاد کند و مسیر جایگزینی برای مقیاسدهی مدلهای هوش مصنوعی فراتر از محدودیتهای مرسوم تراشههای سیلیکونی مبتنی بر GPU ارائه دهد.
از الکترون تا فوتون: رویکردی متفاوت در محاسبه
بهجای هدایت الکترونها از طریق ترانزیستورها، طراحی Neurophos محاسبات را با فوتونها انجام میدهد. نور بهسرعت قابل تعویض است و نسبت به جریان بار الکتریکی در سیلیکون گرمای کمتری تولید میکند؛ این ویژگی بهصورت نظری امکان عبور داده با توان عملیاتی بالاتر و مصرف توان کمتر را فراهم میسازد. این شرکت میگوید که یکی از موانع بزرگ محاسبات نوری را با کوچکسازی قطعات اپتیکی تا چگالیای که با خطوط تولید تراشههای فعلی سازگار است، پشت سر گذاشته است؛ بهطوری که بهجای اتکا به هستههای الکترونیکی متعدد و کوچک، یک ماتریس محاسباتی بسیار بزرگ نوری را روی یک چیپ قرار دادهاند.
این چه تفاوتی با تراشههای هوش مصنوعی امروز دارد
تراشههای مرسوم هوش مصنوعی، از جمله محصولات انویدیا و دیگر سازندگان GPU، محاسبات اصلی ریاضی شبکههای عصبی را روی مدارهای الکترونیکی انجام میدهند. برخی بازیگران حوزه سختافزار از فتونیک برای تسریع ارتباط بین چیپها و خطوط انتقال داده (inter-chip communication) استفاده میکنند، اما خود عملیات ریاضی عمدتاً با الکترونها انجام میشود. هدف Neurophos ارائه محاسبات واقعی نوری است؛ یعنی انجام عملیات ماتریسی اصلی شبکههای عصبی بهوسیله فوتونها. در صورت موفقیت، این رویکرد میتواند توازن مصرف انرژی و عملکرد را که مراکز داده امروز با آن دستوپنجه نرم میکنند، تغییر دهد و گزینهای نو برای «تراشه هوش مصنوعی» یا «تراشه نوری» در اکوسیستم سختافزار فراهم آورد.
- سرعت سوییچ بالاتر: فوتونها قادرند وضعیتها را سریعتر از الکترونها تغییر دهند که این امر برای برخی از عملیات قابلتبدیل به نرخهای شبیهساعت (clock-like rates) بالاتر امکانپذیر است، هرچند ماهیت موازی و آنالوگ برخی عملیات نوری با ساعتهای دیجیتال سنتی تفاوت دارد.
- تولید گرمای کمتر: انتشار گرمای کاستهشده از منابع اتلافی میتواند نیاز به سیستمهای خنککننده پرهزینه در مقیاس مراکز داده را کاهش دهد و کارایی انرژی برای استقرارهای بزرگمقیاس استنتاج (inference) یا آموزش را بهبود بخشد.
- پارچهسازی محاسباتی متراکمتر: قرار دادن یک ماتریس محاسباتی بزرگ نوری روی یک تراشه ممکن است حرکت دادهها درون چیپ را سادهتر کند، در مقایسه با معماریهای توزیعشده با هستههای الکترونیکی متعدد که نیاز به هماهنگی و تبادل داده پیچیده دارند.
بررسی واقعیت: موانع فنی و مهندسی هنوز زیاد است
با وجود ادعاهای جسورانه، Neurophos با سالها کار مهندسی تا رسیدن به تولید انبوه روبهرو است. مؤلفههای نوری رفتار متفاوتی نسبت به ترانزیستورها دارند: نوسانپذیری سیگنال، نویز فتوونیک، حساسیت به دما، و تغییرات فرآیند ساخت میتوانند عملکرد را تحت تأثیر قرار دهند. علاوه بر سختافزار، زنجیره ابزار نرمافزاری—از کامپایلرها گرفته تا چارچوبهای بهینهسازی و کتابخانههای ریاضی—باید بازطراحی یا حداقل تطبیق داده شوند تا از عملیات نوری پشتیبانی کنند. مجموعههای اعتبارسنجی (validation suites)، آزمون پایداری طولانیمدت، و استانداردهای قابل اطمینانسازی برای مراکز داده نیز نیاز به توسعه دارند تا اطمینان حاصل شود که ماژولهای نوری در محیط عملیاتی و در مقیاس تجاری قابل اعتماد هستند.
ادغام با اکوسیستم فعلی مراکز داده نیز چالشبرانگیز است: هماهنگی با پروتکلهای ارتباطی، سازگاری با نرمافزارهای مدیریت منابع، و تضمین پشتیبانی برای چارچوبهای هوش مصنوعی شناختهشده (مانند TensorFlow، PyTorch و کتابخانههای سطح پایینتر) نیازمند کار مهندسی عمیق است. بنابراین گرچه فناوری نویدبخش است، جایگزینی فوری GPUهای مرسوم را نباید انتظار داشت؛ این یک مسیر تدریجی خواهد بود که احتمالاً با معماریهای ترکیبی (hybrid) و شتابدهندههای نوری تخصصی آغاز میشود.
با این حال، پشتیبانی صندوق Gates Frontier و شایعات صنعتی — که نخستینبار توسط وبسایت Tom's Hardware گزارش شد — نشان میدهد بازار و سرمایهگذاران بهدنبال گزینههایی برای غلبه بر محدودیتهای مقیاسپذیری سیلیکون هستند. تصور جایگزینی رکهای استنتاج پرمصرف با ماژولهای فشرده نوری که هزینه برق و حرارت تولیدی را کاهش میدهند ممکن است امروز دورنمایی آیندهنگرانه به نظر برسد، اما استارتاپهایی مانند Neurophos با توسعه فناوری فتونیک محاسباتی این آینده را بهتدریج نزدیکتر میکنند.
چه کسی در رقابت تراشه پیروز میشود؟
انویدیا همچنان بازیگر غالب بازار است و بهاحتمال زیاد برای سالهای آینده به دلیل پختگی اکوسیستم، پشتیبانی نرمافزاری گسترده و مقیاس تولید باقی خواهد ماند. اکوسیستم انویدیا شامل ابزارهای توسعه، کتابخانههای بهینهشده، و حمایت گسترده از شرکتهای بزرگ و مراکز تحقیقاتی است که مزیتی رقابتی قوی ایجاد میکند. با این حال محاسبات نوری میتواند بهعنوان فناوری مکمل و تخصصی رشد کند: شتابدهندههای نوری ویژه برای استنتاج یا بارهای کاری خاص ماتریسهای بزرگ ممکن است همزیستی با GPUهای الکترونیکی برای آموزش عمومی و تضمین سازگاری را فراهم کنند.
مسئله اصلی کمتر در مورد سقوط فوری بازیگری مشخصی است و بیشتر درباره چگونگی تحول چشمانداز سختافزار هوش مصنوعی در دهه آینده است. فتونیک میتواند معیارهای عملکرد و مصرف توان را بازتعریف کند؛ این بازتعریف شامل افزایش نرخ محاسبه برای عملیات ماتریسی گسترده، کاهش هزینه کلی مالکیت (TCO) برای مراکز داده، و ایجاد طراحیهای نوین سختافزاری خواهد بود. بازیگران مختلف — از شرکتهای سنتی تراشهسازی تا استارتاپهای نوظهور و صندوقهای سرمایهگذاری خطرپذیر — نقش متفاوتی در این تحول خواهند داشت و احتمالاً شاهد بهوجود آمدن زنجیره تأمین، استانداردها و چارچوبهای جدیدی خواهیم بود.
برای درک بهتر پیامدها، باید چند جنبه فنی و بازار را همزمان در نظر گرفت: عملکرد عملیاتی در دنیای واقعی (نه تنها در آزمایشگاه)، هزینه تولید در تیراژ انبوه، قابلیت برنامهپذیری و سازگاری با نرمافزارهای فعلی، و مسیر تجاریسازی در مراکز داده. علاوه بر این، استانداردسازی سطح سیگنالها، روشهای اندازهگیری عملکرد و معیارهای مقایسه با GPUهای الکترونیکی از جنبههایی هستند که تعیین میکنند فناوریهای نوری چگونه و چه زمانی وارد جریان اصلی بازار خواهند شد.
چند سناریو محتمل وجود دارد: در سناریوی محافظهکارانه، شتابدهندههای نوری تخصصی برای مصارف خاص (مثلاً استنتاج مدلهای بسیار بزرگ یا اجرای برخی ضربهای ماتریسی با بهرهوری بالا) در کنار GPUها بهکار گرفته میشوند. در سناریوی میانی، ترکیب ماژولهای نوری با زیرساختهای الکترونیکی منجر به پلتفرمهای هیبریدی میشود که بخشهایی از محاسبات را بهصورت نوری و بخشهایی را الکترونیکی انجام میدهند. در سناریوی تهاجمیتر، پیشرفتهای ساخت، کنترل خطا و استانداردهای نرمافزاری میتواند راه را برای جایگزینی گستردهتر در برخی بازارها باز کند؛ هرچند این مسیر زمانبر و پرهزینه است.
در کوتاهمدت، تمرکز بازار احتمالاً روی کاربردهایی خواهد بود که بیشترین نفع انرژی و عملکرد را از محاسبات نوری میبرند: مراکز داده ابر برای استنتاج مدلهای بزرگ، شبکههای تحلیلی زمان واقعی با نیاز بالا به توان عملیاتی ماتریسی، و برنامههای تخصصی علمی یا مالی که به عملیات شمارشی گسترده نیاز دارند. در طولانیمدت، اگر نقاط ضعف فنی برطرف شوند و زنجیره تأمین بهصرفه شود، بازار میتواند گستردهتر شود و اثرات آن در مقیاس وسیعتری مشاهده شود.
منبع: gizmochina
نظرات
نووا_ژ
زیاد هایپ شده بنظر میاد، ولی سرمایه گیتس خب جدیه. منو کنجکاو کرد، امیدوارم استانداردها هم بیان.
پمپزون
من تو یه دیتاسنتر کار نکردم ولی با کم شدن سرمایش، هزینهها خیلی پایین میاد اگه Neurophos واقعا قابل تولید انبوه باشه، میتونه بازی رو عوض کنه، هرچند مسیر طولانیه.
آرمین
این ادعاها قشنگه، اما جدی میخوام بدونم نویز فوتونیک و حساسیت دما رو چطور کنترل میکنن؟ اطلاعات عملیاتی منتشر کنن، بس!
لابکور
معقول به نظر میاد، مخصوصا کاهش گرما و مصرف برق. ولی باید دید قیمت تولید چی میشه، عجله نکنیم.
دیتاپالس
وااای، فکر نمیکردم فوتونها اینقدر سرنوشتِ محاسبات رو تغییر بدن… اگه واقعا انرژی و گرما کم بشه، دیتاسنترها انقلاب میکنن، ولی هنوز شک دارم، کلی چالش مونده.
ارسال نظر