چگونه تب هوش مصنوعی را کنترل کنیم؟

به گزارش گروه ارتباطات و فناوری اطلاعات خبرگزاری علم و فناوری آنا به نقل از ونچربیت، تعداد کمی از فناوری‌ها هستند که طی سال جاری میلادی (2023)، به اندازه هوش مصنوعی موفق به جلب توجه، سرمایه و وعده‌های حمایتی شده باشند و همین مسئله نشان می‌دهد که بدون تردید در میانه چرخه شتابِ هوش‌ مصنوعی قرار گرفته‌ایم.

از برخی جهات، لحظه‌ای که در آن قرار داریم، به دوره‌ای که مردم آمریکا دچار تب طلا شده بودند، بی‌شباهت نیست؛ چراکه اکنون شاهد آن هستیم که مبتکران، سرمایه‌گذاران و کارآفرینان برای سرمایه‌گذاری روی ظرفیت‌ها و چشم‌اندازهای عرصه هوش مصنوعی سر و دست می‌شکنند.

در این میان،‌ کارآفرینان عرصه هوش مصنوعی به دو دسته تقسیم می‌شوند: دسته اول سخت تلاش می‌کنند تا از هوش مصنوعی به عنوان اهرمی برای برداشتن گام بزرگ بعدی در عرصه فناوری استفاده کنند و دسته دوم هم آنهایی هستند که  تجهیزات و مصالح کار را فراهم می‌کنند.

عدم تناسب میان عرضه و تقاضا

با این همه تقاضایی که برای هوش مصنوعی پیشرفته وجود دارد، شاهد اشتهایی سیری‌ناپذیر برای دسترسی به واحدهای پردازش گرافیکی (GPU) هستیم، نوعی تراشه که برای این شکل از فناوری حکم سوخت تأمین‌کننده نیروی محرکه را دارد.

شرکت «انویدیا» (Nvidia) با ارزشی بالغ بر یک تیریلیون دلار، رقیبی بلامنازع در عرصه تولید پردازشگرهای گرافیکی است. با این حال، زنجیره تأمین این پردازشگر محدود است و بیم آن می‌رود که این مسئله به تضعیف شدت اثرگذاری هوش مصنوعی آن هم در شرایطی منجر شود که در دنیای واقعی تب استفاده از آن بالا گرفته است.

پردازشگر گرافیکی که زمانی به شدت از سوی طرفداران بازی‌های ویدئویی و رایانه‌ای محبوب بود، در میانه شیوع کوئید 19، مورد توجه استخراج‌کنندگان رمزارزهایی مثل بیت کوین قرار گرفت و تقاضا برای داشتن آن افزایش یافت.

استخراج ارزهای دیجیتال مستلزم صرف قدرت محاسباتی عظیمی است و واحدهای پردازش گرافیکی برای این کار عالی هستند. همزمان با افزایش ارزش رمزارزها،‌ افراد زیادی هم به استخراج آنها روی آوردند و همین مسئله به افزایش تقاضا برای پردازشگرهای گرافیکی منجر شد.

اما سرازیر شدن GPU به بازار رمزارز به کاهش عرضه آن در سایر بخش‌های ضروری منجر می‌شود تا آنجا که طبق آمار، عملکرد 169 مورد از صنایع تحت الشعاع این کاستی قرار گرفته است.

چقدر پردازشگر گرافیکی داریم؟

به آنچه تاکنون گفتیم، ابزارهای هوش مصنوعی و پروژه‌های عظیم یادگیری عمیق را هم اضافه کنید تا به درک بهتری از تب افزایش تقاضا برای پردازشگرهای گرافیکی برسید. به راحتی متوجه می‌شوید که حجم فعلی تولید و عرضه GPU برای پر کردن ظرفیت دائم‌التغییر هوش مصنوعی ناکافی است و این به نوبه خود به کاهش نوآوری در بسیاری از مشاغل مرتبط با این حوزه منجر می‌‌شود و حتی «اوپن اِی‌‌آی» به عنوان شرکت سازنده «چت جی‌پی‌تی» هم با آن دست به گریبان است. این معضل به قدری حاد است که برخی شرکت‌های هوش مصنوعی برای روز مبادا به خرید حجم‌های عظیمی از فضاهای ذخیره‌سازی ابری روی آورده‌اند.

چگونه با کاستی‌ها کنار بیاییم؟

شرکت‌های بزرگ نمی‌توانند معطل ارائه تکنیک‌های صنعتی و تکمیل زنجیره‌های تأمین بمانند تا کاستی‌های بازار پردازشگرهای گرافیکی رفع شود. با این حال، آنها می‌توانند خود را با شرایط وفق بدهند و رویکردی را اتخاد کنند که به کاهش تقاضا برای این ریزتراشه و افزایش فرصت‌های نوآوری منجر شود.

در اینجا به روش‌هایی برای کنار آمدن با کاستی‌های زنجیره عرضه پردازشگرهای گرافیکیِ مورد نیاز در فناوری هوش مصنوعی اشاره می‌کنیم:‌

تک بعدی نباشیم

باید به این باور برسیم که حل هر مشکلی در گرو استفاده از هوش مصنوعی و ظرفیت محاسباتی واحدهای پردازش گرافیکی آن نیست. برای مثال، شرکت‌ها می‌توانند برای پیش‌پردازش داده‌ها و داده‌کاوی به راهکارهای محاسباتی دیگری روی بیاورند. به جای GPU، دستگاه‌های مجهز به پردازشگر مرکزی (CPU-based machines) هم به راحتی می‌توانند کارهایی مانند پالایش داده، داده‌کاوی و مقیاس‌بندی داده را انجام دهند.

درست است که تکنیک‌های تصویری و ویدئویی ناشی از هوش مصنوعی با اقبال عمومی روبه‌رو شده است، اما این طور نیست که لزوماً همه اپلیکیشن‌ها برای رسیدن به نتیجه  دقیق، نیازمند استفاده از هوش مصنوعی باشند و همچنان خیلی از کارهای ساده‌تر را می‌توان با همان الگوریتم‌ها و تکنیک‌های سنتیِ بینایی کامپویتری، بی هیچ نیازی به مدل‌های پیچیده یادگیری عمیق انجام داد.

به دنبال الگوریتم‌های کارآمدتر باشیم

استفاده از الگوریتم‌های کارآمدتر به صرفه‌جویی در نیروی پردازش مورد نیاز در اپلیکیشن‌های هوش مصنوعی منجر می‌شود. برای مثال، در مورد برخی اپلیکیشن‌ها، الگوریتم‌های یادگیری انتقالی که به ارتقای مدل‌های از پیش آموزش‌داده‌شده کمک می‌کنند با کمی دستکاری، روی دستگاه‌های مجهز به پردازشگر مرکزی (CPU) هم جواب می‌دهند.

الگوریتم‌های SVM و بیز ساده هم از جمله الگوریتم‌های یادگیری ماشینی قدرتمندی هستند که در طبقه‌بندی و رگرسیون استفاده می‌شوند. SVM و بیز ساده را می‌توان روی CPU (پردازشگر مرکزی) آموزش داد و نیازی به GPU (پردازشگر گرافیکی)‌ ندارند.

جایگزین‌ها را بشناسیم

پیدا کردن سخت‌افزارهای جایگزین برای تأمین نیروی اپلیکیشن‌های هوش مصنوعی، مسیری شایسته پیش روی سازمان‌هایی باز می‌کند که به دنبال پردازش مؤثر داده‌هایشان هستند. بسته به بار کاری هوش مصنوعی، پردازشگرهای مرکزی، تراشه‌های FPGA و ASIC  می‌توانند جایگزین‌های معرکه‌ای برای پردازشگرهای گرافیکی باشند.

چالش را به فرصت تبدیل کنیم

آخرین راهکار برای غلبه بر کمبود واحدهای پردازشگر گرافیکی (GPU) این است که به این معضل به چشم یک چالش و فرصت نگاه کنیم. آن دسته از شرکت‌های فعال در عرصه هوش مصنوعی که از توانایی بیشتری برای تطابق‌پذیری برخوردار باشند، بیش از سایرین به رشد و شکوفایی می‌رسند حال آنکه آنهایی که تک بعدی هستند، هیچ دستاوردی نخواهند داشت. به عبارت دیگر، این صحنه جای رقابت و درخشش شرکت‌هایی است که نوآور باشند و در طول مسیر بسته به شرایطی که پیش می‌‌آید، تیزهوشی به خرج دهند.