کوچکترین ابررایانه جهان موفق به اجرای مدل سنگین هوش مصنوعی Falcon 180B شد

تام سنت دنیس (Tom St. Denis)، مهندس نرم‌افزار و متخصص در حوزه سخت‌افزار، پروژه‌ای را معرفی کرده است که به شیوه سنتی درک ما از ابررایانه‌ها را به چالش می‌کشد. این مهندس مبتکر موفق به توسعه یک کلاستر محاسباتی فشرده شده که از آن به‌عنوان کوچک‌ترین ابررایانه دنیا با توانایی اجرای مدل‌های سنگین یاد می‌شود. هدف اصلی از اجرای این پروژه اثبات این نکته است که دسترسی به قدرت پردازشی بالا و توانایی اجرای مدل‌های زبانی بزرگ بدون نیاز به بودجه‌های کلان و دیتاسنترهای عظیم امکان‌پذیر است.

به گزارش رسانه اخبار فناوری  تکنا و به نقل از تام سنت دنیس (Tom St. Denis)، مرکز این سیستم مینیاتوری از سی و دو تراشه RK3588 تشکیل یافته که در قالبی موازی برای حداکثر کردن توان پردازش به هم متصل شده‌اند. این طراحی منحصر به فرد به سیستم اجازه می‌دهد که به قدرت محاسباتی تقریبی ۴۸۰ تاپس دست یابد و در عین حال مصرف انرژی‌اش به طور قابل توجهی از سرورهای صنعتی کمتر باشد. سازنده این دستگاه با استفاده از اجزای تجاری موجود، موفق به کاهش چشمگیر هزینه نهایی ساخت این کلاستر قدرتمند شده تا آن را برای توسعه‌دهندگان مستقل قابل دسترس‌تر گرداند.

این ابررایانه فشرده در آزمایش‌های واقعی، توانایی‌اش را در اجرای مدل‌های سنگین هوش مصنوعی مانند Falcon 180B با سرعتی قابل قبول به نمایش گذاشته است. جزئیات فنی منتشر شده درباره این پروژه نشان می‌دهد که سیستم از یک معماری حافظه یکپارچه که بین گره‌ها توزیع شده بهره می‌برد تا الزامات داده‌ای وسیع در مدل‌های زبانی بزرگ را به خوبی مدیریت کند. این موفقیت فنی نشان می‌دهد که سخت‌افزارهای قابل دسترس و با قیمت مناسب، در صورتی که نرم‌افزار به‌خوبی بهینه‌سازی شود، می‌توانند برای انجام وظایف پیچیده مرتبط با استنتاج هوش مصنوعی مورد استفاده قرار گیرند.

این پروژه نمایانگر یک روند رو به رشد در صنعت فناوری است که در آن توسعه‌دهندگان به‌دنبال گزینه‌های اقتصادی برای پردازنده‌های گرافیکی گران‌قیمت شرکت‌های بزرگ مانند انویدیا هستند. با استفاده از تراشه‌های مبتنی بر معماری آرم و مهندسی نرم‌افزار هوشمند، افراد اکنون می‌توانند دیتاسنترهای شخصی بسازند که با ایستگاه‌های کاری حرفه‌ای به رقابت بپردازند. این نوآوری درهای تازه ای را به روی پژوهشگران هوش مصنوعی می‌گشاید که برای آزمایش مدل‌های بزرگ به سخت‌افزار تخصصی نیاز دارند، اما نمی‌خواهند تنها به سرویس‌های ابری تکیه کنند.