AI வின் இதயத்தில் ஆற்றல் நெருக்கடி
செயற்கை புத்திமত்தையின் வெடிக்கும் வளர்ச்சி ஆற்றல் பயன்பாட்டின் சிக்கலை உருவாக்கியுள்ளது, இது பெருகிய முறையில் புறக்கணிக்க முடியாது. பড்டி விதிமுறை மாதிரிகளின் பயிற்சிக்கு বিশাল கணக்கீட்டு வளங்கள் தேவை, ஆனால் மிகப் பெரிய சவால் அனுமান — உৎপாதনத்தில் AI மாதிரிகளை இயக்குதல், கேள்விகளுக்கு பதிலளிக்க, படங்களை பகுப்பாய்வு செய்ய அல்லது சென்சார் தரவை செயல்படுத்த — பெரிய அளவில் பயிற்சியை விட அதிக மொத்த ஆற்றல் வீணாக்குகிறது. தரவு மையம் ஆপারேட்டர்கள் மற்றும் சாதன உற்பத்তியாளர்கள் இயற்கணித கட்டமைப்பு தேடும் வளர்ந்த அழுத்தத்தில் உள்ளனர், இது தற்போতের ஆற்றல் செலவின் ஒரு பகுதিতে AI செயல்திறனை வழங்க முடியும்.
ஒரு விஞ்ஞানிக்களின் குழு ஒரு நியூரோமோர்ஃபிக் சிப் — உயிரியல் நரம்பு சுற்றுகளின் தীண்டி-அடிப்படை, நிகழ்வு-உணர்ந்த தகவல் செயல்பாடு அনுকரணை செய்ய வடிவமைக்கப்பட்ட — வழக்கமான கிராபிக்ஸ் செயலாக்கம் அலகு அல்லது பயன்பாடு-குறிப்பிட்ட AI முடுக்கதிர்கள் விட 70 சதவீதம் குறைவான ஆற்றலில் AI அனுமান பணிச்சுமைகளை இயக்க முடியும் என்று மாறிலிகள் வெளியிட்டுள்ளனர். இந்த முடிவு நியூரோமோர்ஃபிக் கணக்கீடு பெரும்பாலான கோட்பாட்டு முன்மொழிவிலிருந்து AI வன்பொருள் வரிசைப்படுத்தல்களுக்கு நேரடி பொருத்தপ்பாட்டுடன் প্রদর্சித்த பொறியியல் திறனுக்கு முன்னேற்றம் செய்கிறது.
நியூரோமோர்ஃபிக் கணக்கீடு எவ்வாறு வேறுபட்டது
வழக்கமான கணக்கீடு நினைவு மற்றும் செயலாக்க ইউனிட்களுக்கு இடையে ডேটার பெரிய தொகுதிகளை மாற்றி தகவல் செயல்படுத்துகிறது, அடர்த்தியான மாட்ரிக்ஸ் செயல்பாடுகளை செய்கிறது, இவை அதிக அலைவரிசை மற்றும் தொடர்ச்சியான மின் வேதி தেவை செய்கின்றன. இந்த அணுகுமுறை அত்யந்த சமகாலத்துக நிர்ணয়க்கு திறமையாக உள்ளது, சரியான নரம்பு வலையின் অனுமান உள்ளடக்கம், ஆனால் இது ডেটা இயக்கம், ঘড়ी விதरணை மற்றும் சுற்று செலுத்தியங்களில் செயல்பாடு நிலை பராமரிப்பின் தேவைகளிலிருந்து உள்ளார்ந்த ஆற்றல் செலவு பெறுகிறது, அவை நিலையாக நிர்ணயத்திற்கு பங்களிக்கவில்லை.
உயிரியல் நரம்பு சுற்றுகள் தகவலை முற்றிலும் வெவ்வேறு முறையில் கையாளுகின்றன. நரம்பு நிலையாக அமைதியாக இருக்கின்றன, ஒரு சமிக்ஞை தடுப்பளவை கடந்தபோது மட்டும் செயல்படுகின்றன, மேலும் கணக்கீடு வலைக்கு விநியோகிக்கப்படுகிறது, மாறாக கேন்திய செயலாக்க ইউனிட்களுக்கு. மூளை சுமார் 20 வாட்ஸ் ஐ மின் கச்சேரியாக குறிப்பிடத்தக்க அறிவாற்றல் செயல்திறனை பெறுகிறது — ஒரு வியாபாரக் கணிப்பு, இது தற்போতைய AI வன்பொருள் ஒப்பிடக்கூடிய சேவைகள் செயல்பாட்டுக்கு விரிதாக முடிவடைய முடிய வேண்டிய இல்லை.
நியூரோமோர்ஃபிக் சிப்ஸ் சிலிக்கான் மையங்களை இந்த தீண்டி-அடிப்படை, நிகழ்வு-உணர்ந்த கட்டமைப்பு ஆற்றல் திறனை பிடிக்க முற்படுகின்றன. தொடர்ச்சியான ঘড়ி கணக்கீட்டுக்கு பதிலாக, நியூரோமோர்ஃபிக் செயலாக்கங்கள் கையிலேந்த இனपুட் தடுப்பளவை கடந்தபோது தீ கொளுத்திக்கொள்கின்றன, செயல்பாடு செயலாக்கத்திற்கு ஆற்றல் பயன்பாடு செய்கின்றன, கணக்கீட்டு கட்டங்களுக்கு இடையே முழு ஆற்றல்பூத் செயல்பாடு செய்ய பதிலாக.
70 சதவீதம் செயல்திறன் মூல்ஸ்
ஆய்வு குழு படத் தரத்தாக்கம், இயல்பு மொழி அனுமான மற்றும் சென்சாற் இரக்கத்தை உள்ளடக்கிய பல உட்டிய AI வியாபாரக் பணிகளில் 70 சதவீதம் ஆற்றல் ஓய்வு அர்ந்தார் — AI செயல்பாடுகளின் பொருட்டு, அது விளிம்பு சாதனங்களுக்கு, சர்வர் பண்ணை மற்றும் மொபைல் பயன்பாடுகளுக்கு நாள்தோறும் பிப் பெறும் இயক்கம் செய்கிறது. ஆற்றல் சாதிக்கம் தீண்டி-ஆ, நிகழ்வு-உணர்ந்த மூலங்களுக்கான பெரும்பாலான எடுத்துக் கூற்று இருந்தது — சென்சாற் தரவு, ஆடியோ நீரோட்டங்கள் மற்றும் தடை வினாக்கள் — இங்கே நியூரோமோர்ஃபிக் சிப்ப் நிகழ்வுகளை முடித்த சுமையி யாது எண்ணாய் ঘூணற் செயல்பாடு பயிற்றுவிப்பு ஆ செயலாக்களுக்கு ஆற்ற சாதிக்கம் வழங்குகிறது.
சிப் புதிய மூலமாக் செமிக் ஆற்றம் முறை வைத்து தயாரிக்கப்பட்ட, அவை பூர்வ தகவல்கள் ஆய்வு பதிகளுக்கு இருந்து முக்கியமான வாங்கல் சலுக்க, அவை வெளிநாட்டு உৎপாதன தேவை இருந்தது. மூலாய்ச் செமிக் கட்டமைப்பிலும் சாத்திய அர্ந்துகொள், தொழில்நுட்பம் அதாய் உৎপாதனம் முதலீட்டு தேவை பதிலாக இருந்த சிப் fab கூடாயம் தொடர்ந்த ஆகிறது.
பயன்பாடுகள் மற்றும் கட்டுப்பாடுகள்
பெரும்பாலான உடனடி பயன்பாடு இலக்குகள் விளிம்பு AI சூழ்நிலைகள்: தொழில்நுட்ப IoT இல் சென்சாற் கணுக்கள், செவி உதவிகள் மற்றும் வெளிநாட்டு படிவுகள், நுகர் வெளிநாட்டுச்சொற்களுக்கு தொடர்ந்த செல்விப் চிலங்களை கண்டுபிடிப்பு மற்றும் சுயாதீன வாகன உணர்திறன் முறை, எங்கே பற்றிக் சாத்தியம் அல்லது வெப்பம் இடுக்குகள் AI அனুமানத் உருவாக்கம் சக்தி வரவழைப்பிலை கட்டுப்படுத்திய. இந்த பயன்பாடுகள் பாங்குடை பண்பு பகிரப்படுக்கள் தீண்டி, புவி உণ்மூல் சென்சாற் தரவை தொடர்ந்த அல்லது உচ்চ அலைதரங்களுக்கு அனுமான இயக்குகிறது — சரியான சிக்கு, நியூரோமோர்ஃபிக் செயல்திறன் சாதிக்கம் பெரிய உள்ளன.
ডேटा மையம் AI தொழிலின் வெளிनिकरणीकरण — உதிரணைய பெரியளவு மொழி மாதிரி அனுमানத் எங்கே வினாக்கள் அடர்த்து मेरे पाछि प्रयोजन हमेशा सामान्य होते हैं — शक्ति लाभ कम नाटकीय हैं। निर्दिष्ट सॉफ्टवेयर इकोसिस्टम कार्य शेष है जब तक न्यूरोमॉर्फिक प्रोसेसर AI ढांचे और मॉडल की पूरी श्रेणी को चला सकते हैं जो वर्तमान GPU पर चलते हैं, जो व्यापक ग्रहण के लिए प्राथमिक व्यावहारिक बाधा का प्रतिनिधित्व करते हैं.
प्रतिस्पर्धात्मक परिदृश्य
कई प्रमुख प्रौद्योगिकी कंपनियों और अनुसंधान संस्थानों के सक्रिय न्यूरोमॉर्फिक प्रोग्राम हैं। Intel की Loihi चिप ने विशिष्ट कार्यों में शक्ति दक्षता लाभ प्रदर्शित किया है, और IBM का TrueNorth दशक से अधिक समय तक अनुसंधान अनुप्रयोगों के लिए उपयोग किया गया है। Innatera, SpiNNcloud और BrainChip जैसे स्टार्टअप ने किनारे अनुप्रयोगों को लक्षित करने वाले वाणिज्यिक न्यूरोमॉर्फिक उत्पाद विकसित किए हैं। 70 प्रतिशत शक्ति कमी का आंकड़ा हाइपरस्केल डेटा सेंटर ऑपरेटर से महत्वपूर्ण रुचि उत्पन्न करेगा जो सक्रिय रूप से AI बुनियादी ढांचे से जुड़े खगोलीय बिजली बिलों को कम करने वाली किसी भी तकनीक की तलाश कर रहे हैं — एक खर्च जो बड़े पैमाने पर AI चलाने वाली हर बड़ी प्रौद्योगिकी कंपनी के लिए एक केंद्रीय रणनीतिक चिंता बन गया है।
यह लेख Interesting Engineering द्वारा रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।
Originally published on interestingengineering.com
