آیا پردازندهی مبتنی بر هوش مصنوعی و واحد پردازش عصبی میتواند در دنیای واقعی کارایی داشته باشد؟
برجستهترین شرکتهای فناوری دنیا با آغوشی باز از طوفانی که هوش مصنوعی در عرصهی فناوری به پا کرده است، استقبال کردهاند. شرکتهای اپل، کوالکام و هواوی تراشههایی برای موبایلهایشان ساختهاند که وظایف مربوط به یادگیری ماشینی را بهتر از همیشه انجام میدهند؛ هرچند عملکرد هرکدام از این شرکتها کمی با دیگری متفاوت است. هواوی امسال در نمایشگاه ایفا تراشه کرین ۹۷۰ (Kirin 970) را معرفی کرد و این پردازنده را اولین تراشهای نامید که همراه با یک واحد پردازش عصبی (NPU) کار میکند. سپس نوبت به شرکت اپل رسید تا از تراشه A11 بایونیک (A11 Bionic) رونمایی کند. این تراشه باعث قوت گرفتن آیفون ۸، ۸ پلاس و ۱۰ میشود. تراشه A11 بایونیک از یک موتور عصبی بهره میبرد که به گفتهی اپل، برای یادگیری ماشینی ساخته شده است.
هفتهی گذشته کوالکام اعلام کرد که تراشه اسنپدراگون ۸۴۵، وظایف هوش مصنوعی را به هستههای مناسب میفرستد. تفاوت زیادی میان روشهای این سه شرکت وجود ندارد؛ تنها تفاوت آنها مربوط به سطح دسترسی هر شرکت به توسعهدهندگان و میزان توانی است که هریک برای راهاندازی بهکار میگیرد.
قبل از اینکه وارد مبحث این تفاوتها شویم، لازم است به تفاوت تراشهی هوش مصنوعی با پردازندههای موجود بپردازیم. اصطلاحی که شما در آینده زیاد در مورد آن در صنعت مرتبط با هوش مصنوعی خواهید شنید، اصطلاح محاسبات ناهمگون است. این محاسبات به سیستمهایی اشاره دارد که از چند نوع پردازنده استفاده میکنند. هر یک از این پردازندهها عملکرد منحصربهفرد و ویژهی خودش را دارد؛ نوع عملکرد یا ذخیرهی انرژی. این ایده چندان تازه نیست و بسیاری از تراشههای موجود از این محاسبات استفاده میکنند. پیشنهاد جدید هوش مصنوعی توسط سه شرکت بالا، تنها در مفهوم درجات مختلف جای بررسی دارد.
پردازندههای گوشی هوشمند از سه سال پیش (یا حتی بیشتر) از سازهی محاسبات ناهمگن ARM بیگ لیتل (ARM big.LITTLE) استفاده میکنند که این سازه، اتصال بهنسبت کندتری داشت و هستههای ذخیره انرژی آن سریعتر هستند و برق را سریعتر مصرف میکنند. هدف اصلی این است که تا جای ممکن، الکتریسته کمتری مصرف شود تا عمر باتری افزایش یابد. برخی از گوشیهایی که از این فناوری استفاده میکنند عبارتاند از سامسونگ گلکسی اس ۴ با تراشهی اکسینوس ۵؛ گوشی هوشمند میت ۸ و آنر ۶ هواوی.
تراشههای هوش مصنوعی امسال این مفهوم را جدیتر از همیشه در نظر گرفتند و برای بهبود وضعیت آن، یک جزء جدید برای وظایف یادگیری ماشینی به آن اضافه کردند. در مورد اسنپدراگون ۸۴۵ هم این تراشه از هستههایی که برق کمتری مصرف میکنند برای انجام چنین کارهایی استفاده میکند. بهعنوان مثال اسنپدراگون ۸۴۵ میتواند پردازندهی سیگنال دیجیتال خود را کنترل کند تا از عهدهی وظایف طولانی که نیازمند مقدار زیادی ریاضیات تکراری مثل گوش دادن به یک کلمه کلیدی هستند، برآید. گری براتمن، مدیر محصول شرکت کوالکام، میگوید فعالیتهایی مثل تشخیص تصویر نیز با واحد پردازش گرافیکی، بهتر مدیریت میشوند. براتمن مسئول بهکارگیری هوش مصنوعی و یادگیری ماشینی برای پلتفرم اسنپدراگون است.
در همین زمان، تراشه A11 بایونیک شرکت اپل از یک موتور عصبی در واحد پردازنده گرافیکی خود برای سرعت بخشیدن به فیس آیدی، انیموجی و برخی از برنامههای ثالث استفاده میکند. این بدان معنا است که هر وقت شما در آیفون ۱۰ خودتان چنین فرآیندهایی را راهاندازی کنید، تراشه A11 موتور عصبی را روشن خواهد کرد تا محاسبات مورد نیاز برای کارهایی مثل شناسایی شما یا حالات چهره را انجام دهد.
در کرین ۹۷۰ این واحد پردازش عصبی است که وظایفی مثل اسکن و ترجمه لغات در تصاویر را توسط مایکروسافت ترنسلیتور انجام میدهد. اپلیکیشن مایکروسافت ترنسلیتور، تنها نرمافزار شخص ثالث است که تاکنون برای استفاده در این تراشه بهینه شده است. هواوی اعلام کرده است که ساختار محاسبات ناهمگن HiAI، عملکرد اکثر اجزای تراشه را به حداکثر میرساند؛ بنابراین ممکن است این ساختار، بهجز وظایف هوش مصنوعی، کارهای بیشتری نسبت به واحد پردازش عصبی انجام دهد.
اگر تفاوتها را کنار بگذاریم، باید بگوییم این ساختارهای جدید بدین معنا هستند که محاسبات یادگیری ماشینی که قبلا در ابر انجام میشدند، اکنون میتوانند بهطور مؤثرتر در دستگاههای موبایل انجام شوند. گوشی شما برای انجام وظایف هوش مصنوعی میتواند علاوه بر واحد پردازش گرافیکی از قسمتهای دیگری نیز استفاده کند و کارهای بیشتری بهطور همزمان انجام دهد؛ بنابراین شما کمتر با تأخیر یا لگ هنگام ترجمه یا یافتن تصویری از سگتان مواجه خواهید شد.
بهعلاوه، وقتی شما این پردازشها را بهجای فرستادن به ابر روی گوشی خود انجام دهید، حریم خصوصی بهتری خواهید داشت؛ چراکه از فرصتهایی که ممکن است نصیب هکرها برای دزدیدن اطلاعات شما شود، جلوگیری خواهید کرد.
یکی دیگر از مزیتهای بزرگ تراشههای هوش مصنوعی، این است که به ذخیرهی انرژی کمک میکنند. برق و انرژی منابع ارزشمندی هستند که باید در مصرف آنها صرفهجویی کرد و از آنجایی که برخی از این پردازشها در طول روز مدام تکرار میشوند، میتوانند برق را هدر دهند. واحد پردازش گرافیکی معمولا انرژی بیشتری مصرف میکند، بنابراین بهتر از پردازندهی سیگنال دیجیتال برای انجام چنین کارهایی استفاده شود.
اگر بخواهیم واضح صحبت کنیم، باید بگوییم که تراشهها در مورد اینکه از کدام هسته موقع انجام وظایف خاص استفاده شود، تصمیم نمیگیرند. براتمن گفت:
امروزه اینکه این وظایف به کدام قسمت محول شود به سازندگان یا تولیدکنندگان تجهیزات اصلی بستگی دارد.
برنامهنویسان میتوانند از کتابخانههای پشتیبان مثل کتابخانهی نرمافزاری متن باز تنسورفلو گوگل (یا اگر دقیقتر بگوییم از نسخهی موبایل لایت) برای تعیین اینکه کدام هسته برای اجرای مدلهای آنها مناسب است، استفاده کنند. شرکتهای کوالکام، هواوی و اپل همگی با گزینههای مشهوری مثل تنسورفلورلایت و Caffe2 فیسبوک کار میکنند. کوالکام همچنین از نسخه جدیدتری به نام ONNX حمایت میکند. این در حالی است که اپل در راستای اضافه کردن سازگاری برای مدلهای یادگیری ماشینی از طریق چارچوب Core ML نیز گام برمیدارد.
تاکنون هیچکدام از این تراشهها برای دنیای واقعی مزیتی به همراه نداشتهاند. سازندگان تراشه همیشه در حال جار زدن در مورد نتایج آزمایشات و بنچمارکهای خود خواهند بود؛ ولی تا زمانی که پردازشهای هوش مصنوعی در زندگی روزمرهی ما نقش مهمی نداشته باشند، این جار زدن بیمعنا خواهند بود. ما فعلا در مراحل ابتدایی یادگیری ماشین روی دستگاه موبایل هستیم و سازندگانی که در عرصه ساخت این سختافزارهای جدید پا گذاشتهاند، بسیار کم هستند.
اما در حال حاضر این مسیر روند رو به رشد خودش را در پیش دارد و وظایف مربوط به دستگاهها روزبهروز سریعتر و قویتر از قبل عمل میکنند. تنها کاری که ما باید بکنیم این است که صبر کنیم و ببینیم چگونه این نقطهی آغاز، در آینده به هوش مصنوعی مزایایی واقعی خواهد داد.