سادهترین نمونههای سختافزار هوش مصنوعی، واحدهای پردازش گرافیکی یا GPUهایی هستند که برای رسیدگی به امور یادگیری ماشینی (ML) مستقر شدهاند.
به گزارش کالاسودا و به نقل از venturebeat، این تراشههای جدید که گاهی اوقات واحدهای پردازش تانسور (TPU) نامیده میشوند، برای توسعه و استقرار مدل هوش مصنوعی بهینه شدهاند.
GPU ها و TPU ها الگوریتمهای هوش مصنوعی را تقویت می کنند. همچنین تراشههایی برای بخشهای مختلف یادگیری ماشین بهینهسازی شدهاند.
سخت افزار هوش مصنوعی چه تفاوتی با سخت افزار معمولی دارد؟
بسیاری از تراشههای طراحیشده برای سرعت بخشیدن به الگوریتمهای هوش مصنوعی بر همان عملیاتهای محاسباتی اساسی متکی هستند.
بزرگترین مزیت این است که این سخت افزارها هستههای زیادی دارند، کوچکترند؛ بنابراین میتوانند این دادهها را به صورت موازی پردازش کنند.
مزایای استفاده از سخت افزار هوش مصنوعی
مزیت اصلی این سخت افزار سرعت است.
بنچمارکها نشان میدهند که پردازندههای گرافیکی بیش از 100 برابر یا حتی 200 برابر سریعتر از یک CPU هستند.
با این حال، همه مدلها و همه الگوریتمها تا این حد سرعت ندارند و برخی از معیارها تنها 10 تا 20 برابر سریعترند.
یکی دیگر از این مزایا مصرف برق است.
پردازندههای گرافیکی و TPUها در کنار میتوانند از الکتریسیته کمتری برای نتیجه مشابه استفاده کنند.
آنها میتوانند به شرکتها کمک کنند تا در عین مصرف کمتر برق ؛ تولید CO2 کمتری داشته باشند و “هوش مصنوعی سبزتری” تولید کنند.
چند نمونه از رویکرد شرکتهای پیشرو در سخت افزار هوش مصنوعی
متداولترین شکل سختافزار تخصصی برای یادگیری ماشین از سوی شرکتهای تولیدکننده واحدهای پردازش گرافیکی مانند AMD و Nvidia ارائه میشود. .
این دو شرکت بسیاری از GPU های پیشرو در بازار را میسازند و بسیاری از آنها برای سرعت بخشیدن به یادگیری ماشین ML نیز استفاده میشوند.
به عنوان مثال، انویدیا از چند عملیات دقیق برای آموزش مدل های ML استفاده می کند و این هسته های Tensor را می نامند.
AMD در حال تطبیق پردازندههای گرافیکیاش برای یادگیری ماشینی است و این رویکرد را CDNA2 مینامد.
آیا سخت افزار هوش مصنوعی در همه جا کارایی دارند؟
تراشهها در اجرای این الگوریتمها سریعتر هستند و همان نتایج را با سرعت کمتر به دست میآورند.
این کار برای تراشههایی که از مدار آنالوگ استفاده میکنند صدق نمیکند.
در برخی موارد نمیتوان دقت را قربانی سرعت مضاعف کرد.
همچنین مواردی وجود دارد که قدرت اضافی و موازی بودن سخت افزارهای تخصصی کمک چندانی به یافتن راه حل نمیکند. زمانی که دادهها کوچک هستند، ارزش آن را ندارد زمان و پیچیدگی استقرار سخت افزار را به جان بخریم.
لینک کوتاه: