آیا رایانه‌هایی که به‌عنوان مغز طراحی می‌شوند می‌توانند به «قاتل رقابت» تبدیل شوند؟

اشتهای محاسبات مدرن برای برق با سرعت نگران کننده ای در حال افزایش است.

بر اساس گزارش اخیر، تا سال 2026، مصرف مراکز داده، هوش مصنوعی (AI) و ارزهای دیجیتال می تواند سطح 2022 را دو برابر کند. آژانس بین المللی انرژی (IEA).

تخمین زده می شود که در سال 2026، مصرف انرژی این سه بخش می تواند تقریباً معادل نیاز انرژی سالانه ژاپن باشد.

شرکت‌هایی مانند انویدیا – که تراشه‌های کامپیوتری آن‌ها زیربنای اکثر برنامه‌های کاربردی هوش مصنوعی امروزی هستند – در تلاشند تا سخت‌افزاری با انرژی کارآمدتر توسعه دهند.

اما آیا یک راه جایگزین می‌تواند ایجاد رایانه‌هایی با نوع معماری متفاوت و کارآمدتر در مصرف انرژی باشد؟

برخی از شرکت‌ها مطمئناً چنین فکر می‌کنند و به ساختار و عملکرد اندامی که از بخش کوچکی از قدرت یک رایانه معمولی برای انجام سریع‌تر عملیات استفاده می‌کند تکیه می‌کنند: مغز.

در محاسبات نورومورفیک، دستگاه‌های الکترونیکی نورون‌ها و سیناپس‌ها را تقلید می‌کنند و به گونه‌ای به هم متصل می‌شوند که شبیه شبکه الکتریکی مغز است.

این چیز جدیدی نیست – محققان از دهه 1980 روی این تکنیک کار می کنند.

اما نیازهای انرژی انقلاب هوش مصنوعی فشار را برای افزایش فناوری در دنیای واقعی افزایش می دهد.

سیستم‌ها و پلت‌فرم‌های کنونی عمدتاً به‌عنوان ابزار تحقیقاتی وجود دارند، اما طرفداران می‌گویند که می‌توانند دستاوردهای بزرگی در بهره‌وری انرژی داشته باشند.

در میان کسانی که جاه طلبی های تجاری دارند غول های سخت افزاری مانند اینتل و آی بی ام هستند.

چندین شرکت کوچکتر نیز در صحنه حضور دارند. دان هاچسون، تحلیلگر TechInsights می گوید: «فرصت در انتظار شرکتی است که بتواند آن را کشف کند. “[And] این احتمال وجود دارد که این قاتل انویدیا باشد.”

در ماه می، SpiNNcloud Systems، یکی از بخش‌های دانشگاه فناوری درسدن، اعلام کرد که فروش ابررایانه‌های نورومورفیک را برای اولین بار آغاز می‌کند و پیش‌سفارش‌ها را می‌پذیرد.

هکتور گونزالس، مدیر اجرایی آن می‌گوید: «ما قبل از سایر شرکت‌ها به تجاری‌سازی ابررایانه‌های نورومورفیک دست یافتیم.

تونی کنیون، استاد مواد نانوالکترونیک و نانوفتونیک در دانشگاه کالج لندن که در این زمینه کار می کند، می گوید: این یک پیشرفت قابل توجه است.

او می گوید: “در حالی که هنوز هیچ برنامه کاربردی قاتل وجود ندارد… حوزه های زیادی وجود دارد که محاسبات نورومورفیک دستاوردهای قابل توجهی در بهره وری انرژی و عملکرد ایجاد می کند، و من مطمئن هستم که با توسعه آن شاهد پذیرش گسترده این فناوری خواهیم بود.” می گوید .

محاسبات نورومورفیک طیف وسیعی از رویکردها را در بر می گیرد، از یک رویکرد ساده و الهام گرفته از مغز گرفته تا شبیه سازی های تقریباً کامل مغز انسان (که در واقع ما با آن فاصله زیادی نداریم).

اما برخی از ویژگی های کلیدی طراحی وجود دارد که آن را از محاسبات معمولی متمایز می کند.

اول اینکه برخلاف کامپیوترهای معمولی، کامپیوترهای نورومورفیک حافظه و پردازنده جداگانه ندارند. در عوض، این وظایف با هم روی یک تراشه در یک مکان واحد انجام می‌شوند.

پروفسور کنیون خاطرنشان می کند که حذف نیاز به انتقال داده ها بین آنها مصرف انرژی را کاهش می دهد و زمان پردازش را سرعت می بخشد.

یک رویکرد رویداد محور برای محاسبات نیز می تواند رایج باشد.

بر خلاف محاسبات معمولی، که در آن هر بخش از سیستم همیشه روشن است و همیشه برای برقراری ارتباط با هر بخش دیگر در دسترس است، فعال‌سازی در محاسبات نورومورفیک می‌تواند نادر باشد.

نورون ها و سیناپس های تقلیدی فقط زمانی فعال می شوند که چیزی برای گفتن داشته باشند، همانطور که بسیاری از نورون ها و سیناپس ها در مغز ما فقط زمانی فعال می شوند که دلیلی برای این کار وجود داشته باشد.

انجام کار فقط زمانی که چیزی برای پردازش وجود دارد، باعث صرفه جویی در انرژی نیز می شود.

و اگرچه کامپیوترهای مدرن دیجیتال هستند – از یک یا صفر برای نمایش داده ها استفاده می کنند – محاسبات نورومورفیک می تواند آنالوگ باشد.

از لحاظ تاریخی، این روش محاسباتی بر سیگنال‌های پیوسته متکی است و می‌تواند در مواردی که تجزیه و تحلیل داده‌های دریافتی از دنیای خارج ضروری است، مفید باشد.

با این حال، به دلایل سهولت، بیشتر تلاش‌های نورومورفیک تجاری مبتنی بر دیجیتال هستند.

برنامه های کاربردی تجاری مورد نظر به دو دسته اصلی تقسیم می شوند.

یکی از مواردی که SpiNNcloud بر روی آن متمرکز شده است، ارائه یک پلت فرم کارآمدتر و کارآمدتر برای برنامه های هوش مصنوعی، از جمله تجزیه و تحلیل تصویر و ویدئو، تشخیص گفتار، و مدل های زبان بزرگ است که با ربات های چت مانند ChatGPT کار می کنند.

مورد دیگر در برنامه‌های “محاسبات لبه” است – جایی که داده‌ها نه در فضای ابری، بلکه در زمان واقعی در دستگاه‌های متصل که تحت محدودیت‌های قدرت کار می‌کنند، پردازش می‌شوند. وسایل نقلیه خودران، ربات‌ها، تلفن‌های همراه و فناوری‌های پوشیدنی همگی می‌توانند سود ببرند.

با این حال، چالش‌های فنی همچنان پابرجاست. توسعه نرم‌افزار مورد نیاز برای کارکرد تراشه‌ها مدت‌هاست که به عنوان یک مانع بزرگ برای توسعه محاسبات نورومورفیک در نظر گرفته می‌شود.

در حالی که داشتن سخت‌افزار یک چیز است، اما برای کار کردن باید برنامه‌ریزی شود، و این ممکن است مستلزم ایجاد یک سبک برنامه‌نویسی کاملاً متفاوت از آنچه در رایانه‌های معمولی استفاده می‌شود، داشته باشد.

آقای هاچسون، که پیش‌بینی می‌کند حداقل یک دهه، اگر نگوییم دو سال، طول می‌کشد تا مزایای محاسبات نورومورفیک واقعاً احساس شود، در پایان می‌گوید: «پتانسیل این دستگاه‌ها بسیار زیاد است… چالش این است که چگونه می‌توان آنها را کار کرد. .

مشکلات قیمتی نیز وجود دارد. پروفسور کنیون خاطرنشان می کند که چه آنها از سیلیکون استفاده کنند، مانند تلاش های تجاری متمرکز، یا مواد دیگر، ایجاد تراشه های کاملاً جدید گران است.

نمونه اولیه تراشه نورومورفیک فعلی اینتل Loihi 2 نام دارد.

در ماه آوریل، این شرکت اعلام کرد که 1152 مورد از آنها را برای ایجاد Hala Point، یک سیستم تحقیقاتی نورومورفیک در مقیاس بزرگ که حاوی بیش از 1.15 میلیارد نورون جعلی و 128 میلیارد سیناپس جعلی است، ترکیب کرده است.

اینتل ادعا می کند که با قدرت نورون تقریباً معادل مغز جغد، بزرگترین سیستم جهان تا به امروز است.

این هنوز یک پروژه تحقیقاتی اینتل در حال حاضر است.

“[But Hala Point] مایک دیویس، مدیر آزمایشگاه محاسبات نورومورفیک اینتل، می‌گوید: «نشان می‌دهد که در اینجا برای برنامه‌های هوش مصنوعی قابلیت واقعی وجود دارد».

او گفت که Hala Point به اندازه مایکروویو “از نظر تجاری مرتبط است” و نرم افزار در حال پیشرفت سریع است.

IBM آخرین نمونه اولیه تراشه الهام گرفته از مغز خود را NorthPole می نامد.

این مدل که سال گذشته معرفی شد، تکامل یافته نمونه اولیه TrueNorth است. دارمندرا مدها، دانشمند ارشد این شرکت برای محاسبات الهام گرفته از مغز، می گوید: آزمایش ها نشان می دهد که انرژی کارآمدتر است، فضای بیشتری را اشغال می کند و سریعتر از هر چیپ موجود در بازار است. او می افزاید که گروهش اکنون در تلاش است تا امکان ترکیب تراشه ها را در یک سیستم بزرگتر نشان دهد.

او می گوید: «مسیر بازار در آینده خواهد بود. دکتر مدها خاطرنشان می کند که یکی از نوآوری های بزرگ NorthPole این است که با نرم افزار طراحی شده است تا بتوان از همان ابتدا از تمام قابلیت های معماری استفاده کرد.

سایر شرکت های نورومورفیک کوچکتر عبارتند از BrainChip، SynSense و Innatera.

ابررایانه SpiNNcloud، محاسبات نورومورفیک را که توسط محققان موسسه فناوری درسدن و دانشگاه منچستر تحت حمایت پروژه مغز انسان اتحادیه اروپا توسعه داده شده است، تجاری می کند.

این تلاش ها منجر به ایجاد دو ابرکامپیوتر نورومورفیک تحقیقاتی شده است: ماشین SpiNNaker1، مستقر در دانشگاه منچستر، که از بیش از یک میلیارد نورون تشکیل شده است و از سال 2018 فعالیت می کند.

نسل دوم ماشین SpiNNaker2 در TU Dresden که در حال حاضر در حال پیکربندی است، توانایی تقلید حداقل پنج میلیارد نورون را دارد. آقای گونزالس می‌گوید سیستم‌های تجاری موجود که توسط SpiNNcloud ارائه می‌شوند می‌توانند حتی به سطوح بالاتری نیز برسند، حداقل به 10 میلیارد نورون.

پروفسور کنیون می گوید که آینده یکی از انواع مختلف پلت فرم های محاسباتی خواهد بود – معمولی، نورومورفیک و کوانتومی، که نوع جدیدی از محاسبات نیز در افق است – که همه با هم کار می کنند.