Využití křemíku: Jak vlastní čipy utvářejí budoucnost AI

Umělá inteligence, stejně jako jakýkoli software, se opírá o dvě základní složky: programy umělé inteligence, často označované jako modely, a výpočetní hardware neboli čipy, které tyto programy řídí. Doposud se vývoj AI zaměřoval na vylepšování modelů, zatímco hardware byl obvykle považován za standardní součást poskytovanou dodavateli třetích stran. V poslední době se však tento přístup začal měnit. Velké společnosti zabývající se umělou inteligencí, jako jsou Google, Meta a Amazon, začaly vyvíjet své vlastní čipy pro umělou inteligenci. Vlastní vývoj vlastních čipů AI ohlašuje novou éru v pokroku AI. Tento článek prozkoumá důvody tohoto posunu v přístupu a upozorní na nejnovější vývoj v této vyvíjející se oblasti.

Proč vlastní vývoj AI čipů?

Posun směrem k vlastnímu vývoji vlastních čipů AI je řízen několika kritickými faktory, mezi které patří:  

Rostoucí poptávka po AI čipech

Vytváření a používání modelů umělé inteligence vyžaduje značné výpočetní zdroje k efektivnímu zpracování velkých objemů dat a generování přesných předpovědí nebo náhledů. Tradiční počítačové čipy nejsou schopny zvládnout výpočetní požadavky při trénování na bilionech datových bodů. Toto omezení vedlo k vytvoření špičkových čipů AI speciálně navržených tak, aby splňovaly požadavky na vysoký výkon a efektivitu moderních aplikací AI. Jak výzkum a vývoj AI neustále roste, roste i poptávka po těchto specializovaných čipech.

Nvidia, lídr ve výrobě pokročilých čipů AI a výrazně před svými konkurenty, čelí výzvám, protože poptávka výrazně převyšuje její výrobní kapacitu. Tato situace vedla k pořadník pro NvidiiAI čipy se prodlužují na několik měsíců, což je zpoždění, které stále roste, protože poptávka po jejich AI čipech roste. Trh s čipy, který zahrnuje velké hráče jako Nvidia a Intel, navíc naráží na problémy ve výrobě čipů. Tento otázka vyplývá z jejich závislosti na tchajwanském výrobci TSMC při montáži čipů. Tato spoléhání se na jediného výrobce vede k prodloužení dodacích lhůt pro výrobu těchto pokročilých čipů.

Udělejte si AI Computing energeticky účinným a udržitelným

Současná generace AI čipů, které jsou určeny pro těžké výpočetní úlohy, má tendenci spotřebovávají hodně energiea vytvářejí značné teplo. To vedlo k podstatným environmentálním dopadům na školení a používání modelů umělé inteligence. výzkumníci OpenAI Všimněte si, že: od roku 2012 se výpočetní výkon potřebný k trénování pokročilých modelů umělé inteligence zdvojnásobil každé 3.4 měsíce, což naznačuje, že do roku 2040 by emise ze sektoru informačních a komunikačních technologií (ICT) mohly tvořit 14 % celosvětových emisí. Další studie ukázal že školení v jediném velkém měřítku jazykový model může vypustit až 284,000 2 kg COXNUMX, což odpovídá přibližně spotřebě energie pěti automobilů za dobu jejich životnosti. Navíc je odhadované že spotřeba energie datových center bude růst o 28 procenta do roku 2030. Tato zjištění zdůrazňují nutnost najít rovnováhu mezi rozvojem umělé inteligence a odpovědností za životní prostředí. V reakci na to nyní mnoho společností s umělou inteligencí investuje do vývoje energeticky účinnějších čipů s cílem učinit školení a provoz AI udržitelnější a šetrnější k životnímu prostředí.

Šití čipů pro speciální úkoly

Různé procesy AI mají různé výpočetní nároky. Například trénování modelů hlubokého učení vyžaduje značný výpočetní výkon a vysokou propustnost pro práci s velkými datovými sadami a rychlé provádění složitých výpočtů. Čipy určené pro trénink jsou optimalizovány tak, aby tyto operace zdokonalily, zlepšily rychlost a efektivitu. Na druhou stranu proces vyvozování, kdy model využívá své naučené znalosti k vytváření předpovědí, vyžaduje rychlé zpracování s minimální spotřebou energie, zejména v okrajových zařízeních, jako jsou smartphony a zařízení internetu věcí. Čipy pro odvození jsou navrženy tak, aby optimalizovaly výkon na watt, což zajišťuje rychlou odezvu a úsporu baterie. Toto specifické přizpůsobení návrhů čipů pro trénovací a inferenční úlohy umožňuje každému čipu přesně upravit jeho zamýšlenou roli, čímž se zvyšuje výkon napříč různými zařízeními a aplikacemi. Tento druh specializace nejen podporuje robustnější funkce umělé inteligence, ale také obecně podporuje vyšší energetickou účinnost a nákladovou efektivitu.

Snížení finanční zátěže

Finanční zátěž počítačů pro výcvik a provoz modelů AI zůstává značná. OpenAI například od roku 2020 využívá rozsáhlý superpočítač vytvořený společností Microsoft pro školení i vyvozování. Trénování modelu GPT-12 stálo OpenAI asi 3 milionů dolarů a náklady prudce vzrostly. 100 milionu $ pro výcvik GPT-4. Podle a zprávy od SemiAnalysis potřebuje OpenAI zhruba 3,617 100 serverů HGX A28,936, celkem 0.36 XNUMX GPU, pro podporu ChatGPT, čímž se průměrná cena za dotaz dostává na přibližně XNUMX USD. S ohledem na tyto vysoké náklady Sam Altman, generální ředitel OpenAI, údajně hledá významné investice do vybudování celosvětové sítě zařízení na výrobu AI čipů, uvádí Bloomberg. zprávy.

Využití ovládání a inovací

Čipy AI třetích stran často přicházejí s omezeními. Společnosti, které na tyto čipy spoléhají, se mohou ocitnout omezovány běžně dostupnými řešeními, která nejsou plně v souladu s jejich jedinečnými modely nebo aplikacemi umělé inteligence. Vlastní vývoj čipů umožňuje přizpůsobení na míru konkrétním případům použití. Ať už jde o autonomní auta nebo mobilní zařízení, ovládání hardwaru umožňuje společnostem plně využít jejich algoritmy AI. Přizpůsobené čipy mohou zlepšit konkrétní úkoly, snížit latenci a zlepšit celkový výkon.

Nejnovější pokroky ve vývoji AI čipů

Tato část se ponoří do nejnovějších kroků společností Google, Meta a Amazon při vytváření technologie čipů AI.

Procesory Axion společnosti Google

Google od představení čipové technologie AI neustále postupuje vpřed Jednotka tenzoru zpracování (TPU) v roce 2015. Na základě tohoto základu společnost Google nedávno spustila Procesory Axion, své první vlastní CPU speciálně navržené pro datová centra a zátěže AI. Tyto procesory jsou založeny na architektuře Arm, známé pro svou efektivitu a kompaktní design. Procesory Axion mají za cíl zvýšit efektivitu trénování a odvození umělé inteligence založené na CPU při zachování energetické účinnosti. Tento pokrok také znamená významné zlepšení výkonu pro různé univerzální pracovní zátěže, včetně webových a aplikačních serverů, kontejnerových mikroslužeb, open-source databází, mezipaměti v paměti, modulů pro analýzu dat, zpracování médií a dalších.

Meta je MTIA

Meta se svými čipy AI posouvá dopředu Meta Training and Inference Accelerator (MTIA). Tento nástroj je navržen tak, aby zvýšil efektivitu tréninkových a inferenčních procesů, zejména pro algoritmy hodnocení a doporučení. Nedávno Meta nastínila, jak je MTIA klíčovou součástí její strategie k posílení infrastruktury AI mimo GPU. Meta, která byla původně nastavena na spuštění v roce 2025, již uvedla obě verze MTIA do výroby, což ukazuje rychlejší tempo ve svých plánech vývoje čipů. Zatímco MTIA se v současné době zaměřuje na trénování určitých typů algoritmů, Meta si klade za cíl rozšířit jeho použití tak, aby zahrnovalo školení pro generativní AI, jako je např. Jazykové modely lamy.

Amazon's Trainium a Inferentia

Od zavedení svého zvyku Nitro čip v roce 2013 Amazon výrazně rozšířil vývoj AI čipů. Společnost nedávno představila dva inovativní čipy AI, Trainium si Odvození. Trainium je speciálně navrženo tak, aby posílilo trénink modelu AI a je nastaveno tak, aby bylo do něj začleněno EC2 UltraClusters. Tyto clustery, schopné hostovat až 100,000 XNUMX čipů, jsou optimalizovány pro trénování základních modelů a velkých jazykových modelů energeticky účinným způsobem. Na druhé straně je Inferentia uzpůsobena pro úlohy odvození, kde se aktivně uplatňují modely umělé inteligence, se zaměřením na snížení latence a nákladů během vyvozování, aby lépe vyhovovaly potřebám milionů uživatelů interagujících se službami využívajícími umělou inteligenci.

Bottom Line

Posun směrem k vlastnímu vývoji vlastních čipů AI velkými společnostmi, jako je Google, Microsoft a Amazon, odráží strategický posun k řešení rostoucích výpočetních potřeb technologií AI. Tento trend zdůrazňuje nutnost řešení, která jsou specificky přizpůsobena tak, aby efektivně podporovala modely umělé inteligence, splňující jedinečné požadavky těchto pokročilých systémů. Vzhledem k tomu, že poptávka po čipech s umělou inteligencí stále roste, přední lídři v oboru, jako je Nvidia, pravděpodobně zaznamenají výrazný nárůst tržního ocenění, což podtrhuje zásadní roli, kterou vlastní čipy hrají při prosazování inovací umělé inteligence. Vytvářením vlastních čipů tito tech giganti nejen zvyšují výkon a efektivitu svých systémů AI, ale také podporují udržitelnější a nákladově efektivnější budoucnost. Tento vývoj nastavuje nové standardy v oboru, řídí technologický pokrok a konkurenční výhodu na rychle se měnícím globálním trhu.