AI'nın genel olarak toplum üzerindeki potansiyel, olumlu etkisini abartmak imkansızdır. Bununla birlikte, yaygın AI, bir meydan okuma olmaya devam ediyor. Eğitim algoritmaları aşırı miktarda güç, zaman ve bilgi işlem kapasitesi alabilir. Çıkarsama, tıbbi görüntüleme ve robotik gibi uygulamalarla daha da zorlayıcı hale gelecek. Applied Materials, yapay zekanın şu kadar tüketebileceğini tahmin ediyor: küresel elektriğin %25'i (şu anda %5'e karşı) işlemciler, yazılım, malzeme bilimi, sistem tasarımı, ağ oluşturma ve diğer alanlarda atılımlar gerçekleştiremezsek.
Günümüzde bilgi işlem ve yapay zeka teknolojisi geliştirme için iki ana yön vardır: aşırı ölçekli sistemler ve uç/yaygın toplu olarak dağıtılmış sistemler. Her ikisi de benzer ve birbirinden farklı zorlukların bir karışımıyla gelir.
Donanım açısından bakıldığında, iyileştirilmesi gereken başlıca alanlar olduğuna inandığım şeyler bunlar.
1. Özel İşleme. Bilgi işlem mimarileri 2006 yılında önemli bir dönüm noktasına geldi. Moore Yasası ve Dennard ölçeklendirme daha pahalı ve sorunlu hale geldi. Aynı zamanda, ortak işlemciler geri dönüyorlardı. NVIDIA G80'i piyasaya sürdü, sunucuları hedefleyen ilk GPU o yıl. İlk çabaları AI işlemcileri geliştirmek de o sırada başladı.
O zamandan beri, GPU'lar AI HPC'de yaygın hale geldi. Üzerinde 50 şirket yapay zeka işlemcileri geliştiriyorGoogle, Qualcomm, Amazon, Facebook, Samsung ve diğerleri dahil. Ve ağ, depolama ve güvenlik için Veri İşleme Birimleri (DPU'lar), bulutlarda ve üst ölçekli bilgisayarlarda kalıcı bir fikstür haline geliyor.
Önümüzdeki üç artı yıldaki zorluk, farklı AI uygulamaları için sihirli bir şekilde lezzetli kombinasyonu bulma etrafında dönecek. Bulut tabanlı makine öğrenimi eğitimi en iyi şekilde aşağıdakilerle sunulacak mı? gofret ölçekli işlemciler or Chiplets Exascale bilgisayarlarda? Veya kitlesel olarak dağıtılmış bir sistemdeki cihazlarda hangi düzeyde eğitim yapılmalıdır? Hem bulut hem de uç AI için temel teknolojinin iyi bir kısmına sahibiz. İhtiyacımız olan şey, akıllı makine öğrenimi tabanlı dinamik sistem yapılandırması ve optimizasyonu ile birlikte daha fazla yapay zekaya özel mimari.
2. Yakın Veri İşleme. Bilgisayarlar tarafından kullanılan enerjinin %60'ından fazlası depolama, bellek ve işlem birimleri arasında veri alışverişinde tüketilir.. Bu dijital işe gidip gelmenin büyük bir bölümünü azaltmak veya hatta ortadan kaldırmak, güç tüketimini önemli ölçüde azaltabilir ve gecikmeyi azaltabilir. Küçük, özel işlem biriminin rastgele erişimli belleğe entegre edildiği Bellekte İşleme, veri merkezlerinde anlam ifade edecek ve genel olarak büyük ölçekli hesaplama yapacak.
Uçta, verileri sensör içinde veya en azından akışa alınmadan veya uzak bir cihaza gönderilmeden önce işleyebilmek, verilerin aktarımını ve depolanmasını büyük ölçüde azaltmanın bir yolu olabilir. Yalnızca anlamlı olaylar veya veriler uzak bir hizmete aktarılacak ve yalnızca uçtaki akıllı bir motor bunu söylediğinde.
Özel işleme gibi, bu da kısa vadeli bir yeniliktir.
3. CMOS Olmayan İşlemciler. Yazdığım gibi son makalemEsnek transistörler ve/veya alt tabakalarla yapılan düşük maliyetli, kolayca entegre edilebilen işlemciler, gıda israfını azaltmanın, su sızıntılarını bulmanın veya geri dönüşümü teşvik etmenin yolunu açacak. Bu etiketlerin bazıları ham veri gönderen akıllı sensörler olacak, ancak giderek artan bir şekilde veri trafiğini azaltmak ve iletişimlerinin "değerini" yükseltmek için makine öğreniminden yararlanacaklar.
Kol Araştırması, ile birlikte PragmatIC Yarı İletken, geçen yıl gösterdi Plastik Kol, bu görevler için kullanılabilecek sensörlü deneysel bir kuruş fiyatına basılmış sinir ağı. İşlemci tasarımları, EDA araçları, üretim ekipmanı ve yazılımların hepsinin daha da geliştirilmesi ve uçtan uca bir hizmet olarak basılı elektronik platformuna entegre edilmesi gerekecektir. Bir katil uygulamanın belirlenmesi, bu etki alanı için bir sonraki adımı ve geliştirme hızını belirleyecektir.
4. Olay Tabanlı/Eşik İşleme. Peygamber birbirinden bağımsız çalışan piksellere sahip olay tabanlı bir görüntü işlemcisi geliştirmiştir. Veriler, insan gözünün işleyişine benzer şekilde, görüntüleyicide senkronize bir döngüde değil, yalnızca değişiklikler meydana geldiğinde güncellenir. Bu, yakalanan veri miktarını büyük ölçüde azaltarak saniyede 10,000 kareye kadar hız sağlar. Görüntü çözünürlüğü artırılırken enerji tüketimi, gecikme ve bilgi işlem yükü azaltılır.
Bir yokuş aşağı kayak yarışının resmini çektiğinizi hayal edin: Bireysel bir yarışçının vücut mekaniği, statik bir gökyüzünün gereksiz güncellemelerini ortadan kaldırarak dakika ayrıntılarıyla yakalanabilir. Araba kazaları daha doğru bir şekilde yeniden yapılandırılabilir.
Bilgisayar görüşünün ötesinde, olay tabanlı duyusal cihazlar, veri yoğun uygulamalarda titreşim analizini, ses tanımayı ve diğer hesaplamaları kolaylaştırmak için kullanılabilir. Bir eşiğe veya olay zincirine ulaşıldıktan sonra biyo-sinyallerinizle ilgili yalnızca anlamlı olayları akıllı saatinize veya sağlık hizmeti sağlayıcınıza ileten akıllı bir dövme hayal edin. Küçük bir hesaplama sistemi, bir sistem durumunun veya bir insan duygusunun belirli olay özellikleri ile bir veri akışı üzerinde gerçek zamanlı olarak izleyebilir veya belirli bilişsel hastalıklarda sapmaları tahmin edebilirsiniz.
5. Nöromorfik İşlemciler. İnsan beyninin mimarisinden ilham alacak şekilde yapay sivri uçlu sinir ağları veya daha genel olarak elektronik bileşenler tasarlamak mümkündür. Carver Mead ilk olarak 80'lerde nöromorfik işlemciler hakkında teori yaptı. Ancak bugün hala, SpiNNaker 1 ve SpinNaker 2, ani sinir ağlarının simülasyonu için optimize edilmiş 10 milyon çekirdekli bir işlemci platformu mevcuttur.
Nöromorfik hesaplama çok umut verici görünüyor, ancak model eğitimi, makine öğrenimi geliştirme araçları ve diğer teknolojilerde atılımlar gerektirmeye devam ediyor. Ayrıca farklı kullanım durumlarına uyan donanımlara da ihtiyacımız var: gofret boyutundaki yonga seti, düşük güç odaklı uygulamalar için çalışmayacaktır. Nöromorfik araştırmalar çoğunlukla üst ölçekli sistemleri hedef almış olsa da, enerjiyi ultra düşük güçlü anahtar kelime tespiti, otonom araç için olay tespiti veya diğer veri akışı işleme kullanım durumları gibi uygulamalara yoğunlaştırmak mantıklı olabilir. İlerleme daha hızlı gelebilir ve çığır açan konseptler büyütülebilir. Nöromorfik için gelecekteki öldürücü uygulama, exascale sistemlerde değil, daha çok düşük güç odaklı kenar hesaplamada olabilir.
6. Aşırı Ortam Soğutma. Mekanik soğutma yüklerini azaltmak için veri merkezleri terk edilmiş madenlere, yeraltı bomba sığınaklarına ve şehir limanlarına yerleştirildi. Sıvı soğutma da geri dönüş yapıyor gibi görünüyor.
Kriyo hesaplama, özellikle kriyojenik sıcaklıklarda meydana gelen fiziksel olaylardan faydalanmak üzere tasarlanmışsa, watt başına performans açısından önemli faydalar sağlayabilir. Anahtar, malzemelerden cihazlara ve sistemlere tasarım optimizasyonlarını keşfetmektir. Veri merkezlerinde ve/veya üst ölçekli bilgi işlem sistemlerinde büyük ölçekli uygulamalar için teknolojiyi hayata geçirmek için bir endüstri çabası gerekecek, ancak ilk araştırmalar çok umut verici görünüyor ve daha derin bir araştırmaya değer.
7. Sıfır Bilgi İşlem Mimarileri. Potansiyel biyo-ilham modellerine daha fazla bakarsak, uzun vadeli örtük belleğimizin, bir arabayı geri viteste sürmek veya adım adım birleştirerek bir kitap okumak gibi bilinen ancak karmaşık becerileri verimli bir şekilde gerçekleştirmemize izin verme biçimini nasıl yeniden üretebileceğimizi keşfedebiliriz. süreçleri nispeten otomatikleştirilmiş bir prosedüre dönüştürmek.
Bir bilgi işlem dünyasında, sistem, bir kez gerçekleştirildiklerinde yoğun hesaplama gerektiren görevleri kısaltmak için öğrenilmiş veya deneyimsel işlevlere güvenebilecektir. Yüksek düzeyde, sıfır bilgi işlem sistemi, bir uygulamanın yeni mi yoksa öğrenilmiş mi olduğunu tanıyabilen bir mekanizma, öğrenilen görevleri yürütmek için bir süreç ve gelecekteki tekrar için öğrenilmiş işlevler kitaplığı içerecektir. Elbette bunun gerçekten sıfır hesaplama değil, sıfıra yakın hesaplama olduğunu iddia edebiliriz. Bununla birlikte, muazzam sayıda hesaplamayı kesebilir.
İnsanlarda olduğu gibi, görevleri ezbere bir şekilde yerine getirmek ile her süreci eleştirel bir şekilde incelemek arasındaki dengelere dikkat etmemiz gerekir. Ancak, yeniden hesaplamaya karşı çok sayıda bilinen görev arasındaki dengenin çalıştığını varsayarsak, bilgi işlem dünyasını bilinen ve bilinmeyen arasında bölen ve yanıtı çok sayıda aptal sisteme dağıtan büyük ölçekli bir akıllı sistem hayal edebiliriz.
Bu elbette sadece başlangıç. AI yayıldıkça, donanım düzeyinde daha fazla performans ve verimlilik ihtiyacı da artacaktır.
Sonrası Yapay Zeka Devrimini Etkinleştirmek İçin İhtiyacımız Olan Yedi Donanım İlerlemesi İlk çıktı Yarıiletken Mühendisliği.
