NPU چیست؟ اینجاست که چرا همه به طور ناگهانی در مورد آنها صحبت می کنند

عصر هوش مصنوعی در راه است. با ادامه پیشرفت هوش مصنوعی مولد، شرکت هایی مانند اینتل، AMD و کوالکام نیز در مورد جنبه سخت افزاری معادله صحبت می کنند. با معرفی NPU که مخفف واحد پردازش عصبی است، فرآیندهایی که از هوش مصنوعی استفاده می کنند – حداقل در تئوری – سرعت بیشتری خواهند گرفت.

فهرست

NPU چیست؟
NPU در مقابل GPU در مقابل CPU: درک تفاوت ها
GPNPU: ادغام GPU و NPU
الگوریتم های یادگیری ماشین و NPU
آینده NPU ها

اپل سال‌هاست که از NPU در تراشه‌های خود استفاده می‌کند، بنابراین آنها کاملاً جدید نیستند. و با این حال، به عنوان “چیز بزرگ بعدی” در صنایع مختلف اعلام می شود، آنها بیش از همیشه مهم هستند.

NPU چیست؟

در هسته خود، یک NPU یک پردازنده تخصصی است که به صراحت برای اجرای الگوریتم های یادگیری ماشین طراحی شده است. بر خلاف سنتی CPU ها و پردازنده های گرافیکیNPU ها برای انجام محاسبات پیچیده ریاضی که در شبکه های عصبی مصنوعی یکپارچه هستند بهینه شده اند.

آنها در پردازش حجم وسیعی از داده ها به صورت موازی عالی هستند و آنها را برای کارهایی مانند تشخیص تصویر، پردازش زبان طبیعی و سایر عملکردهای مرتبط با هوش مصنوعی ایده آل می کند. به عنوان مثال، اگر قرار بود یک NPU در داخل یک GPU داشته باشید، NPU ممکن است مسئول یک کار خاص مانند تشخیص شی یا شتاب تصویر باشد.

NPU در مقابل GPU در مقابل CPU: درک تفاوت ها

در حالی که GPU ها (واحدهای پردازش گرافیکی) در پردازش موازی مهارت دارند و اغلب در یادگیری ماشینی استفاده می شوند، NPU ها تخصصی شدن را یک قدم فراتر می گذارند. پردازنده‌های گرافیکی همه‌کاره هستند و در انجام رندر گرافیکی و وظایف موازی عالی هستند، در حالی که پردازنده‌ها (واحد پردازش مرکزی) مغز همه منظوره یک رایانه هستند و طیف وسیعی از وظایف را انجام می‌دهند.

با این حال، NPU ها برای سرعت بخشیدن به الگوریتم های یادگیری عمیق ساخته شده اند. آنها برای اجرای عملیات خاص مورد نیاز برای شبکه های عصبی طراحی شده اند. این درجه از تخصص به NPUها اجازه می دهد تا عملکرد بسیار بالاتری را برای بارهای کاری هوش مصنوعی در مقایسه با CPUها و حتی GPUها در سناریوهای خاص ارائه دهند.

GPNPU: ادغام GPU و NPU

مفهوم GPNPU (هیبرید GPU-NPU) با هدف ترکیب نقاط قوت GPU و NPU ظاهر شده است. GPNPU ها از قابلیت های پردازش موازی GPU ها بهره می برند و در عین حال معماری NPU را برای تسریع وظایف مبتنی بر هوش مصنوعی یکپارچه می کنند. هدف این ترکیب ایجاد تعادل بین تطبیق پذیری و پردازش تخصصی هوش مصنوعی است که نیازهای محاسباتی متنوع را در یک تراشه تامین می کند.

الگوریتم های یادگیری ماشین و NPU

الگوریتم های یادگیری ماشینی ستون فقرات را تشکیل می دهند برنامه های کاربردی هوش مصنوعی. در حالی که اغلب با هوش مصنوعی اشتباه گرفته می شود، یادگیری ماشینی را می توان به عنوان نوعی هوش مصنوعی در نظر گرفت. این الگوریتم‌ها از الگوهای داده‌ها، پیش‌بینی‌ها و تصمیم‌گیری‌ها بدون برنامه‌نویسی صریح یاد می‌گیرند. چهار نوع الگوریتم یادگیری ماشین وجود دارد: تحت نظارت، نیمه نظارتی، بدون نظارت و تقویتی.

NPU ها نقش محوری در اجرای کارآمد این الگوریتم ها ایفا می کنند، وظایفی مانند آموزش و استنتاج را انجام می دهند، جایی که مجموعه داده های وسیعی برای اصلاح مدل ها و پیش بینی های بلادرنگ پردازش می شوند.

آینده NPU ها

در سال ۲۰۲۴ شاهد ظهور NPU ها در همه جا هستیم تراشه های Meteor Lake اینتل برجسته ترین بودن در مورد اینکه آنها در آینده چقدر معامله بزرگی خواهند داشت، هنوز مشخص نیست. در تئوری، قابلیت‌های تقویت‌شده هوش مصنوعی منجر به برنامه‌های پیچیده‌تر و اتوماسیون بهبود یافته می‌شود و در دامنه‌های مختلف قابل دسترس‌تر می‌شود.

از آنجا، تقاضا برای برنامه های کاربردی مبتنی بر هوش مصنوعی باید همچنان افزایش یابد و NPU ها در خط مقدم قرار گیرند. معماری تخصصی آنها، بهینه سازی شده برای وظایف یادگیری ماشین، به NPU ها اجازه می دهد تا در دنیای محاسبات پیشرفت کنند. ادغام GPNPU ها و پیشرفت در الگوریتم های یادگیری ماشینی بدون شک باعث پیشرفت هایی می شود که قبلاً ندیده ایم و به پیشرفت فناوری و تغییر شکل چشم انداز دیجیتال ما کمک می کند.

در حال حاضر، NPU ها ممکن است برای اکثر مردم کار بزرگی به نظر نرسند، فقط کارهایی را که از قبل می توانید در رایانه شخصی خود انجام دهید، مانند محو کردن پس زمینه در تماس زوم یا تولید تصویر با هوش مصنوعی به صورت محلی در دستگاه خود، سرعت می بخشند. با این حال، در آینده، همانطور که ویژگی‌های هوش مصنوعی به برنامه‌های کاربردی بیشتر و بیشتری می‌رسند، ممکن است به بخشی اساسی از رایانه شخصی شما تبدیل شوند.