تنوع در قدرت سیلیکون نوآوری AI در لبه

پردازش هوش مصنوعی در لبه های جدید باعث ایجاد نوآوری در میان فروشندگان سیلیکون شده است تا این قابلیت ها را فراهم کنند و هیچ فروشنده ای احتمالاً بر بازار تسلط ندارد.

تنوع در قدرت سیلیکون نوآوری AI در لبه

موارد کلیدی:

یک صنعت سیلیکونی رو به رشد در حال توسعه تراشه های هوشمند برای فعال کردن هوش مصنوعی در لبه و در سطح دستگاه است.

تراشه های مجهز به هوش مصنوعی قابلیت هایی مانند شناسایی اتومبیل های خودران و دستورات فعال شده با صدا و موارد دیگر را افزایش می دهند.

هجوم تراشه های متنوع ممکن است زمینه را برای استفاده های جدید و غیرمنتظره از هوش مصنوعی در لبه های هموار کند.

اینتل در بازار پردازنده های رایانه های شخصی و سپس سرورها تسلط داشت. اکثر تلفن های هوشمند و تبلت ها از فناوری تراشه مبتنی بر RISC دارای مجوز از Arm Limited بهره می بردند. اما گروه متنوع تری از ارائه دهندگان نیمه هادی آماده اند تا پردازش هوش مصنوعی (AI) را در لبه سرعت ببندند.

نوآوری در میان تجدید حیات سیلیکون در حال شکوفایی است زیرا تقاضای روزافزون برای قابلیت های پردازش هوش مصنوعی به سرمایه گذاری در تراشه های پردازش منطقی برای کاربردهای لبه شبکه دامن می زند. ماهیت متنوع دستگاه های اینترنت اشیا ((IoT) که در لبه متصل می شوند ، باعث می شود کمتر شاهد سلطه این مرز جدید مانند گذشته توسط یک یا دو سازنده تراشه باشیم.

تنوع در قدرت سیلیکون نوآوری AI در لبه

“این تراشه لبه AI احتمال راه خود را به تعداد فزاینده ای از دستگاه های مصرف کننده، مانند تلفن های هوشمند بالا پایان، قرص، بلندگو های هوشمند و ابزارهای پوشیدنی را پیدا خواهد کرد،” تحلیلگران شرکت Deloitte گزارش . “آنها همچنین در بازارهای مختلف سازمانی استفاده خواهند شد: به طور کلی ربات ها ، دوربین ها ، حسگرها و سایر دستگاه های اینترنت اشیا.”

تراشه های AI از قابلیت پردازش موازی برای اجرای تعداد محاسبات بسیار بیشتری نسبت به واحدهای پردازش مرکزی مرکزی (CPU) که ​​دستورالعمل ها را به صورت خطی اجرا می کنند ، برخوردار هستند.

طبق گفته مرکز امنیت و فناوری نوظهور ، “آنها همچنین اعداد را با دقت کم محاسبه می کنند به گونه ای که الگوریتم های AI را با موفقیت پیاده سازی می کند اما تعداد ترانزیستورها را کاهش می دهد .” توانایی یک تراشه هوش مصنوعی برای ذخیره یک الگوریتم کامل ، دسترسی به حافظه را تسریع می کند در حالی که زبان های برنامه نویسی تخصصی که روی سیلیکون اجرا می شوند ، به طور کارآمد کد AI را ترجمه می کنند.

نسل بعدی یادگیری عمیق

یادگیری عمیق ، نوعی یادگیری ماشینی که زمانی فقط از ابر رایانه ها برخوردار بود ، به سمت پایین سیستم های عمومی سازمانی حرکت کرده است که به راحتی می توانند الگوهای موجود در میان داده های بزرگ را تشخیص دهند. اساساً ، این قابلیت سیستم ها را قادر می سازد بر اساس آنچه قبلاً از داده های دیگر آموخته بودند ، از داده های جدید تصمیم بگیرند. نسل جدید اجزای سیلیکون یادگیری عمیق را به سطح دستگاه کاهش می دهد.

بیشتر برنامه های کاربردی هوش مصنوعی به طور عمده به واحدهای پردازش گرافیکی (GPU) وابسته به پردازنده های سنتی بر روی سرورهای گران قیمت ، تشنه برق مرکز داده یا سرورهای کوچک شده نزدیک منبع منبع بستگی دارند. این پیاده سازی ها با تجزیه و تحلیل مجموعه داده های بزرگ و تاریخی ، در الگوریتم های آموزشی سرآمد هستند.

شرکت ها و فروشندگان مشتاقند الگوریتم های آموزش دیده را در مدل های استنتاج مستقل که در سطح دستگاه کار می کنند ، به کار گیرند. این مدل ها دستگاه ها را قادر می سازند تا بدون نیاز به مداخله از سرور از راه دور ، به طور خودکار بر روی اطلاعات جدید عمل کنند. این برای دستگاههایی که نیاز به تفسیر اصوات ، تصاویر و سایر ورودیها را دارند تقریباً در زمان واقعی بسیار مهم است. به عنوان مثال ، در یک اتومبیل خودمختار ، آنها می توانند یک علامت توقف را از یک چراغ جلو یا کنار تماشاگر تشخیص دهند ، یا در یک کارخانه ، خط تولید را متوقف کنند ، زیرا به نظر می رسد یک قطعه تجهیزات تولید نامناسب یا معیوب است.

تنوع در قدرت سیلیکون نوآوری AI در لبه

تراشه های یادگیری عمیق که می توانند داده ها را در لبه پردازش کنند ، می توانند موجی از برنامه ها را پیش ببرند ، در حالی که میزان پردازش داده های از راه دور را نیز محدود می کنند. به عنوان مثال ضبط کننده های رویداد دوربین از GPU هایی استفاده می کنند که بینایی دستگاه را برای افزایش ریسک – مانند رانندگی منحرف – ادغام می کنند و می توانند بین داده هایی که باید بلافاصله در سرورهای ابری بارگذاری شوند یا در خودرو استفاده شوند ، تشخیص دهند.

بسیاری از دستگاه های لبه از توان کم یا متناوب استفاده می کنند ، فاقد قابلیت پراکندگی گرما هستند و بدون توجه به عوامل محیطی مانند دما و حرکت می توانند به طور وابسته کار کنند. تراشه هایی که دستورالعمل ها و تصاویر را برای سرورها ، رایانه های شخصی و حتی تلفن های هوشمند امروزی پردازش می کنند نمی توانند این نیازها را برآورده کنند و به طور کلی برای بسیاری از برنامه های هوش مصنوعی لبه دار بسیار پرهزینه هستند.

پیگیری رویکردهای تخته سنگ

پردازنده های گرافیکی اسب کار برنامه های امروزی هوش مصنوعی هستند ، به ویژه در مرکز داده و محیط های ابری که به طور فزاینده ای برای “آموزش” الگوریتم های AI که می توانند مدل های استنباطی را در لبه اجرا کنند ، استخدام می شوند. این تراشه ها همچنین در حال یافتن جایگاه خود در دستگاه های با ارزش بالاتر مانند تلفن های هوشمند ، اتومبیل و لوازم پیشرفته یا محصولات پیشرفته صنعتی مانند سیستم های رباتیک کف کارخانه هستند.

GPU ها با قیمت ده ها دلار تا صدها دلار در واحد ، از نظر اقتصادی برای بازارهای گسترده ، دستگاه های کم هزینه مانند توستر یا برنامه های صنعتی مانند سیستم های مدیریت شبکه الکتریکی که صدها هزار میکروکنترلر را در رله ها و سوئیچ ها به کار می گیرند ، امکان پذیر نیستند. .

تنوع در قدرت سیلیکون نوآوری AI در لبه

ارائه دهندگان نیمه هادی جدید به تقاضای فناوری شتاب دهنده AI تراشه تعبیه شده پاسخ می دهند که می تواند داده ها را بدون تأخیر و مشکلات اتصال ذاتی نیاز به برقراری ارتباط با سرورهای از راه دور تفسیر و بر روی آنها کار کند. پیش بینی شده بود که بازار چیپست های یادگیری عمیق از ۵٫۱ میلیارد دلار در سال ۲۰۱۸ به ۷۲٫۶ میلیارد دلار در سال ۲۰۲۵ رشد کند و دستگاه های محاسباتی لبه ۷۵ درصد از کل فرصت بازار را تشکیل می دهند ، بر اساس گزارش تحقیقاتی Omdia 2019 “تراشه های یادگیری عمیق “.

آدیتیا کائول ، مدیر تحقیق با شرکت تحقیقات بازار Omdia | Tractica و از نویسندگان گزارش چیپست یادگیری عمیق ، گفت: “ما برای پردازش انواع جدیدی از مدل های هوش مصنوعی که از یادگیری عمیق یا پیشرفت های آینده آن استفاده می کنند ، به روشهای خالی نیاز داریم.” “ما برای انجام ضرب های ماتریسی که در حال حاضر بر پردازش هوش مصنوعی مسلط هستند ، باید در معماری پردازش تجدید نظر کنیم.”

گزینه های در حال ظهور هوش مصنوعی

ده ها شرکت در حال ظهور فن آوری های تراشه جایگزین را دنبال می کنند که می توانند هوش مصنوعی را در لبه های خود به روش مقرون به صرفه تری نسبت به GPU تسریع کنند. طبق گفته کائول ، بیشتر فعالیت راه اندازی در اطراف مدارهای مجتمع مخصوص برنامه (ASIC) متمرکز شده است. توسعه دهندگان دستگاه و م componentلفه ها می توانند برای تولید ASIC های سفارشی برای اهداف گسسته با ریخته گری تراشه ها کار کنند.

اشتیاق فزاینده برای کاربردهای هوش مصنوعی باعث سرمایه گذاری در ده ها استارت آپ و همچنین بازیکنان با سابقه شده است. همچنین مورد توجه بیشتر گوگل قرار گرفته است که ASIC مخصوص خود ، Edge (واحد پردازش TensorFlow) را برای پردازش استنتاج محلی توسعه داده است. این تراشه پلت فرم یادگیری ماشین منبع باز TensorFlow Google را به دستگاه های از راه دور و کم مصرف گسترش می دهد.

تنوع در قدرت سیلیکون نوآوری AI در لبه

ASIC پردازش با کارایی بالا را با مصرف کم انرژی امکان پذیر می کند ، و آنها را برای دستگاه های لبه ای در بسیاری از برنامه هایی که GPU برای آنها گران قیمت یا مناسب نیست ، مطلوب می کند. همانطور که از نام آن پیداست ، ASIC ها برای یک برنامه خاص بهینه شده اند ، در حالی که GPU ها قادر به انجام عملیات پردازش متنوع تری هستند. آرایه های گیت قابل برنامه ریزی میدانی (FPGA) جایی در وسط قرار می گیرند و عملکردی نزدیک به نوع ASIC ، اما با قیمت نسبتاً بالاتر را در اختیار تراشه های سازنده دستگاه قرار می دهند که می تواند برای تأمین نیازهای متغیر برنامه ریزی مجدد شود.

ASIC ها و FGPA ها می توانند شتاب عملکرد عالی پردازش AI را در یک فاکتور فرم فشرده و کم انرژی فراهم کنند که خود را به طیف وسیعی از دستگاه های IoT و حسگرها وام می دهد. علاوه بر این ، آنها می توانند عملکرد هوش مصنوعی را در یک قیمت پایین تر ارائه دهند. بر اساس گزارش Deloitte ، “در حجم هزاران یا میلیون ها نفر ، خرید این تراشه ها برای تولیدکنندگان دستگاه بسیار کم هزینه خواهد شد: برخی از آنها حتی در حدود ۱ دلار آمریکا (یا احتمالاً حتی کمتر) ، برخی در ده ها دلار.”

قابلیت های هوش مصنوعی همچنین می توانند در سیستم نیمه هادی های System on a Chip (SoC) گنجانده شوند که چندین م componentsلفه مانند ASIC ، GPU یا FGPA به همراه پردازنده ، حافظه داخلی و پورت های ورودی / خروجی را در یک تراشه در خود جای داده است که قبلاً به طور گسترده ای در میان رده و گوشی های پیشرفته

نبرد برای برتری

برخلاف روزهای ابتدایی صنعت کامپیوتر ، که در آن معماری x86 به یک استاندارد سخت افزاری برای یک دستگاه سخت افزاری تبدیل شد ، راه حل های AI edge یک جهان بسیار پراکنده تر را شامل می شود که فضای سخت افزاری متنوعی را شامل می شود.

ریچارد واورزنیاک ، تحلیلگر ارشد بازار ، ASIC و SoC ، در Semico Research Corp گفت: “برای IoT و IIoT ، هنوز واقعاً یک معماری هوش مصنوعی وجود ندارد که مردم به آن جذب شوند.” درب حتی برای شرکت های بسیار کوچک نیز باز است آن را درست انجام دهید و متحول شوید و به عنوان بازیگران اصلی ظاهر شوید. ”

تنوع گزینه های تراشه فرصت بیشتری را برای شرکت های غیرهادی فراهم می کند تا فناوری را در کاربردهای جدید به کار گیرند. همانطور که تولیدکنندگان دستگاه ، مجتمع ها و شرکت ها به دنبال بهره برداری از هوش مصنوعی در لبه های اخیر هستند ، تجدید حیات سیلیکون آماده است تا نوآوری بیشتری را ایجاد کند که می تواند تقریباً هر جنبه از تجارت و جامعه را تحت تأثیر قرار دهد.