اینکه چرا پیشرفت هوش مصنوعی در ترمزها محتمل تر از تسلط بر جهان است

یک تنگنای ظرفیت محاسباتی جهانی وجود دارد که نمی‌توان آن را به روشی که در حال حاضر انجام می‌دهیم به‌طور پایدار برطرف کرد.

به زبان ساده، بین هوش مصنوعی مدل‌های (AI) که به‌طور تصاعدی در حال رشد هستند و یک تحول دیجیتال جهانی در حال انجام است، مراکز داده در حال اتمام فضا هستند. نرخ جای خالی آنها در حال افزایش است رکورد پایین و قیمت‌ها در پاسخ به تقاضا افزایش می‌یابند، که دلیل ناآرامی زیادی در میان است رهبران فناوری.

اگر این روند ادامه پیدا کند، در مقطعی به نقطه‌ای می‌رسیم که دیگر نمی‌توانیم تمام کارهایی را که فناوری از نظر تئوری به ما اجازه می‌دهد، انجام دهیم، زیرا ظرفیت ما برای پردازش است. داده ها محدود خواهد شد.

شاید بزرگترین نگرانی این باشد که پتانسیل تحول آفرین هوش مصنوعی، که ما تازه شروع به استفاده از آن کرده ایم، با محدودیت های صرفا فیزیکی خنثی شود. این امر مانع از اکتشافات جدید و توسعه مدل های پیشرفته تر یادگیری ماشینی (ML) می شود که خبر بدی برای همه است، به جز هشدار دهنده های آخرالزمان هوش مصنوعی.

آیا راهی برای جلوگیری از بحران ظرفیت محاسباتی وجود دارد؟ از آنجایی که کاهش گسترده نیازهای محاسباتی ما واقعاً یک گزینه نیست، تنها راه حل این است که ظرفیت را به میزان قابل توجهی افزایش دهیم، که به دو دوره عملی در دسترس خلاصه می شود: ایجاد مراکز داده بیشتر و توسعه زیرساخت های دیجیتالی بهتر.

اما گفتن این کار آسان تر از انجام آن است – در اینجا دلیل آن است.

چرا مراکز داده بیشتر پاسخگو نیست

تا به حال، افزایش تقاضا برای ظرفیت محاسباتی تا حدی با ساخت مراکز داده بیشتر برآورده شده است، با برآوردهای محافظه کارانه که املاک و مستغلات توسط مراکز داده در حال رشد است. ~۴۰٪ در سال. این رقمی است که می‌توانید انتظار داشته باشید که نسبتاً ثابت بماند، زیرا مشکلات تأمین، چالش‌های برق و تأخیر در ساخت‌وساز به شدت گسترش ظرفیت مقیاس را محدود می‌کند.

به عبارت دیگر، امروزه نمی توان به سادگی با افزایش ساخت مرکز داده، تقاضا را تامین کرد.

همچنین نباید آن چیزی باشد که ما آرزویش را داریم. هر یک از این انبارها به اندازه یک زمین فوتبال، مقادیر زیادی انرژی و آب را می بلعد و فشار شدیدی بر روی زمین وارد می کند. محیط، چه در سطح محلی و چه در سطح جهانی. یک مرکز داده واحد می تواند به همان اندازه مصرف کند برق و اب به عنوان ۵۰۰۰۰ خانه و ردپای کربن ابر در حال حاضر فراتر می رود از صنعت هوانوردی

اعتبار در جایی که اعتبار وجود دارد – مراکز داده راه طولانی را در به حداقل رساندن تأثیرات زیست محیطی خود پیموده اند. این تا حد زیادی به لطف یک مسابقه پایدار پایدار است که نوآوری را به‌ویژه در ارتباط با خنک‌کننده و بهره‌وری انرژی پیش برده است. امروزه، مراکز داده را در آن پیدا خواهید کرد معادن زیرزمینیکه در دریاو استفاده از دیگر فرصت های خنک کننده طبیعی مانند آب آبدره جریان داردهمه برای کاهش مصرف انرژی و آب.

مشکل این است که این در سطح جهانی مقیاس پذیر نیست، و همچنین جوشاندن دریاهای ما مسیری مناسب به جلو نیست. ایجاد مراکز داده بیشتر – صرف نظر از اینکه چقدر کارآمد باشد – به تخریب اکوسیستم‌های محلی ادامه می‌دهد و تلاش‌های پایداری ملی و بین‌المللی را مختل می‌کند. همه اینها در حالی که هنوز نتوانسته تقاضای منابع محاسباتی را برآورده کند.

با این حال، دو تراشه بهتر از یک است، مگر اینکه…

به درون جعبه فکر کنید

… مگر اینکه آن تراشه با دو برابر سرعت کار کند. برای جلوگیری از کاهش ظرفیت، همه امیدها بر روی بهبود زیرساخت دیجیتال، یعنی تراشه‌ها، سوئیچ‌ها، سیم‌ها و سایر اجزایی است که می‌توانند سرعت و پهنای باند داده را در حالی که انرژی کمتری مصرف می‌کنند، بهبود بخشند.

اجازه دهید تکرار کنم – تکامل هوش مصنوعی به یافتن راه هایی برای انتقال داده های بیشتر بدون استفاده از انرژی بیشتر بستگی دارد.

در اصل، این به معنای دو چیز است. اول، توسعه تراشه های قدرتمندتر و مبتنی بر هوش مصنوعی. دوم، افزایش سرعت انتقال داده.

۱٫ طراحی تراشه های سفارشی برای هوش مصنوعی

زیرساخت دیجیتال موجود به ویژه برای توسعه کارآمد مدل‌های ML مناسب نیست. واحدهای پردازش مرکزی همه منظوره (CPU) که ​​همچنان جزء اصلی محاسباتی در مراکز داده هستند، به دلیل عدم تخصص و کارایی محاسباتی با وظایف خاص هوش مصنوعی دست و پنجه نرم می کنند.

وقتی صحبت از هوش مصنوعی به میان می‌آید، واحدهای پردازش گرافیکی (GPU) به لطف قدرت پردازش بهتر، بهره‌وری انرژی بالاتر و موازی بودن، عملکرد بسیار بهتری دارند. به همین دلیل است که همه آنها را می ربایند که منجر به الف کمبود تراشه.

با این حال، پردازنده‌های گرافیکی ناگزیر به همان دیوار آجری برخورد می‌کنند. آنها ذاتاً برای وظایف هوش مصنوعی بهینه نشده اند، که منجر به اتلاف انرژی و عملکردی کمتر از حد مطلوب در رسیدگی به نیازهای پیچیده و فشرده روزافزون برنامه های هوش مصنوعی مدرن می شود.

به همین دلیل است که شرکت ها این را دوست دارند IBM در حال طراحی تراشه‌های متناسب با نیازهای محاسباتی هوش مصنوعی هستند که وعده می‌دهند بیشترین عملکرد را کاهش دهند و مصرف انرژی و فضا را به حداقل برسانند.

۲٫ بهبود ظرفیت انتقال داده

هیچ مدل مدرن هوش مصنوعی روی یک تراشه کار نمی کند. در عوض، برای استفاده بیشتر از منابع موجود، چندین تراشه را در خوشه‌ها جمع می‌کنید. این خوشه ها اغلب بخشی از شبکه های بزرگتر را تشکیل می دهند که هر کدام برای وظایف خاصی طراحی شده اند.

بر این اساس، اتصال متقابل یا سیستمی که ارتباط بین تراشه‌ها، خوشه‌ها و شبکه‌ها را تسهیل می‌کند، به یک جزء حیاتی تبدیل می‌شود. تا زمانی که نتواند با سرعت بقیه سیستم همگام شود، این خطر را دارد که گلوگاهی باشد که مانع عملکرد شود.

چالش‌های دستگاه‌های انتقال داده مشابه چالش‌های تراشه‌ها است: آنها باید با سرعت بالا کار کنند، حداقل انرژی مصرف کنند و فضای فیزیکی کمتری را اشغال کنند. با توجه به اینکه اتصالات الکتریکی سنتی به سرعت به محدودیت‌های خود از نظر پهنای باند و بهره‌وری انرژی می‌رسند، همه نگاه‌ها به محاسبات نوری و به ویژه فوتونیک سیلیکون معطوف شده است.

برخلاف سیستم‌های الکتریکی، سیستم‌های نوری از نور برای انتقال اطلاعات استفاده می‌کنند و مزایای کلیدی را در مناطقی که مهم هستند فراهم می‌کنند – سیگنال‌های فوتونی می‌توانند با سرعت نور حرکت کنند و چگالی بالاتری از داده‌ها را حمل کنند. بعلاوه، سیستم‌های نوری انرژی کمتری مصرف می‌کنند و اجزای فوتونیک می‌توانند بسیار کوچک‌تر از همتایان الکتریکی خود باشند که امکان طراحی تراشه‌های فشرده‌تر را فراهم می‌کند.

واژه‌های کاربردی در اینجا «می‌شود» هستند.

دردهای روزافزون فناوری های پیشرفته

محاسبات نوری، در حالی که بسیار سریع و کم مصرف است، در حال حاضر با چالش هایی در کوچک سازی، سازگاری و هزینه مواجه است.

سوئیچ‌های نوری و سایر اجزا می‌توانند حجیم‌تر و پیچیده‌تر از همتایان الکترونیکی خود باشند که منجر به چالش‌هایی در دستیابی به همان سطح کوچک‌سازی می‌شود. در حال حاضر، ما هنوز موادی را پیدا نکرده ایم که می توانند هم به عنوان یک رسانه نوری موثر عمل کنند و هم برای برنامه های محاسباتی با چگالی بالا مقیاس پذیر باشند.

فرزندخواندگی نیز یک نبرد دشوار خواهد بود. مراکز داده عموماً برای پردازش الکترونیکی و نه فوتونیک بهینه شده اند و ادغام اجزای نوری با معماری های الکترونیکی موجود چالش بزرگی است.

به علاوه، درست مانند هر فناوری پیشرفته، محاسبات نوری هنوز خود را در این زمینه ثابت نکرده است. فقدان اساسی تحقیق در مورد قابلیت اطمینان بلندمدت اجزای نوری، به ویژه در شرایط پر بار و استرس بالا معمولی در محیط های مرکز داده وجود دارد.

و برای تکمیل همه چیز – مواد تخصصی مورد نیاز در اجزای نوری گران هستند، و استفاده گسترده را به طور بالقوه مقرون به صرفه می کند، به ویژه برای مراکز داده کوچکتر یا آنهایی که محدودیت های بودجه دارند.

بنابراین، آیا به اندازه کافی سریع حرکت می کنیم تا از بحران جلوگیری کنیم؟

احتمالا نه. قطعا ساخت مراکز داده در کوتاه مدت متوقف نمی شود.

اگر تسلی است، بدانید که دانشمندان و مهندسان از این مشکل بسیار آگاه هستند و سخت تلاش می کنند تا راه حل هایی بیابند که سیاره را با فشار مداوم مرزها و ایجاد پیشرفت های چشمگیر در بهینه سازی مرکز داده، طراحی تراشه و تمام جنبه های آن، از بین نبرد. محاسبات نوری

تیم من به تنهایی سه رکورد جهانی را در نرخ نماد برای اتصالات مرکز داده با استفاده از مدولاسیون شدت و رویکرد تشخیص مستقیم شکسته است.

اما چالش‌های جدی وجود دارد، و پرداختن به آن‌ها برای فن‌آوری‌های مدرن برای تحقق پتانسیل کامل آنها ضروری است.

پروفسور Oskars Ozoliņš مدرک دکتری خود را دریافت کرد. مدرک ارتباطات نوری از دانشگاه فنی ریگا (لتونی) در سال ۲۰۱۳ و مدرک توانبخشی در فیزیک با تخصص در ارتباطات نوری از موسسه فناوری سلطنتی KTH در سال ۲۰۲۱ دریافت کرد. او نویسنده حدود ۲۷۰ نشریه بین المللی در مجلات بین المللی، مشارکت در کنفرانس، دعوت شده است. سخنرانی ها/آموزش ها/نکات اصلی/سخنرانی ها، ثبت اختراعات، و فصل های کتاب. می توانید او را در لینکدین دنبال کنید اینجا.