پژوهشگران چینی از توسعه نسل تازهای از تراشههای هوش مصنوعی مبتنی بر نور خبر دادهاند که بنا بر ادعاها، در برخی کاربردهای مشخص میتوانند از نظر سرعت پردازش و بهرهوری انرژی عملکردی تا بیش از ۱۰۰ برابر بهتر از پردازشگرهای گرافیکی انویدیا ارائه دهند. این تراشهها بر پایه فناوری محاسبات نوری (Photonic Computing) طراحی شدهاند و هدف آنها انجام وظایف خاص و محدود هوش مصنوعی است، نه جایگزینی کامل GPUهای رایج.
براساس گزارشهای منتشرشده، این تراشههای نوری در حوزههایی مانند تولید تصویر، پردازش ویدیو و تحلیلهای بینایی ماشین برتری محسوسی نسبت به پردازشگرهای گرافیکی نشان دادهاند. با این حال، محققان تأکید میکنند که چنین عملکردی تنها در سناریوهای خاص صدق میکند و نباید این دستاورد را بهعنوان تهدیدی مستقیم برای معماری مرسوم GPUها در نظر گرفت. به بیان دیگر، این تراشهها مکمل هستند، نه جایگزین.
یکی از نمونههای شاخص این فناوری، تراشهای با نام ACCEL است که توسط پژوهشگران دانشگاه Tsinghua توسعه یافته است. ACCEL از معماری هیبریدی بهره میبرد و ترکیبی از اجزای فوتونیک و مدارهای آنالوگ الکترونیکی را در خود جای داده است. این تراشه با استفاده از فناوریهای ساخت شرکت SMIC تولید شده و طبق اعلام تیم تحقیقاتی، قادر است توان پردازشی حدود ۴.۶ پتافلاپس را با مصرف انرژی بسیار پایین ارائه دهد؛ عددی که در دنیای پردازش هوش مصنوعی توجهبرانگیز محسوب میشود.
بهنظر میرسد تراشههای نوری چین بیش از آنکه رقیب مستقیم GPU های انویدیا باشند، نشانهای از آینده چندمسیره پردازش هوش مصنوعی هستند. اگرچه GPU ها همچنان ستون اصلی محاسبات عمومی AI باقی میمانند، اما راهکارهای فوتونیک میتوانند در وظایف خاص، بهویژه آنهایی که به سرعت بالا و مصرف انرژی کم نیاز دارند، نقش تعیینکنندهای ایفا کنند. اگر این فناوری از مرحله آزمایشگاهی به تولید انبوه برسد، احتمالاً شاهد شکلگیری اکوسیستمی خواهیم بود که در آن، پردازش نوری و الکترونیکی در کنار هم تعریف تازهای از کارایی در هوش مصنوعی ارائه میدهند.
فوتونها در برابر الکترونها؛ چرا تراشههای نوری مسیر متفاوتی را انتخاب کردهاند؟
البته باید توجه داشت که این تراشههای نوری توانایی اجرای کدهای عمومی یا پردازشهای سنگین وابسته به حافظه را ندارند و عملکرد آنها به انجام محاسبات آنالوگ از پیشتعریفشده محدود میشود. به همین دلیل، کاربردشان به سناریوهای مشخص و کنترلشده خلاصه میشود و نمیتوان از آنها انتظار انعطافپذیری پردازندههای متداول را داشت.
نمونه شاخص دیگر در این حوزه، تراشهای با نام LightGen است که با همکاری دانشگاههای Shanghai Jiao Tong و Tsinghua توسعه یافته است. LightGen یک تراشه کاملاً نوری محسوب میشود و بیش از دو میلیون نورون فوتونیک را در ساختار خود جای داده است. طبق گزارشها، این تراشه در وظایفی مانند تولید تصویر، انتقال سبک، حذف نویز و پردازش سهبعدی تصاویر، در مقایسه با تراشههای رایج، به سرعتی بیش از ۱۰۰ برابر دست یافته و همزمان مصرف انرژی بسیار کمتری دارد. پژوهشگران پروژه معتقدند LightGen یکی از بهترین نمونههای عملی برای نمایش قابلیتهای واقعی هوش مصنوعی مبتنی بر فوتونیک است؛ هرچند این تراشه نیز تنها در حوزههایی محدود و تعریفشده عملکرد مطلوب دارد.
مزیت تراشههای نوری نسبت به پردازشگرهای انویدیا:
پردازشگرهای گرافیکی انویدیا، از جمله مدل شناختهشده A100، بر پایه حرکت الکترونها در ترانزیستورها عمل میکنند. این معماری امکان اجرای مرحلهبهمرحله دستورات و انعطافپذیری بالایی را فراهم میکند، اما در مقابل با چالشهایی مانند مصرف انرژی بالا، تولید حرارت قابلتوجه و نیاز به فناوریهای ساخت بسیار پیشرفته مواجه است.
در سوی دیگر، تراشههای فوتونیک با استفاده از فوتونها بهجای الکترونها کار میکنند. در این معماری، محاسبات از طریق تداخل نوری انجام میشود و همین موضوع باعث میشود سرعت پردازش و بهرهوری انرژی به شکل چشمگیری افزایش یابد. نکته قابلتوجه این است که چنین تراشههایی حتی میتوانند با فرایندهای ساخت قدیمیتر نیز تولید شوند؛ عاملی که میتواند هزینه تولید و وابستگی به فناوریهای بسیار پیشرفته را کاهش دهد.
بهنظر میرسد تراشههای نوری قرار نیست جای GPUهای انویدیا را بگیرند، بلکه آمدهاند تا خلأ مشخصی را پر کنند. در کاربردهایی که نیاز به سرعت فوقالعاده بالا و مصرف انرژی پایین وجود دارد، فوتونیک میتواند برتری مطلق داشته باشد. اگر این فناوری در آینده به سطحی از انعطافپذیری بالاتر برسد یا در کنار پردازندههای الکترونیکی بهصورت ترکیبی استفاده شود، ممکن است شاهد تحول جدی در معماری مراکز داده و پردازش هوش مصنوعی باشیم؛ تحولی که قواعد فعلی رقابت در این حوزه را تغییر خواهد داد.