برترین متخصصین

از سراسر دنیا

مجموعه وبینارهای مدل‌های بزرگ زبانی (LLM)

Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش خبری
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
گزارش
مصاحبه
 آیا ۲۰۲۴ پایان قانون مور را رقم می‌زند؟

آیا ۲۰۲۴ پایان قانون مور را رقم می‌زند؟

زمان مطالعه: 5 دقیقه

قانون مور که مفهوم در حوزه محاسبات است، توسط «گوردون مور»، بنیان‌گذار اینتل، مطرح شد. بر اساس این قانون، تعداد ترانزیستورها در یک دستگاه تقریباً هر دو سال دو برابر می‌شود و به همین ترتیب عملکرد دستگاه افزایش می‌یابد. این ایده برای سال‌ها محرک اصلی صنعت نیمه‌هادی بوده است.

در دنیای پرشتاب فناوری، ایده‌های کمی به اندازه قانون مور تأثیرگذار بوده‌اند. این اصل که نخستین بار در سال ۱۹۶۵ مطرح شد، پیش‌بینی می‌کرد تعداد ترانزیستورها روی یک ریزتراشه تقریباً هر دو سال دو برابر شود و این افزایش به پیشرفت‌های سریع در قدرت محاسباتی منجر شود. با این حال، مشاهده شده که تعداد ترانزیستورها نه تنها از قانون مور پیروی کرده، بلکه در بسیاری موارد حتی از پیش‌بینی‌های آن نیز فراتر رفته است.

عرضه پردازنده گرافیکی Blackwell توسط NVIDIA

مدیرعامل NVIDIA، «جنسن هوانگ»، در کنفرانس GTC2024 این شرکت، از پردازنده گرافیکی نسل بعدی خود به نام Blackwell رونمایی کرد و به این ترتیب پایان دوره قانون مور را اعلام کرد.

معماری این پردازنده گرافیکی شامل ۲۰۸ میلیارد ترانزیستور است و قادر است مدل‌های هوش مصنوعی با میلیارد‌ها پارامتر را ۳۰ برابر سریع‌تر از فناوری‌های قبلی پردازش کند. این پیشرفت سوالاتی را مطرح می‌کند که آیا NVIDIA توانسته است محدودیت‌های قانون مور را پشت سر بگذارد و در زمانی کوتاه‌تر از حد انتظار، افزایش نمایی در سرعت محاسباتی ایجاد کند؟

«جنسن هوانگ» با اشاره به تکامل سریع قدرت محاسباتی، تأکید کرد که NVIDIA طی هشت سال گذشته توانسته است ظرفیت محاسباتی خود را هزار برابر افزایش دهد، دستاوردی که از معیارهای سنتی در اوج «قانون مور» فراتر رفته است. با این حال، او ابراز تأسف کرد که باوجود این پیشرفت فوق‌العاده، نیازهای روزافزون صنعت همچنان برآورده نشده باقی مانده‌اند.

در همین حال، اینتل همچنان به قانون مور پایبند مانده و سرمایه‌گذاری‌های سنگینی در پیشرفت مقیاس‌بندی ترانزیستورها انجام می‌دهد. در مقابل، جنسن هوانگ قانون مور را مرده اعلام کرد و از ظهور چیزی که آن را «ابر قانون مور» می‌نامد، به‌عنوان آینده یاد کرد.

«درو دومینگو» تحلیلگر برجسته در توئیتی با لحنی طنز، این سؤال را مطرح می‌کند که در این بحث حق با کدام شرکت است؟ همچنین به کنایه اشاره می‌کند که ارزش بازار هر شرکت می‌تواند پاسخ این سؤال را بدهد.

حرکت به سمت استراتژی «فراتر از قانون مور»

در سال ۲۰۱۶، نقشه راه بین‌المللی فناوری نیمه‌هادی‌ها (ITRS) از تمرکز صرف بر قانون مور به استراتژی «فراتر از قانون مور» تغییر جهت داد. این تغییر ناشی از این درک بود که پیشرفت‌های فناوری نیمه‌هادی باید به‌جای کوچک‌تر کردن ابعاد ترانزیستورها، بر نوآوری‌های کاربردی متمرکز شوند. این تغییر استراتژی نشان‌دهنده پذیرش محدودیت‌های روش‌های سنتی مقیاس‌بندی بود.

تحول سخت‌افزار و نرم‌افزار با SambaNova

نیازهای روزافزون هوش مصنوعی، سخت‌افزار و نرم‌افزارهای سنتی را به مرزهای توانایی خود رسانده است. این دقیقاً همان چالشی است که استارتاپ SambaNova Systems با معماری «جریان داده بازپیکربندی شونده» (RDA) خود به دنبال حل آن است. این معماری، روش‌های جدیدی برای آزادسازی هوش مصنوعی از محدودیت‌های سخت‌افزار و نرم‌افزارهای سنتی ارائه می‌دهد.

چالش اصلی در میزان قدرت محاسباتی است که برای ساخت و آموزش مدل‌های پیشرفته‌تر نیاز است. مدل‌ها هر روز بزرگ‌تر می‌شوند و برای برخی کاربردها، حجم داده‌هایی که برای آموزش آن‌ها لازم است نیز در حال افزایش است. طبق گفته مارشال چوی معاون محصول SambaNova، این مسئله ناشی از کند شدن پیشرفت‌های عملکردی در نسل‌های متوالی چیپ‌های پردازنده است، روندی که برخی آن را پایان قانون مور می‌دانند.

ادعای AMD درباره قانون مور

«مارک پاپرماستر» مدیر ارشد فناوری AMD معتقد است که قانون مور برای شش تا هشت سال دیگر همچنان معتبر خواهد بود. این دیدگاه تفاوت زیادی با نظر سایر رهبران صنعت از جمله جنسن هوانگ دارد. در واقع هوانگ قانون مور را مرده اعلام کرده است.

پاپرماستر اذعان کرد که اگرچه ممکن است روند دو برابر شدن تراکم ترانزیستورها هر ۱۸ تا ۲۴ ماه تحت محدودیت‌های هزینه‌ای مشابه ادامه نیابد، اما AMD پیش‌بینی می‌کند که پیشرفت‌هایی در فناوری ترانزیستورها رخ خواهد داد که به بهبود عملکرد در آینده نزدیک کمک خواهد کرد.

بر اساس گفته‌های مدیر ارشد فناوری AMD، این شرکت معتقد است که قانون مور برای شش تا هشت سال دیگر همچنان معتبر خواهد بود، اگرچه اذعان دارد که روند دو برابر شدن تراکم ترانزیستورها هر ۱۸ تا ۲۴ ماه، ممکن است تحت همان محدودیت‌های هزینه‌ای ادامه نیابد.

AMD در حال تغییر تمرکز روی معماری چیپلت است که پاپرماستر آن را به‌عنوان معادل قانون مور توصیف می‌کند.

پذیرش محدودیت‌های قانون مور توسط اینتل

اینتل به طور علنی چالش‌های ناشی از محدودیت‌های فیزیکی را که با نزدیک شدن ترانزیستورها به مقیاس‌های اتمی ایجاد می‌شود، پذیرفته است. این شرکت اعلام کرده است که هرچند همچنان به نوآوری ادامه می‌دهد، اما دو برابر شدن تعداد ترانزیستورها به طور سنتی دیگر هدفی قابل تحقق نیست. در واقع این موضوع نشان‌دهنده تغییر رویکرد گسترده‌تر صنعت به سمت دوری از پیروی دقیق از قانون مور است.

پیش از این، اینتل با تأخیرهای قابل توجهی در عرضه چیپ‌های ۱۰ نانومتری و ۷ نانومتری خود مواجه شد که همین امر نگرانی‌هایی در مورد توانایی آن در حفظ سرعت پیشرفت طبق قانون مور ایجاد کرد. این شرکت اذعان کرده است که «هرچند زمانی در نوآوری نیمه‌هادی‌ها پیشرو بود، اما اکنون با واقعیت‌های محدودیت فیزیکی و افزایش هزینه‌های تولید دست و پنجه نرم می‌کند.»

با وجود وعده‌های اولیه، اینتل با تأخیرهای زیادی در عرضه چیپ‌های خود روبرو شد که نگرانی‌هایی درباره توانایی آن در رقابت با شرکت‌هایی مانند نیمه‌هادی تایوان (TSMC) و سامسونگ به وجود آورد. این کندی در پیشرفت، نشان‌دهنده روندی کلی در صنعت است که در آن پیشرفت‌های مورد انتظار در فناوری چیپ به اندازه‌ای که پیش‌بینی می‌شد، سریع اتفاق نمی‌افتد. در واقع این موضوع باعث به چالش کشیده‌شدن قابلیت عملی بودن قانون مور می‌شود.

تغییر جهت Lightmatter به سمت محاسبات فوتونیک

شرکت Lightmatter در حال توسعه فناوری‌های محاسبات فوتونیک است که هدف آن‌ها مقابله با محدودیت‌های چیپ‌های سنتی مبتنی بر سیلیکون است. با افزایش تقاضا برای قدرت پردازش هوش مصنوعی، رویکرد Lightmatter نشان‌دهنده تغییر از کوچک‌تر کردن ترانزیستورها به سوی مفاهیم جدید محاسباتی است. این تغییر تأکیدی است بر چالش‌هایی که فناوری‌های نیمه‌هادی سنتی در پاسخ به نیازهای محاسباتی مدرن با آن روبه‌رو هستند و این‌که ممکن است قانون مور دیگر به‌عنوان چارچوبی برای پیشرفت‌های آینده در محاسبات کارآمد نباشد.

ظهور مدل‌های جدید محاسباتی

صنعت نیمه‌هادی در حال بررسی روش‌های جدید محاسباتی مانند محاسبات کوانتومی و فوتونیک است. این رویکردها به دنبال غلبه بر محدودیت‌های کوچک‌سازی ترانزیستورها هستند و از روش‌های سنتی که قانون مور بر اساس آن شکل گرفته، فاصله می‌گیرند. یکی از مثال‌های برجسته این روش‌های جدید، محاسبات کوانتومی است.

محاسبات کوانتومی از اصول مکانیک کوانتومی مانند برهم‌نهی و درهم‌تنیدگی برای انجام محاسباتی استفاده می‌کند که از توانایی‌های رایانه‌های کلاسیک فراتر می‌روند. یکی از اجزای کلیدی در محاسبات کوانتومی، نقطه کوانتومی است که به‌عنوان کیوبیت، واحد بنیادی اطلاعات کوانتومی عمل می‌کند.

تحقیقات نشان داده‌اند که نقاط کوانتومی می‌توانند محاسبات کوانتومی را با دقت بالا انجام دهند که این امر آن‌ها را برای ادغام در مدارهای الکترونیکی مقیاس نانو مناسب می‌کند. پتانسیل رایانه‌های کوانتومی در توانایی آن‌ها برای حل مسائل پیچیده به‌مراتب سریع‌تر از سیستم‌های کلاسیک نهفته است، هرچند که چالش‌های فنی قابل توجهی همچنان وجود دارد که باید پیش از پذیرش گسترده آن‌ها حل شوند.

چالش Cerebras در برابر قانون مور

شرکت Cerebras با رویکرد نوآورانه خود در طراحی چیپ‌ها و پردازش توانایی‌های هوش مصنوعی، گام‌های بزرگی در چالش کشیدن قانون مور برداشته است.

Cerebras با توسعه موتور مقیاس ویفر (WSE)، چیپی طراحی کرده که قادر است تا 900,000 هسته را روی یک ویفر سیلیکونی واحد جای دهد. این طراحی به گونه‌ای است که دیگر نیازی به استفاده از چیپ‌های متعدد و سیم‌کشی‌های اضافی نیست. در واقع این تغییر باعث شده که تأخیر به طور چشمگیری کاهش یابد و سرعت انتقال داده‌ها به میزان قابل توجهی افزایش پیدا کند.

نسخه جدید این چیپ یعنی WSE-3، دارای ۴ تریلیون ترانزیستور است و می‌تواند پردازش مدل‌های هوش مصنوعی با ۲۴ تریلیون پارامتر را انجام دهد. همچنین این چیپ در برخی کاربردها تا ۱۰ برابر سریع‌تر از GPUهای سنتی مانند H100 انویدیا عمل می‌کند.

Cerebras ادعا می‌کند که سیستم‌های آن می‌توانند سرعت‌هایی به مراتب بالاتر از راه‌حل‌های مبتنی بر GPU ارائه دهند. به عنوان مثال، این سیستم‌ها توانسته‌اند سرعت‌هایی بیش از 1,800 توکن در ثانیه برای مدل LLaMA 3.1 متا به دست آورند که این امر آن‌ها را به پیشرو در زمینه استنتاج هوش مصنوعی تبدیل کرده است.

منبع

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]