ساخت تراشههای آنالوگ برای هوش مصنوعی با مصرف کم انرژی
یک استارتاپ تراشههای آنالوگ را برای اجرای مدلهای هوش مصنوعی و نرمافزارهای برای برنامهنویسی این تراشهها جهت کاهش مصرف انرژی توسعه میدهد.
واحدهای پردازش گرافیکی (GPU) که بیشتر مدلهای هوش مصنوعی روی آنها اجرا میشوند، هیولاهای تشنه انرژی هستند. به گفته گلدمن ساکس، در نتیجه ادغام شتابدهنده GPUها در مراکز داده، هوش مصنوعی تا سال ۲۰۳۰ تقاضای برق را ۱۶۰ درصد افزایش خواهد داد.
به گزارش فناوری هوشمند و به نقل از techcrunch؛ ویشال سارین، طراح مدارهای آنالوگ و حافظه، استدلال میکند که این روند پایدار نیست. سارین پس از بیش از یک دهه کار در صنعت تراشه، Sagence AI (که قبلاً با نام Analog Inference شناخته میشد) را راهاندازی کرد تا جایگزینهای کممصرفتر انرژی برای GPUها طراحی کند.
سارین گفت: «برنامههایی که میتوانند محاسبات هوش مصنوعی را بهطور عملی فراگیر کنند، به دلیل اینکه دستگاهها و سیستمهایی که دادهها را پردازش میکنند نمیتوانند عملکرد مورد نیاز را بهدست آورند، محدود شدهاند. ماموریت ما این است که محدودیتهای عملکردی و اقتصادی را بشکنیم و این کار را بهصورت مسئولانه از نظر زیستمحیطی انجام دهیم.»
سِیجِنس تراشهها و سیستمهایی را برای اجرای مدلهای هوش مصنوعی و همچنین نرمافزارهای برای برنامهنویسی این تراشهها توسعه میدهد. در حالی که شرکتهای زیادی در حال ساخت سختافزارهای سفارشی برای هوش مصنوعی هستند، سِیجِنس بهطور خاص از این نظر منحصر به فرد است که تراشههای آن آنالوگ هستند، نه دیجیتال.
اغلب تراشهها، از جمله GPUها، اطلاعات را بهصورت دیجیتال ذخیره میکنند، بهعنوان رشتههای باینری از صفر و یک. در مقابل، تراشههای آنالوگ میتوانند دادهها را با استفاده از طیف وسیعی از مقادیر مختلف نشان دهند.
استفاده از فناوریهای هوش مصنوعی برای مدیریت دارایی آینده
تراشههای آنالوگ مفهومی جدید نیستند. آنها از حدود سال ۱۹۳۵ تا ۱۹۸۰ دوران اوج خود را داشتند و در مدلسازی شبکه برق شمال آمریکا و دیگر دستاوردهای مهندسی کمک کردند. اما معایب تراشههای دیجیتال باعث شده است که چیپهای آنالوگ دوباره جذاب شوند.
از یک طرف، تراشههای دیجیتال برای انجام محاسباتی که تراشههای آنالوگ میتوانند با تنها چند ماژول انجام دهند، به صدها قطعه نیاز دارند. تراشههای دیجیتال همچنین معمولاً باید دادهها را بین حافظه و پردازنده جابجا کنند که باعث ایجاد گلوگاه میشود.
تراشههای آنالوگ مانند تراشههای سِیجِنس، که تراشههای “درون حافظه” هستند، دادهها را از حافظه به پردازنده منتقل نمیکنند و این امر میتواند به آنها این امکان را بدهد که وظایف را سریعتر انجام دهند. علاوه بر این، به لطف توانایی آنها در استفاده از طیف وسیعی از مقادیر برای ذخیره دادهها، تراشههای آنالوگ میتوانند تراکم داده بالاتری نسبت به همتایان دیجیتال خود داشته باشند.
معایب فناوری آنالوگ
با این حال، فناوری آنالوگ دارای معایبی نیز هست. به عنوان مثال، دستیابی به دقت بالا با تراشههای آنالوگ میتواند دشوارتر باشد زیرا آنها به ساخت دقیقتر نیاز دارند. همچنین، برنامهنویسی آنها معمولاً پیچیدهتر است.
اما سارین معتقد است که تراشههای Sagence مکمل تراشههای دیجیتال خواهند بود، نه جایگزین آنها. به عنوان مثال، برای شتاب دادن به کاربردهای تخصصی در سرورها و دستگاههای تلفن همراه میتوان اشاره کرد.
او گفت: «محصولات سِیجِنس بهگونهای طراحی شدهاند که مشکلات مربوط به قدرت، هزینه و تأخیر موجود در سختافزار GPU را برطرف کنند، در حالی که عملکرد بالایی برای برنامههای هوش مصنوعی ارائه میدهند.»
سِیجِنس که قصد دارد چیپهای خود را در سال ۲۰۲۵ به بازار عرضه کند، با «چندین» مشتری در حال همکاری است تا با دیگر شرکتهای فعال در زمینه چیپهای آنالوگ هوش مصنوعی مانند EnCharge و Mythic رقابت کند و اطمینان داشته باشد از اینکه با زیرساختها و سناریوهای استقرار موجود سازگار هست.
۱۰ شرکت برتر معدنی در زمینه امنیت سایبری
زمانبندی ممکن است به نفع سِیجِنس باشد. سرمایهگذاریها در استارتاپهای نیمههادی پس از یک سال ضعیف در ۲۰۲۳، در حال بازگشت است. از ژانویه تا ژوئیه، استارتاپهای تراشه با حمایت سرمایهگذاری خطرپذیر تقریباً ۵.۳ میلیارد دلار جمعآوری کردهاند، رقمی که بسیار بیشتر از سال گذشته است، زمانی که چنین شرکتهایی کمتر از ۸.۸ میلیارد دلار جذب کردند.
با این حال، تولید تراشه یک سرمایهگذاری پرهزینه است که بهویژه با تحریمها و تعرفههای بینالمللی که توسط دولت ترامپ وعده داده شده، چالشبرانگیزتر میشود. جذب مشتریانی که در اکوسیستمهایی مانند Nvidia «قفل شدهاند» یک چالش بزرگ دیگر است. سال گذشته، سازنده چیپ هوش مصنوعی Graphcore که تقریباً ۷۰۰ میلیون دلار جذب کرده بود و زمانی ارزش آن به نزدیک به ۳ میلیارد دلار میرسید، پس از تلاشهای ناکام برای جایگیری قوی در بازار، برای ورشکستگی درخواست داد.
برای داشتن هر شانسی برای موفقیت، سِیجِنس باید اثبات کند که تراشههای آنها واقعاً انرژی بسیار کمتری مصرف میکنند و کارایی بالاتری نسبت به جایگزینها دارند و به اندازه کافی سرمایه خطرپذیر جذب کند تا بتواند تولید را در مقیاس وسیع انجام دهد.
مقابله با درهی عجیب و غریب (uncanny valley) هوش مصنوعی مولد
این محتوی ترجمه شده در رسانه فناوری هوشمند است و نشر آن باذکر منبع، نام مترجم و ارجاع به لینک بلامانع است.