آیا ما پردازنده‌های گرافیکی کافی برای نشان دادن پتانسیل هوش مصنوعی داریم؟

در سال ۲۰۲۳، تعداد کمی از فناوری ها به اندازه هوش مصنوعی توجه، حدس و گمان و نوید را به خود جلب کرده اند. ما بدون شک در میانه یک چرخه تبلیغاتی بی سابقه هوش مصنوعی هستیم.

از برخی جهات، لحظه‌ای شبیه به هجوم طلای امروزی است، زیرا نوآوران، سرمایه‌گذاران و کارآفرینان فریاد می‌زنند تا از وعده‌ها و پتانسیل این فناوری سرمایه‌گذاری کنند.

مانند هجوم طلا در کالیفرنیا در قرن نوزدهم، دیوانگی امروز دو نوع کارآفرین ایجاد کرده است. برخی به سختی تلاش می کنند تا از هوش مصنوعی برای دنبال کردن «چیز بزرگ بعدی» در فناوری اغلب گریزان استفاده کنند. برخی دیگر کلنگ و بیل ضرب المثل می فروشند.

تسریع تقاضای GPU در میان عرضه محدود

با این تقاضا برای هوش مصنوعی پیشرفته یک اشتهای سیری ناپذیر است واحدهای پردازش گرافیکی (GPU) که به این فناوری کمک می کند. انویدیا یک رهبر بلامنازع در این زمینه است که اخیراً از پیش بینی های وال استریت فراتر رفته و ارزش گذاری خود را تحت فشار قرار داده است. بالای ۱ تریلیون دلار.

با این حال، در همان زمان، عرضه محدودی از پردازنده‌های گرافیکی وجود دارد که تهدید می‌کند تاثیر هوش مصنوعی را در زمانی که پتانسیل دنیای واقعی آن به اوج می‌رسد، کاهش دهد.

زمانی که در بین بازیکنان بازی های ویدیویی و علاقه مندان به رایانه محبوبیت زیادی داشت، پردازنده های گرافیکی در طول همه گیری همه گیر با محبوبیت ارزهای رمزنگاری شده مانند بیت کوین شاهد افزایش تقاضا بودند. این ارزهای دیجیتال به قدرت محاسباتی قابل توجهی نیاز دارند و GPUها برای این کار مناسب هستند. با افزایش ارزش ارزهای دیجیتال، بسیاری از مردم شروع به استخراج آن‌ها کردند و تقاضای زیادی برای پردازنده‌های گرافیکی ایجاد کرد.

عرضه بیشتر توسط مشاغل فرصت طلب از جمله اسکالپرها که اغلب از ربات های خودکار برای خرید سریع پردازنده های گرافیکی استفاده می کنند، محدود می شد.

مطابق با گلدمن ساکسکمبود جهانی پردازنده گرافیکی همه گیر بر ۱۶۹ صنعت تأثیر گذاشته است.

آیا پردازنده گرافیکی کافی داریم؟

اکنون، ظهور پروژه‌های یادگیری عمیق در مقیاس بزرگ و برنامه‌های کاربردی هوش مصنوعی، تقاضا را به شدت بالا می‌برد.

اما تولید فعلی و در دسترس بودن پردازنده‌های گرافیکی برای نشان دادن پتانسیل در حال تکامل هوش مصنوعی کافی نیست. بسیاری از کسب و کارها در به دست آوردن سخت افزار لازم برای عملیات خود با چالش هایی روبرو هستند که ظرفیت آنها را برای نوآوری کاهش می دهد.

از آنجایی که تولیدکنندگان به افزایش تولید واحد GPU ادامه می دهند، بسیاری از شرکت ها در حال حاضر به دلیل دسترسی به GPU دچار مشکل شده اند.

مطابق با ثروتسام آلتمن، مدیر عامل OpenAI به طور خصوصی اذعان کرد که محدودیت های عرضه GPU بر تجارت شرکت تأثیر می گذارد.

در یک استماع کنگرهآلتمن اظهار داشت که محصولات اگر افراد کمتری از آنها استفاده کنند بهتر خواهد بود زیرا کمبود فناوری باعث کندی عملکرد می شود.

این روزنامه وال استریت گزارش می دهد که بنیانگذاران و کارآفرینان هوش مصنوعی “از فروشندگان آمازون و مایکروسافت برای قدرت بیشتر التماس می کنند.” این امر برخی از شرکت ها را وادار کرده است تا مقادیر زیادی از ظرفیت رایانش ابری را برای رزرو فرصت های آینده خریداری کنند.

چگونه شرکت ها می توانند سازگار شوند

شرکت‌ها نمی‌توانند منتظر تکنیک‌های تولید و زنجیره‌های تامین برای جبران تقاضای فزاینده باشند. با این حال، آنها می توانند رویکرد خود را برای کاهش تقاضای تراشه و به حداکثر رساندن فرصت های نوآوری تطبیق دهند. در اینجا چگونگی آن است.

راه حل های دیگر را در نظر بگیرید

هر مشکلی به هوش مصنوعی و همراه با آن نیاز ندارد گرسنه GPU ظرفیت محاسباتی

برای مثال، شرکت‌ها می‌توانند از راه‌حل‌های محاسباتی دیگر برای مواردی مانند پیش‌پردازش داده‌ها و ویژگی‌های مهندسی استفاده کنند. ماشین‌های مبتنی بر CPU می‌توانند وظایف پیش‌پردازش داده‌ها مانند تمیز کردن داده‌ها، مقیاس‌بندی ویژگی‌ها و استخراج ویژگی‌ها را به طور موثر انجام دهند.

این وظایف اغلب قبل از آموزش یک مدل انجام می‌شوند و می‌توانند بدون سربار محاسباتی قابل توجهی روی CPU اجرا شوند.

در عین حال، تعمیر و نگهداری پیش‌بینی‌کننده، یک مورد استفاده رایج برای هوش مصنوعی که در آن الگوریتم‌ها داده‌های حسگر را برای پیش‌بینی خرابی تجهیزات تجزیه و تحلیل می‌کنند، می‌تواند توسط راه‌حل‌های محاسباتی کم‌توان مدیریت شود.

همه تجهیزات یا سیستم ها به پیشرفته نیاز ندارند مدل های هوش مصنوعی برای پیش بینی های دقیق در برخی موارد، رویکردهای آماری ساده‌تر یا مبتنی بر قوانین ممکن است برای شناسایی نیازهای تعمیر و نگهداری کافی باشد و نیاز به پیاده‌سازی پیچیده هوش مصنوعی را کاهش دهد.

به طور مشابه، تکنیک های تجزیه و تحلیل تصویر و ویدئو با هوش مصنوعی توجه قابل توجهی را به خود جلب کرده اند، اما همه برنامه ها برای نتایج دقیق به هوش مصنوعی نیاز ندارند. کارهایی مانند دسته بندی ساده تصویر یا تشخیص اولیه اشیا اغلب با تکنیک ها و الگوریتم های بینایی کامپیوتری سنتی بدون نیاز به مدل های پیچیده یادگیری عمیق قابل دستیابی هستند.

در نهایت، در حالی که هوش مصنوعی می‌تواند قابلیت‌های تحلیلی پیشرفته‌ای را ارائه دهد، شرکت‌ها گاهی عجله دارند تا پلتفرم‌های تحلیلی مبتنی بر هوش مصنوعی را بدون ارزیابی دقیق زیرساخت‌ها و نیازهای داده‌های موجود خود اتخاذ کنند. در برخی موارد، ابزارهای سنتی هوش تجاری یا روش‌های آماری ساده‌تر ممکن است برای استخراج بینش از داده‌ها بدون نیاز به پیچیدگی هوش مصنوعی کافی باشد.

الگوریتم های هوش مصنوعی کارآمدتر را توسعه دهید

الگوریتم‌های هوش مصنوعی کارآمدتر می‌توانند قدرت پردازش مورد نیاز برای برنامه‌های هوش مصنوعی را کاهش دهند و نیاز به پردازنده‌های گرافیکی را کمتر کنند.

به عنوان مثال، یادگیری انتقال، که امکان استفاده از مدل‌های از پیش آموزش‌دیده را برای کارهای خاص فراهم می‌کند، می‌تواند در ماشین‌های مبتنی بر CPU برای برنامه‌های خاص به‌خوبی تنظیم شود، حتی اگر در ابتدا بر روی پردازنده‌های گرافیکی آموزش دیده باشند. این رویکرد می تواند به ویژه برای سناریوهایی با منابع محاسباتی محدود مفید باشد.

ماشین‌های بردار پشتیبان (SVM) و طبقه‌بندی‌کننده‌های Naive Bayes دیگر الگوریتم‌های قدرتمند یادگیری ماشینی (ML) هستند که می‌توانند برای کارهای طبقه‌بندی و رگرسیون استفاده شوند. SVM ها و طبقه بندی کننده های Naive Bayes را می توان بر روی یک CPU آموزش دید و نیازی به GPU ندارد.

راه های جایگزین برای تقویت برنامه های کاربردی هوش مصنوعی بیابید

کاوش سخت‌افزار جایگزین برای تقویت برنامه‌های هوش مصنوعی، مسیری مناسب برای سازمان‌هایی که برای پردازش کارآمد تلاش می‌کنند، ارائه می‌کند. بسته به نیازهای بار کاری خاص هوش مصنوعی، CPU ها، آرایه های دروازه قابل برنامه ریزی میدانی (FPGA) و مدارهای مجتمع ویژه برنامه (ASIC) ممکن است جایگزین های عالی باشند.

FPGA ها، که به دلیل ماهیت قابل تنظیم خود شناخته می شوند، و ASIC ها، که به طور خاص برای یک مورد خاص طراحی شده اند، هر دو پتانسیل این را دارند که به طور موثر وظایف هوش مصنوعی را انجام دهند. با این حال، توجه به این نکته ضروری است که این گزینه‌ها ممکن است ویژگی‌های عملکردی و مبادلات متفاوتی را نشان دهند.

به عنوان مثال، در حالی که FPGA ها انعطاف پذیری و قابلیت برنامه ریزی r را ارائه می دهند، ممکن است قدرت محاسباتی خام پردازنده های گرافیکی را فراهم نکنند. به طور مشابه، در حالی که عملکرد بالا را ارائه می دهند، ASIC ها فاقد انعطاف پذیری FPGA یا GPU هستند. بنابراین، ارزیابی دقیق قبل از انتخاب سخت افزار مناسب برای خاص ضروری است وظایف هوش مصنوعی.

علاوه بر این، برون سپاری پردازش GPU به ارائه دهندگان ابری یا محاسباتی راه حل قابل قبول دیگری برای شرکت هایی است که به دنبال محاسبات هوش مصنوعی کارآمد و مقیاس پذیر هستند.

پردازنده‌های گرافیکی تنها راه‌حل برای محاسبات با عملکرد بالا نیستند. بسته به حجم کاری خاص هوش مصنوعی، شرکت‌ها می‌توانند شتاب‌دهنده‌های سخت‌افزاری جایگزین را بررسی کنند که می‌توانند نتایج قابل مقایسه را حتی زمانی که سخت‌افزار GPU کمیاب است، ارائه دهند.

جستجو برای طلای GPU در جریان هوش مصنوعی

رشد باورنکردنی هوش مصنوعی و فناوری‌های مرتبط با آن مانند یادگیری عمیق، همراه با جهش بازی‌ها، تولید محتوا و استخراج ارزهای دیجیتال، کمبود شدید GPU را ایجاد کرده است که پیش از شروع واقعی دوران نوآوری را تهدید می‌کند.

این هجوم طلای امروزی به سمت هوش مصنوعی، شرکت‌ها را ملزم می‌کند تا با واقعیت‌های عملیاتی سازگار شوند و در این فرآیند خلاق‌تر، چابک‌تر و پاسخگوتر شوند. به این ترتیب، کمبود GPU هم یک چالش و هم فرصت ایجاد می کند.

شرکت‌هایی که مایل به سازگاری هستند بهترین موقعیت را برای پیشرفت خواهند داشت، در حالی که آنهایی که نمی‌توانند خارج از چارچوب فکر کنند، بدون کلنگ و تبر در استخراج طلا گیر می‌کنند.

Ab Gaur بنیانگذار و مدیر عامل شرکت است Verticurl و مدیر ارشد داده و فناوری در اوگیلوی.