گوگل داره با استفاده از یادگیری ماشین (هوش مصنوعی) نسل بعدی چیپ های هوش مصنوعی خودش رو موسوم به TPU تولید میکنه، اون هم با سرعتی چند برابر انسان ها!
از چندین سال قبل، شرکت Nvidia در حوزه شبکه های عصبی حرف اول رو میزد، چونکه با تولید GPU های مختص به این کار (که هسته های پردازشی زیادی برای پردازش موازی دارند)، سرعت یادگیری و پردازش شبکه های عصبی رو بسیار زیاد کرده بود (قبلتر استفاده از شبکه های عصبی یک آرزو بود!).
با رشد استفاده از شبکه های عصبی و نتایج دقیق و قدرتمندشون در حوزه های پردازش تصویر، صوت و متن (بر روش های سنتی یادگیری ماشین برتری بسیار بالایی داشتند) گوگل هم نمیخواست از این قافله عقب بمونه و یادگیری و پردازشی شبکه های عصبی رو به سرویس های کلود خودش اضافه کرد.
برای کسب سود بیشتر و داشتن دست بالاتر در حوزه پردازشی (از نظر سرعت و کارایی) گوگل تصمیم گرفت چیپ های هوش مصنوعی خودش رو تولید بکنه به اسم TPU (واحد پردازشی تنسور).
گوگل از سال 2016 تا سال 2021 سه نسل از TPU ها رو تولید کرد که از نظر پردازشی کارایی خیلی خوبی داشتند و حتی گاهی دست برتری نسبت به GPU های شرکت Nvidia داشتند و اما… 18 ماه می 2021، یعنی تقریبا 2 ماه پیش، نسل چهارم TPU ها رو معرفی کرد که کاراییشون 2 برابر بیشتر از نسل سوم TPU هاست!
ماه گذشته یعنی حدود 10 ژوئن 2021 خبری منتشر شد که گوگل موفق شده به هوش مصنوعی دست پیدا بکنه که باهاش در عرض 6 ساعت، چیزی رو تولید میکنه که تیم مهندسین چندین ماه برای تولیدش وقت میذارن!
این 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 و ماه قبل نتیجه این سرمایه گذاری رو در ژورنال Nature به صورت مقاله منتشر کرد.
این مقاله که به رهبری خانم آزالیا میرحسینی و آنا گُلدی منتشر شده، 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 محدودیت های فیزیکی مواجه شدیم که اجازه نمیداد تعداد این ترانزیستورها بیشتر بشه.
این مدل هوش مصنوعی نمیتونه کمک بکنه که تعداد ترانزیستورهای بیشتری روی چیپ ها قرار بگیره، اما از راه های دیگه ای میتونه سرعت و کارایی این چیپ ها رو بالاتر ببره!
این مدل هوش مصنوعی، چالش floorplanning رو حل میکنه.
مهندسین و طراح ها با کمک ابزارهای کامپیوتری، به دنبال چینش بهینه ای هستند تا زیر بخش های یک پیچ رو کنار هم قرار بدن. نحوه چینش این زیر بخش ها، 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 انسان ها رو در بازی ها شکست داده، 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 ماه ها وقت انسان ها رو میگیره و کار بسیار طاقت فرسایی هم هست رو میشه مثل یک بازی تصور کرد: “چگونه زیر بخش ها رو کنار هم قرار بدیم تا برنده شویم؟!”
با استفاده از همین دیدگاه میشه برای هر چیپ یک سری شرایط برنده شدن تعریف کرد و 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 10 هزار چیپ که بعضی هاشون هم به صورت تصادفی هم ایجاد شده بودند، این هوش مصنوعی رو تمرین داد.
هر کدوم از این چیپ ها با یک تابع پاداش علامت گذاری شدند که در این تابع، سنجه هایی مثل میزان سیم استفاده شده و یا بهینگی مصرف برق لحاظ شده بود.
این هوش مصنوعی از این داده ها برای تقسیم بندی طراحی ها به خوب و بد استفاده کرد تا بتونه دیزاین های خودش رو انجام بده.
ماشین ها مثل انسان ها فکر نمیکنند و گاهی به راه حل های دور از انتظاری میرسند که انسان ها 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 نرم افزار یا الکترونیک، با هوش مصنوعی جایگزین بشند؟
منبع
منبع:سیسوگ
