نماذج الذكاء الاصطناعي هي خنازير السلطة.
ومع نمو الخوارزميات وزيادة تعقيدها، فإنها تفرض ضرائب متزايدة على شرائح الكمبيوتر الحالية. صممت العديد من الشركات شرائح مصممة خصيصًا للذكاء الاصطناعي لتقليل استهلاك الطاقة. ولكنها جميعها تعتمد على قاعدة أساسية واحدة، وهي أنها تستخدم الكهرباء.
وفي هذا الشهر، قام فريق من جامعة تسينغهوا في الصين بتبديل الوصفة. هم بناء شريحة الشبكة العصبية يستخدم الضوء بدلاً من الكهرباء لتشغيل مهام الذكاء الاصطناعي بجزء صغير من تكلفة الطاقة نفيديا H100، وهي شريحة حديثة تُستخدم لتدريب نماذج الذكاء الاصطناعي وتشغيلها.
تجمع الشريحة التي يطلق عليها اسم Taichi، بين نوعين من المعالجة المستندة إلى الضوء في بنيتها الداخلية. مقارنة بالسابق رقائق بصريةيعتبر Taichi أكثر دقة بكثير في المهام البسيطة نسبيًا مثل التعرف على الأرقام المكتوبة بخط اليد أو الصور الأخرى. وعلى عكس سابقاتها، يمكن للرقاقة إنشاء محتوى أيضًا. ويمكنها صنع صور أساسية بأسلوب مستوحى من الفنان الهولندي فنسنت فان جوخ، على سبيل المثال، أو أرقام موسيقية كلاسيكية مستوحاة من يوهان سيباستيان باخ.
جزء من كفاءة Taichi يرجع إلى بنيته. تتكون الشريحة من مكونات متعددة تسمى الشرائح الصغيرة. وعلى غرار تنظيم الدماغ، تقوم كل شريحة صغيرة بإجراء حساباتها الخاصة بالتوازي، ثم يتم دمج نتائجها مع النتائج الأخرى للوصول إلى الحل.
وفي مواجهة مشكلة صعبة تتمثل في فصل الصور لأكثر من 1,000 فئة، نجح Taichi في تحقيق النجاح بنسبة 92 بالمائة تقريبًا من الوقت، حيث طابق أداء الشريحة الحالي، لكنه خفض استهلاك الطاقة بأكثر من ألف مرة.
بالنسبة للذكاء الاصطناعي، فإن "الاتجاه نحو التعامل مع المهام الأكثر تقدمًا لا رجعة فيه"، كما كتب المؤلفون. "يمهد Taichi الطريق أمام الحوسبة الضوئية [القائمة على الضوء] واسعة النطاق، مما يؤدي إلى ذكاء اصطناعي أكثر مرونة مع انخفاض تكاليف الطاقة.
رقاقة على الكتف
لا تتوافق رقائق الكمبيوتر اليوم بشكل جيد مع الذكاء الاصطناعي.
جزء من المشكلة هيكلي. يتم فصل المعالجة والذاكرة على الرقائق التقليدية فعليًا. ويستهلك نقل البيانات فيما بينها كميات هائلة من الطاقة والوقت.
على الرغم من فعاليته في حل المشكلات البسيطة نسبيًا، إلا أن الإعداد متعطش للطاقة بشكل لا يصدق عندما يتعلق الأمر بالذكاء الاصطناعي المعقد، مثل نماذج اللغة الكبيرة التي تعمل على تشغيل ChatGPT.
المشكلة الرئيسية هي كيفية بناء رقائق الكمبيوتر. تعتمد كل عملية حسابية على الترانزستورات، التي يتم تشغيلها أو إيقاف تشغيلها لتمثيل 0s و1s المستخدمة في الحسابات. لقد قام المهندسون بتقليص حجم الترانزستورات بشكل كبير على مر العقود حتى يتمكنوا من حشر المزيد من الترانزستورات على الرقائق. لكن تكنولوجيا الرقائق الحالية تتجه نحو نقطة الانهيار حيث لا يمكننا أن نصغر.
لقد سعى العلماء منذ فترة طويلة إلى تجديد الرقائق الحالية. تعتمد إحدى الاستراتيجيات المستوحاة من الدماغ على "المشابك العصبية" - وهي "المنصة" البيولوجية التي تربط الخلايا العصبية - التي تحسب المعلومات وتخزنها في نفس الموقع. تعمل هذه الرقائق المستوحاة من الدماغ، أو ذات الشكل العصبي، على خفض استهلاك الطاقة وتسريع العمليات الحسابية. ولكن مثل الرقائق الحالية، فإنها تعتمد على الكهرباء.
هناك فكرة أخرى تتمثل في استخدام آلية حوسبة مختلفة تمامًا: الضوء. كتب المؤلفون أن "الحوسبة الضوئية" "تجذب اهتمامًا متزايدًا". وبدلاً من استخدام الكهرباء، قد يكون من الممكن اختطاف جزيئات الضوء لتشغيل الذكاء الاصطناعي بسرعة الضوء.
يجب ألا يكون هناك ضوء
بالمقارنة مع الرقائق المعتمدة على الكهرباء، يستخدم الضوء طاقة أقل بكثير ويمكنه إجراء حسابات متعددة في نفس الوقت. ومن خلال الاستفادة من هذه الخصائص، قام العلماء ببناء شبكات عصبية بصرية تستخدم الفوتونات – جزيئات الضوء – لرقائق الذكاء الاصطناعي، بدلاً من الكهرباء.
يمكن لهذه الرقائق أن تعمل بطريقتين. في إحداها، تقوم الرقائق بتوزيع الإشارات الضوئية في قنوات مصممة هندسيًا، والتي تجمع في النهاية الأشعة لحل مشكلة ما. تسمى هذه الشبكات العصبية الضوئية بالحيود، وهي تجمع الخلايا العصبية الاصطناعية بشكل وثيق معًا وتقلل من تكاليف الطاقة. لكن لا يمكن تغييرها بسهولة، مما يعني أنها لا تعمل إلا على مشكلة واحدة بسيطة.
يعتمد الإعداد المختلف على خاصية أخرى للضوء تسمى التداخل. مثل أمواج المحيط، تتجمع موجات الضوء وتلغي بعضها البعض. عندما تكون داخل الأنفاق الدقيقة على الشريحة، فإنها يمكن أن تتصادم لتعزيز أو تثبيط بعضها البعض، ويمكن استخدام أنماط التداخل هذه في الحسابات. يمكن إعادة تشكيل الرقائق المعتمدة على التداخل بسهولة باستخدام جهاز يسمى مقياس التداخل. المشكلة هي أنها ضخمة جسديًا وتستهلك الكثير من الطاقة.
ثم هناك مشكلة الدقة. وحتى في القنوات المنحوتة المستخدمة غالبًا في تجارب التداخل، يرتد الضوء ويتشتت، مما يجعل الحسابات غير موثوقة. بالنسبة لشبكة عصبية بصرية واحدة، تكون الأخطاء مقبولة. ولكن مع وجود شبكات بصرية أكبر ومشكلات أكثر تعقيدًا، ترتفع الضوضاء بشكل كبير وتصبح غير مقبولة.
ولهذا السبب لا يمكن توسيع نطاق الشبكات العصبية القائمة على الضوء بسهولة. حتى الآن، لم يتمكنوا إلا من حل المهام الأساسية، مثل التعرف على الأرقام أو حروف العلة.
وكتب الفريق: "إن تضخيم حجم البنى القائمة لن يؤدي إلى تحسين الأداء بشكل متناسب".
مشكلة مزدوجة
يجمع الذكاء الاصطناعي الجديد، Taichi، بين السمتين لدفع الشبكات العصبية الضوئية نحو الاستخدام في العالم الحقيقي.
بدلاً من تكوين شبكة عصبية واحدة، استخدم الفريق طريقة الشرائح الصغيرة، التي تقوم بتفويض أجزاء مختلفة من المهمة إلى كتل وظيفية متعددة. تتمتع كل كتلة بنقاط قوة خاصة بها: فقد تم إعداد إحداها لتحليل الحيود، والذي يمكنه ضغط كميات كبيرة من البيانات في فترة زمنية قصيرة. تم تضمين كتلة أخرى مع مقاييس التداخل لتوفير التداخل، مما يسمح بإعادة تكوين الشريحة بسهولة بين المهام.
بالمقارنة مع التعلم العميق، اتبع Taichi نهجًا "سطحيًا" حيث يتم توزيع المهمة عبر شرائح متعددة.
مع هياكل التعلم العميق القياسية، تميل الأخطاء إلى التراكم عبر الطبقات والوقت. يعمل هذا الإعداد على القضاء على المشكلات التي تأتي من المعالجة المتسلسلة في مهدها. عند مواجهة مشكلة ما، يقوم Taichi بتوزيع عبء العمل عبر مجموعات مستقلة متعددة، مما يسهل معالجة المشكلات الأكبر بأقل قدر من الأخطاء.
لقد أتت هذه الاستراتيجية بثمارها.
يتمتع Taichi بقدرة حسابية تبلغ 4,256 خلية عصبية اصطناعية، مع ما يقرب من 14 مليون معلمة تحاكي اتصالات الدماغ التي تشفر التعلم والذاكرة. عند فرز الصور إلى 1,000 فئة، كانت الشريحة الضوئية دقيقة بنسبة 92% تقريبًا، مقارنة بـ "الشبكات العصبية الإلكترونية الشائعة حاليًا"، كما كتب الفريق.
كما تفوقت الشريحة أيضًا في اختبارات الذكاء الاصطناعي القياسية الأخرى للتعرف على الصور، مثل التعرف على الأحرف المكتوبة بخط اليد من أبجديات مختلفة.
كاختبار نهائي، تحدى الفريق الذكاء الاصطناعي الضوئي لفهم المحتوى وإعادة إنشائه بأسلوب فنانين وموسيقيين مختلفين. عندما تم تدريبه باستخدام ذخيرة باخ، تعلم الذكاء الاصطناعي في النهاية نغمة الموسيقي وأسلوبه العام. وبالمثل، فإن صور فان جوخ أو إدوارد مونك - الفنان الذي رسم اللوحة الشهيرة، الصرخة— التي تم تغذيتها بالذكاء الاصطناعي سمحت له بإنشاء صور بأسلوب مماثل، على الرغم من أن الكثير منها بدا وكأنه لعبة طفل صغير.
لا يزال أمام الشبكات العصبية الضوئية الكثير لتقطعه. ولكن إذا تم استخدامها على نطاق واسع، فقد تكون بديلاً أكثر كفاءة في استخدام الطاقة لأنظمة الذكاء الاصطناعي الحالية. يعتبر Taichi أكثر كفاءة في استخدام الطاقة بأكثر من 100 مرة من التكرارات السابقة. لكن الشريحة لا تزال تحتاج إلى أشعة ليزر لوحدات الطاقة ونقل البيانات، والتي يصعب تكثيفها.
بعد ذلك، يأمل الفريق في دمج أجهزة الليزر الصغيرة المتوفرة بسهولة والمكونات الأخرى في شريحة ضوئية واحدة متماسكة. وفي الوقت نفسه، يأملون أن يقوم Taichi "بتسريع تطوير حلول بصرية أكثر قوة" والتي يمكن أن تؤدي في النهاية إلى "عصر جديد" من الذكاء الاصطناعي القوي والموفر للطاقة.
الصورة الائتمان: spainter_vfx / Shutterstock.com
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://singularityhub.com/2024/04/15/a-new-photonic-computer-chip-uses-light-to-slash-ai-energy-costs/
