تراشه‌های هوش مصنوعی در گوشی هوشمند
هوش مصنوعی در حال حرکت به سمت گوشی موبایل شما است. چیپست A11 آیفون ۱۰ از یک موتور عصبی بهره می‌برد و تراشه‌ی Kirin 970 هوآوی میت ۱۰ هم مجهز به «واحد پردازش عصبی» (NPU) است. پیکسل ۲ هم از یک تراشه‌ی مخفی هوش مصنوعی استفاده می‌کند که برای پردازش تصویر مورد استفاده قرار می‌گیرد و به تازگی فعال شده است. سوالی که در اینجا مطرح می‌شود این است که این نسل جدید تراشه‌ها دقیقا برای انجام چه کارهایی طراحی شده‌اند؟
با کوچک‌تر و پیچیده شدن چیپست‌های گوشی‌ها، آن‌ها توانستند وظایف بیشتری را تقبل کنند و کارهای متنوع‌تری را انجام دهند. به‌طور مثال، می‌توانیم به «واحد پردازش گرافیکی» (GPU) اشاره کنیم که حالا در قلب تپنده‌ی گوشی‌ها در کنار CPU جای گرفته است. GPU تمام وظایف سنگین پردازش بصری گوشی را بر عهده می‌گیرد تا پردازنده‌ی اصلی بتواند دیگر پردازش‌های گوشی را انجام دهد.
نسل جدید تراشه‌های هوش مصنوعی هم کم‌وبیش مانند GPU هستند؛ با این تفاوت که به‌جای پردازش تصاویر و ویدیوها، آن‌ها به‌گونه‌ای طراحی شده‌اند که به‌طور مثال می‌توانند عکس‌های حیوانات خانگی شما را تشخیص بدهند.
هوش مصنوعی چیست؟
مفهوم هوش مصنوعی در عنوان آن نهفته است. گستره‌ی این مفهوم معمولا در طی مرور زمان دچار تغییر و تحول می‌شود، اما به‌طورکلی می‌توان گفت هوش مصنوعی زمانی اتفاق می‌افتد که یک ماشین بتواند نوعی از تفکر و منطق مشابه انسان را نشان بدهد. بعد از شنیدن نام هوش مصنوعی، بسیاری از افراد یاد ربات‌های مکانیکی می‌افتند که یک انسان از پشت کامپیوتر آن‌ها را کنترل می‌کند. البته این یک تعریف بسیار کلی از هوش مصنوعی است و امروزه هوش مصنوعی گستره‌ی بسیار بیشتری را در برمی‌گیرد.
درزمینه‌ی علوم کامپیوتر و گوشی‌های هوشمند، مفهوم هوش مصنوعی تعریف محدودتری دارد. در این عرصه، هوش مصنوعی بیشتر شامل یادگیری ماشینی، توانایی سیستم برای یادگیری در خارج از محیط برنامه‌نویسی، و یادگیری عمیق است. یادگیری عمیق نوعی از یادگیری ماشینی محسوب می‌شود که با استفاده از لایه‌های محاسباتی متعدد عملکرد مغز انسان را تقلید می‌کند. این لایه‌ها را شبکه‌های عصبی می‌نامند که با الهام از شبکه‌های عصبی موجود در مغز انسان طراحی شده‌اند.
بنابراین یادگیری ماشینی مثلا می‌تواند ایمیل‌های «هرزنامه» (Spam) را تشخیص دهد و چنین کاری را با بررسی هرزنامه‌های قدیمی انجام می‌دهد. حتی اگر ویژگی‌های هرزنامه را مشخص نکرده باشید، چنین سیستمی می‌تواند مشخصات ایمیل‌های هرزنامه را یاد بگیرد و از ورود آن‌ها جلوگیری کند.
یادگیری عمیق هم عملکرد مشابهی دارد ولی پیشرفته‌تر است و در برخی از وظایف (به‌خصوص در بینایی کامپیوتری) عملکرد بهتری دارد. کلمه‌ی «عمیق» به معنای استفاده از داده‌ها و لایه‌های بیشتر است. اگر بخواهیم مثال بزنیم، چنین سیستمی می‌تواند عکس یک سگ را از بین یک میلیون عکس تشخیص بدهد.
یادگیری ماشینی می‌تواند کار تشخیص محتوای عکس را انجام دهد، اما چنین فرایندی را در مدت‌زمان طولانی‌تری انجام می‌دهد، نیاز به کد نویسی بیشتری دارد و با افزایش تعداد عکس‌ها، دقت عملکرد آن هم کاهش پیدا می‌کند. با توجه به قدرت سخت‌افزارهای امروزی، بهتر است که برای چنین وظایفی از یادگیری عمیق استفاده کنیم.
اگر بخواهیم جور دیگری بیان کنیم، ما باید برای یادگیری ماشینی تعریف کنیم که گربه‌ها سیبیل دارند و این سیستم این‌گونه می‌تواند گربه‌ها را تشخیص دهد. اما سیستم یادگیری عمیق می‌تواند به‌خودی‌خود این موضوع را تشخیص دهد.
در آخر این را هم مدنظر داشته باشید که مفاهیم هوش مصنوعی به این سادگی‌ها نیستند و یک متخصص هوش مصنوعی می‌تواند چندین کتاب در مورد همین چند پاراگراف بنویسد. ما فقط در اینجا سعی کردیم که مفاهیم اصلی هوش مصنوعی را به زبان ساده‌ای بیان کنیم.
تراشه‌های هوش مصنوعی در گوشی هوشمند
همان‌طور که در ابتدا گفتیم، تراشه‌های هوش مصنوعی دقیقا کار واحد پردازش گرافیکی را انجام می‌دهند، با این تفاوت که به‌جای تمرکز روی گرافیک‌ها، انجام محاسبات مهم مربوط به یادگیری ماشینی و یادگیری عمیق را بر عهده می‌گیرند. این تراشه‌ها فشار روی CPU را کاهش می‌دهند و در نتیجه میزان مصرف باتری هم کاهش پیدا می‌کند. با چنین تراشه‌هایی امنیت داده‌های شما هم افزایش می‌یابد، زیرا داده‌های کمتری برای پردازش به فضای ابری منتقل می‌شود.
تمام این حرف‌ها به زبان ساده چه معنایی دارند؟ این‌ها یعنی فرایند تشخیص محتوای عکس و پردازش می‌تواند با سرعت بسیار بالاتری انجام شود. به‌طور مثال، هوآوی ادعا می‌کند که واحد پردازش عصبی آن‌ها می‌تواند فرایند تشخیص محتوای عکس را با سرعت ۲۰ هزار عکس در ثانیه انجام دهد. بنا به ادعای این کمپانی این عملکرد ۲۰ برابر سریع‌تر از یک CPU استاندارد است.
وقتی صحبت از پردازش مبتنی بر هوش مصنوعی می‌شود، آن‌چه اهمیت دارد، تعداد عملیات «ممیز شناور» (floating point) در ثانیه است. طبق ادعای هواوی، توان محاسباتی واحد پردازش عصبی (NPU) به‌کاررفته در تراشه‌ی Kirin 970، هنگام استفاده از اعداد ممیز شناور ۱۶ بیتی، معادل ۱.۹۲ ترافلاپس یا یک هزار میلیارد عملیات ممیز شناور در ثانیه است. در شبکه‌های عصبی، به‌جای استفاده از اعداد طبیعی و صحیح، برای محاسبات از اعداد ممیز شناور استفاده می‌شود.
اپل نام تراشه‌ی هوش مصنوعی موجود در چیپست A11 را موتور عصبی گذاشته است. این تراشه پردازش‌های مربوط به یادگیری ماشینی و یادگیری عمیق را انجام می‌دهد؛ کارهایی مانند شناخت چهره‌ی شما، تشخیص صدای شما، ضبط انیموجی و تشخیص محتوای عکسی که می‌خواهید بگیرید. اپل ادعا می‌کند که این تراشه در عرض یک ثانیه می‌تواند ۶۰۰ میلیارد عملیات انجام دهد.
توسعه‌دهندگان اپلیکیشن‌های iOS از طریق پلتفرم Core ML می‌توانند از سیستم تشخیص تصاویر و دیگر الگوریتم‌های هوش مصنوعی استفاده کنند. اپل پلتفرم Core ML را به گونه‌ای طراحی کرده که توسعه‌دهندگان با استفاده از آن می‌توانند برای گجت‌های مختلف اپل اپلیکیشن‌هایی را توسعه دهند اما با استفاده از تراشه‌ی هوش مصنوعی موجود در آیفون ۱۰، این عملیات سریع‌تر انجام می‌شود. تراشه‌ی هوش مصنوعی هوآوی هم می‌تواند بخش زیادی از عملیات مربوط به هوش مصنوعی را انجام دهد که موجب کاهش آپلود داده به فضای ابری و درنتیجه افزایش سرعت گوشی و کاهش مصرف باتری می‌شود.
به طور خلاصه و مفید، این تراشه‌ها وظایف مربوط به یادگیری ماشینی، یادگیری عمیق و شبکه‌های عصبی را با دقت و سرعت بیشتری نسبت به CPU و GPU انجام می‌دهند. عملکرد سریع فیس آی‌دی، به لطف موتور عصبی آیفون ۱۰ ممکن می‌شود.
آیا وارد دنیای جدیدی شده‌ایم؟ آیا به‌زودی تراشه‌ی هوش مصنوعی را در همه‌ی گوشی‌های هوشمند خواهیم دید؟ با توجه به افزایش حضور هرچه بیشتر هوش مصنوعی در انواع و اقسام گجت‌ها، می‌توان جواب این سوال را مثبت دانست. تراشه‌های کوالکام همین حالا هم به نحوی طراحی شده‌اند که می‌توانند قسمتی از وظایف مربوط به هوش مصنوعی را بر عهده بگیرند. احتمالا در آینده چیپست‌های این شرکت هم از تراشه‌ی ویژه‌ی هوش مصنوعی بهره خواهند برد. در حال حاضر با وجود این که این تراشه‌ها فقط وظیفه‌های محدود و مشخصی را انجام می‌دهند، اما اهمیت آن‌ها روزبه‌روز بیشتر از قبل می‌شود.
منبع:digimag
