نقش روزافزون هوش مصنوعی در انواع حوزه‌ها از قبیل آموزش، بهداشت و سلامت، حمل‌ونقل، مالی، سرگرمی، امنیت داخلی و بین‌المللی سبب شده است که این فناوری روزبه‌روز از اهمیت بیشتری در بین ملت‌ها و دولت‌ها برخوردار شود.

موفقیت‌های کسب‌شده در حوزه‌ی تکنیک‌های هوش مصنوعی در سال‌های گذشته، متکی بر محاسبات در مقیاس کلان و پرداخت هزینه‌های سنگین بوده است. لازم به ذکر است بعضا محاسبات لازم برای آموزش الگوریتم‌های هوش مصنوعی نیازمند صرف حدود یک ماه زمان و پرداخت صدها میلیون دلار هزینه است.

برای انجام این محاسبات باید از ریزتراشه‌هایی استفاده شود که با بهره‌گیری از آخرین نسل فناوری ساخت، قدرت محاسباتی بالایی داشته باشند؛ همچنین طراحی این ریزتراشه‌ها بایستی به نحوی باشد که محاسبات خاص الگوریتم‌های هوش مصنوعی را به نحوی مؤثر و با صرف هزینه و توان بسیار کمتر انجام دهند. تراشه‌هایی که توانسته‌اند این پیشرفت شگرف را رقم بزنند به تراشه‌های هوش مصنوعی معروف هستند.

چیستی ریزتراشه‌های هوش مصنوعی

ریزتراشه‌های هوش مصنوعی ریزتراشه‌هایی هستند که برای انجام امور مرتبط با هوش مصنوعی طراحی شده‌اند، همچنین می‌توان آن‌ها را قطعات سخت‌افزاری و شتاب‌دهنده‌هایی دانست که دارای معماری بسیار خاصی برای پشتیبانی از برنامه‌های مبتنی بر یادگیری عمیق هستند.

این ریزتراشه‌ها قادر به یادگیری و پردازش اطلاعات به روشی مشابه مغز انسان هستند، این عمل به کمک چندین فرمان و الگوریتم رایانه‌ای انجام می‌شود. یکی از جنبه‌های مهم این ریزتراشه‌ها یادگیری عمیق است. یادگیری عمیق که با عناوینی نظیر شبکه‌ی عصبی عمیق یا شبکه عصبی فعال نیز شناخته می‌شود، زیرمجموعه‌ای از یادگیری ماشین است که کاربردهایی بسیار خاص در حوزه‌ی هوش مصنوعی دارد.

شبکه‌های عصبی عمیق از داده‌های موجود در مرحله آموزش یاد می‌گیرند و پس از آن قادر خواهند بود با استفاده از داده‌های جدید عمل پیش‌بینی‌کردن را انجام دهند. این شبکه‌های عمیق ریزتراشه‌ها را قادر می‌سازند که آسان‌تر و در یک بازه‌ی زمانی کوتاه‌تر عمل جمع‌آوری، تجزیه‌وتحلیل و تفسیر مقادیر زیادی از داده‌ها را انجام دهند.

امروزه تقاضا برای استفاده از این نوع از ریزتراشه‌ها به دلیل داشتن توانایی ویژه در تبدیل داده‌ها به اطلاعات و تبدیل آن اطلاعات به دانش، روزبه‌روز در حال افزایش است.

براساس گزارش برنامه می میکروالکترونیک، دلایل ظهور ریزتراشه‌های هوش مصنوعی به شرح زیر مورد بررسی قرار گرفته است؛

دلیل ظهور ریزتراشه‌های هوش مصنوعی

سؤال مهمی که ممکن است مطرح شود این است که با وجود انواع دیگر ریزتراشه‌ها همچون واحد پردازش مرکزی که به اختصار CPU[۵] نامیده می‌شود و واحد پردازش گرافیکی که به اختصار GPU[۶] نامیده می‌شود، چرا باز هم به پردازنده‌های هوش مصنوعی نیاز داریم. برای پاسخ به این سؤال لازم است نگاه مختصری به پردازنده‌های سنتی کامپیوتر یعنی CPUها و همچنین پردازنده‌های گرافیکی یعنی GPUها داشته باشیم.

واحد پردازش مرکزی (CPU)

CPU جزء اصلی مسئول اجرای دستورالعمل‌ها و انجام محاسبات در یک کامپیوتر است. CPU که اغلب مغز رایانه نامیده می‌شود، طیف گسترده‌ای از اعمال اصلی محاسباتی، منطقی، کنترل و ورودی/خروجی مشخص شده توسط دستورالعمل‌های موجود در یک برنامه را انجام می‌دهد. CPUها برای اجرای دستورالعمل‌های یک برنامه به صورت گام‌به‌گام، مانند دنبال کردن یک دستورالعمل آشپزی، بهینه‌شده‌اند اما محاسبات مربوط به یادگیری ماشینی و کاربردهای هوش مصنوعی با قالب گام‌به‌گام و ترتیبی مطابقت ندارند.

برای مثال شبکه‌های عصبی برای یادگیری باید چندین (در حدود میلیاردها) عملیات را هم‌زمان انجام دهند، همچنین فرآیند یادگیری ماشین برای یافتن الگوها در داده‌ها به ضرب ماتریس‌ها متکی است که انجام تعداد زیادی از ضرب ماتریس‌های عظیم، سرعت CPUها را تحت‌الشعاع قرار می‌دهد.

علاوه‌براین انجام اموری مانند تشخیص صدا نیز شامل تجزیه‌وتحلیل مجموعه داده‌های بزرگ به‌طور هم‌زمان است، نه به‌صورت گام‌به‌گام. همه‌ی این موارد نشان می‌دهند چرا چالش‌های زیادی برای اجرای برنامه‌های مبتنی بر هوش مصنوعی بر روی CPUها وجود دارد.

پردازنده‌های گرافیکی (GPU)

با توجه به محدودیت‌های CPU، محققان در دهه ۱۹۹۰ در حوزه‌ی یادگیری ماشین، شروع به آزمایش بر روی GPU کردند. معماری موازی GPUها باعث شد که به‌طور منحصربه‌فردی برای شبکه‌های عصبی شتاب‌دهنده مناسب باشند. بدین ترتیب عصر استفاده ازGPUها آغاز شد.

پردازنده‌های گرافیکی برای انجام‌دادن پردازش گرافیکی با اجرای تعداد بسیار زیادی از عملیات ممیز شناور در هر ثانیه طراحی ‌شده‌اند که به عنوان FLOPS شناخته می‌شوند. اگر بخواهیم به‌طور ساده FLOPS را توضیح دهیم مانند این خواهد بود که یک فروشگاه فست‌فود چند همبرگر می‌تواند در یک ساعت تهیه کند.

هر چه تعداد برگرها (عملیات) در هر ساعت (در ثانیه) بیشتر باشد، غذا سریع‌تر سرو می‌شود (محاسبات سریع‌تر انجام می‌شود). GPUها در انجام FLOPS‌ها بسیار عالی هستند، یعنی توانایی آن را دارند که تعداد بسیار زیادی عملیات ریاضی را به صورت موازی و هم‌زمان انجام دهند، مسئله‌ای که باعث شد GPUها در آموزش الگوریتم‌های هوش مصنوعی بسیار بسیار سریع‌تر از CPUها شوند.

توانایی آموزش شبکه‌های عصبی عمیق، پیشرفت‌هایی را در زمینه‌هایی مانند بینایی رایانه و تشخیص گفتار تا حوالی سال‌ ۲۰۱۰ ممکن ساخت، از این رو می‌توان پردازنده‌های گرافیکی را یک برگ برنده در حوزه هوش مصنوعی نامید. با این حال نکته‌ای که بایستی بدان توجه نمود این است که پردازنده‌های گرافیکی به منظور دستیابی به اهداف و انجام امور مربوط به هوش مصنوعی ساخته نشده‌اند.

اگرچه GPU‌ها می‌توانند برنامه‌های هوش مصنوعی را بهتر از CPU‌ها پردازش کنند، اما اساساً برای پردازش مدل‌های گرافیکی و نه شبکه‌های عصبی بهینه‌سازی و طراحی ‌شده‌اند.

ظهور پردازنده‌های هوش مصنوعی

اگرچه پردازنده‌های گرافیکی باعث شدند که حوزه‌ی هوش مصنوعی پیشرفت‌های فوق‌العاده‌ای را تجربه کند، اما این پردازنده‌ها همچنان دارای محدودیت‌هایی در اجرای امور مربوط به یادگیری ماشین و هوش مصنوعی بودند.

این امر سبب شد شرکت‌های فناور ریزتراشه‌هایی را از پایه طراحی کنند که به‌طور خاص برای آموزش شبکه‌های عصبی و یادگیری ماشین بهینه ‌شده باشند. در همین راستا در سال ۲۰۱۶، گوگل از واحد پردازش تنسور(TPU) خود رونمایی کرد.

این اولین ریزتراشه با تولید انبوه بود که صرفاً برای یادگیری عمیق، طراحی و تولید شده بود. معماری TPU به نحوی بود که علاوه بربه‌حداقل‌رساندن مصرف انرژی در انجام عملیات‌های ضرب ماتریسی، سایر عملیات‌های مورد نیاز مدل‌های یادگیری ماشین و یادگیری عمیق نیز با استفاده از آن ساده‌تر انجام می‌شدند.

همچنین استارتاپ‌های مطرح هوش مصنوعی در دنیا مانند Graphcore، Cerebras و SambaNova نیز معماری‌های خلاقانه و منحصربه‌فرد ریزتراشه‌های هوش مصنوعی خود را معرفی کرده‌اند که برای آموزش مدل‌های بزرگ از عملکرد بسیار بهتری نسبت به پردازنده‌های گرافیکی برخوردار هستند.

نکته‌ی قابل توجه در مورد ریزتراشه‌های هوش مصنوعی این است که علاوه بر استفاده بهتر از منابع و مصرف انرژی مؤثرتر در مقایسه با CPU و GPU، می‌توانند محاسبات مربوط به یک مدل شبکه‌ی عصبی را تقریباً ده هزار برابر سریع‌تر از GPU‌ها انجام دهند.

نگاهی به بازار ریزتراشه‌های هوش مصنوعی

از آن‌جایی که کاربردهای هوش مصنوعی در بسیاری از صنایع مانند خودروسازی، فولاد، نفت‌وگاز، صنعت برق، حمل‌ونقل، صنعت غذایی، ساختمان، مراقبت‌های بهداشتی،صنعت مالی، تولید و اتوماسیون در سال‌های اخیر اهمیت فزاینده‌ای پیدا کرده است، استفاده از ریزتراشه‌های هوش مصنوعی روزبه‌روز افزایش یافته و این افزایش استفاده سبب شده است که بازار ریزتراشه‌های هوش مصنوعی در سال‌های اخیر رشد بسیار سریعی را تجربه کند. همچنین برای توسعه انواع مدل‌های زبانی هوش مصنوعی به حجم زیادی از ریزتراشه‌های هوش مصنوعی نیاز است که باعث شده تقاضای این ریزتراشه‌ها به طور قابل توجهی افزایش پیدا کند.

نمونه‌ی ساده این بازار را می‌توان در رابطه شرکت‌های OpenAI و Nvidia مشاهده کرد. OpenAI در طرف تقاضا برای توسعه مدل‌های هوش مصنوعی خود موسوم به GPT نیاز به تعداد زیادی ریزتراشه هوش مصنوعی دارد و در طرف عرضه شرکت Nvidia قرار دارد که با توجه به تقاضای بالای این نوع ریزتراشه‌ها، وضعیت مالی مطلوبی را در بازار ایالات متحده و همچنین بازار جهانی ریزتراشه‌های هوش مصنوعی تجربه می‌کند. اندازه بازار جهانی ریزتراشه‌های هوش مصنوعی در سال ۲۰۲۲، ۱۶.۸۶ میلیارد دلار بوده و پیش‌بینی می‌شود که با نرخ رشد مرکب سالانه ۲۹.۷۲ درصد از سال ۲۰۲۳ تا سال ۲۰۳۲ میلادی دارای ارزش بازاری بالغ بر ۲۲۷.۴ میلیارد دلار شود.

امروزه بازیگران زیادی سرمایه‌گذاری‌های عظیمی بر روی ریزتراشه‌ها و محصولات مرتبط با هوش مصنوعی انجام داده‌اند تا بتوانند در آینده سهم بیشتری از این بازار را در اختیار داشته باشند.

همچنین استارتاپ‌های بسیار زیادی در حوزه ریزتراشه‌های هوش مصنوعی تأسیس شده‌اند. اگرچه بسیاری از این استارتاپ‌ها تازه تأسیس شده‌اند، اما توانسته‌اند سرمایه‌گذاری‌های بسیار زیادی را جذب نمایند که نشانگر خوش‌بینی سرمایه‌گذاران به آینده این فناوری و محصولات است.

ریزتراشه‌های هوش مصنوعی در حال تبدیل شدن به یکی از کلیدی‌ترین ارکان پیشرفت فناوری در جهان هستند. با توسعه و پیچیده‌تر شدن سیستم‌های هوش مصنوعی، نیاز به پردازش‌های سریع‌تر، دقیق‌تر و با مصرف انرژی کمتر روز به روز بیشتر احساس می‌شود. در این میان، ریزتراشه‌های هوش مصنوعی به‌عنوان قلب این سیستم‌ها عمل می‌کنند و نقشی محوری در افزایش کارایی و گسترش کاربردهای هوش مصنوعی در زمینه‌های مختلف دارند؛ از خودروهای خودران و ربات‌ها تا شهرهای هوشمند و صنعت سلامت.

با رشد سریع این بازار و افزایش تقاضا برای فناوری‌های مبتنی بر هوش مصنوعی، کشورهای توسعه‌یافته و در حال توسعه به سرمایه‌گذاری‌های گسترده در این حوزه روی آورده‌اند. این سرمایه‌گذاری‌ها نه تنها به توسعه زیرساخت‌های فناورانه منجر می‌شود، بلکه به دلیل وابستگی اقتصاد جهانی به فناوری‌های نوین، به عنوان راهی برای حفظ و تقویت رقابت‌پذیری ملی نیز تلقی می‌شود.

کشورهایی مانند ایالات متحده و چین با سرمایه‌گذاری‌های عظیم در تحقیق و توسعه ریزتراشه‌های هوش مصنوعی در صدر این رقابت قرار دارند. با این حال، کشورهای منطقه‌ مانند هند، عربستان سعودی و امارات متحده عربی نیز در این حوزه به سرعت در حال پیشرفت هستند. هند به عنوان یکی از بزرگ‌ترین مراکز فناوری اطلاعات جهان، تمرکز خود را بر تولید و بهینه‌سازی ریزتراشه‌ها و سیستم‌های هوش مصنوعی گذاشته است. عربستان و امارات نیز با سرمایه‌گذاری‌های کلان در حوزه فناوری‌های پیشرفته، به دنبال متنوع‌سازی اقتصاد خود و ایجاد زیرساخت‌های هوشمند برای آینده هستند.

این رقابت جهانی نشان‌دهنده اهمیت روزافزون ریزتراشه‌های هوش مصنوعی در اقتصاد آینده است و نشان می‌دهد که کشورها برای حفظ موقعیت اقتصادی و فناوری خود در جهان، باید به سرمایه‌گذاری در این حوزه توجه ویژه‌ای داشته باشند.