گوگل و سینپتیکس با تراشه‌های کم‌مصرف Coral پای هوش مصنوعی را به عینک‌ها و گجت‌های هوشمند باز می‌کنند

گوگل در راستای انتقال هوش مصنوعی از مراکز داده بزرگ به گجت‌های روزمره کاربران گام تازه‌ای برداشته است. این غول دنیای فناوری با همکاری شرکت سینپتیکس (Synaptics)، نسل جدیدی از پردازنده‌ها را معرفی کرده که برای اجرای مستقیم مدل‌های هوش مصنوعی درون عینک‌های هوشمند، دوربین‌ها، حسگرهای صنعتی و سایر دستگاه‌های متصل طراحی شده‌اند.

شرکت سینپتیکس از سری پردازنده‌های Astra SR200 رونمایی کرد؛ خانواده‌ای متشکل از ۳ تراشه جدید که فناوری واحد پردازش عصبی (NPU) متن‌باز کورال (Coral) گوگل را با حافظه اختصاصی و قابلیت‌های پردازش صوتی، تصویری و محاسباتی ترکیب می‌کنند.

این دو شرکت همچنین از عرضه گسترده‌تر پلتفرم آزمایشی Coralboard خبر دادند؛ بردی توسعه‌یافته به‌صورت مشترک که به مهندسان اجازه می‌دهد پیش از به‌کارگیری این فناوری در محصولات تجاری، اجرای محلی مدل‌هایی مانند جما (Gemma) گوگل را روی آن بیازمایند.

این دستاورد برای شرکت‌های فعال در حوزه تولید تجهیزات هوشمند و متصل، پاسخی به یک چالش همیشگی است: اجرای مدل‌های پیشرفته هوش مصنوعی بدون نیاز به پردازنده‌های گران‌قیمت، اتصال دائم به اینترنت یا سخت‌افزارهای پرمصرفی که شارژ باتری دستگاه را به‌سرعت تخلیه می‌کنند.

گوگل در پی دسترسی‌پذیر کردن سخت‌افزار هوش مصنوعی؛ همپای مدل‌های زبانی

این همکاری نشان‌دهنده تحولی مهم در استراتژی کلان هوش مصنوعی گوگل است؛ رویکردی که نه‌تنها بر توسعه مدل‌های هوش مصنوعی، بلکه بر دردسترس قرار دادن فناوری‌های پایه‌ای برای استفاده سایر شرکت‌ها تمرکز دارد.

بخش تحقیقات گوگل (Google Research) معماری واحد پردازش عصبی Coral NPU را به‌صورت متن‌باز منتشر کرد. گوگل به‌جای تولید مستقیم تراشه‌ها، طراحی پایه این شتاب‌دهنده را در اختیار شرکت‌های نیمه‌رسانا قرار می‌دهد تا آن را در پردازنده‌های اختصاصی خود ادغام کنند.

این معماری بر پایه استاندارد متن‌باز RISC-V بنا شده و به نرم‌افزاری مجهز است که به توسعه‌دهندگان امکان می‌دهد برنامه‌های کاربردی هوش مصنوعی را به‌سادگی میان پیاده‌سازی‌های سخت‌افزاری گوناگون جابه‌جا کنند.

بیلی راتلج (Billy Rutledge)، مدیر بخش تحقیقات سیستم‌ها در گوگل ریسرچ، در گفت‌وگویی اختصاصی به تشریح چالش‌هایی پرداخت که توسعه‌دهندگان هنگام تلاش برای اجرای مدل‌های یکسان روی تراشه‌های اختصاصی و متنوع گجت‌های مصرفی و صنعتی با آن‌ها دست‌به‌گریبان هستند.

راتلج با اشاره به تصمیم گوگل مبنی بر انتشار طراحی متن‌باز NPU برای استفاده تمام تراشه‌سازان توضیح داد: «یکی از اهداف اصلی ما، به حداقل رساندن دردسرها و چالش‌های توسعه‌دهندگان بود.»

سینپتیکس نخستین شریک تجاری گوگل در حوزه سخت‌افزار برای پروژه کورال به‌شمار می‌رود، اما جاه‌طلبی‌های گوگل فراتر از همکاری با یک شرکت واحد است.

تحت مجوز متن‌باز Apache 2.0، سایر شرکت‌ها نیز می‌توانند معماری شتاب‌دهنده Coral NPU را بدون نیاز به پرداخت حق امتیاز یا هزینه لایسنس به گوگل، در پردازنده‌های تجاری خود به‌کار بگیرند.

سینپتیکس این معماری را با فناوری پردازشی اختصاصی خود ادغام کرده است. کامپایلر متن‌باز Torq که با استفاده از پروژه‌های نرم‌افزاری MLIR و IREE توسعه یافته، به توسعه‌دهندگان کمک می‌کند مدل‌های ساخته‌شده با فریمورک‌های محبوبی چون PyTorch، JAX و LiteRT گوگل را به‌راحتی روی این سخت‌افزار مستقر کنند.

این رویکرد می‌تواند حجم کارهای مهندسی موردنیاز برای سازگار کردن برنامه‌های هوش مصنوعی با پلتفرم‌های سخت‌افزاری گوناگون را به‌طور چشمگیری کاهش دهد.

قدرتمند برای هوش مصنوعی، به‌اندازه کافی کوچک برای گجت‌های پوشیدنی

خانواده جدید Astra SR200 از سه پردازنده با توانمندی‌های متفاوت تشکیل شده است.

مدل پایه SR210 با توان پردازش هوش مصنوعی ۲۰۰ میلیارد عملیات در ثانیه (GOPS) برای کاربردهای حسگری و تشخیص گفتار همیشه‌روشن طراحی شده است. مدل SR230 این توان را به ۳۰۰ گیگا‌عملیات در ثانیه می‌رساند و قابلیت‌های بینایی و نمایشگر را اضافه می‌کند؛ در حالی که مدل پرچمدار SR250 با دستیابی به ۴۰۰ گیگا‌عملیات در ثانیه، از کاربردهای سنگین‌تر و چندوجهی (Multimodal) پشتیبانی می‌کند.

این پردازنده‌ها هسته‌های آرم Cortex-M85 و Cortex-M52 را در کنار واحد پردازش عصبی Coral گوگل جای داده‌اند تا تولیدکنندگان بتوانند وظایف پردازشی را بر اساس نیاز به توان محاسباتی و مصرف انرژی، میان بخش‌های مختلف توزیع کنند.

نکته کلیدی دیگر این است که سینپتیکس تا ۸ مگابایت حافظه SRAM و پیکربندی‌های اختصاصی DRAM تا صدها مگابایت را روی این تراشه‌ها تعبیه کرده و برد توسعه آتی Coralboard SR نیز تا ۲۵۶ مگابایت حافظه را پشتیبانی خواهد کرد.

این حافظه بیشتر به دستگاه‌ها امکان می‌دهد بدون نیاز به پردازنده کاربردی مجزا، مدل‌های بزرگ‌تر هوش مصنوعی را اجرا کرده و داده‌های دریافتی از دوربین‌ها، میکروفون‌ها و حسگرها را به‌طور مستقیم پردازش کنند.

سینپتیکس ادعا می‌کند معماری حافظه سفارشی آن در بارهای کاری مشابه، حدوداً یک‌سوم حافظه‌های متداول DRAM مصرف انرژی دارد؛ هرچند هنوز بنچمارک‌های مستقلی برای اثبات میزان بهبود واقعی شارژدهی باتری منتشر نشده است.

سینپتیکس وارد بازاری به‌شدت رقابتی می‌شود. شرکت اس‌تی‌مایکروالکترونیکس (STMicroelectronics) در حال حاضر میکروکنترلر STM32N6 خود را با شتاب‌دهنده اختصاصی و توان ۶۰۰ گیگا‌عملیات در ثانیه عرضه می‌کند، و شرکت رنساس (Renesas) نیز خانواده پردازنده‌های RA8P1 را با توان پردازشی تا ۲۵۶ گیگا‌عملیات در ثانیه معرفی کرده است.

بااین‌حال، این ارقام حداکثری عملکرد لزوماً نشان نمی‌دهند که کدام پردازنده مدل‌های هوش مصنوعی را در عمل سریع‌تر یا بهینه‌تر اجرا می‌کند. عواملی همچون ظرفیت حافظه، توان مصرفی، سازگاری نرم‌افزاری و معماری اختصاصی مدل‌ها تأثیر چشمگیری بر عملکرد در دنیای واقعی دارند.

سینپتیکس استدلال می‌کند که ترکیب حافظه یکپارچه، پشتیبانی از مدل‌های چندوجهی و ابزارهای توسعه متن‌باز، وجه تمایز اصلی رویکرد این شرکت با سایر رقبا است.

از مدل‌های سبک جما تا دوربین‌های کارخانه‌ای و عینک‌های هوشمند

گوگل و سینپتیکس طیف رو‌به‌رشدی از مدل‌های سبک هوش مصنوعی را هدف گرفته‌اند که برای اجرای محلی روی دستگاه‌ها توسعه می‌یابند.

این دو شرکت مدل‌های Gemma 3 270M، مدل‌های LFM2.5 استارتاپ لیکویید ای‌آی (Liquid AI) و مدل‌های بینایی ماشین YOLO شرکت اولترالیتیکس (Ultralytics) را از جمله مدل‌های پشتیبانی‌شده در اکوسیستم توسعه خود معرفی کرده‌اند.

سینپتیکس گزارش می‌دهد که مدل Gemma 3 270M با بهره‌گیری از تنظیمات مختلف فشرده‌سازی می‌تواند با سرعت تقریبی ۱۲ تا ۱۶ توکن در ثانیه خروجی تولید کند؛ هرچند هنوز مقایسه عملکرد مستقل و جامعی برای سخت‌افزار سری SR200 ارائه نشده است.

کاربردهای بالقوه این تراشه‌ها برای صنایع و سازمان‌ها شامل عینک‌های هوشمند صنعتی با قابلیت تحلیل محیط پیرامون، دوربین‌های خطوط تولید کارخانه‌ها برای تشخیص اشیا، و تجهیزات امنیتی با امکان بررسی محلی صدا و تصویر بدون ارسال مداوم داده‌ها به سرورهای ابری می‌شود.

سینپتیکس در بیانیه خود به همکاری با برند صوتی سونس (Sonos)، ارائه‌دهنده راهکارهای امنیتی وریشور (Verisure) و تولیدکننده سخت‌افزارهای واقعیت افزوده جورجین تکنالوجیز (Jorjin Technologies) اشاره کرده است؛ اظهاراتی که همکاری‌های فعلی با پلتفرم Astra یا کاربردهای احتمالی پردازنده‌های جدید را شرح می‌دهند، نه آغاز عرضه نهایی محصولات مجهز به سری SR200.

راتلج همچنین تأکید کرد که گوگل اکوسیستم توسعه‌دهندگان را راهکاری برای تشویق شکل‌گیری دسته‌بندی‌های کاملاً جدیدی از محصولات می‌داند، نه صرفاً ابزاری برای ارتقای سخت‌افزارهای موجود.

او در این زمینه گفت: «کاربردی‌ترین دستگاه‌هایی که در لبه شبکه (Edge) از هوش مصنوعی استفاده خواهند کرد، هنوز حتی طراحی هم نشده‌اند.»

برد توسعه کورال‌برد با قیمت ۹۹٫۷۹ دلار؛ سخت‌افزارهای جدید در مسیر عرضه

توسعه‌دهندگان می‌توانند از همین حالا کار با این فناوری را از طریق برد Coralboard SL آغاز کنند؛ بردی مجهز به پردازنده فعلی Astra SL2619 سینپتیکس با شتاب‌دهنده هوش مصنوعی ۱ تاپس (TOPS) و ۲ گیگابایت حافظه DDR4.

این برد در حال حاضر در فروشگاه دیجی‌کی (DigiKey) با قیمت ۹۹٫۷۹ دلار فهرست شده است و سینپتیکس از در دسترس قرار گرفتن عمومی آن از طریق این توزیع‌کننده خبر داد.

دومین برد توسعه با نام Coralboard SR به پردازنده جدید SR250 مجهز خواهد شد، اما سینپتیکس اعلام کرده که این مدل در آینده عرضه می‌شود. خانواده تراشه‌های سری SR200 اکنون در مرحله ارزیابی و نمونه‌برداری اولیه (Sampling) قرار دارد و این شرکت هنوز قیمت تکی هر تراشه یا زمان‌بندی دقیقی برای تولید انبوه آن ارائه نکرده است.

این رونمایی هم‌زمان با آماده شدن سینپتیکس برای قرارداد تصاحب ۵٫۷ میلیارد دلاری توسط شرکت آنسمی (onsemi) انجام می‌شود؛ توافقی که انتظار می‌رود فرایند ادغام آن تا اواسط سال ۲۰۲۷ نهایی شود.

برای گوگل، این فرصت بلندمدت افقی بسیار وسیع‌تر از معرفی یک تراشه منفرد دارد. این غول فناوری با متن‌باز کردن طراحی شتاب‌دهنده‌های هوش مصنوعی و همکاری نزدیک با تولیدکنندگان تراشه و توسعه‌دهندگان مدل‌ها، در تلاش است تا زیربنایی مشترک برای نسل نوظهور دستگاه‌های هوشمند پی‌ریزی کند.

اینکه آیا این استراتژی به موفقیت می‌رسد یا خیر، به این بستگی دارد که تولیدکنندگان سخت‌افزار تا چه حد می‌توانند این زیربناها را به محصولاتی مقرون‌به‌صرفه تبدیل کنند؛ دستگاه‌هایی که قابلیت‌های هوش مصنوعی ارزشمند را بدون فدا کردن شارژدهی باتری، حریم خصوصی یا پایداری در اختیار کاربران بگذارند.