تقابل TPU و GPU در عصر هوش مصنوعی

جایگاه انویدیا به‌عنوان تأمین‌کننده اصلی تراشه‌های هوش مصنوعی، ممکن است توسط یک تراشه تخصصی که گوگل پیشگام توسعه آن بوده است، در معرض تهدید قرار گیرد. گزارش‌ها حاکی از آن است که شرکت‌هایی نظیر Meta و Anthropic در پی سرمایه‌گذاری میلیارددلاری بر روی «واحدهای پردازش تنسور» (Tensor Processing Units) یا TPUهای گوگل هستند.

واحد پردازش تنسور چیست؟

موفقیت صنعت هوش مصنوعی تا حد زیادی مرهون «واحدهای پردازش گرافیکی» یا همان بوده است. GPU نوعی تراشه است که می‌تواند برخلاف «واحدهای پردازش مرکزی» (CPU) که توان پردازشی اکثر رایانه‌ها را تأمین می‌کنند و محاسبات را به‌صورت متوالی و یکی پس از دیگری انجام می‌دهند؛ حجم عظیمی از محاسبات موازی را به طور هم‌زمان پردازش کند. همان‌طور که از نامشان پیداست، پردازنده‌های گرافیکی در اصل برای کمک به گرافیک رایانه و صنعت بازی‌های ویدئویی توسعه یافتند. «فرانچسکو کونتی» (Francesco Conti) از دانشگاه بولونیا در این باره می‌گوید: «اگر پیکسل‌های زیادی در یک فضا داشته باشم و برای محاسبه نمای جدیدی از دوربین نیاز به چرخش آن‌ها داشته باشم، این عملیاتی است که می‌تواند به‌صورت موازی برای پیکسل‌های مختلف و متعدد انجام شود.»

این قابلیت در انجام محاسبات به‌صورت موازی، تصادفاً برای آموزش و اجرای مدل‌های هوش مصنوعی نیز بسیار کارآمد واقع شد؛ چرا که این مدل‌ها اغلب نیازمند انجام محاسباتی بر روی شبکه‌های عظیمی از اعداد به‌صورت هم‌زمان هستند که به آن «ضرب ماتریسی» می‌گویند. کونتی می‌افزاید: «پردازنده‌های گرافیکی دارای معماری بسیار عمومی هستند، اما برای کاربردهایی که سطح بالایی از پردازش موازی را می‌طلبند، فوق‌العاده مناسب هستند.»

بااین‌حال، ازآنجایی‌که این تراشه‌ها در ابتدا با درنظرگرفتن اهداف مرتبط با هوش مصنوعی طراحی نشده بودند، ممکن است در نحوه ترجمه و اجرای محاسبات روی تراشه‌های GPU ناکارآمدی‌هایی وجود داشته باشد. اما به گفته کونتی TPUها که برای نخستین‌بار در اواسط دهه ۲۰۱۰ توسط گوگل توسعه یافتند، منحصراً بر مبنای پردازش ضرب ماتریسی طراحی شده‌اند. در سال گذشته میلادی، گوگل نسل هفتم تراشه‌های TPU خود را با نام Ironwood عرضه کرد؛ تراشه‌ای که توان پردازشی بسیاری از مدل‌های هوش مصنوعی این شرکت نظیر  Gemini و مدل پیش‌بینی ساختار پروتئین AlphaFold را تأمین می‌کند.

آیا TPU برای هوش مصنوعی بهتر از GPU است؟

«سایمون مکینتاش-اسمیت» (Simon McIntosh-Smith) از دانشگاه بریستول معتقد است که از منظر فناوری، تراشه‌های TPU بیش از آنکه یک تراشه کاملاً متفاوت باشند، زیرمجموعه‌ای از پردازنده‌های گرافیکی محسوب می‌شوند. او می‌گوید: «آن‌ها بر روی بخش‌هایی از عملکردهای پردازنده‌های گرافیکی تمرکز دارند که مشخصاً با هدف آموزش و استنتاج در هوش مصنوعی انجام می‌شود؛ اما در واقع از جهاتی بیش از آنچه تصور می‌کنید به پردازنده‌های گرافیکی شباهت دارند.» بااین‌وجود، او خاطرنشان می‌کند ازآنجایی‌که تراشه‌های TPU با درنظرگرفتن کاربردهای خاصی در حوزه هوش مصنوعی طراحی شده‌اند، می‌توانند برای این وظایف بسیار کارآمدتر باشند و به طور بالقوه باعث صرفه‌جویی ده‌ها یا صدها میلیون دلار شوند.

بااین‌حال کونتی بر این باور است که این سطح از تخصصی بودن معایب خاص خود را نیز دارد و درصورتی‌که مدل‌های هوش مصنوعی در بین نسل‌های مختلف دچار تغییرات بنیادین شوند، می‌تواند تراشه‌های TPU را انعطاف‌ناپذیر کند. کونتی می‌گوید: «اگر این انعطاف‌پذیری را در TPU خود نداشته باشید، مجبورید محاسبات را بر روی پردازنده مرکزی (CPU) گره پردازشی (Node) خود در دیتاسنتر انجام دهید و این امر سرعت را به‌شدت کاهش خواهد داد.»

یکی از مزیت‌هایی که پردازنده‌های گرافیکی انویدیا داتاً از آن برخوردارند، دردسترس‌بودن نرم‌افزارهای ساده‌ای است که به طراحان هوش مصنوعی کمک می‌کند تا کدهای خود را بر روی تراشه‌های انویدیا اجرا کنند. کونتی توضیح می‌دهد که در زمان پیدایش تراشه‌های TPU، چنین امکانی به همان شکل برای آن‌ها وجود نداشت، اما این تراشه‌ها اکنون به مرحله‌ای رسیده‌اند که استفاده از آن‌ها بسیار سرراست‌تر شده است. او بیان می‌کند: «اکنون با تراشه TPU نیز می‌توانید دقیقاً همان کارهایی را انجام دهید که با GPU انجام می‌دادید. حالا که این قابلیت فراهم شده، کاملاً بدیهی است که مسئله دسترسی‌پذیری و موجود بودن تراشه‌ها به یک عامل تعیین‌کننده و کلیدی تبدیل می‌شود.»

چه کسانی تراشه‌های TPU را می‌سازند؟

اگرچه گوگل نخستین شرکتی بود که تراشه TPU را به بازار عرضه کرد، اما در حال حاضر بسیاری از بزرگ‌ترین شرکت‌های حوزه هوش مصنوعی که به‌عنوان ارائه‌دهندگان خدمات ابری مقیاس‌پذیر یا Hyperscalers شناخته می‌شوند، و همچنین استارتاپ‌های کوچک‌تر، توسعه تراشه‌های TPU تخصصی خود را آغاز کرده‌اند. آمازون نیز در همین راستا از تراشه‌های اختصاصی Trainium برای آموزش مدل‌های هوش مصنوعی خود استفاده می‌کند. مکینتاش-اسمیت می‌گوید: «اکثر هایپراسکیلرها، برنامه‌های توسعه داخلی خود را دارند. دلیل این امر تا حدی این است که به دلیل پیشی‌گرفتن تقاضا از عرضه، قیمت پردازنده‌های گرافیکی به‌شدت افزایش یافت و در نتیجه، طراحی و ساخت تراشه‌های اختصاصی می‌تواند مقرون‌به‌صرفه‌تر تمام شود.»

تراشه‌های TPU چگونه بر صنعت هوش مصنوعی تأثیر خواهند گذاشت؟

بیش از یک دهه است که گوگل درحال‌توسعه تراشه‌های TPU خود است، اما تا پیش‌ازاین، غالباً از این تراشه‌ها برای پردازش مدل‌های هوش مصنوعی اختصاصی خود استفاده می‌کرد. آنچه اکنون به نظر در حال تغییر است، اقدام شرکت‌های بزرگ دیگر برای خریدهای کلانِ توان پردازشی از طریق تراشه‌های TPU گوگل است. مکینتاش-اسمیت اظهار می‌کند: «آنچه تابه‌حال نشنیده بودیم، مهاجرت و تغییر رویه مشتریان بزرگ بود و شاید این دقیقاً همان اتفاقی است که اکنون در حال وقوع است. این تراشه‌ها به بلوغ کافی رسیده‌اند و به تعداد موردنیاز نیز در دسترس هستند.»

او معتقد است که این تنوع‌بخشی سخت‌افزاری، علاوه بر ایجاد گزینه‌های انتخابی بیشتر برای شرکت‌های بزرگ، از منظر اقتصادی و مالی نیز تصمیمی کاملاً منطقی به شمار می‌رود و «حتی ممکن است این رویکرد بدان معنا باشد که در آینده بتوانید قراردادهای بهتر و مقرون‌به‌صرفه‌تری با انویدیا منعقد کنید.»

گزارش حاضر در نسخه 6December 2025 نشریه New Scientist منتشر شده است.