دانشمندان می گویند که یک گلوگاه بزرگ در هوش مصنوعی شکسته اند – اکنون آنها می توانند محاسبات را “با سرعت نور” پردازش کنند.


دانشمندان یک معماری بنیادی برای محاسبات نوری نسل بعدی ایجاد کرده اند – با استفاده از نور به جای الکتریسیته برای تامین انرژی تراشه ها – که می تواند چگونگی را متحول کند. هوش مصنوعی مدل های (AI) آموزش دیده و اجرا می شوند.
در قلب مدلهای زبانی بزرگ (LLM) و مدلهایی که مبتنی بر یادگیری عمیق هستند، ساختار سازمانی سنگینی به نام «تنسور» وجود دارد که مانند یک کابینت بایگانی با یادداشتهای چسبنده که نشان میدهد بیشتر از کدام کشوها استفاده میشود، کار میکند.
هنگامی که یک مدل هوش مصنوعی برای انجام یک کار یا عملکرد، مانند تشخیص یک تصویر یا پیشبینی یک رشته متن، آموزش داده میشود، دادهها را در این تانسورها مرتب میکند. در سیستمهای هوش مصنوعی مدرن، سرعتی که مدلها میتوانند دادههای تانسور را پردازش کنند – یا دستهبندی از طریق کتابخانههای کارتی – یک گلوگاه عملکردی اساسی است، یک محدودیت سخت برای اینکه یک مدل چقدر میتواند بزرگ شود.
در محاسبات مبتنی بر نور معمولی، مدلها تانسورها را با شلیک مکرر آرایههای لیزری تحلیل میکنند. آنها مانند ماشینی عمل می کنند که بارکد بسته را برای تعیین محتویات آن اسکن می کند، با این تفاوت که در این مورد، هر ظرف به یک مسئله ریاضی اشاره می کند. مقدار توان پردازشی مورد نیاز برای پردازش این اعداد با قابلیتهای ذاتی مدلها مقیاس میشود.
اگرچه محاسبات مبتنی بر نور در مقیاسهای کوچکتر سریعتر و کارآمدتر از انرژی است، اکثر سیستمهای نوری نمیتوانند به صورت موازی کار کنند. بر خلاف واحدهای پردازش گرافیکی (GPU) که میتوانند برای افزایش تصاعدی مقدار و در دسترس بودن قدرت پردازش به یکدیگر زنجیر شوند، سیستمهای مبتنی بر نور معمولاً به صورت خطی عمل میکنند. به همین دلیل، اکثر توسعه دهندگان محاسبات نوری را نادیده می گیرند و به نفع مزایای پردازش موازی افزایش توان در مقیاس هستند.
این مشکل مقیاسبندی به همین دلیل است که قدرتمندترین مدلهای ساخته شده توسط OpenAI، Anthropic، Google و xAI برای آموزش و اجرا به هزاران GPU نیاز دارند که پشت سر هم کار کنند.
اما یک معماری جدید به نام ضرب ماتریس-ماتریس نوری موازی (POMMM) ممکن است مشکل عقب نگه داشتن محاسبات نوری را معکوس کند. برخلاف روش های نوری قبلی، چندین عملیات تانسور را به طور همزمان با استفاده از یک انفجار لیزر انجام می دهد.
نتیجه یک طراحی پایه سختافزاری هوش مصنوعی با پتانسیل افزایش سرعت پردازش تانسور یک سیستم هوش مصنوعی خاص فراتر از پیشرفتهترین قابلیتهای سختافزار الکترونیکی و در عین حال کاهش ردپای انرژی آن است.
سخت افزار محاسبات نوری و هوش مصنوعی نسل بعدی
این مطالعه در 14 نوامبر در مجله منتشر شد فوتونیک طبیعتنتایج یک نمونه اولیه محاسبات نوری آزمایشی به همراه یک سری آزمایشات معیار در برابر طرحهای پردازش نوری و GPU استاندارد را شرح میدهد.
دانشمندان از چیدمان خاصی از اجزای سخت افزاری نوری معمولی به همراه یک روش رمزگذاری و پردازش جدید برای گرفتن و تجزیه و تحلیل بسته های تانسور در یک شات لیزری استفاده کردند.
آنها موفق می شوند داده های دیجیتال را در دامنه و فاز امواج نور رمزگذاری کنند و داده ها را به خواص فیزیکی در میدان نوری تبدیل کنند – این امواج نور برای انجام عملیات ریاضی مانند ضرب ماتریس یا تانسور ترکیب می شوند.
این عملیات نوری در این پارادایم به هیچ قدرت پردازشی اضافی نیاز ندارند زیرا با انتشار نور به صورت غیرفعال رخ می دهند. این امر نیاز به کنترل یا سوئیچینگ در حین پردازش و همچنین توان لازم برای انجام این عملکردها را از بین می برد.
ژیپی سان، سرپرست گروه فوتونیک دانشگاه آلتو، نویسنده اصلی این مطالعه، گفت: «این رویکرد را می توان تقریباً برای هر پلت فرم نوری اعمال کرد. بیانیه. در آینده، ما قصد داریم این چارچوب محاسباتی را مستقیماً در تراشههای فوتونیک ادغام کنیم و پردازندههای مبتنی بر نور را قادر میسازند تا وظایف پیچیده هوش مصنوعی را با مصرف انرژی بسیار کم انجام دهند.»
ژانگ تخمین میزند که این رویکرد میتواند طی سه تا پنج سال در پلتفرمهای اصلی هوش مصنوعی ادغام شود.
شتاب دهنده هوش مصنوعی
نمایندگان آن را گامی به سوی نسل بعدی هوش مصنوعی عمومی (AGI) توصیف کردند – یک سیستم هوش مصنوعی آینده فرضی که هوشمندتر از انسان است و میتواند بدون توجه به دادههای آموزشی آن، به طور کلی در چندین رشته بیاموزد.
ژانگ در این بیانیه افزود: «این نسل جدیدی از سیستمهای محاسباتی نوری را ایجاد میکند و وظایف پیچیده هوش مصنوعی را در زمینههای بیشماری تسریع میبخشد.»
در حالی که خود مقاله به طور خاص به AGI اشاره نمی کند، چندین بار به محاسبات همه منظوره اشاره می کند.
این ایده که مقیاسبندی تکنیکهای توسعه هوش مصنوعی فعلی مسیری مناسب برای دستیابی به AGI است، در میان بخشهای خاصی از جامعه علوم رایانه بسیار گسترده است که میتوانید تیشرتهایی بخرید که اعلام میکنند:مقیاس بندی تنها چیزی است که شما نیاز دارید“
دانشمندان دیگر، مانند دانشمند ارشد هوش مصنوعی متا جان لکونمخالف هستند، و می گویند که LLM ها – معماری استاندارد طلایی فعلی هوش مصنوعی – هرگز به وضعیت AGI نخواهند رسید، مهم نیست که چقدر بزرگ و عمیق مقیاس شوند.
با استفاده از POMMM، دانشمندان میگویند که ممکن است قطعه مهمی از پازل سختافزاری مورد نیاز برای حذف یکی از بزرگترین گلوگاهها در این زمینه را داشته باشند که به توسعهدهندگان اجازه میدهد تا بسیار فراتر از محدودیتهای اساسی پارادایم فعلی مقیاس شوند.




