بررسی بازار یك فناوری اقتصادساز؛
علل ظهور ریزتراشه های هوش مصنوعی در دنیای فناوری
به گزارش لیمو بلاگ، علل ظهور ریزتراشه های هوش مصنوعی، بازار این فناوری و میزان رشد آن در آینده و سرمایه گذاری و رقابت کشورها بر تولید و بهینه سازی ریزتراشه ها و سیستم های هوش مصنوعی مورد بررسی قرار گرفت.
به گزارش لیمو بلاگ به نقل از مهر، نقش روز افزون هوش مصنوعی در انواع حوزه ها از قبیل آموزش، بهداشت و سلامت، حمل و نقل، مالی، سرگرمی، امنیت داخلی و بین المللی باعث شده است که این فناوری روزبه روز از اهمیت بیشتری در میان ملت ها و دولت ها برخوردار شود.
موفقیت های کسب شده در حوزه ی روشهای فنی هوش مصنوعی در سالهای قبل، متکی بر محاسبات در مقیاس کلان و پرداخت هزینه های سنگین بوده است. گفتنی است گاها محاسبات لازم برای آموزش الگوریتم های هوش مصنوعی نیازمند صرف حدود یک ماه زمان و پرداخت صدها میلیون دلار هزینه است.
برای انجام این محاسبات باید از ریزتراشه هایی استفاده گردد که با بهره بردن از آخرین نسل فناوری ساخت، قدرت محاسباتی بالایی داشته باشند؛ همینطور طراحی این ریزتراشه ها بایستی به نحوی باشد که محاسبات خاص الگوریتم های هوش مصنوعی را به نحوی مؤثر و با صرف هزینه و توان بسیار کمتر انجام دهند. تراشه هایی که توانسته اند این پیشرفت شگرف را رقم بزنند به تراشه های هوش مصنوعی معروف هستند.
چیستی ریزتراشه های هوش مصنوعی ریزتراشه های هوش مصنوعی ریزتراشه هایی هستند که برای انجام امور در رابطه با هوش مصنوعی طراحی شده اند، همینطور میتوان آنها را قطعات سخت افزاری و شتاب دهنده هایی دانست که دارای معماری بسیار خاصی برای پشتیبانی از برنامه های مبتنی بر یادگیری عمیق هستند. این ریزتراشه ها قادر به یادگیری و پردازش اطلاعات به روشی مشابه مغز انسان هستند، این عمل به کمک چندین فرمان و الگوریتم کامپیوتری به انجام می رسد. یکی از جنبه های مهم این ریزتراشه ها یادگیری عمیق است. یادگیری عمیق که با عناوینی نظیر شبکه ی عصبی عمیق یا شبکه عصبی فعال هم شناخته می شود، زیرمجموعه ای از یادگیری ماشین است که کاربردهایی بسیار خاص در حوزه ی هوش مصنوعی دارد. شبکه های عصبی عمیق از داده های موجود در مرحله آموزش یاد می گیرند و بعد از آن قادر خواهند بود با بهره گیری از داده های جدید عمل پیشبینی کردن را انجام دهند. این شبکه های عمیق ریزتراشه ها را قادر می سازند که آسان تر و در یک بازه ی زمانی کوتاه تر عمل جمع آوری، تجزیه وتحلیل و تفسیر مقادیر زیادی از داده ها را انجام دهند.
امروزه تقاضا جهت استفاده از این نوع از ریزتراشه ها به سبب داشتن توانایی ویژه در تبدیل داده ها به اطلاعات و تبدیل آن اطلاعات به دانش، روزبه روز درحال افزایش است.
براساس گزارش برنامه می میکروالکترونیک، علل ظهور ریزتراشه های هوش مصنوعی به شرح زیر مورد بررسی قرار گرفته است؛
دلیل ظهور ریزتراشه های هوش مصنوعی
سؤال مهمی که امکان دارد مطرح شود اینست که با وجود انواع دیگر ریزتراشه ها همچون واحد پردازش مرکزی که به اختصار CPU[۵] نامیده می شود و واحد پردازش گرافیکی که به اختصار GPU[۶] نامیده می شود، چرا باز هم به پردازنده های هوش مصنوعی نیاز داریم. برای پاسخ به این پرسش ضروری است نگاه مختصری به پردازنده های سنتی کامپیوتر یعنی CPUها و همینطور پردازنده های گرافیکی یعنی GPUها داشته باشیم.
واحد پردازش مرکزی (CPU) CPU جزء اصلی مسئول اجرای دستورالعمل ها و انجام محاسبات در یک کامپیوتر است. CPU که اغلب مغز کامپیوتر نامیده می شود، قشر بزرگی از اعمال اصلی محاسباتی، منطقی، کنترل و ورودی/خروجی مشخص شده توسط دستورالعمل های موجود در یک برنامه را انجام می دهد. CPUها برای اجرای دستورالعمل های یک برنامه به شکل گام به گام، مانند دنبال کردن یک دستورالعمل آشپزی، بهینه شده اند اما محاسبات در ارتباط با یادگیری ماشینی و کاربردهای هوش مصنوعی با قالب گام به گام و ترتیبی مطابقت ندارند.
برای مثال شبکه های عصبی برای یادگیری باید چندین (در حدود میلیاردها) عملیات را هم زمان انجام دهند، همینطور فرایند یادگیری ماشین برای یافتن الگوها در داده ها به ضرب ماتریس ها متکی است که انجام تعداد زیادی از ضرب ماتریس های عظیم، سرعت CPUها را تحت الشعاع قرار می دهد.
علاوه براین انجام اموری مانند تشخیص صدا هم شامل تجزیه وتحلیل مجموعه داده های بزرگ به صورت هم زمان است، نه به شکل گام به گام. همه ی این موارد نشان می دهند چرا چالش های زیادی برای اجرای برنامه های مبتنی بر هوش مصنوعی بر روی CPUها وجود دارد. پردازنده های گرافیکی (GPU) با عنایت به محدودیت های CPU، محققان در دهه ۱۹۹۰ در حوزه ی یادگیری ماشین، آغاز به آزمایش بر روی GPU کردند. معماری موازی GPUها سبب شد که به صورت منحصربه فردی برای شبکه های عصبی شتاب دهنده مناسب باشند. بدین ترتیب عصر استفاده ازGPUها شروع شد. پردازنده های گرافیکی برای انجام دادن پردازش گرافیکی با اجرای تعداد بسیار زیادی از عملیات ممیز شناور در هر ثانیه طراحی شده اند که بعنوان FLOPS شناخته می شوند. اگر بخواهیم به صورت ساده FLOPS را توضیح دهیم مانند این خواهد بود که یک فروشگاه فست فود چند همبرگر می تواند در یک ساعت تهیه نماید.
هر چه تعداد برگرها (عملیات) در هر ساعت (در ثانیه) بیشتر باشد، غذا سریع تر سرو می شود (محاسبات سریع تر انجام می شود). GPUها در انجام FLOPS ها بسیار عالی هستند، یعنی توانایی آنرا دارند که تعداد بسیار زیادی عملیات ریاضی را به شکل موازی و هم زمان انجام دهند، مساله ای که سبب شد GPUها در آموزش الگوریتم های هوش مصنوعی بسیار بسیار سریع تر از CPUها شوند.
توانایی آموزش شبکه های عصبی عمیق، پیشرفت هایی را در زمینه هایی مانند بینایی کامپیوتر و تشخیص گفتار تا حوالی سال ۲۰۱۰ ممکن ساخت، ازاین رو میتوان پردازنده های گرافیکی را یک برگ برنده در حوزه هوش مصنوعی نامید. با این وجود نکته ای که بایستی بدان توجه نمود اینست که پردازنده های گرافیکی به منظور دستیابی به اهداف و انجام امور در ارتباط با هوش مصنوعی ساخته نشده اند.
اگرچه GPU ها می توانند برنامه های هوش مصنوعی را بهتر از CPU ها پردازش کنند، اما اساساً برای پردازش مدلهای گرافیکی و نه شبکه های عصبی بهینه سازی و طراحی شده اند. ظهور پردازنده های هوش مصنوعی
اگرچه پردازنده های گرافیکی سبب شدند که حوزه ی هوش مصنوعی پیشرفت های فوق العاده ای را تجربه کند، اما این پردازنده ها همچنان دارای محدودیت هایی در اجرای امور در ارتباط با یادگیری ماشین و هوش مصنوعی بودند.
این امر سبب شد شرکتهای فناور ریزتراشه هایی را از پایه طراحی نمایند که بطور دقیق تر برای آموزش شبکه های عصبی و یادگیری ماشین بهینه شده باشند. در همین جهت در سال ۲۰۱۶، گوگل از واحد پردازش تنسور(TPU) خود رونمایی نمود.
این نخستین ریزتراشه با تولید انبوه بود که صرفا برای یادگیری عمیق، طراحی و ساخته شده بود. معماری TPU به نحوی بود که علاوه بربه حداقل رساندن مصرف انرژی در انجام عملیات های ضرب ماتریسی، سایر عملیات های مورد نیاز مدلهای یادگیری ماشین و یادگیری عمیق هم با بهره گیری از آن ساده تر انجام می شدند.
همچنین استارتاپ های مطرح هوش مصنوعی در دنیا مانند Graphcore، Cerebras و SambaNova هم معماری های خلاقانه و منحصربه فرد ریزتراشه های هوش مصنوعی خویش را معرفی کرده اند که برای آموزش مدلهای بزرگ از عملکرد بسیار بهتری نسبت به پردازنده های گرافیکی برخوردار می باشند.
نکته ی قابل توجه در مورد ریزتراشه های هوش مصنوعی اینست که علاوه بر استفاده بهتر از منابع و مصرف انرژی مؤثرتر در مقایسه با CPU و GPU، می توانند محاسبات در ارتباط با یک مدل شبکه ی عصبی را تقریبا ده هزار برابر سریع تر از GPU ها انجام دهند.
نگاهی به بازار ریزتراشه های هوش مصنوعی
از آن جایی که کاربردهای هوش مصنوعی در خیلی از صنایع مانند خودروسازی، فولاد، نفت وگاز، صنعت برق، حمل و نقل، صنعت غذایی، ساختمان، مراقبت های بهداشتی، صنعت مالی، تولید و اتوماسیون در سالهای اخیر اهمیت فزاینده ای پیدا کرده است، استفاده از ریزتراشه های هوش مصنوعی روزبه روز بالا رفته و این افزایش استفاده باعث شده است که بازار ریزتراشه های هوش مصنوعی در سالهای اخیر رشد بسیار سریعی را تجربه کند. همینطور برای توسعه انواع مدلهای زبانی هوش مصنوعی به حجم زیادی از ریزتراشه های هوش مصنوعی نیاز است که سبب شده تقاضای این ریزتراشه ها به صورت قابل توجهی افزایش پیدا کند.
نمونه ی ساده این بازار را میتوان در رابطه شرکتهای OpenAI و Nvidia مشاهده کرد. OpenAI در طرف تقاضا برای توسعه مدلهای هوش مصنوعی خود معروف به GPT احتیاج به تعداد زیادی ریزتراشه هوش مصنوعی دارد و در طرف عرضه شرکت Nvidia قرار دارد که با عنایت به تقاضای بالای این نوع ریزتراشه ها، وضعیت مالی مطلوبی را در بازار ایالات متحده و همینطور بازار جهانی ریزتراشه های هوش مصنوعی تجربه می کند. اندازه بازار جهانی ریزتراشه های هوش مصنوعی در سال ۲۰۲۲، ۱۶.۸۶ میلیارد دلار بوده و پیشبینی می شود که با نرخ رشد مرکب سالانه ۲۹.۷۲ درصد از سال ۲۰۲۳ تا سال ۲۰۳۲ میلادی دارای ارزش بازاری بالغ بر ۲۲۷.۴ میلیارد دلار شود. امروزه بازیگران زیادی سرمایه گذاری های عظیمی بر روی ریزتراشه ها و محصولات در رابطه با هوش مصنوعی انجام داده اند تا بتوانند در آینده سهم بیشتری از این بازار را در اختیار داشته باشند.
همچنین استارتاپ های بسیار زیادی در حوزه ریزتراشه های هوش مصنوعی تأسیس شده اند. باآنکه خیلی از این استارتاپ ها تازه تأسیس شده اند، اما توانسته اند سرمایه گذاری های بسیار زیادی را جذب نمایند که نشانگر خوشبینی سرمایه گذاران به آینده این فناوری و محصولات است.
ریزتراشه های هوش مصنوعی درحال تبدیل شدن به یکی از کلیدی ترین ارکان پیشرفت فناوری در جهان هستند. با توسعه و پیچیده تر شدن سیستم های هوش مصنوعی، احتیاج به پردازش های سریع تر، دقیق تر و با مصرف انرژی کمتر روز به روز بیشتر احساس می شود. در این بین، ریزتراشه های هوش مصنوعی بعنوان قلب این سیستم ها عمل می کنند و نقشی محوری در افزایش کارآمدی و گسترش کاربردهای هوش مصنوعی در زمینه های مختلف دارند؛ از خودرو های خودران و ربات ها تا شهر های هوشمند و صنعت سلامت.
با رشد سریع این بازار و افزایش تقاضا برای فناوری های مبتنی بر هوش مصنوعی، کشورهای توسعه یافته و درحال توسعه به سرمایه گذاری های گسترده در این زمینه روی آورده اند. این سرمایه گذاری ها نه تنها به گسترش زیرساخت های فناورانه منجر می شود، بلکه به سبب وابستگی اقتصاد جهانی به تکنولوژی های جدید، بعنوان راهی برای حفظ و تقویت رقابت پذیری ملی هم تلقی می شود.
کشورهایی مانند ایالات متحده و چین با سرمایه گذاری های عظیم در پژوهش و توسعه ریزتراشه های هوش مصنوعی در صدر این رقابت قرار دارند. با این وجود، کشورهای منطقه مانند هند، عربستان سعودی و امارات متحده عربی هم در این زمینه به سرعت درحال پیشرفت هستند. هند بعنوان یکی از بزرگ ترین مراکز فناوری اطلاعات جهان، تمرکز خویش را بر تولید و بهینه سازی ریزتراشه ها و سیستم های هوش مصنوعی گذاشته است. عربستان و امارات هم با سرمایه گذاری های کلان در حوزه فناوری های پیشرفته، به دنبال متنوع سازی اقتصاد خود و ایجاد زیرساخت های هوشمند برای آینده هستند.
این رقابت جهانی نشان دهنده اهمیت روز افزون ریزتراشه های هوش مصنوعی در اقتصاد آینده است و نشان میدهد که کشورها برای حفظ موقعیت اقتصادی و فناوری خود در جهان، باید به سرمایه گذاری در این زمینه توجه ویژه ای داشته باشند.
منبع: limooblog.ir
این مطلب لیمو بلاگ را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط در لیموبلاگ
نظرات بینندگان لیموبلاگ در مورد این مطلب