Využití křemíku: Jak vlastní čipy formují budoucnost umělé inteligence

Umělá inteligence, jakožto software, závisí na dvou základních komponentách: programech umělé inteligence, často označovaných jako modely, a výpočetním hardwaru, nebo čipech, které tyto programy pohánějí. Dosud se ve vývoji umělé inteligence zaměřila pozornost na zdokonalování modelů, zatímco hardware byl obvykle považován za standardní komponentu dodávanou třetími stranami. V poslední době se však tento přístup začal měnit. Velké společnosti zabývající se umělou inteligencí, jako je Google (GOOGL ), Meta a Amazon (AMZN ), začaly vyvíjet své vlastní čipy pro umělou inteligenci. Vnitřní vývoj vlastních čipů pro umělou inteligenci oznamuje novou éru v pokroku umělé inteligence. Tento článek bude zkoumat důvody za touto změnou přístupu a bude zdůrazňovat nejnovější vývoj v této se vyvíjející oblasti.

Proč vnitřní vývoj čipů pro umělou inteligenci?

Posun směrem k vnitřnímu vývoji vlastních čipů pro umělou inteligenci je poháněn několika kritickými faktory, které zahrnují:

Zvyšující se poptávka po čipech pro umělou inteligenci

Vytváření a používání modelů umělé inteligence vyžaduje významné výpočetní zdroje pro efektivní zpracování velkých objemů dat a generování přesných předpovědí nebo přehledů. Tradiční počítačové čipy nejsou schopny zvládnout výpočetní nároky při školení na trillions datových bodů. Tento limit vedl k vytvoření pokročilých čipů pro umělou inteligenci, které jsou speciálně navrženy pro splnění vysokých požadavků na výkon a efektivitu moderních aplikací umělé inteligence. Jak výzkum a vývoj umělé inteligence pokračují, tak roste i poptávka po těchto specializovaných čipech.

Nvidia (NVDA ), lídr ve výrobě pokročilých čipů pro umělou inteligenci a výrazně předstihující své konkurenty, čelí výzvám, protože poptávka výrazně převyšuje jeho výrobní kapacitu. Tato situace vedla k čekací listině pro čipy Nvidia’s AI, která se prodlužuje na několik měsíců, zpoždění, které pokračuje v růstu, protože poptávka po jejích čipech pro umělou inteligenci roste. Kromě toho trh s čipy, který zahrnuje významné hráče jako Nvidia a Intel (INTC ), čelí výzvám ve výrobě čipů. Tato problém pramení z jejich závislosti na taiwanském výrobci TSMC pro sestavení čipů. Tato závislost na jediném výrobci vede k prodlouženým dodacím lhůtám pro výrobu těchto pokročilých čipů.

Učinění výpočtů umělé inteligence energeticky efektivním a udržitelným

Současná generace čipů pro umělou inteligenci, která je navržena pro náročné výpočetní úkoly, má tendenci spotřebovat hodně energie a generovat značné množství tepla. To vedlo k podstatným environmentálním dopadům pro školení a používání modelů umělé inteligence. Výzkumníci z OpenAI poznamenali, že: od roku 2012 se výpočetní výkon potřebný pro školení pokročilých modelů umělé inteligence zdvojnásobil každých 3,4 měsíců, což naznačuje, že do roku 2040 by emise z odvětví informačních a komunikačních technologií (ICT) mohly tvořit 14 % globálních emisí. Další studie ukázala, že školení jediného velkého jazykového modelu může emitovat až 284 000 kg CO2, což je přibližně ekvivalentní spotřebě energie pěti aut během jejich životnosti. Kromě toho se odhaduje, že spotřeba energie datových center poroste o 28 procent do roku 2030. Tyto zjištění zdůrazňují nutnost najít rovnováhu mezi vývojem umělé inteligence a environmentální odpovědností. V reakci na to mnoho společností zabývajících se umělou inteligencí nyní investuje do vývoje energeticky efektivnějších čipů, jejichž cílem je učinit školení a provoz umělé inteligence udržitelnějšími a šetrnějšími k životnímu prostředí.

Přizpůsobení čipů pro specializované úkoly

Různé procesy umělé inteligence mají různé výpočetní nároky. Například školení hlubokých učících se modelů vyžaduje významný výpočetní výkon a vysokou propustnost pro zpracování velkých datových sad a rychlé provedení komplexních výpočtů. Čipy navržené pro školení jsou optimalizovány pro zlepšení těchto operací, zlepšují rychlost a efektivitu. Na druhé straně proces inference, kde model aplikuje své naučené znalosti pro provedení předpovědí, vyžaduje rychlé zpracování s minimální spotřebou energie, zejména v zařízeních typu edge, jako jsou chytré telefony a zařízení IoT. Čipy pro inference jsou navrženy pro optimalizaci výkonu na watt, zajišťují rychlou odezvu a úsporu baterie. Toto specifické přizpůsobení čipových designů pro úkoly školení a inference umožňuje každému čipu být přesně upraven pro jeho zamýšlenou roli, zlepšuje výkon napříč různými zařízeními a aplikacemi. Tento druh specializace nejen podporuje robustnější funkce umělé inteligence, ale také propaguje větší energetickou efektivitu a nákladovou efektivitu obecně.

Snižování finančních břemen

Finanční břemeno počítačových nákladů pro školení a provoz modelů umělé inteligence zůstává podstatné. OpenAI, například, používá rozsáhlý superpočítač vytvořený Microsoftem pro školení i inference od roku 2020. Stálo OpenAI přibližně 12 milionů dolarů za školení modelu GPT-3, a náklady vzrostly na 100 milionů dolarů za školení GPT-4. Podle zprávy od SemiAnalysis, OpenAI potřebuje přibližně 3 617 serverů HGX A100, celkem 28 936 GPU, pro podporu ChatGPT, což přináší průměrnou cenu za dotaz přibližně 0,36 dolaru. S těmito vysokými náklady na vědomí, Sam Altman, generální ředitel OpenAI, údajně hledá významné investice pro stavbu celosvětové sítě výrobních zařízení pro čipy umělé inteligence, podle zprávy Bloomberg.

Ovládání a inovace

Čipy umělé inteligence od třetích stran často přicházejí s omezeními. Společnosti, které se spoléhají na tyto čipy, mohou zjistit, že jsou omezeny standardními řešeními, která plně nesouhlasí s jejich jedinečnými modely nebo aplikacemi umělé inteligence. Vnitřní vývoj čipů umožňuje přizpůsobení podle specifických případů použití. Bez ohledu na to, zda se jedná o autonomní vozidla nebo mobilní zařízení, kontrola hardwaru umožňuje společnostem plně využít své algoritmy umělé inteligence. Přizpůsobené čipy mohou zlepšit specifické úkoly, snížit latenci a zlepšit celkový výkon.

Nejnovější pokroky ve vývoji čipů pro umělou inteligenci

Tato sekce se zabývá nejnovějšími kroky, které učinily Google, Meta a Amazon ve výstavbě technologie čipů pro umělou inteligenci.

Procesory Axion od Google

Google postupně pokročil ve vývoji technologie čipů pro umělou inteligenci od zavedení jednotky tensorového zpracování (TPU) v roce 2015. Na základě této základny Google nedávno představil procesory Axion, své první vlastní procesory speciálně navržené pro datové centry a úlohy umělé inteligence. Tyto procesory jsou založeny na architektuře Arm, známé svou efektivitou a kompaktní konstrukcí. Procesory Axion jsou zaměřeny na zlepšení efektivity CPU-založeného školení a inference, zatímco zachovávají energetickou efektivitu. Tento pokrok také představuje významné zlepšení výkonu pro různé obecné úlohy, včetně webových a aplikativních serverů, kontejnerizovaných mikroslužeb, open-source databází, mezipaměti, analytických engine, médií, zpracování a dalšího.

MTIA od Meta

Meta tlačí kupředu ve vývoji technologie čipů pro umělou inteligenci se svým Meta Training and Inference Accelerator (MTIA). Tento nástroj je navržen pro zvýšení efektivity školení a inference procesů, zejména pro algoritmy rankingu a doporučení. Nedávno Meta popsala, jak MTIA je klíčovou součástí své strategie pro posílení infrastruktury umělé inteligence za hranice GPU. Původně naplánované na spuštění v roce 2025, Meta již uvedla obě verze MTIA do výroby, ukazující rychlejší tempo ve svých plánech vývoje čipů. Zatímco MTIA se目前 zaměřuje na školení určitých typů algoritmů, Meta cílí na rozšíření jeho použití pro školení generativních modelů umělé inteligence, jako je jeho jazykový model Llama.

Trainium a Inferentia od Amazonu

Od zavedení svého vlastního čipu Nitro v roce 2013, Amazon výrazně rozšířil vývoj čipů pro umělou inteligenci. Společnost nedávno představila dva inovativní čipy pro umělou inteligenci, Trainium a Inferentia. Trainium je speciálně navržen pro zlepšení školení modelů umělé inteligence a má být začleněn do EC2 UltraClusters. Tyto klastry, které mohou hostit až 100 000 čipů, jsou optimalizovány pro školení základních modelů a velkých jazykových modelů energeticky efektivní cestou. Inferentia, na druhé straně, je zaměřen na úkoly inference, kde modely umělé inteligence jsou aktivně používány, zaměřuje se na snížení latence a nákladů během inference, aby lépe sloužil potřebám milionů uživatelů interagujících se službami poháněnými umělou inteligencí.

Závěrečné shrnutí

Posun směrem k vnitřnímu vývoji vlastních čipů pro umělou inteligenci velkými společnostmi, jako jsou Google, Microsoft (MSFT ) a Amazon, odráží strategickou změnu, aby se řešily rostoucí výpočetní potřeby technologií umělé inteligence. Tento trend zdůrazňuje nutnost řešení, která jsou speciálně přizpůsobena pro efektivní podporu modelů umělé inteligence, splňující jedinečné požadavky těchto pokročilých systémů. Jak poptávka po čipech pro umělou inteligenci pokračuje v růstu, lídři průmyslu, jako je Nvidia, pravděpodobně uvidí významný růst hodnoty na trhu, zdůrazňující vitální roli, kterou hrají vlastní čipy při pokroku inovací umělé inteligence. Tím, že vytvářejí své vlastní čipy, tyto technologické giganti nejen zlepšují výkon a efektivitu svých systémů umělé inteligence, ale také propagují udržitelnější a nákladově efektivnější budoucnost. Tato evoluce nastavuje nové standardy v odvětví, pohání technologický pokrok a konkurenční výhodu v rychle se měnícím globálním trhu.