シリコンの活用: 自社製チップが AI の未来をどのように形作るか

他のソフトウェアと同様、人工知能は 2 つの基本的なコンポーネントに依存しています。それは、モデルと呼ばれることが多い AI プログラムと、これらのプログラムを駆動する計算ハードウェアまたはチップです。これまでのところ、AI 開発ではモデルを改良することに重点が置かれてきましたが、ハードウェアは通常、サードパーティのサプライヤーが提供する標準コンポーネントとみなされていました。しかし最近、このアプローチが変わり始めています。 Google、Meta、Amazonなどの大手AI企業は独自のAIチップの開発を開始している。カスタム AI チップの社内開発は、AI 進歩の新時代の到来を告げています。この記事では、このアプローチの変化の背後にある理由を探り、この進化する分野の最新の開発に焦点を当てます。

なぜ自社でAIチップ開発を行うのか?

カスタム AI チップの社内開発への移行は、次のようないくつかの重要な要因によって推進されています。  

AIチップの需要の増加

AI モデルの作成と使用には、大量のデータを効果的に処理し、正確な予測や洞察を生成するために大量の計算リソースが必要です。従来のコンピューター チップは、何兆ものデータ ポイントでトレーニングする際の計算要求を処理できません。この制限により、最新の AI アプリケーションの高いパフォーマンスと効率の要件を満たすように特別に設計された最先端の AI チップが作成されるようになりました。 AIの研究開発が成長し続けるにつれて、これらの特殊なチップに対する需要も高まります。

先進的な AI チップの生産のリーダーであり、競合他社よりもはるかに先を行っている Nvidia は、需要が製造能力を大幅に上回っているため、課題に直面しています。この状況が引き起こしたのは、 Nvidiaの待機リストの AI チップの開発は数か月に延長されますが、AI チップの需要が急増するにつれて遅れは拡大し続けています。さらに、Nvidia や Intel などの大手企業を含むチップ市場は、チップ生産において課題に直面しています。これ 問題 これは、チップの組み立てを台湾のメーカー TSMC に依存していることに起因しています。単一メーカーへの依存により、これらの高度なチップの製造リードタイムが長くなることにつながります。

AI コンピューティングをエネルギー効率よく持続可能にする

現世代の AI チップは、負荷の高い計算タスク向けに設計されており、 たくさんの電力を消費します、かなりの熱を発生します。これにより、AI モデルのトレーニングと使用において環境への重大な影響が生じています。 OpenAIの研究者 ご了承ください: 2012 年以来、高度な AI モデルのトレーニングに必要なコンピューティング能力は 3.4 か月ごとに 2040 倍になり、14 年までに情報通信技術 (ICT) 部門からの排出量が世界の排出量の XNUMX% を占める可能性があることが示唆されています。別の研究 示されました 単一の大規模なトレーニング 言語モデル は最大 284,000 kg の CO2 を排出する可能性があり、これは自動車 XNUMX 台の寿命にわたるエネルギー消費量にほぼ相当します。さらに、それは 推定 データセンターのエネルギー消費は 28％成長する これらの調査結果は、AI 開発と環境責任の間のバランスをとる必要性を強調しています。これに応えて、多くの AI 企業は現在、AI のトレーニングと運用をより持続可能で環境に優しいものにすることを目指し、よりエネルギー効率の高いチップの開発に投資しています。

特殊なタスクに合わせてチップを調整する

AI プロセスが異なれば、計算需要も異なります。たとえば、深層学習モデルのトレーニングには、大規模なデータセットを処理し、複雑な計算を迅速に実行するために、かなりの計算能力と高いスループットが必要です。トレーニング用に設計されたチップは、これらの操作を強化するように最適化されており、速度と効率が向上します。一方、モデルが学習した知識を適用して予測を行う推論プロセスでは、特にスマートフォンや IoT デバイスなどのエッジ デバイスにおいて、エネルギー使用を最小限に抑えた高速処理が必要です。推論用のチップは、ワットあたりのパフォーマンスを最適化するように設計されており、迅速な応答性とバッテリーの節約を保証します。トレーニングおよび推論タスクに合わせてチップ設計を特別に調整することで、各チップを意図した役割に合わせて正確に調整できるようになり、さまざまなデバイスやアプリケーションのパフォーマンスが向上します。この種の専門化は、より堅牢な AI 機能をサポートするだけでなく、エネルギー効率と費用対効果の向上を幅広く促進します。

経済的負担の軽減

AI モデルのトレーニングと運用のためのコンピューティングの経済的負担は依然として大きいです。たとえば、OpenAI は、2020 年以降、トレーニングと推論の両方に Microsoft が作成した大規模なスーパーコンピューターを使用しています。OpenAI が GPT-12 モデルをトレーニングするのに要した費用は約 3 万ドルで、その費用は 100万ドル GPT-4のトレーニング用。によると レポート SemiAnalysis によると、ChatGPT をサポートするには、OpenAI が約 3,617 台の HGX A100 サーバー、合計 28,936 個の GPU を必要とし、クエリあたりの平均コストは約 0.36 ドルになります。ブルームバーグによると、これらの高額なコストを念頭に、OpenAIの最高経営責任者（CEO）であるサム・アルトマン氏は、AIチップ生産施設の世界的なネットワークを構築するための大規模な投資を模索していると報じられている レポート.

制御とイノベーションの活用

サードパーティの AI チップには制限があることがよくあります。これらのチップに依存している企業は、独自の AI モデルやアプリケーションと完全に一致していない既製のソリューションによる制約を受ける可能性があります。社内チップ開発により、特定のユースケースに合わせたカスタマイズが可能になります。自動運転車であれモバイルデバイスであれ、ハードウェアを制御することで企業はAIアルゴリズムを最大限に活用できるようになります。カスタマイズされたチップは、特定のタスクを強化し、待ち時間を短縮し、全体的なパフォーマンスを向上させることができます。

AI チップ開発の最新の進歩

このセクションでは、Google、Meta、Amazon による AI チップ技術の構築における最新の進歩について詳しく説明します。

Google の Axion プロセッサ

Google は、AI チップ技術の導入以来、着実に進歩してきました。 テンソル プロセッシング ユニット (TPU) この基盤に基づいて、Google は最近、 Axion プロセッサー、データセンターと AI ワークロード向けに特別に設計された最初のカスタム CPU。これらのプロセッサは、効率性とコンパクトな設計で知られる Arm アーキテクチャに基づいています。 Axion プロセッサは、エネルギー効率を維持しながら、CPU ベースの AI トレーニングと推論の効率を向上させることを目的としています。この進歩は、Web およびアプリ サーバー、コンテナ化されたマイクロサービス、オープンソース データベース、メモリ内キャッシュ、データ分析エンジン、メディア処理などを含むさまざまな汎用ワークロードのパフォーマンスの大幅な向上も示しています。

メタのMTIA

Meta は、AI チップ技術を推進しています。 メタ トレーニングおよび推論アクセラレーター (MTIA)。このツールは、特にランキングと推奨アルゴリズムのトレーニングと推論プロセスの効率を高めるように設計されています。最近、Meta は、MTIA が GPU を超えて AI インフラストラクチャを強化する戦略の重要な部分であることを説明しました。当初は 2025 年に発売する予定でしたが、Meta はすでに両方のバージョンの MTIA を量産化しており、チップ開発計画のペースが速いことを示しています。 MTIA は現在、特定の種類のアルゴリズムのトレーニングに重点を置いていますが、Meta はその使用を拡大して、 ラマ言語モデル.

Amazon の Trainium と Inferentia

そのカスタムを導入して以来、 ニトロチップ 2013 年、Amazon は AI チップの開発を大幅に拡大しました。同社は最近、XNUMX つの革新的な AI チップを発表しました。 トレニウム 　 推論。 Trainium は、AI モデルのトレーニングを強化するために特別に設計されており、 EC2 ウルトラクラスター。これらのクラスターは最大 100,000 個のチップをホストでき、エネルギー効率の高い方法で基礎モデルと大規模な言語モデルをトレーニングするために最適化されています。一方、Inferentia は、AI モデルが積極的に適用される推論タスクに合わせて調整されており、AI を活用したサービスと対話する何百万ものユーザーのニーズに適切に応えるために、推論中のレイテンシーとコストの削減に重点を置いています。

ボトムライン

Google、Microsoft、Amazon などの大手企業によるカスタム AI チップの社内開発への動きは、AI テクノロジーの計算ニーズの増大に対処するための戦略的転換を反映しています。この傾向は、AI モデルを効率的にサポートし、これらの高度なシステム固有の要求を満たすように特別に調整されたソリューションの必要性を浮き彫りにしています。 AI チップの需要が拡大し続けるにつれ、Nvidia のような業界リーダーの市場評価が大幅に上昇する可能性があり、AI イノベーションの進歩においてカスタム チップが果たす重要な役割が強調されています。これらのテクノロジー大手は、独自のチップを作成することで、AI システムのパフォーマンスと効率を向上させるだけでなく、より持続可能でコスト効率の高い未来を推進しています。この進化は業界に新たな基準を設定し、急速に変化する世界市場における技術の進歩と競争上の優位性を推進しています。