Использование Кремния: Как Чипы, Разработанные Внутри Компании, Формируют Будущее Искусственного Интеллекта

Искусственный интеллект, как и любое программное обеспечение, опирается на два фундаментальных компонента: программы искусственного интеллекта, часто называемые моделями, и вычислительное оборудование, или чипы, которые запускают эти программы. До сих пор основное внимание в разработке искусственного интеллекта было сосредоточено на усовершенствовании моделей, в то время как оборудование обычно рассматривалось как стандартный компонент, поставляемый третьими сторонами. Однако в последнее время этот подход начал меняться. Крупные компании, занимающиеся искусственным интеллектом, такие как Google (GOOGL ), Meta и Amazon (AMZN ), начали разрабатывать свои собственные чипы для искусственного интеллекта. Разработка внутри компании чипов, специально предназначенных для искусственного интеллекта, знаменует начало новой эры в развитии искусственного интеллекта. Эта статья исследует причины этого сдвига в подходе и подчеркивает последние достижения в этой быстро развивающейся области.

Почему Разработка Чипов Искусственного Интеллекта Внутри Компании?

Сдвиг в сторону разработки внутри компании чипов, специально предназначенных для искусственного интеллекта, обусловлен несколькими критическими факторами, включая:

Растущий Спрос На Чипы Искусственного Интеллекта

Создание и использование моделей искусственного интеллекта требует значительных вычислительных ресурсов для эффективного обработки больших объемов данных и получения точных прогнозов или сведений. Традиционные компьютерные чипы не способны справиться с вычислительными требованиями при обучении на триллионах данных. Это ограничение привело к созданию передовых чипов для искусственного интеллекта, специально разработанных для удовлетворения высоких требований к производительности и эффективности современных приложений искусственного интеллекта. По мере продолжения исследований и разработок в области искусственного интеллекта растет и спрос на эти специализированные чипы.

Nvidia (NVDA ), лидер в производстве передовых чипов для искусственного интеллекта и опережающий своих конкурентов, сталкивается с проблемами, поскольку спрос значительно превышает его производственную мощность. Это привело к тому, что список ожидания чипов Nvidia для искусственного интеллекта был продлен до нескольких месяцев, задержка, которая продолжает расти по мере роста спроса на их чипы для искусственного интеллекта. Кроме того, рынок чипов, в который входят крупные игроки, такие как Nvidia и Intel (INTC ), сталкивается с проблемами в производстве чипов. Эта проблема возникает из-за их зависимости от тайваньского производителя TSMC для сборки чипов. Эта зависимость от одного производителя приводит к длительным срокам поставки этих передовых чипов.

Сделать Вычисления Искусственного Интеллекта Энергоэффективными и Устойчивыми

Текущее поколение чипов для искусственного интеллекта, предназначенных для тяжелых вычислительных задач, склонно потреблять много энергии и вырабатывать значительное количество тепла. Это привело к существенным экологическим последствиям для обучения и использования моделей искусственного интеллекта. Исследователи OpenAI отмечают, что с 2012 года вычислительная мощность, необходимая для обучения передовых моделей искусственного интеллекта, удваивается каждые 3,4 месяца, что предполагает, что к 2040 году выбросы от сектора информационных и коммуникационных технологий могут составить 14% от общих глобальных выбросов. Другое исследование показало, что обучение одной крупномасштабной языковой модели может привести к выбросу до 284 000 кг CO2, что примерно эквивалентно энергопотреблению пяти автомобилей за их срок службы. Кроме того, оценивается, что энергопотребление центров обработки данных увысятся на 28 процентов к 2030 году. Эти результаты подчеркивают необходимость найти баланс между разработкой искусственного интеллекта и экологической ответственностью. В ответ многие компании, занимающиеся искусственным интеллектом, сейчас инвестируют в разработку более энергоэффективных чипов, стремясь сделать обучение и эксплуатацию искусственного интеллекта более устойчивыми и экологически чистыми.

Настройка Чипов Для Специализированных Задач

Различные процессы искусственного интеллекта имеют разные вычислительные требования. Например, обучение глубоких моделей обучения требует значительной вычислительной мощности и высокой пропускной способности для обработки больших наборов данных и выполнения сложных расчетов быстро. Чипы, предназначенные для обучения, оптимизированы для улучшения этих операций, повышая скорость и эффективность. С другой стороны, процесс вывода, при котором модель применяет свои знания для получения прогнозов, требует быстрой обработки с минимальным энергопотреблением, особенно в устройствах на краю, таких как смартфоны и устройства IoT. Чипы для вывода спроектированы для оптимизации производительности на ватт, обеспечивая быструю реакцию и сохранение батареи. Такая специфическая настройка конструкции чипов для задач обучения и вывода позволяет каждому чипу быть точно настроенным для его предполагаемой роли, повышая производительность на различных устройствах и в приложениях. Этот тип специализации не только поддерживает более прочные функции искусственного интеллекта, но также способствует большей энергоэффективности и экономичности в целом.

Снижение Финансовых Бремени

Финансовое бремя вычислений для обучения и эксплуатации моделей искусственного интеллекта остается существенным. OpenAI, например, использует обширный суперкомпьютер, созданный Microsoft (MSFT ), как для обучения, так и для вывода с 2020 года. Обучение модели GPT-3 стоило OpenAI примерно 12 миллионов долларов, а стоимость обучения GPT-4 взлетела до 100 миллионов долларов. Согласно отчету SemiAnalysis, OpenAI нуждается примерно в 3617 серверах HGX A100, в общей сложности 28 936 GPU, для поддержки ChatGPT, что приводит к средней стоимости запроса примерно 0,36 доллара. Учитывая эти высокие затраты, генеральный директор OpenAI Сэм Альтман, как сообщается, ищет значительные инвестиции для строительства мировой сети производственных объектов по производству чипов для искусственного интеллекта, согласно отчету Bloomberg.

Контроль и Инновации

Чипы для искусственного интеллекта третьих сторон часто имеют ограничения. Компании, полагающиеся на эти чипы, могут обнаружить, что они ограничены готовыми решениями, которые не полностью соответствуют их уникальным моделям или приложениям искусственного интеллекта. Разработка чипов внутри компании позволяет настраивать под конкретные случаи использования. Будь то автономные автомобили или мобильные устройства, контроль над оборудованием позволяет компаниям полностью использовать свои алгоритмы искусственного интеллекта. Настроенные чипы могут улучшить конкретные задачи, снизить задержку и повысить общую производительность.

Последние Достижения в Разработке Чипов Искусственного Интеллекта

Этот раздел углубляется в последние достижения Google, Meta и Amazon в области технологии чипов для искусственного интеллекта.

Процессоры Axion от Google

Google последовательно продвигается в области технологии чипов для искусственного интеллекта с момента введения Tensor Processing Unit (TPU) в 2015 году. Основываясь на этом фундаменте, Google недавно представил процессоры Axion, свои первые специальные ЦП, предназначенные для центров обработки данных и рабочих нагрузок искусственного интеллекта. Эти процессоры основаны на архитектуре Arm, известной своей эффективностью и компактной конструкцией. Процессоры Axion направлены на повышение эффективности обучения и вывода на основе ЦП, сохраняя при этом энергоэффективность. Это достижение также знаменует значительное улучшение производительности для различных общих рабочих нагрузок, включая веб- и приложение-серверы, контейнеризированные микросервисы, открытое программное обеспечение баз данных, движки анализа данных, медиаобработки и многое другое.

MTIA от Meta

Meta продвигается вперед в технологии чипов для искусственного интеллекта с помощью своего Meta Training and Inference Accelerator (MTIA). Этот инструмент предназначен для повышения эффективности процессов обучения и вывода, особенно для алгоритмов ранжирования и рекомендаций. Недавно Meta описал, как MTIA является ключевой частью своей стратегии по укреплению инфраструктуры искусственного интеллекта за пределами GPU. Первоначально запланированный к запуску в 2025 году, Meta уже ввел в производство обе версии MTIA, демонстрируя более быстрый темп в своих планах разработки чипов. Хотя MTIA в настоящее время фокусируется на обучении определенных типов алгоритмов, Meta стремится расширить его использование для включения обучения для генеративного искусственного интеллекта, такого как его языковые модели Llama.

Trainium и Inferentia от Amazon

С момента введения своего собственного чипа Nitro в 2013 году Amazon значительно расширил разработку чипов для искусственного интеллекта. Компания недавно представила два инновационных чипа для искусственного интеллекта, Trainium и Inferentia. Trainium специально разработан для улучшения обучения моделей искусственного интеллекта и должен быть включен в кластеры EC2 UltraClusters. Эти кластеры, способные размещать до 100 000 чипов, оптимизированы для обучения фундаментальных моделей и крупномасштабных языковых моделей энергоэффективным способом. Inferentia, с другой стороны, предназначен для задач вывода, где модели искусственного интеллекта активно применяются, сосредотачиваясь на снижении задержки и затрат во время вывода для лучшего обслуживания потребностей миллионов пользователей, взаимодействующих с сервисами, работающими на искусственном интеллекте.

Итог

Движение к разработке внутри компании чипов, специально предназначенных для искусственного интеллекта, крупными компаниями, такими как Google, Microsoft и Amazon, отражает стратегический сдвиг в сторону решения растущих вычислительных потребностей технологий искусственного интеллекта. Этот тренд подчеркивает необходимость решений, специально разработанных для эффективной поддержки моделей искусственного интеллекта, удовлетворяющих уникальным требованиям этих передовых систем. По мере роста спроса на чипы для искусственного интеллекта лидеры отрасли, такие как Nvidia, вероятно, увидят значительный рост стоимости на рынке, подчеркивая важную роль, которую играют настраиваемые чипы в продвижении инноваций в области искусственного интеллекта. Создавая свои собственные чипы, эти технологические гиганты не только улучшают производительность и эффективность своих систем искусственного интеллекта, но также продвигают более устойчивое и экономически эффективное будущее. Эта эволюция устанавливает новые стандарты в отрасли, стимулируя технологический прогресс и конкурентное преимущество на быстро меняющемся глобальном рынке.