آناتک بر اساس داده‌های «بازی‌خیز‌های ۱۴۰۲» گزارش می‌دهد
مطالبه ۱۳۲ نهاد از اتحادیه اروپا برای مهار پلتفرم‌ها
گوگل نسل هشتم پردازنده‌های هوش مصنوعی خود را قدرتمندتر کرد
به گزارش خبرگزاری آنا؛ گوگل در ادامه توسعه تراشه‌های اختصاصی هوش مصنوعی خود، ۲ سامانه جدید از نسل هشتم پردازنده‌های TPU را معرفی کرده است که برای پاسخ‌گویی به نیاز‌های متفاوت مراکز داده و شرکت‌های فعال در حوزه هوش مصنوعی طراحی شده‌اند. این محصولات نسخه‌های توسعه‌یافته‌ای از فناوری‌های موجود گوگل هستند و برخلاف نسل‌های کاملاً جدید تراشه، بیشتر بر تغییر ساختار پردازشی، حافظه و امکانات امنیتی تمرکز دارند. گوگل در فروردین‌ماه امسال ۲ سامانه TPU ۸t و TPU ۸i را معرفی کرده بود که به‌ترتیب برای آموزش مدل‌های بزرگ و اجرای سریع درخواست‌های هوش مصنوعی طراحی شده‌اند. اکنون با اضافه شدن ۲ مدل دیگر، تعداد سامانه‌های معرفی‌شده این نسل به ۴ مورد رسیده است؛ اتفاقی که برای نخستین بار در یک سال برای خانواده TPU گوگل رخ می‌دهد.
پردازنده‌های TPU یا واحد‌های پردازش تنسور، تراشه‌های اختصاصی گوگل برای اجرای محاسبات هوش مصنوعی هستند که توسعه آن‌ها بیش از یک دهه قبل آغاز شد. این شرکت در ابتدا از چنین پردازنده‌هایی برای خدماتی مانند تشخیص گفتار و ترجمه ماشینی استفاده می‌کرد، اما با گسترش مدل‌های هوش مصنوعی، کاربرد آن‌ها به آموزش و اجرای مدل‌های پیشرفته‌ای مانند جمینای افزایش یافت. اکنون این تراشه‌ها علاوه بر استفاده داخلی گوگل، در زیرساخت گوگل کلود نیز در اختیار مشتریان سازمانی قرار می‌گیرند و برخی شرکت‌ها می‌توانند آن‌ها را در مراکز داده اختصاصی خود مستقر کنند. این گسترش بازار باعث شده گوگل بیش از گذشته به رقیبی برای انویدیا تبدیل شود؛ شرکتی که پردازنده‌های گرافیکی آن سهم عمده‌ای از زیرساخت پردازشی هوش مصنوعی جهان را تأمین می‌کنند.
مدل TPU ۸tx از اطلاعات حساس هنگام پردازش محافظت می‌کند
نخستین سامانه جدید گوگل با نام TPU ۸tx برای سازمان‌هایی طراحی شده است که هنگام استفاده از هوش مصنوعی با اطلاعات محرمانه سروکار دارند. نهاد‌های دولتی، بانک‌ها، مؤسسات مالی و شرکت‌های فعال در صنایع دارای مقررات سخت‌گیرانه از جمله مشتریان احتمالی این فناوری هستند. تفاوت اصلی این سامانه با پردازنده‌های معمولی در پشتیبانی از حفاظت سخت‌افزاری اطلاعات هنگام پردازش است. در بسیاری از سامانه‌های رایانه‌ای، داده‌ها هنگام ذخیره‌سازی یا انتقال از طریق شبکه رمزگذاری می‌شوند، اما برای انجام محاسبات باید در حافظه در دسترس پردازنده قرار بگیرند. این وضعیت می‌تواند خطر دسترسی غیرمجاز به اطلاعات را افزایش دهد، به‌خصوص زمانی که چندین سازمان یا سرویس از زیرساخت پردازشی مشترک استفاده می‌کنند.
گوگل در سامانه جدید خود قابلیت پردازش محرمانه را در سطح سخت‌افزار پیاده‌سازی کرده تا اطلاعات حساس و پارامتر‌های مدل‌های هوش مصنوعی حتی هنگام اجرای محاسبات نیز محافظت و از سایر بخش‌های سیستم جدا نگه داشته شوند. این محصول از تراشه‌های هم‌خانواده TPU ۸t استفاده می‌کند و در کنار پردازنده‌های سروری نسل پنجم AMD EPYC قرار می‌گیرد. گوگل همچنین شبکه ارتباطی کم‌تأخیر Boardfly را در ساختار آن به کار گرفته و مدعی است تأخیر اجرای پردازش‌ها نسبت به مدل ۸t تا ۲ برابر کاهش یافته، بدون آنکه قابلیت‌های امنیتی افت عملکرد محسوسی ایجاد کنند. این ویژگی برای اجرای ایجنت‌های هوش مصنوعی اهمیت دارد، زیرا چنین سامانه‌هایی ممکن است برای انجام یک وظیفه، چندین مرحله پردازش و تبادل اطلاعات را پشت سر بگذارند.
قابلیت‌های امنیتی این محصول تنها به اجرای مدل‌های آماده محدود نمی‌شود و امکان آموزش در مقیاس کوچک و شخصی‌سازی مدل‌ها را نیز فراهم می‌کند. برای مثال، یک مؤسسه مالی می‌تواند با استفاده از داده‌های داخلی خود، مدلی را برای تحلیل اسناد یا پاسخ‌گویی به درخواست‌های سازمانی تنظیم کند، بدون آنکه لازم باشد اطلاعات حساس را برای مراحل مختلف پردازش میان چند مجموعه سخت‌افزاری جابه‌جا کند. گوگل همچنین پشتیبانی از روش‌هایی مانند فاین‌تیونینگ، یادگیری تقویتی و تبدیل مدل‌های بزرگ به نمونه‌های کوچک‌تر را از قابلیت‌های این سامانه معرفی کرده است. چنین امکاناتی می‌توانند به سازمان‌ها کمک کنند مدل‌های هوش مصنوعی اختصاصی خود را در محیطی با کنترل امنیتی بیشتر توسعه دهند و اجرا کنند.
مدل TPU ۸i مکس توان پردازشی و پهنای باند حافظه را ۲ برابر می‌کند
دومین محصول جدید با نام TPU ۸i مکس برای اجرای وظایفی طراحی شده که به حجم زیادی از حافظه و توان محاسباتی نیاز دارند. گوگل در ساخت این سامانه از ترکیب ۲ تراشه TPU ۸i در یک بسته پردازشی استفاده کرده است تا توان محاسباتی و ظرفیت حافظه سریع SRAM را نسبت به مدل پایه ۲ برابر کند. پهنای باند حافظه HBM نیز در این طراحی ۲ برابر شده است تا داده‌ها با سرعت بیشتری در اختیار واحد‌های پردازشی قرار بگیرند. اهمیت این تغییر زمانی مشخص می‌شود که یک مدل هوش مصنوعی بخواهد حجم بسیار زیادی از اطلاعات را به‌صورت هم‌زمان تحلیل کند، زیرا در چنین شرایطی حتی اگر پردازنده قدرت کافی داشته باشد، سرعت دسترسی به حافظه می‌تواند به عامل محدودکننده عملکرد تبدیل شود.
این مشکل که از آن با عنوان محدودیت پهنای باند حافظه یاد می‌شود، در کاربرد‌های جدید هوش مصنوعی اهمیت بیشتری پیدا کرده است. برای مثال، زمانی که ده‌ها ایجنت هوش مصنوعی به‌صورت هم‌زمان روی یک پروژه نرم‌افزاری بزرگ کار می‌کنند، ممکن است لازم باشد هزاران فایل کدنویسی، اطلاعات مربوط به ساختار پروژه و نتیجه پردازش‌های قبلی را بررسی کنند. تحلیل چندین ساعت ویدئو یا کار با مدل‌هایی که پنجره زمینه بسیار بزرگی دارند نیز به حجم بالایی از حافظه و سرعت انتقال اطلاعات نیاز دارد. گوگل با افزایش هم‌زمان توان پردازشی و پهنای باند حافظه تلاش کرده از ایجاد چنین محدودیت‌هایی جلوگیری کند تا مدل‌های هوش مصنوعی هنگام انجام وظایف پیچیده، زمان کمتری را صرف انتظار برای دریافت داده‌ها کنند.
تغییر ساختار این سامانه همچنین باعث افزایش تراکم پردازشی در مراکز داده می‌شود. گوگل توضیح داده که ترکیب ۲ تراشه در یک مجموعه امکان قرار دادن توان محاسباتی بیشتری را در فضای یکسان رک‌های سرور فراهم می‌کند. این ویژگی برای اپراتور‌های مراکز داده اهمیت دارد، زیرا توسعه زیرساخت هوش مصنوعی تنها به خرید تراشه محدود نمی‌شود و فضای فیزیکی، تجهیزات خنک‌کننده و تأمین برق نیز هزینه قابل توجهی دارند. افزایش توان پردازشی در فضای ثابت می‌تواند به استفاده مؤثرتر از زیرساخت موجود کمک کند، هرچند میزان واقعی صرفه‌جویی به مصرف انرژی و مشخصات نهایی سامانه بستگی خواهد داشت.
رقابت با انویدیا به بازار نرم‌افزار و مراکز داده گسترش یافته است
گوگل برای افزایش استفاده از پردازنده‌های TPU تنها به توسعه سخت‌افزار تکیه نکرده و در حال گسترش پشتیبانی نرم‌افزاری از این تراشه‌هاست. یکی از چالش‌های مهم در رقابت با انویدیا، وابستگی بسیاری از توسعه‌دهندگان هوش مصنوعی به ابزار‌های نرم‌افزاری و زیرساخت پردازشی این شرکت است. به همین دلیل، گوگل تلاش می‌کند اجرای مدل‌ها و برنامه‌های نوشته‌شده با چارچوب‌های رایج را روی TPU آسان‌تر کند. این شرکت پشتیبانی از PyTorch و مدل‌های هاگینگ فیس را توسعه داده و ابزار‌های متن‌بازی ارائه کرده است که به برنامه‌نویسان اجازه می‌دهند بدون بازنویسی گسترده کد‌های خود، از پردازنده‌های اختصاصی گوگل استفاده کنند.
افزایش تقاضا برای این محصولات در عملکرد مالی بخش خدمات ابری گوگل نیز تأثیر داشته است. آلفابت در تازه‌ترین گزارش مالی خود اعلام کرده که فروش سامانه‌های TPU سهم قابل توجهی در رشد درآمد گوگل کلود داشته و درآمد این بخش در سه‌ماهه منتهی به پایان شهریورماه به حدود ۳۰٫۷ میلیارد دلار رسیده است؛ رقمی که بیش از ۲ برابر مدت مشابه سال گذشته محسوب می‌شود. گوگل همچنین اعلام کرده که تعداد مشتریان فناوری TPU به نزدیک ۱۰۰ مجموعه رسیده و شرکت‌های بزرگی مانند اپل و اوراکل نیز در میان استفاده‌کنندگان یا شرکای این زیرساخت قرار دارند. افزایش تعداد مشتریان به گوگل امکان می‌دهد پردازنده‌های اختصاصی خود را از یک فناوری عمدتاً داخلی، به محصولی قابل عرضه برای شرکت‌های مختلف تبدیل کند.
انتظار می‌رود ۲ سامانه جدید از سال ۲۰۲۷ در دسترس مشتریان قرار بگیرند، اما جزئیات دقیق قیمت‌گذاری و زمان عرضه گسترده آن‌ها هنوز مشخص نشده است. گوگل با توسعه مدل‌های امنیتی و پردازشی متفاوت تلاش می‌کند نیاز‌های متنوع‌تری از بازار را پوشش دهد؛ از سازمان‌هایی که حفاظت از اطلاعات برای آن‌ها اولویت دارد تا شرکت‌هایی که ایجنت‌های هوش مصنوعی را برای اجرای وظایف سنگین و طولانی به کار می‌گیرند. موفقیت تجاری این محصولات علاوه بر عملکرد سخت‌افزاری، به هزینه استفاده، سازگاری نرم‌افزاری و توانایی گوگل در تأمین ظرفیت موردنیاز مراکز داده وابسته خواهد بود.
انتهای پیام/
