رنسانسِ سیلیکون، غول‌های صنعت را به وجود خواهد آورد

هر بار که ما به Netflix سر می زنیم یا یک درب جدید متصل به اینترنت را به خانه خود نصب کنید ، ما به موج موجی از داده ها اضافه می کنیم. فقط در ۱۰ سال قبل، مصرف پهنای باند ۱۰۰ برابر افزایش یافته است ، و تنها با افزایش تقاضاهای هوش مصنوعی ، واقعیت مجازی ، روباتیک و اتومبیل های خودران رشد می کند. طبق گفته اینتلیک ماشین روبو تنها در ۹۰ دقیقه رانندگی ۴ ترابایت داده تولید می کند . این بیش از ۳ میلیارد برابر میزان داده هایی است که افراد از چت ، تماشای فیلم و مشغول سرگرمی های اینترنتی دیگر در مدت مشابه استفاده می کنند.

شرکت های فنی با ایجاد مراکز داده عظیم و پر از سرور واکنش نشان داده اند. اما رشد مصرف داده حتی از جاه طلبانه ترین زیر ساخت های خارج از کشور فراتر می رود. نتیجه نهایی: ما با تکیه بر همان فناوری که ما را به اینجا رسانده است ، قصد نداریم تقاضای فزاینده برای پردازش داده ها را برآورده کنیم.

نکته مهم در پردازش داده ها ، البته نیمه هادی ها ، تراشه های پر از ترانزیستور است که قدرت صنعت محاسبات امروزی را دارد. طی چند دهه گذشته ، مهندسان توانسته اند ترانزیستورهای بیشتر و بیشتری را روی ویفرهای سیلیکون کوچکتر و کوچکتر ببندند – یک تراشه Intel امروزه بیش از ۱ میلیارد ترانزیستور را روی یک قطعه سیلیکون به اندازه میلی متر فشار می دهد.

این روند معمولاً به عنوان قانون مور شناخته می شود ، برای بنیان‌گذار اینتل، گوردون مور و اشخاص مشهور او در سال ۱۹۶۵ مبنی بر اینکه تعداد ترانزیستورهای موجود بر روی یک تراشه هر سال دو برابر می شود (بعداً در هر دو سال مورد تجدید نظر قرار می گیرد) ، در نتیجه سرعت و توانایی رایانه ها را دو چندان می کند.

این رشد نمایی قدرت در تراشه های همیشه کوچکتر، به طور قابل اعتماد تکنولوژی ما را برای ۵۰ سال گذشته سوق داده است. اما قانون مور به دلیل قانونی حتی تغییر ناپذیر: فیزیک مادی به پایان می رسد . به سادگی نمی توان ترانزیستورهای بیشتری را روی ویفرهای سیلیکونی ریز که پردازنده های امروزی را تشکیل می دهند ، فشار داد.

مسئله جالب توجه اینکه معماری تراشه‌های عمومی برای استفاده‌های گسترده امروز، معروف به x86 ، که ما را به این مرحله رسانده است ، برای محاسبات برنامه های کاربردی که اکنون محبوب شده‌اند، بهینه نیست.

این بدان معناست که ما به یک معماری محاسباتی جدید احتیاج داریم. یا به احتمال زیاد چندین معماری جدید رایانه ای. در حقیقت ، پیش بینی می کنم که طی چند سال آینده شاهد شکوفایی معماری ها و طرح های جدید سیلیکونی خواهیم بود که برای عملکردهای تخصصی از جمله شدت داده ها ، نیازهای عملکردی هوش مصنوعی و یادگیری ماشینی و نیاز کم مصرف ساخته شده و بهینه شده اند. دستگاههای محاسباتی لبه

معماران جدید

ما در حال حاضر ریشه های این معماری های تازه تخصصی را در چندین جبهه مشاهده می کنیم. اینها شامل واحدهای پردازش گرافیکی از Nvidia ، آرایه های دروازه قابل برنامه ریزی درست از Xilinx استو Altera (خریداری شده توسط اینتل) ، کارت های رابط شبکه هوشمند از Mellanox (خریداری شده توسط انویدیا) و دسته جدیدی از پردازنده های قابل برنامه ریزی به نام یک واحد پردازش داده ها (DPU) از Fungible ، یک استارت آپ Mayfield که در آن سرمایه گذاری شده است. کلیه حجم های کار با داده های فشرده (شبکه ، امنیت ، ذخیره سازی) و Fungible آن را با یک پلت فرم کامل برای مراکز داده ابری که در کنار CPU اسب کار قدیمی کار می کند ، ترکیب می کند.

این سیلیکون و سایر اهداف طراحی شده به موتورهای یک یا چند برنامه خاص برای بار کاری تبدیل می شوند – همه چیز از امنیت گرفته تا درب های هوشمند تا اتومبیل های بدون راننده تا مراکز داده. و بازیکنان جدیدی در بازار حضور خواهند داشت تا این نوآوری ها و فرزندخواندها را هدایت کنند. در حقیقت ، طی ۵ سال آینده ، من معتقدم با بزرگ شدن این خدمات و عملکرد آنها بسیار مهم تر رهبران نیمه هادی جدید ظاهر می شوند.

بیایید با خانه های محاسباتی در سن فزاینده ای متصل شویم: مراکز داده.

بیشتر و بیشتر ، ذخیره سازی و محاسبات در لبه انجام می شود. یعنی نزدیکتر به جایی که دستگاههای ما به آنها نیاز دارند. این موارد شامل مواردی مانند نرم افزار تشخیص چهره در دنده های درب ما یا بازی های درون ابری است که در عینک های VR ما ارائه می شود. محاسبات Edge اجازه می دهد تا این و سایر فرآیندها در طی ۱۰ میلی ثانیه  یا کمتر اتفاق بیفتند ، که این باعث می شود آنها برای کاربران نهایی کار بیشتری کنند.

با محاسبات فعلی معماری CPU x86 بکارگیری خدمات داده در مقیاس یا در حجم بیشتر می تواند یک چالش باشد. اتومبیل‌های بدون راننده به چابکی و سرعت در سطح دنده مرکز نیاز دارند. هنگامی که یک عابر پیاده در حال عبور و مرور است، شما نمی‌خواهید ماشین بافر کنید. با توجه به اینکه زیرساخت های کاری ما – و نیازهای چیزهایی مانند اتومبیل های بدون راننده – محورتر از داده ها (ذخیره ، بازیابی و جابجایی مجموعه های بزرگ داده در دستگاه ها) است ، به نوع جدیدی از ریز پردازنده نیاز دارد.

یکی دیگر از زمینه هایی که به معماری پردازش جدید احتیاج دارد ، هوش مصنوعی است ، هم در آموزش هوش مصنوعی و هم در هنگام استنتاج (فرایندی که AI برای استنباط چیزها در مورد داده ها به کار می برد ، مانند یک درگاه هوشمند که تفاوت بین یک قانون گذار و یک متجاوز را تشخیص می دهد). واحدهای پردازش گرافیکی (GPU) که ​​در ابتدا برای مدیریت بازی توسعه یافته بودند ، در آموزش و استنباط هوش مصنوعی سریعتر و کارآمدتر از CPU های سنتی ثابت کرده اند.

اما برای پردازش بارهای کاری هوش مصنوعی (هم آموزش و هم نتیجه گیری) ، برای طبقه بندی تصویر ، تشخیص اشیاء ، تشخیص چهره و ماشین های بدون راننده ، به پردازنده های تخصصی هوش مصنوعی احتیاج داریم. ریاضی مورد نیاز برای اجرای این الگوریتم ها نیاز به پردازش بردار و محاسبات نقطه شناور در عملکرد چشمگیر بالاتر از پردازنده های هدف کلی دارد.

چندین راه اندازی روی چیپ های مخصوص AI کار می کنند ، از جمله آزمایشگاه های SambaNova ، Graphcore و Habana. این شرکت ها تراشه های جدید هوش مصنوعی مخصوص هوش دستگاه ساخته اند. آنها هزینه تسریع در برنامه های AI را کاهش می دهند و عملکرد را به طرز چشمگیری افزایش می دهند. به راحتی ، آنها همچنین یک بستر نرم افزاری را برای استفاده با سخت افزار خود فراهم می کنند. البته ، بازیکنان بزرگ هوش مصنوعی گوگل را دوست دارند(با تراشه های واحد پردازش Tensor پردازش سفارشی ) و Amazon (که  یک تراشه هوش مصنوعی را  برای بلندگوهای هوشمند Echo خود ایجاد کرده است) نیز معماری های خاص خود را ایجاد می کنند.

سرانجام ، ما گسترش وسایل متصل ، معروف به اینترنت اشیاء (IoT) نیز داریم. بسیاری از ابزارهای شخصی و خانگی ما (مانند ترموستات ، آشکارساز دود ، مسواک و توستر) با قدرت فوق العاده کم کار می کنند.

پردازنده ARM که از خانواده CPU است ، وظیفه این نقش ها را برعهده خواهد گرفت. این امر به این دلیل است که اسباب بازی ها نیازی به پیچیدگی محاسباتی یا قدرت زیادی ندارند. معماری ARM برای آنها کاملاً طراحی شده است. این ساخته شده است تا تعداد کمتری از دستورالعمل های محاسبات را کنترل کنید ، می توانید با سرعت های بالاتر کار کنید (با سر و صدا کردن میلیون ها دستورالعمل در هر ثانیه) و این کار را با کسری از قدرت مورد نیاز برای انجام دستورالعملهای پیچیده انجام دهید. من حتی پیش بینی می کنم که ریزپردازنده های سرور مبتنی بر ARM سرانجام در مراکز داده ابری به واقعیت تبدیل می شوند.

بنابراین با تمام کارهای جدیدی که در سیلیکون انجام می شود ، به نظر می رسد که ما در نهایت به ریشه های اصلی خود باز می گردیم. من از کارآفرینانی که در حال بازگرداندن سیلیکون هستند در Silicon Valley استفاده می کنم. و پیش بینی می کنم آنها غول های نیمه هادی جدید ایجاد می کنند.

منصوره خلیلی

با صفر و یک‌ها زندگی می‌کنیم...

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *