گوگل داره با استفاده از یادگیری ماشین (هوش مصنوعی) نسل بعدی چیپ‌های هوش مصنوعی خودش رو موسوم به TPU تولید میکنه، اون هم با سرعتی چند برابر انسان‌ها!
از چندین سال قبل، شرکت Nvidia در حوزه شبکه‌های عصبی حرف اول رو میزد، چونکه با تولید GPUهای مختص به این کار (که هستههای پردازشی زیادی برای پردازش موازی دارند)، سرعت یادگیری و پردازش شبکه‌های عصبی رو بسیار زیاد کرده بود (قبلتر استفاده از شبکه‌های عصبی یک آرزو بود!).
با رشد استفاده از شبکه‌های عصبی و نتایج دقیق و قدرتمندشون در حوزه‌های پردازش تصویر، صوت و متن (بر روش‌های سنتی یادگیری ماشین برتری بسیار بالایی داشتند) گوگل هم نمیخواست از این قافله عقب بمونه و یادگیری و پردازشی شبکه‌های عصبی رو به سرویس‌های کلود خودش اضافه کرد.
برای کسب سود بیشتر و داشتن دست بالاتر در حوزه پردازشی، گوگل تصمیم گرفت چیپ‌های هوش مصنوعی خودش رو تولید بکنه به اسم TPU (واحد پردازشی تنسور).
گوگل از سال 2016 تا سال 2021 سه نسل از TPUها رو تولید کرد. که از نظر پردازشی کارایی خیلی خوبی داشتند. حتی گاهی دست برتری نسبت به GPUهای شرکت Nvidia داشتند و اما… 18 ماه می 2021، یعنی تقریبا 2 ماه پیش، نسل چهارم TPUها رو معرفی کرد که کاراییشون 2 برابر بیشتر از نسل سوم TPUهاست!
گوگل موفق شده به هوش مصنوعی دست پیدا کند، که باهاش در عرض 6 ساعت، چیزی رو تولید میکند که تیم مهندسین چندین ماه برای تولیدش وقت میذارن!
ین اولین باره که توسط گوگل، چنین مدل هوش مصنوعی در تولید “یک چیپ آماده برای عرضه به بازار” استفاده میشه. گوگل چندین ساله که داره روی این موضوع سرمایه گذاری میکنه. ماه قبل نتیجه این سرمایه گذاری رو در ژورنال Nature به صورت مقاله منتشر کرد.
این مقاله به رهبری خانم آزالیا میرحسینی و آنا گُلدی منتشر شده است ، در این لینک قابل مطالعست.
به عبارتی، هوش مصنوعی داره آینده توسعه هوش مصنوعی (خودش) رو شتاب میده!
سال 1970 آقای مور گفت که هر 2 سال تعداد ترانزیستورهای روی هر چیپ، 2 برابر میشه، این معروف شد به قانون مور.
اما هر چی جلوتر رفتیم با محدودیتهای فیزیکی مواجه شدیم که اجازه نمیداد تعداد این ترانزیستورها بیشتر بشه.
این مدل هوش مصنوعی نمیتونه کمک بکنه که تعداد ترانزیستورهای بیشتری روی چیپ‌ها قرار بگیره. اما از راه‌های دیگه ای میتونه سرعت و کارایی این چیپ‌ها رو بالاتر ببره!
این مدل هوش مصنوعی، چالش floorplanning رو حل میکنه.
مهندسین و طراح‌ها با کمک ابزارهای کامپیوتری، به دنبال چینش بهینه ای هستند تا زیر بخش‌های یک پیچ رو کنار هم قرار بدن. نحوه چینش این زیر بخش‌ها، بر روی کارایی و سرعت چیپ اثر بسیار زیادی میذاره. یعنی حتی تغییرات نانومتری هم میتونن اثرات بزرگی به جا بذارن!
هوش مصنوعی بارها و بارها انسان‌ها رو در بازی‌ها شکست داده است . مثلا در بازی شطرنج، گوُ و یا بازی استار کرفت و دوتا
(در این حد که هنوز بازی کننده ای پیدا نشده بتونه هوش مصنوعی رو به صورت کامل شکست بده).
این چالش floorplanning که ماه‌ها وقت انسان‌ها رو میگیره و کار بسیار طاقت فرسایی هم هست رو میشه مثل یک بازی تصور کرد: “چگونه زیر بخش‌ها رو کنار هم قرار بدیم تا برنده شویم؟!”
با استفاده از همین دیدگاه میشه برای هر چیپ یک سری شرایط برنده شدن تعریف کرد. هوش مصنوعی مدام این بازی چینش رو انجام بده تا به بهینه ترین حالت برسه!
گوگل این هوش مصنوعی رو با تکنیک Reinforcement Learning با استفاده از نقشه ده هزار چیپ که بعضی‌هاشون هم به صورت تصادفی هم ایجاد شده بودند، تمرین داد.
هر یک از چیپ‌ها با یک تابع پاداش علامت گذاری شدند.گوگل در این تابع معیار‌هایی مثل میزان سیم استفاده شده و یا بهینگی مصرف برق را لحاظ کرد.
این هوش مصنوعی از این داده‌ها برای تقسیم‌بندی طراحی‌ها به خوب و بد استفاده کرد. تا بتونه دیزاین‌های خودش رو انجام بده.
ماشین‌ها مثل انسان‌ها فکر نمیکنند و گاهی به راه‌حل‌های دور از انتظاری میرسند که انسان‌ها رو انگشت به دهان میذارن.
مثلا در یک مسابقه آلفا گوُ، هوش مصنوعی یک حرکتی به نظر غیر منطقی انجام داد که همین حرکتش باعث بردنش در اون مسابقه شد!
به نظر شما چقدر طول میکشه تا مشاغل مرتبط با نرم‌افزار یا الکترونیک، با هوش مصنوعی ( یادگیری ماشین ) جایگزین بشند؟
لینکهای مرتبط:
