cointelegraph
cointelegraph . ۱ سال پیش

فرصت طلایی CPUهای بیکار در هوش مصنوعی؛ عقب‌نشینی از GPU

فرصت طلایی CPUهای بیکار در هوش مصنوعی؛ عقب‌نشینی از GPU

GPUها مانعی برای راه‌حل‌های ارزان‌تر و هوشمندانه‌تر

واحدهای پردازش گرافیکی (GPU) به سخت‌افزار پیش‌فرض بسیاری از بارهای کاری هوش مصنوعی تبدیل شده‌اند، به‌ویژه هنگام آموزش مدل‌های بزرگ. این رویکرد در برخی زمینه‌ها منطقی است، اما یک کورسو دید ایجاد کرده که ما را عقب نگه داشته است.

قوت GPU و غفلت از CPU

GPUها در پردازش موازی حجم عظیمی از داده‌ها فوق‌العاده‌اند، بنابراین برای آموزش مدل‌های زبانی بزرگ یا اجرای استنتاج با سرعت بالا عالی هستند. به همین دلیل شرکت‌هایی مثل OpenAI، گوگل و متا میلیون‌ها دلار صرف ساخت خوشه‌های GPU می‌کنند. با این حال نباید واحدهای پردازش مرکزی (CPU) را فراموش کنیم که همچنان بسیار توانمندند. نادیده گرفتن این توانایی می‌تواند برای ما وقت، پول و فرصت را هدر دهد.

توانمندی CPU در وظایف هوش مصنوعی

CPUها منسوخ نشده‌اند. میلیون‌ها دستگاه در سراسر جهان با CPUهای بیکار موجودند که می‌توانند طیف گسترده‌ای از وظایف هوش مصنوعی را به‌طور کارآمد و کم‌هزینه اجرا کنند. بسیاری از وظایف هوش مصنوعی فقط به ریاضیات ماتریسی موازی نیاز ندارند. استنتاج مدل‌های کوچک‌تر، تفسیر داده، مدیریت زنجیره‌های منطقی، تصمیم‌گیری و پاسخ‌گویی به پرسش‌ها همه نیازمند تفکر منعطف و منطق‌اند که بر عهده CPU است.

عامل‌های خودکار و نقش CPU

عامل‌های خودکار (autonomous agents) ابزارهای هوشمندی‌اند که می‌توانند کارهایی مثل جست‌وجو در وب، نوشتن کد یا برنامه‌ریزی پروژه را انجام دهند. ممکن است مدل‌های بزرگ زبانی روی GPU اجرا شوند، اما منطق، برنامه‌ریزی و تصمیم‌گیری اطراف آن روی CPU به‌خوبی عمل می‌کند. حتی استنتاج مدل‌های بهینه‌سازی‌شده و کم‌حجم را می‌توان روی CPU با تأخیر کم و قابل قبول انجام داد.

شبکه‌های غیرمتمرکز DePIN

شبکه‌های زیرساخت فیزیکی غیرمتمرکز (DePIN) راه‌حل عملی‌ای هستند: افراد قدرت محاسباتی بیکار خود مثل CPUها را به اشتراک می‌گذارند تا به شبکه‌ای جهانی تبدیل شود که دیگران می‌توانند از آن استفاده کنند. به جای اجاره GPUهای گران‌قیمت از یک ابر متمرکز، می‌توان بارهای کاری هوش مصنوعی را در سطح جهان روی CPUهای پراکنده اجرا کرد. این مدل ارزان‌تر، مقیاس‌پذیرتر و با تأخیر کمتر نزدیک به لبه شبکه است.

جمع‌بندی

به جای ساخت دیتا سنترهای گران‌قیمت پر از GPU، کافی است از همان CPUهای بیکار بهره ببریم. با ترکیب هوشمند بارهای کاری روی GPU و CPU و استفاده از شبکه‌های غیرمتمرکز، می‌توانیم مقیاس، کارایی و پایداری زیرساخت‌های هوش مصنوعی را افزایش دهیم. مشکل واقعی فقط کمبود GPU نیست، بلکه ذهنیت ماست. زمان آن رسیده که CPU را به جایگاه شایسته‌اش در دنیای هوش مصنوعی برگردانیم.

نوشته شده توسط admin
254

نظرات

هنوز دیدگاهی ثبت نشده است.