من المستحيل المبالغة في تقدير التأثير المحتمل والإيجابي للذكاء الاصطناعي على المجتمع ككل. ومع ذلك ، لا يزال انتشار الذكاء الاصطناعي يمثل تحديًا. يمكن أن تأخذ خوارزميات التدريب كميات هائلة من الطاقة والوقت وقدرة الحوسبة. سيصبح الاستدلال أيضًا أكثر إرهاقًا مع تطبيقات مثل التصوير الطبي والروبوتات. تقدر أبلايد ماتيريالز أن الذكاء الاصطناعي يمكن أن يستهلك ما يصل إلى 25٪ من الكهرباء العالمية (مقابل 5٪ الآن) ما لم نتمكن من تحقيق اختراقات في المعالجات والبرمجيات وعلوم المواد وتصميم النظام والشبكات ومجالات أخرى.
هناك اتجاهان رئيسيان لتطوير تكنولوجيا الحوسبة والذكاء الاصطناعي اليوم: أنظمة النطاق المتطرفة والأنظمة الحادة / المنتشرة على نطاق واسع. كلاهما يأتي بمزيج من التحديات المتشابهة والمتباينة.
من منظور الأجهزة ، إليك ما أعتقد أنه المجالات الرئيسية التي تحتاج إلى تحسين.
1. معالجة متخصصة. ضربت معماريات الحوسبة نقطة تحول مهمة في عام 2006. تحقيق مكاسب في الأداء من خلال قانون مور و تحجيم دينارد أصبحت أكثر تكلفة وإشكالية. في الوقت نفسه ، كان المعالجات المشاركة في العودة. أصدرت NVIDIA جهاز G80 ، الخاص به أول GPU تستهدف الخوادم تلك السنة. الأول جهود بدأ تطوير معالجات الذكاء الاصطناعي أيضًا في ذلك الوقت.
منذ ذلك الحين ، أصبحت وحدات معالجة الرسومات منتشرة في AI HPC. على تعمل 50 شركة على تطوير معالجات الذكاء الاصطناعي، بما في ذلك Google و Qualcomm و Amazon و Facebook و Samsung وغيرها الكثير. وأصبحت وحدات معالجة البيانات (DPU) للشبكات والتخزين والأمان عنصرًا ثابتًا في أجهزة الكمبيوتر السحابية وإكساسكيل.
سيتمحور التحدي خلال السنوات الثلاث القادمة زائدًا حول العثور على مزيج لذيذ سحري لتطبيقات الذكاء الاصطناعي المختلفة. هل سيتم تقديم تدريب ML المستند إلى السحابة بشكل أفضل معالجات بسكويت الويفر or شرائح في أجهزة الكمبيوتر Exascale؟ أو ما هو مستوى التدريب الذي يجب أن يتم على الأجهزة في نظام موزع على نطاق واسع؟ لدينا جزء كبير من التكنولوجيا الأساسية لكل من الذكاء الاصطناعي السحابي والحافة. ما سنحتاجه هو المزيد من البنى المخصصة للذكاء الاصطناعي ، جنبًا إلى جنب مع تكوين وتحسين النظام الديناميكي الذكي المستند إلى ML.
2. قرب معالجة البيانات. يتم استهلاك أكثر من 60٪ من الطاقة التي تستخدمها أجهزة الكمبيوتر في نقل البيانات بين وحدات التخزين والذاكرة ووحدات المعالجة. يمكن أن يؤدي تقليل جزء كبير من هذا التنقل الرقمي أو حتى التخلص منه إلى تقليل استهلاك الطاقة بشكل كبير وتقليل زمن الوصول. المعالجة في الذاكرة ، حيث يتم دمج وحدة معالجة صغيرة ومخصصة في ذاكرة الوصول العشوائي ، سيكون لها معنى في مراكز البيانات وحساب الإكساسكيل بشكل عام.
في النهاية ، قد تكون القدرة على معالجة البيانات في جهاز الاستشعار ، أو على الأقل قبل أن يتم دفقها أو إرسالها إلى جهاز بعيد ، وسيلة لتقليل نقل البيانات وتخزينها بشكل كبير. سيتم نقل الأحداث أو البيانات ذات المغزى فقط إلى خدمة بعيدة وفقط عندما يقول محرك ذكي على الحافة ذلك.
مثل المعالجة المتخصصة ، يعد هذا ابتكارًا على المدى القريب.
3. معالجات غير CMOS. كما كتبت في مقالتي الأخيرة، المعالجات منخفضة التكلفة والقابلة للدمج بسهولة والمصنوعة من ترانزستورات و / أو ركائز مرنة ستمهد الطريق لتقليل هدر الطعام ، أو إيجاد تسربات المياه ، أو التشجيع على إعادة التدوير. ستكون بعض هذه العلامات ببساطة عبارة عن أجهزة استشعار ذكية ترسل بيانات أولية ، ولكنها ستستفيد بشكل متزايد من التعلم الآلي لتقليل حركة مرور البيانات ورفع "قيمة" اتصالاتهم.
بحوث الذراع، بالتزامن مع براغماتيك أشباه الموصلات، واظهرت العام الماضي بلاستيك، وهي شبكة عصبية تجريبية مطبوعة بسعر قرش مع مستشعر يمكن استخدامه لهذه المهام. ستحتاج تصميمات المعالجات وأدوات EDA ومعدات التصنيع والبرمجيات إلى مزيد من التطوير ودمجها في نظام أساسي متكامل للإلكترونيات المطبوعة كخدمة. تحديد التطبيق القاتل سيحدد الخطوة التالية وسرعة التطوير لهذا المجال.
4. معالجة على أساس الحدث / عتبة. تنبأ طور معالج صور قائم على الأحداث بوحدات بكسل تعمل بشكل مستقل عن بعضها البعض. يتم تحديث البيانات فقط عند حدوث تغييرات ، وليس في دورة متزامنة عبر جهاز التصوير ، على غرار كيفية عمل العين البشرية. هذا يقلل بشكل كبير من كمية البيانات الملتقطة ، مما يتيح سرعات تصل إلى 10,000 إطار في الثانية. يتم خفض استهلاك الطاقة ووقت الاستجابة ونفقات الحوسبة كلها بينما يتم تحسين دقة الصورة.
تخيل التقاط صورة لسباق التزلج على المنحدرات: يمكن التقاط ميكانيكا جسم المتسابق الفردي بتفاصيل دقيقة من خلال التخلص من التحديثات غير الضرورية لسماء ثابتة. يمكن إعادة بناء حوادث السيارات بشكل أكثر دقة.
بالإضافة إلى رؤية الكمبيوتر ، يمكن استخدام الأجهزة الحسية القائمة على الأحداث لتبسيط تحليل الاهتزاز ، والتعرف على الصوت ، والحسابات الأخرى في التطبيقات كثيفة البيانات. تخيل وشمًا ذكيًا ينقل الأحداث ذات المغزى فقط حول الإشارات الحيوية الخاصة بك إلى ساعتك الذكية أو مقدم الرعاية الصحية بعد تحقيق عتبة أو سلسلة من الأحداث. ستكون قادرًا على المراقبة في الوقت الفعلي على دفق من البيانات ، باستخدام نظام حسابي صغير ، أو خصائص حدث معينة لحالة النظام ، أو لمشاعر بشرية ، أو توقع الاختلاف في بعض الأمراض المعرفية.
5. المعالجات العصبية. من الممكن تصميم شبكات عصبية شائكة اصطناعية أو بشكل عام مكونات إلكترونية بطريقة تستلهم من بنية الدماغ البشري. وضع كارفر ميد نظرية لأول مرة حول المعالجات العصبية في الثمانينيات. ولكن لا يزال هناك عدد قليل من الشرائح التجريبية مثل SpiNNaker 1 و سبيناكر 2، منصة المعالج الأساسية 10 مليون محسّنة لمحاكاة الشبكات العصبية المتصاعدة.
تبدو الحوسبة العصبية واعدة للغاية ، لكنها لا تزال تتطلب اختراقات في تدريب النموذج ، وأدوات تطوير ML ، وغيرها من التقنيات. نحتاج أيضًا إلى أجهزة تناسب حالات الاستخدام المختلفة: لن تعمل شرائح حجم الرقاقة للتطبيقات منخفضة الطاقة الموجهة. على الرغم من أن أبحاث الأشكال العصبية استهدفت في الغالب أنظمة الإكساسكيل ، فقد يكون من المنطقي تركيز قدر أكبر من الطاقة على تطبيقات مثل اكتشاف الكلمات الرئيسية ذات الطاقة المنخفضة للغاية ، أو اكتشاف الأحداث للمركبة المستقلة ، أو حالات استخدام معالجة تدفق البيانات الأخرى. يمكن أن يحدث التقدم بسرعة أكبر ، ويمكن توسيع نطاق المفاهيم الخارقة. قد لا يكون التطبيق القاتل المستقبلي للشكل العصبي في أنظمة الإكساسكيل ولكن أكثر في حوسبة الحافة منخفضة الطاقة الموجهة.
6. التبريد المحيط الشديد. تم زرع مراكز البيانات في مناجم مهجورة وملاجئ تحت الأرض ومرافئ المدينة لتقليل أحمال التبريد الميكانيكي. يبدو أيضًا أن التبريد بالسائل يعود إلى الظهور.
إذا كانت الحوسبة بالتبريد مصممة خصيصًا للاستفادة من الظواهر الفيزيائية التي تأتي في درجات حرارة شديدة البرودة ، فيمكن أن تقدم فوائد كبيرة من حيث الأداء لكل واط. ما هو المفتاح هو استكشاف تحسينات التصميم من المواد إلى الأجهزة إلى الأنظمة. ستكون هناك حاجة إلى جهد صناعي لإضفاء الحيوية على التكنولوجيا للتطبيق على نطاق واسع في مراكز البيانات و / أو لأنظمة حوسبة الإكساسكيل ، لكن التحقيقات الأولية تبدو واعدة جدًا وتستحق استكشافًا أعمق.
7. بنيات الحوسبة الصفرية. إذا نظرنا أكثر إلى النماذج المحتملة المستوحاة من الحياة ، فيمكننا استكشاف كيفية إعادة إنتاج الطريقة التي تسمح لنا بها ذاكرتنا الضمنية طويلة المدى بتحقيق الكفاءة في إنجاز المآثر المعروفة والمعقدة مثل قيادة السيارة في الاتجاه المعاكس أو قراءة كتاب عن طريق الدمج خطوة بخطوة خطوة إلى إجراء مؤتمت نسبيًا.
في عالم الحوسبة ، سيكون النظام قادرًا على الاعتماد على الوظائف المكتسبة أو التجريبية ، لاختصار المهام الحاسوبية المكثفة عندما يتم تنفيذها بالفعل مرة واحدة. على مستوى عالٍ ، قد يشتمل نظام الحوسبة الصفرية على آلية يمكنها التعرف على ما إذا كان التطبيق جديدًا أم مكتسبًا أم لا ، وعملية لتنفيذ المهام المكتسبة ، ومكتبة من الوظائف المكتسبة لإعادة التشغيل في المستقبل. يمكننا بالطبع أن نجادل في أن هذا ليس صفرًا حقًا ولكن بالقرب من الصفر. ومع ذلك ، يمكن أن تقطع عددًا هائلاً من الحسابات.
كما هو الحال في البشر ، علينا أن نكون على دراية بالمفاضلات بين أداء المهام بطريقة روتينية وفحص كل عملية بشكل نقدي. لكن بافتراض أن التوازن يعمل بين كمية كبيرة من المهام المعروفة ، مقابل إعادة الحوسبة ، يمكننا تخيل نظام ذكي للإكساسكيل يقسم عالم الحوسبة بين معروف وغير معروف ويوزع الإجابة على كمية هائلة من الأنظمة الغبية.
هذا بالطبع مجرد البداية. مع انتشار الذكاء الاصطناعي ، تزداد الحاجة إلى المزيد من الأداء والكفاءة على مستوى الأجهزة.
وظيفة سبعة تطورات في الأجهزة نحتاجها لتمكين ثورة الذكاء الاصطناعي ظهرت للمرة الأولى على هندسة أشباه الموصلات.
