پردازنده اختصاصی هوش مصنوعی در چیپست های موبایل چه نقشی دارد؟

اگر دستیارهای هوشمند را نقطه عطف نرم افزاری موبایل های امسال در نظر بگیریم، پردازنده های اختصاصی AI هم چنین نقشی را در حوزه سخت افزار بر عهده می گیرند.

اپل که جدیدترین چیپست خود را A11 Bionic می نامد، در زمان رونمایی آیفون 8 از «موتور عصبی» (Neural Engine) جدیدی بر پایه هوش مصنوعی سخن گفت. جدیدترین چیپست هوآوی یعنی کایرین 970 هم به واحد پردازش عصبی (NPU) مستقلی تجهیز شده تا «میت 10» را به موبایلی با هوش مصنوعی واقعی بدل کند. ظاهراً چیپست بعدی اگزینوس سامسونگ هم به پردازشگر اختصاصی AI مجهز می گردد.

البته در این رقابت، کوالکام جلوتر از دیگران بود و از چند نسل قبل، پردازنده سیگنال دیجیتالی (DSP) هگزاگون درون چیپست های پرچمدارش را از طریق SDK های مختلف در اختیار توسعه دهندگان قرار داد تا از آن برای محاسبات ناهمگن و شبکه های عصبی استفاده کنند.

اینتل، انویدیا و دیگر بازیگران این عرصه هم به توسعه محصولات هوشمند خودشان مشغولند و به نظر می رسد که رقابت بالا گرفته است.

دلایل زیادی برای تعبیه پردازنده های اختصاصی درون چیپست های موبایل امروزی وجود دارد، به خصوص اینکه نیاز به پردازش صدا و تشخیص تصاویر به صورت لحظه ای و آنی افزایش قابل توجهی پیدا کرده. با این حال هیاهوی تبلیغاتی زیادی هم پیرامون این قضیه وجود دارد که باید به آنها توجه کنیم. در ادامه به وضعیت هوش مصنوعی در موبایل های امروزی می پردازیم.

رؤیایی به نام مغز مصنوعی

شرکت های مختلف دوست دارند ادعای آنها مبنی بر ساخت چیپست کاملاً هوشمند را باور کنیم؛ مغزی مصنوعی که می تواند شبیه انسان فکر کند، اما واقعیت این است که هنوز پروژه های تحقیقاتی فوق پیشرفته در سطح آزمایشگاهی هم به چنین دستاوردی نزدیک نشده اند.

در موبایل هایی که وارد بازار عمومی می شوند، پیاده سازی چنین ایده ای کاملاً غیر واقع بینانه است و پردازنده های جدید و اختصاصی، تنها می توانند عملیات یادگیری ماشین را به شیوه ای بهینه تر از قبل انجام دهند.

تفاوت فاحشی بین هوش مصنوعی و یادگیری ماشین وجود دارد. AI مفهومی بسیار وسیع و گسترده است و ماشین هایی را توصیف می کند که مانند انسان فکر می کنند یا حداقل نوعی مغز هوشمند با قابلیت هایی نزدیک به انسان را در اختیار دارند.

یادگیری ماشین بی ارتباط با هوش مصنوعی نیست، اما صرفاً به برنامه های کامپیوتری اطلاق می شود که برای پردازش داده و تصمیم گیری بر اساس نتایج حاصل از آن طراحی شده اند. این ماشین ها در هوشمند ترین حالت، قادرند از نتایج قبلی درس گرفته و تصمیمات بهتری را در آینده اتخاذ نمایند.

شبکه های عصبی، سیستم های کامپیوتری هستند که به برنامه های یادگیری ماشینی در پردازش داده کمک می کنند و توانایی دسته بندی داده ها در سطحی شبیه انسان را در اختیار کامپیوترها قرار می دهند.

این حوزه، فرایندهایی نظیر تشخیص عناصر محیطی در یک تصویر یا شناسایی مدل و رنگ خودرو را در بر می گیرند. شبکه های عصبی و یادگیری ماشینی در نوع خود باهوش هستند، اما در دسته موجودیت های هوشمند قرار نمی گیرند.

زمانی که صحبت از AI به میان می آید، بخش مارکتینگ و تبلیغات شرکت ها خودشان را به حوزه وسیع تری از تکنولوژی می چسبانند تا توضیح آن دشوار شود. در واقع تلاش اصلی آنها، متمایز شدن نسبت به رقباست.

در نهایت، تمام شرکت های بزرگ تکنولوژی صرفاً بخش جدیدی را درون چیپست هایشان تعبیه کرده اند که عملکرد و کارآیی وظایف مرتبط با دستیارهای هوشمند را به شیوه ای بهینه تر انجام می دهند. این بهبودها بیشتر شامل تشخیص صدا و تصویر می شود، اما موارد کاربردی دیگری را هم در بر می گیرد.

نوع جدیدی از محاسبات

شاید مهم ترین سؤال های پیش رویمان این باشد: چرا شرکت ها به یکباره از این قطعه پردازشی جدید استفاده کردند؟ افزودن آن چه کارهایی را ساده تر می کند؟ و چرا تازه به این فکر افتادند؟

احتمالاً متوجه شده اید که طی سال های اخیر بحث در مورد شبکه های عصبی، یادگیری ماشین و محاسبات ناهمگن بالا گرفته است. این مفاهیم همگی به کاربردهای جدیدی در حوزه موبایل گره خورده اند.

این فناوری ها به کاربران کمک می کند تا تجربه غنی تری را به دست آورند و بهبودهایی را در زمینه پردازش صدا، تصویر و موسیقی، پیش بینی فعالیت های شخص، پردازش زبان، سرعت جستجوی پایگاه داده، رمزنگاری و دیگر موارد احساس نمایند.

اینکه اجرای پردازش های نوین بر بستر کلاود بهتر نتیجه می دهد یا به صورت محلی، هنوز کاملاً مشخص نیست و به ماهیت عملیات مورد نظر بستگی دارد. با این حال، نوع محاسبات برای این کاربردها بسیار متفاوت است و CPU های 64 بیتی همه منظوره جوابگوی آنها نخواهند بود.

محاسبات ریاضی ممیز شناور 8 و 16 بیتی، تطابق الگو، جستجوی دیتابیس، دستکاری بیتی (میدان بیت) و رایانش موازی پیشرفته، تنها بخشی از فعالیت هایی هستند که اجرای بهینه آنها به سخت افزار اختصاصی نیاز دارد.

به منظور برآورده ساختن نیاز روزافزون در این حوزه، طراحی سخت افزار ویژه برای این فعالیت ها بسیار منطقی به نظر می رسد، به جای اینکه حجم زیادی از توان پردازشی سخت افزار عمومی را با بازده ناچیز به آنها اختصاص دهیم.

نکته مهم دیگر، آینده نگری است. تعبیه چیپ هوش مصنوعی درون چیپست های کنونی می تواند دست شرکت ها را برای کاربردهای بیشتر در آینده باز کند و توسعه دهندگان را به فعالیت بیشتر در این حوزه وادار سازد.

بهره وری، کلید اصلی پیشرفت

ذکر این نکته ضروریست که چیپست های جدید صرفاً توان محاسباتی بیشتری را ارائه نمی کنند، بلکه به گونه ای طراحی شده اند تا کارآیی و بهره وری را در سه حوزه اصلی افزایش دهند: ابعاد، پردازش، و انرژی.

چیپ های مجتمع پیشرفته امروزی از اجزای مختلفی تشکیل شده اند که همگی روی یک قطعه سیلیکونی بسیار کوچک با محدودیت انرژی مشخص جای گرفته اند. طراحان SoC هنگام افزودن قابلیت های جدیدی مانند پردازش عصبی نمی توانند پا را از مرز محدودیت های قانون مور فراتر بگذارند.

مثلاً می توان CPU های بزرگ و قدرتمندی را برای پردازش بهینه عملیات یادگیری ماشین طراحی کرد، اما با این کار ابعاد چیپست نهایی بسیار بیشتر می شود (به خصوص با آرایش هشت هسته ای کنونی) که افزایش هزینه تولید و افزایش قابل توجه مصرف انرژی را به همراه دارد.

به همین دلیل، می توان یک قطعه کوچک و اختصاصی را به این امر اختصاص داد تا مجموعه ای محدود از وظایف را به شکل بهینه تر انجام دهد. در روند توسعه ریزپردازنده بارها شاهد این موضوع بوده ایم؛ از واحدهای ممیز شناور در CPU های نخستین تا Hexagon DSP در چیپست های پرچمدار کوالکام.

DSP ها طی سال های اخیر کاربرد گسترده ای در صنایع مختلف پیدا کرده اند، چون توان محاسباتی فوق العاده ای را در ازای هزینه ناچیز و مصرف انرژی بسیار کم ارائه می دهند. حال نیاز به پردازش داده های یادگیری ماشین در حوزه موبایل، دوباره تقاضا برای این واحدهای پردازشی اختصاصی را افزایش داده است.

سخن آخر

تردیدی نیست که شرکت های بزرگ دنیای تکنولوژی در مورد قابلیت های شبکه عصبی و هوش مصنوعی پردازنده هایشان بیش از اندازه غلو می کنند. با این حال، افزودن عنصر پردازشی جدید برای اجرای عملیات ریاضی پیچیده و الگوریتم های یادگیری ماشین، خالی از لطف هم نیست.

با استفاده از این چیپ جدید، موبایل ها و دیگر گجت های دنیای تکنولوژی رابطه بهتری با اعداد و ارقام پیدا کرده و فناوری های سودمندی همچون بهبود کیفیت تصویر، جستجوی محتوای ویدیوها، تشخیص اشیاء و مانند اینها را با دقت و سرعت بیشتری انجام خواهند داد.

هرچقدر هم در مورد دستیارهای هوشمند و چیپ های AI صحبت کنیم، باز هم تا مدت ها هیچ نشانه ای از هوش واقعی در موبایل هایمان نخواهیم دید، اما ترکیب نرم افزار پیشرفته و سخت افزار اختصاصی، می تواند کاربرد این گجت های محبوب را به سطحی فراتر از رفع نیازهای ارتباطی روزمره سوق دهد.