Nowości

Ten chip dla sztucznej inteligencji działa przy użyciu światła, a nie elektronów

Jak popyt rośnie sztuczna inteligencja, rośnie też głód mocy komputera potrzebnej do utrzymania działania sztucznej inteligencji.

Lightmatter, startup urodzony w MIT, zakłada, że ​​żarłoczny głód sztucznej inteligencji spowoduje zapotrzebowanie na zasadniczo inny rodzaj chipów komputerowych – takich, które wykorzystują światło do wykonywania kluczowych obliczeń.

„Albo wymyślimy nowe rodzaje komputerów, aby kontynuować”, mówi dyrektor generalny Lightmatter, Nick Harris, „albo sztuczna inteligencja zwalnia”.

Konwencjonalne chipy komputerowe działają przy użyciu tranzystorów do sterowania przepływem elektronów przez półprzewodnik. Redukując informacje do serii jedynek i zer, chipy te mogą wykonywać szeroki wachlarz operacji logicznych i zasilać złożone oprogramowanie. Z kolei chip Lightmatter jest zaprojektowany do wykonywania tylko określonego rodzaju obliczeń matematycznych, które mają kluczowe znaczenie dla uruchamiania potężnych programów AI.

Harris pokazał niedawno WIRED nowy chip w siedzibie firmy w Bostonie. Wyglądał jak zwykły chip komputerowy, z którego wychodziło kilka światłowodów. Ale wykonał obliczenia, dzieląc i mieszając wiązki światła w małych kanałach, mierząc zaledwie nanometry. Podstawowy chip krzemowy organizuje działanie części fotonicznej, a także zapewnia tymczasowe przechowywanie pamięci.

Lightmatter planuje rozpocząć wysyłkę swojego pierwszego chipa AI opartego na świetle, zwanego Envise, jeszcze w tym roku. Będzie dostarczać serwery typu blade zawierające 14 chipów, które pasują do konwencjonalnych centrów danych. Firma zebrała 22 miliony dolarów od GV (dawniej Google Ventures), Spark Capital i Matrix Partners.

Firma twierdzi, że jej układ działa od 1,5 do 10 razy szybciej niż topowy układ Nvidia A100 AI, w zależności od zadania. Na przykład, działając na modelu języka naturalnego o nazwie BERT, Lightmatter twierdzi, że Envise jest pięć razy szybszy niż chip Nvidii; zużywa również jedną szóstą energii.

obraz artykułu

Przewodnik WIRED po sztucznej inteligencji

Inteligentne algorytmy nie podejmą wszystkich zadań, ale uczą się szybciej niż kiedykolwiek, robiąc wszystko, od diagnostyki medycznej po wyświetlanie reklam.

Technologia ma ograniczenia techniczne i może być trudno przekonać firmy do przejścia na niesprawdzony projekt. Ale Rich Wawrzyniak, analityk z Semico, który został poinformowany o tej technologii, mówi, że uważa, że ​​ma ona przyzwoitą szansę na uzyskanie trakcji. „To, co mi pokazali – myślę, że jest całkiem niezłe” – mówi.

Wawrzyniak oczekuje, że duże firmy technologiczne przynajmniej przetestują tę technologię, ponieważ popyt na sztuczną inteligencję – i koszt jej użytkowania – rośnie tak szybko. „Jest to pilna kwestia z wielu różnych punktów widzenia” – mówi. Potrzeby energetyczne centrów danych „rosną jak rakieta”.

Chip Lightmatter jest szybszy i bardziej wydajny w przypadku niektórych obliczeń sztucznej inteligencji, ponieważ informacje można kodować wydajniej w różnych długościach fal światła, a sterowanie światłem wymaga mniej energii niż sterowanie przepływem elektronów za pomocą tranzystorów.

Kluczowym ograniczeniem układu Lightmatter jest to, że jego obliczenia są raczej analogowe niż cyfrowe. To sprawia, że ​​jest z natury mniej dokładny niż cyfrowe chipy krzemowe, ale firma wymyśliła techniki poprawiające precyzję obliczeń. Lightmatter będzie początkowo wprowadzać na rynek swoje chipy do uruchamiania wstępnie wyszkolonych modeli sztucznej inteligencji, a nie do modeli szkoleniowych, ponieważ wymaga to mniejszej precyzji, ale Harris mówi, że w zasadzie mogą robić oba.

Chip będzie najbardziej przydatny w sztucznej inteligencji zwanej głębokim uczeniem się, opartej na uczeniu bardzo dużych lub „głębokich” sieci neuronowych w celu nadawania sensu danym i podejmowania przydatnych decyzji. Podejście to dało komputerom nowe możliwości w zakresie przetwarzania obrazu i wideo, rozumienia języka naturalnego, robotyki i nadawania sensu danych biznesowych. Ale wymaga dużej ilości danych i mocy komputera.

Trenowanie i uruchamianie głębokich sieci neuronowych oznacza wykonywanie wielu równoległych obliczeń, co jest zadaniem dobrze dostosowanym do zaawansowanych układów graficznych. Rozwój głębokiego uczenia już zainspirował rozkwit nowych projektów chipów, od specjalistycznych dla centrów danych po wysoce wydajne projekty gadżetów mobilnych i urządzeń do noszenia.

Zostaw komentarz

Maciek Luboński
Z wykształcenia jestem kucharzem , ale to nie przeszkadza mi pisać dla Was tekstów z wielu ciekawych dziedzin , których sam jestem fanem.Piszę dużo i często nie na tak jak trzeba , ale co z tego skoro tak naprawdę liczy się pasja.

Najlepsze recenzje

Video

gallery

Facebook