مدیرعامل Cerebras و پیشگامان صنعت تراشه از آینده سخت‌افزار هوش مصنوعی می‌گویند

در رویداد The Next Endeavour امسال در مقر Google Bay View در سن خوزه، نشستی تخصصی با حضور Andrew Feldman، هم‌بنیان‌گذار و مدیرعامل Cerebras Systems، Atiq Raza، از پیشگامان صنعت نیمه‌هادی، و Dave Blundin، کارآفرین و سرمایه‌گذار، برگزار شد تا روند پیشرفت سخت‌افزار در دنیای هوش مصنوعی بررسی شود.

اکنون سخت‌افزار هوش مصنوعی بر سر یک دوراهی قرار دارد. برخی فراگیری پردازنده‌های گرافیکی NVIDIA را یک «حباب» می‌دانند و عده‌ای دیگر معتقدند هوش مصنوعی خطری برای بشریت است که تنها با محدودیت‌های سخت‌افزاری می‌توان آن را کنترل کرد. با وجود این دیدگاه‌های بحث‌برانگیز، نظرات کارشناسانی که سال‌ها در این حوزه فعالیت کرده‌اند، می‌تواند ابعاد پنهان نوآوری در این صنعت را روشن کند.

پردازنده غول‌پیکر Cerebras

پردازنده WSE-3 شرکت Cerebras که به دلیل سطح ۹ اینچی‌اش به «بشقاب شام» معروف است، ۴ تریلیون ترانزیستور و ۹۰۰ هزار هسته پردازشی دارد و قطعه سخت‌افزاری بسیار بزرگی به شمار می‌رود. Andrew Feldman در این نشست به تشریح برنامه‌های این شرکت پرداخت.

او با بیان اینکه تیم Cerebras بیشتر از روی اشتیاق به نوآوری حرکت می‌کند تا صرفاً اهداف مالی، توضیح داد: «ما ۱۰ سال پیش سفر بزرگی را آغاز کردیم. ما این کار را انجام می‌دهیم چون واقعاً نمی‌دانیم چگونه می‌توان چیزی نساخت.»

به گفته مدیرعامل Cerebras، این شرکت اکنون ۲۵ میلیارد دلار سفارش در صف انتظار دارد و برنامه‌ریزی کرده است تا تولید خود را در سال جاری ۸ برابر و در سال آینده نیز ۸ برابر دیگر افزایش دهد. او این دوران را «زمانی خارق‌العاده» توصیف کرد.

در ادامه، استراتژی و بقا در دنیای پرشتاب تجارت مورد بحث قرار گرفت. او با اشاره به تاریخچه Cerebras گفت: «بهترین راه برای زمان‌بندی درست در دنیای استارتاپ‌ها این است که برای مدت طولانی اشتباه کنید، اما زنده بمانید. ما به یکی از اهداف دست‌نیافتنی رسیده بودیم، اما هیچ‌کس اهمیتی نمی‌داد؛ زیرا وقتی هوش مصنوعی هنوز در مراحل ابتدایی بود، سرعت بالا معنایی نداشت. اما اکنون هوش مصنوعی با سرعتی باورنکردنی در حال هوشمندتر و سریع‌تر شدن است و همه پاسخ‌ها را در لحظه می‌خواهند.»

Dave Blundin نیز دیدگاه خود را درباره چگونگی این تغییر بزرگ و گذار از پردازنده‌های گرافیکیِ بازی به بازار پررونق سخت‌افزارهای هوش مصنوعی بیان کرد. او توضیح داد: «ما قطعاً در حال استفاده از پردازنده‌های گرافیکی دیروز هستیم که برای گرافیک و بازی‌های ویدیویی طراحی شده بودند. جالب اینجاست که هیچ‌یک از کسانی که اکنون میلیاردرهای این صنعت هستند، این آینده را پیش‌بینی نمی‌کردند. آن‌ها مشغول ساخت بهترین پردازنده‌های گرافیکی برای بازی بودند و این محققان هوش مصنوعی بودند که گفتند الگوریتم‌هایشان روی این تراشه‌ها بهتر اجرا می‌شود. در آن زمان، مخاطبان این ایده بسیار محدود بودند، اما این وضعیت به‌سرعت تغییر کرد.»

نگاهی به گذشته و تکامل نوآوری

Atiq Raza با یادآوری دهه‌های گذشته و زمان پیدایش قانون مور، اظهار داشت: «من زمانی با شرکت مور رقابت کردم و آن را شکست دادم که یک غول بی‌رقیب بود. شاید بسیاری به یاد نیاورند که زمانی Intel آن‌قدر قدرتمند بود که حتی Microsoft هم جرات رویارویی با آن را نداشت.»

او در مورد پیشرفت‌های استراتژیک امروز و فناوری‌هایی مانند محاسبات درون‌حافظه‌ای افزود: «هر نوآوری جدید، به یکی از گلوگاه‌های هوش مصنوعی پاسخ می‌دهد؛ به‌ویژه با تغییر نوع بار کاری. روزگاری تمرکز بر روی آموزش مدل‌ها بود، سپس به استنتاج مصرف‌کننده تغییر یافت و اکنون به سمت استنتاج سازمانی در حرکت است که خود در حال تجربه تحول دیگری است.»

سرعت پیشرفت و گلوگاه‌های زیرساختی

کارشناسان حاضر در نشست درباره چالش‌های اصلی و موانع پیش‌روی این صنعت نیز تبادل نظر کردند.

Andrew Feldman معتقد است که کل صنعت در حال حاضر با کمبود ظرفیت دیتاسنترها محدود شده است. او گفت: «ما تلاش می‌کنیم با سرعت توسعه نرم‌افزار پیش برویم، اما دیتاسنترها با سرعت ساخت‌وساز املاک پیش می‌روند و این موضوع همه ما را عقب نگه داشته است.» وی پیش‌بینی کرد که ظرفیت کارخانه‌های تولید تراشه تا سه سال آینده به گلوگاه اصلی تبدیل خواهد شد.

در مورد موانع مهندسی، Dave Blundin به مشکلات استنتاج هوش مصنوعی اشاره کرد و گفت: «آنچه امروز در استنتاج هوش مصنوعی انجام می‌دهیم، بسیار ناکارآمد است. وزن‌های مدل نیازی به جابه‌جایی ندارند، اما ما انرژی عظیمی و گران‌ترین تراشه‌های جهان را صرف انتقال آن‌ها از حافظه با پهنای باند بالا (HBM) به پردازنده گرافیکی می‌کنیم تا فقط برای کسری از ثانیه استفاده و سپس دور ریخته شوند. راه‌حل‌هایی وجود دارند که می‌توانند هزار تا یک میلیون برابر کارآمدتر باشند. این راه‌حل‌ها هنوز اجرایی نشده‌اند، زیرا زنجیره تامین کند حرکت می‌کند، در حالی که نرم‌افزار آن‌قدر سریع تغییر می‌کند که کسی نمی‌خواهد رویکردی را در سخت‌افزار تثبیت کند که شاید در آینده اشتباه از آب دربیاید. احتمالاً در سه سال آینده و با تکامل زنجیره تامین، با ثابت نگه‌داشتن وزن‌ها به بهره‌وری بسیار بالاتری دست خواهیم یافت.»

آیا مسیر سرمایه‌گذاری‌ها درست است؟

در بخش دیگری از این پنل، پرسشی اساسی مطرح شد مبنی بر اینکه آیا صدها میلیارد دلار سرمایه‌گذاری در زیرساخت‌های هوش مصنوعی، پایه‌های اقتصاد آینده را می‌سازد یا صرفاً بزرگ‌ترین حباب فناوری در تاریخ را شکل می‌دهد؟

مدیرعامل Cerebras در پاسخ به این پرسش قاطعانه گفت: «من فکر نمی‌کنم شکی وجود داشته باشد که ما در حال ساخت پایه‌های یک اقتصاد کاملاً متفاوت هستیم.»

Dave Blundin نیز با تایید این موضوع، به دوران پیدایش اینترنت اشاره کرد و گفت: «اینترنت اکنون پایه و اساس تقریباً هر کاری است که انجام می‌دهیم. این فناوری هرگز یک حباب نبود؛ اگرچه در مقطعی مردم وحشت کردند و کنار کشیدند. این اتفاقی است که همیشه رخ می‌دهد و در مورد هوش مصنوعی نیز ناگزیر خواهد بود. بیست سال دیگر، هوش مصنوعی همچنان با اختلاف، بزرگ‌ترین اتفاق در تاریخ بشر خواهد بود. اگرچه گاهی سرمایه‌ها به مسیرهای اشتباه می‌روند و پروژه‌هایی با شکست مواجه می‌شوند، اما هوش مصنوعی آمده است تا بماند و تاثیرات عظیمی خواهد داشت.»

در این گفت‌وگوی گسترده، جزئیات فنی فراوانی درباره طراحی پردازنده‌ها، سیستم‌های مبتنی بر هوش مصنوعی و چشم‌انداز آینده این صنعت ارائه شد.

سخن پایانی و توصیه‌های شغلی

در پایان نشست، از کارشناسان خواسته شد تا توصیه‌هایی برای متخصصان جوان داشته باشند.

Andrew Feldman توصیه کرد: «چیزهایی را بسازید که دوست دارید. در اواخر دهه ۹۰، با ظهور شبکه‌های کامپیوتری، سخت‌افزار جذاب بود، اما از حدود سال ۲۰۰۱، سخت‌افزار برای حدود ۱۵ سال از کانون توجه خارج شد. با این حال، من ساخت سخت‌افزار، حل چالش‌های آن و کار با افرادی که به طراحی تراشه‌ها و سیستم‌ها علاقه دارند را دوست دارم.»

او با یک استعاره جالب صحبت‌هایش را تکمیل کرد: «توصیه من این است: فقط به این دلیل که دنیا به مرغابی نیاز دارد، از پلنگ بودن دست برندارید. اگر پلنگ هستید، کارهای پلنگ‌ها را انجام دهید. در این صورت از شغل خود بسیار بیشتر لذت خواهید برد.»

Atiq Raza نیز در این باره افزود: «نوآوری باید در تمام ابعاد رخ دهد. ما به سخت‌افزار قدرتمندی نیاز داریم که در آن حافظه، اتصالات و محاسبات به نزدیک‌ترین شکل ممکن یکپارچه شده باشند. همچنین باید بتوانیم بارهای کاری را روی این سخت‌افزارها بهینه‌تر زمان‌بندی کنیم.»

در نهایت، Dave Blundin خاطرنشان کرد: «هوش مصنوعی می‌تواند قدرت تفکری معادل میلیاردها انسان داشته باشد و با سرعتی خارق‌العاده فکر کند، اما اگر هر مرحله نیازمند آزمایش فیزیکی باشد، پیشرفت کند می‌شود. به همین دلیل است که شبیه‌سازی و استفاده از حلقه‌های بازخورد داده‌ها، در سال‌های آینده اهمیت و پتانسیل بسیار بالایی خواهند داشت.»