Khai thác Silicon: Làm thế nào các con chip trong nhà đang định hình tương lai của Trí tuệ nhân tạo

Trí tuệ nhân tạo, như bất kỳ phần mềm nào, phụ thuộc vào hai thành phần cơ bản: các chương trình trí tuệ nhân tạo, thường được gọi là mô hình, và phần cứng tính toán, hoặc con chip, thúc đẩy các chương trình này. Cho đến nay, trọng tâm trong phát triển trí tuệ nhân tạo đã tập trung vào việc tinh chỉnh các mô hình, trong khi phần cứng thường được coi là một thành phần tiêu chuẩn do các nhà cung cấp thứ ba cung cấp. Tuy nhiên, gần đây, cách tiếp cận này đã bắt đầu thay đổi. Các công ty trí tuệ nhân tạo lớn như Google (GOOGL ), Meta và Amazon (AMZN ) đã bắt đầu phát triển các con chip trí tuệ nhân tạo của riêng họ. Việc phát triển con chip trí tuệ nhân tạo tùy chỉnh trong nhà đang báo hiệu một kỷ nguyên mới trong tiến bộ trí tuệ nhân tạo. Bài viết này sẽ khám phá các lý do đằng sau sự thay đổi này trong cách tiếp cận và sẽ nhấn mạnh các phát triển mới nhất trong lĩnh vực đang phát triển này.

Tại sao lại phát triển con chip trí tuệ nhân tạo trong nhà?

Sự chuyển dịch hacia việc phát triển con chip trí tuệ nhân tạo tùy chỉnh trong nhà được thúc đẩy bởi một số yếu tố quan trọng, bao gồm:

Nhu cầu ngày càng tăng về con chip trí tuệ nhân tạo

Tạo và sử dụng các mô hình trí tuệ nhân tạo đòi hỏi tài nguyên tính toán đáng kể để xử lý hiệu quả lượng dữ liệu lớn và tạo ra dự đoán hoặc thông tin chính xác. Các con chip máy tính truyền thống không thể xử lý nhu cầu tính toán khi đào tạo trên hàng tỷ điểm dữ liệu. Giới hạn này đã dẫn đến việc tạo ra các con chip trí tuệ nhân tạo tiên tiến được thiết kế đặc biệt để đáp ứng nhu cầu hiệu suất và hiệu quả cao của các ứng dụng trí tuệ nhân tạo hiện đại. Khi nghiên cứu và phát triển trí tuệ nhân tạo tiếp tục tăng trưởng, nhu cầu về các con chip chuyên dụng này cũng tăng theo.
Nvidia (NVDA ), một nhà lãnh đạo trong sản xuất con chip trí tuệ nhân tạo tiên tiến và vượt xa các đối thủ, đang đối mặt với thách thức khi nhu cầu vượt quá khả năng sản xuất của họ. Tình huống này đã dẫn đến danh sách chờ cho con chip trí tuệ nhân tạo của Nvidia được kéo dài đến vài tháng, một độ trễ tiếp tục tăng khi nhu cầu về con chip trí tuệ nhân tạo của họ tăng vọt. Hơn nữa, thị trường con chip, bao gồm các nhà lãnh đạo như Nvidia và Intel (INTC ), gặp phải thách thức trong sản xuất con chip. Vấn đề này bắt nguồn từ sự phụ thuộc của họ vào nhà sản xuất Đài Loan TSMC để lắp ráp con chip. Sự phụ thuộc này vào một nhà sản xuất duy nhất dẫn đến thời gian sản xuất con chip tiên tiến bị kéo dài.

Làm cho tính toán trí tuệ nhân tạo tiết kiệm năng lượng và bền vững

Thế hệ con chip trí tuệ nhân tạo hiện tại, được thiết kế cho các nhiệm vụ tính toán nặng, có xu hướng tiêu thụ nhiều năng lượng và tạo ra nhiệt đáng kể. Điều này đã dẫn đến các tác động môi trường đáng kể cho việc đào tạo và sử dụng các mô hình trí tuệ nhân tạo. Các nhà nghiên cứu của OpenAI cho biết rằng: kể từ năm 2012, sức mạnh tính toán cần thiết để đào tạo các mô hình trí tuệ nhân tạo tiên tiến đã tăng gấp đôi mỗi 3,4 tháng, cho thấy rằng vào năm 2040, lượng khí thải từ lĩnh vực Công nghệ Thông tin và Truyền thông (ICT) có thể chiếm 14% lượng khí thải toàn cầu. Một nghiên cứu khác cho thấy rằng đào tạo một mô hình ngôn ngữ lớn có thể tạo ra tới 284.000 kg khí CO2, tương đương với lượng năng lượng tiêu thụ của năm chiếc xe hơi trong suốt vòng đời của chúng. Hơn nữa, ước tính rằng tiêu thụ năng lượng của các trung tâm dữ liệu sẽ tăng 28% vào năm 2030. Những phát hiện này nhấn mạnh sự cần thiết phải tìm kiếm sự cân bằng giữa phát triển trí tuệ nhân tạo và trách nhiệm môi trường. Để đáp lại, nhiều công ty trí tuệ nhân tạo hiện đang đầu tư vào việc phát triển các con chip tiết kiệm năng lượng hơn, nhằm mục đích làm cho đào tạo và vận hành trí tuệ nhân tạo trở nên bền vững và thân thiện với môi trường hơn.

Tùy chỉnh con chip cho các nhiệm vụ chuyên dụng

Các quá trình trí tuệ nhân tạo khác nhau có nhu cầu tính toán khác nhau. Ví dụ, đào tạo các mô hình học sâu đòi hỏi sức mạnh tính toán đáng kể và băng thông cao để xử lý các tập dữ liệu lớn và thực hiện các tính toán phức tạp nhanh chóng. Các con chip được thiết kế cho đào tạo được tối ưu hóa để tăng cường các hoạt động này, cải thiện tốc độ và hiệu quả. Mặt khác, quá trình suy luận, nơi một mô hình áp dụng kiến thức đã học của nó để đưa ra dự đoán, đòi hỏi xử lý nhanh với mức năng lượng tối thiểu, đặc biệt là trên các thiết bị cạnh như điện thoại thông minh và thiết bị IoT. Các con chip dành cho suy luận được thiết kế để tối ưu hóa hiệu suất trên mỗi watt, đảm bảo phản hồi nhanh chóng và tiết kiệm pin. Việc tùy chỉnh thiết kế con chip cho đào tạo và suy luận cho phép mỗi con chip được điều chỉnh chính xác cho vai trò dự định của nó, cải thiện hiệu suất trên các thiết bị và ứng dụng khác nhau. Loại chuyên môn hóa này không chỉ hỗ trợ các chức năng trí tuệ nhân tạo mạnh mẽ hơn mà còn thúc đẩy hiệu quả năng lượng và tiết kiệm chi phí rộng rãi hơn.

Giảm gánh nặng tài chính

Gánh nặng tài chính của tính toán cho đào tạo và vận hành mô hình trí tuệ nhân tạo vẫn còn đáng kể. OpenAI, ví dụ, sử dụng một siêu máy tính được tạo bởi Microsoft (MSFT ) cho cả đào tạo và suy luận từ năm 2020. Nó cost OpenAI khoảng 12 triệu đô la để đào tạo mô hình GPT-3, và chi phí tăng lên 100 triệu đô la cho đào tạo GPT-4. Theo một báo cáo của SemiAnalysis, OpenAI cần khoảng 3.617 máy chủ HGX A100, tổng cộng 28.936 GPU, để hỗ trợ ChatGPT, đưa chi phí trung bình cho mỗi truy vấn lên khoảng 0,36 đô la. Với những chi phí cao như vậy, Sam Altman, CEO của OpenAI, được cho là đang tìm kiếm đầu tư đáng kể để xây dựng một mạng lưới toàn cầu các cơ sở sản xuất con chip trí tuệ nhân tạo, theo một báo cáo của Bloomberg.

Khống chế và đổi mới

Các con chip trí tuệ nhân tạo của bên thứ ba thường đi kèm với các hạn chế. Các công ty phụ thuộc vào các con chip này có thể tìm thấy mình bị hạn chế bởi các giải pháp sẵn có không hoàn toàn phù hợp với các mô hình hoặc ứng dụng trí tuệ nhân tạo độc đáo của họ. Việc phát triển con chip trong nhà cho phép tùy chỉnh phù hợp với các trường hợp sử dụng cụ thể. Cho dù đó là xe tự lái hay thiết bị di động, việc kiểm soát phần cứng cho phép các công ty tận dụng tối đa các thuật toán trí tuệ nhân tạo của họ. Các con chip tùy chỉnh có thể tăng cường các nhiệm vụ cụ thể, giảm độ trễ và cải thiện hiệu suất tổng thể.

Các tiến bộ mới nhất trong phát triển con chip trí tuệ nhân tạo

Phần này sẽ đi sâu vào các bước tiến mới nhất của Google, Meta và Amazon trong việc xây dựng công nghệ con chip trí tuệ nhân tạo.

Bộ xử lý Axion của Google

Google đã liên tục tiến bộ trong lĩnh vực công nghệ con chip trí tuệ nhân tạo kể từ khi giới thiệu Đơn vị Xử lý Tensor (TPU) vào năm 2015. Xây dựng trên nền tảng này, Google đã gần đây ra mắt Bộ xử lý Axion, CPU tùy chỉnh đầu tiên của họ được thiết kế đặc biệt cho trung tâm dữ liệu và tải trọng công việc trí tuệ nhân tạo. Các bộ xử lý này dựa trên kiến trúc Arm, nổi tiếng với hiệu suất và thiết kế紧凑. Bộ xử lý Axion nhằm mục đích tăng cường hiệu suất của đào tạo và suy luận dựa trên CPU trong khi duy trì hiệu quả năng lượng. Tiến bộ này cũng đánh dấu một sự cải thiện đáng kể về hiệu suất cho các tải trọng công việc chung, bao gồm máy chủ web và ứng dụng, dịch vụ vi mô được chứa, cơ sở dữ liệu mã nguồn mở, bộ nhớ đệm trong bộ nhớ, động cơ phân tích dữ liệu, xử lý phương tiện và nhiều hơn nữa.

MTIA của Meta

Meta đang thúc đẩy công nghệ con chip trí tuệ nhân tạo với Meta Training and Inference Accelerator (MTIA). Công cụ này được thiết kế để tăng cường hiệu quả của đào tạo và suy luận, đặc biệt là cho các thuật toán xếp hạng và khuyến nghị. Gần đây, Meta đã phác thảo cách MTIA là một phần quan trọng trong chiến lược của họ để tăng cường cơ sở hạ tầng trí tuệ nhân tạo của mình ngoài GPU. Ban đầu dự kiến ra mắt vào năm 2025, Meta đã đưa cả hai phiên bản của MTIA vào sản xuất, cho thấy một tốc độ nhanh hơn trong kế hoạch phát triển con chip của họ. Mặc dù MTIA hiện tập trung vào đào tạo các loại thuật toán nhất định, Meta nhằm mục đích mở rộng việc sử dụng nó để bao gồm đào tạo cho trí tuệ nhân tạo tạo sinh, như mô hình ngôn ngữ Llama của họ.

Trainium và Inferentia của Amazon

Kể từ khi giới thiệu con chip tùy chỉnh Nitro vào năm 2013, Amazon đã mở rộng đáng kể việc phát triển con chip trí tuệ nhân tạo. Công ty gần đây đã ra mắt hai con chip trí tuệ nhân tạo sáng tạo, Trainium và Inferentia. Trainium được thiết kế đặc biệt để tăng cường đào tạo mô hình trí tuệ nhân tạo và sẽ được tích hợp vào EC2 UltraClusters. Các cụm này, có khả năng lưu trữ lên đến 100.000 con chip, được tối ưu hóa cho đào tạo các mô hình nền tảng và mô hình ngôn ngữ lớn một cách tiết kiệm năng lượng. Inferentia, mặt khác, được thiết kế cho các nhiệm vụ suy luận, nơi các mô hình trí tuệ nhân tạo được áp dụng tích cực, tập trung vào việc giảm độ trễ và chi phí trong quá trình suy luận để phục vụ tốt hơn nhu cầu của hàng triệu người dùng tương tác với các dịch vụ được hỗ trợ bởi trí tuệ nhân tạo.

Kết luận

Sự chuyển dịch hướng tới phát triển con chip trí tuệ nhân tạo tùy chỉnh trong nhà bởi các công ty lớn như Google, Microsoft và Amazon phản ánh một sự thay đổi chiến lược để giải quyết nhu cầu tính toán ngày càng tăng của các công nghệ trí tuệ nhân tạo. Xu hướng này nhấn mạnh sự cần thiết của các giải pháp được thiết kế đặc biệt để hỗ trợ hiệu quả các mô hình trí tuệ nhân tạo, đáp ứng nhu cầu độc đáo của các hệ thống tiên tiến này. Khi nhu cầu về con chip trí tuệ nhân tạo tiếp tục tăng trưởng, các nhà lãnh đạo trong ngành như Nvidia có khả năng chứng kiến sự tăng trưởng đáng kể về giá trị thị trường, nhấn mạnh vai trò quan trọng mà các con chip tùy chỉnh đóng trong việc thúc đẩy sự đổi mới trí tuệ nhân tạo. Bằng cách tạo ra các con chip của riêng họ, những gã khổng lồ công nghệ này không chỉ tăng cường hiệu suất và hiệu quả của các hệ thống trí tuệ nhân tạo của họ mà còn thúc đẩy một tương lai bền vững và tiết kiệm chi phí hơn. Sự tiến hóa này đang thiết lập các tiêu chuẩn mới trong ngành, thúc đẩy tiến bộ công nghệ và lợi thế cạnh tranh trong một thị trường toàn cầu đang thay đổi nhanh chóng.