آشنایی با پردازنده‌های مخصوص هوش مصنوعی برای دستگاه‌های همراه | بلاگ

آشنایی با پردازنده‌های مخصوص هوش مصنوعی برای دستگاه‌های همراه

تعرفه تبلیغات در سایت

آخرین مطالب

امکانات وب

واحد خبر mobile.ir :  این روزها در هر گوشه از دنیای تکنولوژی صحبت از هوش بود. از دستیارهای شخصی مجازی گرفته، تا خدمات ابری، اینترنت اشیا، دوربین دستگاه‌های همراه واقعیت افزوده و مجازی، همگی تحت تاثیر هوش مصنوعی و فناوری‌های مرتبط با آن به پیشرفت‌های بزرگی دست یافته‌اند. دامنه تاثیر و کاربرد هوش مصنوعی به نرم‌افزار و خدمات آنلاین محدود نگردیده، موجبات پیشرفت بخش‌های مختلفی از دنیای سخت‌افزار را نیز فراهم آورده است. چنان‌چه دستیارهای شخصی مجازی را نوین‌ترین فناوری نرم‌افزاری سال گذشته گوشی‌های هوشمند بدانیم، پردازنده‌های هوش مصنوعی را هم می‌توان مهم‌ترین تکنولوژی جدید سخت‌افزاری در این عرصه دانست.

در سال‌های اخیر بسیاری از شرکت‌های فعال در زمینه طراحی و تولید پردازنده‌، روی هوش مصنوعی و کاربردهای آن در طراحی و تولید تراشه‌ها تمرکز داشته‌اند. نتیجه این تحقیقات و سرمایه‌گذاری‌ها پردازنده‌های مختلفی مجهز به تراشه‌های هوش مصنوعی‌ست که در ماه‌های گذشته از سوی شرکت‌های مطرحی همچون کوالکام، اپل، هواوی، سامسونگ و مدیاتک معرفی شده یا به بازار عرضه گردیده‌اند.

Introducing Mobile AI Chips and Their Applications

تراشه‌های هوش مصنوعی چه هستند و چرا به آن‌ها نیاز داریم؟

پیش از آن‌که به سراغ ماهیت و ساختار این نوع تراشه‌ها برویم، بد نیست نگاهی به علت و ریشه وجودی آن‌ها یعنی فناوری هوش مصنوعی بیاندازیم. هوش مصنوعی به مجموعه‌ علوم و فناوری‌های مختلفی اطلاق می‌شود که سعی دارند با الهام از مغز انسان، سطوحی از هوشمندی را به سیستم‌های کامپیوتری ببخشند. بخش اعظمی از آن‌چه امروزه به عنوان هوش مصنوعی در دنیای تکنولوژی‌های همراه مورد استفاده قرار می‌گیرد، مربوط به زیرشاخه‌ای از هوش مصنوعی به نام "یادگیری ماشین" است. سیستم‌های مبتنی بر یادگیری ماشین قادرند تا به کمک یک ساختار چندلایه یا به اصطلاح یک "شبکه عصبی"، داده‌های دریافتی از منابع مختلف را پردازش و تحلیل نمایند، نکاتی را از نتیجه این تحلیل‌ها بیاموزند و از دانش به‌ دست آمده برای تصمیم‌گیری‌های هوشمندانه در همان لحظه یا در آینده بهره گیرند.

با این‌که امروزه هوش مصنوعی و یادگیری ماشین در کانون توجه فعالان دنیای تکنولوژی قرار داشته و بسیاری توسعه‌دهندگان، از این فناوری‌ در محصولات نرم‌افزاری خود بهره می‌گیرند، پردازنده‌های موجود روی اغلب دستگاه‌های همراه مناسب پاسخگویی به نیازهای پردازشی این نوع الگوریتم‌ها نبوده و استفاده از آن‌ها برای این منظور، کندی در سرویس‌دهی و مصرف بالای باتری را به دنبال دارد. نیاز پردازشی اصلی الگوریتم‌های هوش مصنوعی‌ و به طور ویژه شبکه‌های عصبی عبارت است از تعداد بسیار بالایی محاسبات کوچک که بایستی با سرعت هر چه بیش‌تر انجام شوند. در حالی که CPU‌های معمول تنها از تعداد انگشت‌شماری هسته پردازشی بهره‌مند بوده و از آن‌جا که هر هسته پردازشی در هر لحظه تنها قادر به انجام یک محاسبه است، این CPUها در پردازش الگوریتم‌های هوش مصنوعی امروزی کارایی مناسب و بهینه‌ای از خود نشان نمی‌دهند. به همین خاطر شرکت‌های طراحی‌کننده و تولید‌کننده تراشه‌های پردازشی با در نظر گرفتن پردازنده‌ای مجزا برای انجام محاسبات هوش مصنوعی در تلاشند تا با بهره‌گیری از تعداد هسته‌های بالاتر و معماری پردازشی مناسب‌تر، امکان پردازش موازی و همزمان این نوع محاسبات را ارتقا بخشیده و بدین ترتیب سرعت انجام پردازش‌های مربوط به هوش مصنوعی را افزایش دهند.

این پردازنده‌های ویژه هوش مصنوعی ماهیت یک تراشه مستقل و مجزا را نداشته و در عمل به عنوان بخشی از SoC یا System-on-Chip اصلی در کنار پردازنده مرکزی یا ریزپردازنده، پردازنده گرافیکی، حافظه RAM و برخی اجزای دیگر قرار می‌گیرد. بنابراین اصطلاح "تراشه هوش مصنوعی" که به طور گسترده برای اشاره به این نوع پردازنده‌ مورد استفاده قرار می‌گیرد، شاید چندان دقیق و گویای ماهیت اصلی آن نباشد. البته تولیدکنندگان مختلف اسامی متفاوتی را برای پردازنده‌های هوش مصنوعی خود برگزیده‌اند که از آن جمله می‌توان به "موتور عصبی"، "AI On-board" یا "واحد پردازش عصبی (NPU)" اشاره نمود.

Introducing Mobile AI Chips and Their Applications

مزایای این نوع تراشه‌ها و پتانسیل‌های بالقوه آن‌ها

همانطور که در بالا مورد اشاره قرار گرفت، استفاده از یک پردازنده مجزا و مناسب برای رسیدگی به پردازش‌های هوش مصنوعی، در درجه اول افزایش کارایی سیستم و مصرف بهینه باتری را به دنبال خواهد داشت. اما علاوه بر این‌ها، استفاده از پردازنده‌های ویژه هوش مصنوعی روی برد پردازشی یا SoC دستگاه‌های همراه مزایای دیگری را نیز برای کاربران و توسعه‌دهندگان به ارمغان خواهد آورد.

یکی از این مزایا بهبود امنیت و محافظت از حریم شخصی کاربران است. در حال حاضر بسیاری از اپلیکیشن‌های مجهز به هوش مصنوعی و یادگیری ماشین – همچون نمونه‌هایی که در مطلب قبلی ما معرفی گردید -- خدمات خود را به صورت ابری ارائه می‌دهند. به این معنی که برای بهره‌مندی از سرویس‌های مبتنی بر هوش مصنوعی داده‌های کاربر به فضای ابری و سرورهای آنلاین متنقل شده، پس از انجام عملیات اصلی پردازش و تحلیل داده‌ها در آن‌جا، نتایج به دستگاه همراه کاربر ارسال می‌شود. در چنین شرایطی از یک سو خطر شنود و سرقت اطلاعات کاربر توسط هکرها در جریان جابجایی‌ داده‌ها روی اینترنت ایجاد گردیده، از سوی دیگر شرکت ارائه‌دهنده خدمات قادر خواهد بود تا با نقض حریم شخصی کاربران از اطلاعات آن‌ها در جهت تامین منافع خود سوء استفاده نماید. البته شرکت‌هایی همچون فیسبوک، گوگل و اپل در تلاشند تا با ارائه راه‌کارهای مختلف امکان انجام کامل پردازش‌های هوش مصنوعی را به صورت محلی و روی گوشی‌ هوشمند کاربران فراهم آورند. اگرچه این تلاش‌ها کم و بیش نتایج خوبی را به همراه داشته، اما هنوز هیچ‌یک از آن‌ها به صورت گسترده مورد بهره‌برداری قرار نگرفته است. تجهیز دستگاه‌های همراه به پردازنده‌ای اختصاصی برای پردازش‌های هوش مصنوعی راه را برای انجام این پردازش‌ها روی دستگاه کاربر هموار ساخته و در نتیجه به حفظ امنیت و حریم شخصی کاربران کمک خواهد نمود. On-board AI همچنین امکان بررسی لحظه‌به‌لحظه دستگاه و شناسایی سریع بدافزارها را به کمک الگوریتم‌های یادگیری ماشین و به صورت محلی فراهم می‌آورد.

دیگر مزیت این فناوری، کاهش هزینه‌ها هم برای کاربران و هم توسعه‌دهندگان است. در صورتی که دستگاه‌های همراه قادر باشند با بهره‌مندی از این تراشه‌ها عملیات پردازش هوش مصنوعی را به صورت محلی و مستقل انجام دهند، دیگر نیازی به ارسال داده‌ها از طریق اینترنت و انجام پردازش‌ها به صورت ابری نبوده، در نتیجه از یک سو به میزان قابل توجهی در مصرف اینترنت همراه کاربر صرفه‌جویی گردیده و از سوی دیگر توسعه‌دهندگان از هزینه‌ها‌ و دردسرهای مربوط به تهیه و پشتیبانی سرورهای پردازش ابری فارغ می‌شوند.

با ظهور On-board AI و قرارگیری آن در کنار Cloud AI یا هوش مصنوعی ابری، امکان ارائه خدمات مبتنی بر هوش مصنوعی با سرعت بهتر، تاخیر کم‌تر، پایداری بیش‌تر، امنیت و قابلیت اعتماد بالاتر فراهم خواهد آمد. در حالی که قابلیت‌های هوش مصنوعی در راه‌کار Cloud AI به طور معمول تا حد زیادی به تعامل مستقیم با کاربر وابسته و محدود می‌گردد، On-board AI قادر است داده‌های فراوان و متنوعی را بر اساس نیازها و شرایط کاربر به صورت زنده و آنی از حسگرهای مختلف موجود روی دستگاه همراه وی جمع‌آوری نموده و مورد استفاده قرار دهد. بنابراین گوشی‌های هوشمند مجهز به تراشه‌های هوش مصنوعی به صورت بالقوه این امکان را خواهند داشت تا خدمات مبتنی بر هوش مصنوعی را سریع‌تر، امن‌تر، شخصی‌سازی شده‌تر و با هزینه کم‌تر به کاربران ارائه نمایند.

دستیارهای شخصی مجازی از جمله مهم‌ترین خدمات هوش مصنوعی به شمار می‌روند که بیش‌ترین بهره را از On-board AI خواهند برد. با بهره‌گیری از این فناوری و کاهش وابستگی به پردازش ابری، دستیارهای مجازی نسبت به گذشته در دسترس‌تر، قابل اتکاتر و هوشمند‌تر خواهند شد. قابلیت جمع‌آوری مستمر و زنده داده‌ها از حسگرهای مختلف دستگاه همراه کاربر، شناخت بهتر رفتارها و سلایق کاربر، تشخیص سریع شرایط و نیازهای او و در نتیجه ارائه خدمات شخصی‌سازی شده و متناسب با نیازهای کاربر در زمان مناسب و بدون وابستگی کامل به ارتباط اینترنتی، همگی از جمله مزایایی هستند که پیش‌بینی می‌شود پردازنده‌های هوش مصنوعی برای دستیارهای شخصی مجازی به ارمغان آورند. چه بسا پیشرفت‌های حاصل از این فناوری در نهایت دستیارهای شخصی مجازی را به راه‌کار اصلی تعامل میان کاربران و دستگاه‌های هوشمند بدل سازند. تکنولوژی‌هایی همچون واقعیت افزوده و واقعیت مجازی نیز به شکلی مشابه از مزایای On-board AI بهره‌مند خواهد شد. به طور کلی انتظار می‌رود این قبیل خدمات مبتنی بر هوش مصنوعی با دسترسی آنی به داده‌های تامین شده از دستگاه کاربر، افزایش سرعت و کارایی، و کاهش وابستگی به پردازش ابری پیشرفت‌های خوبی را تجربه نموده و بیش از پیش مورد استقبال کاربران قرار گیرند.

دستاوردها و محصولات تولیدکنندگان مختلف در زمینه پردازنده‌های هوش مصنوعی

امروز می‌توان گفت که تمامی شرکت‌های بزرگ فعال در زمینه طراحی و ساخت تراشه‌ها به طور جدی و تمام قد پا به عرصه هوش مصنوعی گذاشته‌اند و در تلاش برای ساخت تراشه‌هایی بهینه و کارآمد جهت انجام پردازش‌های مربوط به هوش مصنوعی و به خصوص یادگیری ماشین هستند. اگرچه همگی این شرکت‌ها در این زمینه هدفی یکسان را دنبال می‌کنند، اما راهکار و رویکرد کم و بیش متفاوتی را در پیش گرفته‌اند.

Introducing Mobile AI Chips and Their Applications

هواوی به عنوان یکی از شرکت‌های پیشرو در این عرصه اولین بار در تاریخ 2 سپتامبر 2017 و در جریان نمایشگاه IFA، نخستین SoC خود با قابلیت On-board AI را معرفی نمود. این تراشه که Kirin 970 نام دارد، از 8 هسته در واحد پردازش مرکزی (CPU) و 12 هسته در واحد پردازش گرافیکی (GPU) بهره‌مند بوده، به یک واحد ویژه پردازش هوش مصنوعی به نام "واحد پردازش عصبی" یا NPU مجهز گردیده است. طبق ادعای هواوی این واحد پردازش عصبی با توان محاسباتی 1.92 TFLOPS – یعنی 1.92 ضرب در 10 به توان 12 محاسبه اعشاری در ثانیه – قادر است در هر دقیقه کار پردازش تصویر 2 هزار عکس را انجام دهد. این در حالی‌ست که CPU این کار را 20 برابر کندتر انجام می‌دهد و به طور تقریبی در هر دقیقه قادر به پردازش 100 تصویر است. البته لازم به ذکر است که در راه‌کار مورد استفاده توسط هواوی، از دو بخش اصلی فعالیت شبکه‌های عصبی یعنی بخش آموزش و استنتاج، تنها پردازش‌های مربوط به بخش دوم به عهده NPU گذاشته شده است و هر زمان که نیاز به آموزش یک شبکه‌ عصبی جدید باشد، GPU وارد عمل می‌شود.

تراشه Kirin 970 که با فناوری 10 نانومتری ساخته شده، در مجموع از 5.5 میلیارد ترانزیستور تشکیل یافته است. بنابراین واحد پردازش عصبی این تراشه با اندازه‌ای معادل 150 میلیون ترانزیستور، حدود 3 درصد از کل فضای تراشه اصلی را اشغال می‌نماید. این اندازه کوچک به دلایل مختلف بسیار حایز اهمیت است. در درجه اول به خاطر این اندازه بسیار کوچک، اضافه شدن NPU تاثیر بالایی در اندازه کلی SoC و در نتیجه هزینه تولید آن نخواهد داشت. هزینه پایین ناشی از اضافه شدن NPU به تراشه بدین معنی‌ست که می‌توان انتظار داشت علاوه بر SoC‌های رده بالا، تراشه‌های طراحی شده برای دستگاه‌های میان‌رده نیز از این فناوری بهره‌مند گردند. دیگر مزیت ناشی از اندازه کوچک NPU، مصرف بسیار ناچیز باتری توسط آن است. بنابراین با انتقال بخشی از پردازش‌های هوش مصنوعی از CPU و GPU به NPU که به مراتب کم‌مصرف‌تر است، در مصرف باتری تلفن همراه صرفه‌جویی می‌شود. تا به امروز تراشه Kirin 970 در دل گوشی‌های هوشمندی همچون هواوی میت 10، هواوی میت 10 پرو و Huawei Honor V10 وارد بازار گردیده است. همچنین جالب است بدانید که مایکروسافت و هواوی با همکاری یکدیگر در تلاشند تا با استفاده از NPU شرکت هواوی، برای مترجم Bing مایکروسافت قابلیت ترجمه متن و صدا را به صورت کاملا آفلاین فراهم آورند.

Introducing Mobile AI Chips and Their Applications

10 روز بعد از هواوی در تاریخ 12 سپتامبر 2017 شرکت اپل نیز از SoC جدید خود که به پردازنده‌ای اختصاصی برای پردازش شبکه‌های عصبی مجهز شده بود، پرده برداشت. تراشه‌ای به نام Apple A11 Bionic با 6 هسته برای پردازش مرکزی (CPU) و 3 هسته برای پردازش گرافیکی (GPU) که با فناوری 10 نانومتری ساخته شده و از 4.3 میلیارد ترانزیستور تشکیل یافته است. این SoC از پردازنده‌ای 2-هسته‌ای به نام "موتور عصبی" با توان انجام 600 میلیارد عملیات پردازشی در ثانیه برای انجام کارهای مربوط به شبکه‌های عصبی از جمله Face ID و Animoji بهره می‌برد. این موتور عصبی همچون NPU شرکت هواوی قادر است محاسبات مربوط به شبکه‌های عصبی را با مصرف انرژی کم‌تر و کارایی بالاتر نسبت به CPU و GPU انجام دهد. متاسفانه تاکنون اطلاعات و جزییات فنی بیش‌تری در مورد موتور عصبی اپل منتشر نگردیده است تا بتوان آن را به درستی با محصولات رقبا مقایسه نمود. تاکنون گوشی‌های هوشمند آیفون 8، آیفون 8 پلاس و آیفون X شرکت اپل همراه با تراشه A11 Bionic روانه بازار گردیده‌اند.

شرکت کوآلکام که در میان تولیدکنندگان تراشه‌های همراه به نوعی پیشتاز تحقیق و توسعه در زمینه هوش مصنوعی بوده است، رویکردی متفاوت را در پیش گرفته است. اولویت این شرکت بر بهینه‌سازی و مطابقت دادن فناوری فعلی SoCها بر اساس نیازهای هوش مصنوعی بوده و لااقل تاکنون اعتقادی به استفاده از یک پردازنده اختصاصی برای رسیدگی به پردازش‌‌های هوش مصنوعی نداشته است. این شرکت مدت‌ها پیش از رقبایی همچون اپل، هواوی و سامسونگ، در ماه مه 2016 با معرفی "موتور پردازش عصبی اسنپدراگون" از برنامه‌های خود جهت بهینه‌سازی تراشه‌های Snapdragon برای پردازش شبکه‌های عصبی و هوش مصنوعی رونمایی نمود. این موتور پردازش عصبی در واقع یک بسته توسعه نرم‌افزار (SDK) است که به توسعه‌دهندگان کمک می‌کند تا اپلیکیشن‌های خود را برای اجرای پردازش‌های مختلف هوش مصنوعی روی پردازنده‌های اسنپدراگون سری 600 و 800 بهینه‌سازی نمایند. به این معنی که چنانچه از این SDK کوآلکام در جریان توسعه یک اپلیکیشن مجهز به هوش مصنوعی استفاده شود، آن اپلیکیشن روی پردازنده‌های سازگار با این فناوری سریع‌تر و بهینه‌تر اجرا خواهد شد. فیسبوک یکی از اولین شرکت‌هایی بود که از این موتور پردازش عصبی در بهبود و توسعه اپلیکیشن بهره گرفت. این شرکت SDK کوآلکام را به منظور افزایش سرعت و کارایی فیلترهای واقعیت مجازی در اپلیکیشن Messenger خود مورد استفاده قرار داده و به ادعای کوآلکام در نتیجه آن، این فیلترها 5 برابر سریع‌تر از حالت عادی بارگذاری می‌شوند.

Introducing Mobile AI Chips and Their Applications

موتور پردازش عصبی کوآلکام (یا NPE SDK) به صورتی طراحی شده که قادر است امکان اجرای یک یا چند مدل شبکه عصبی آموزش دیده در هر یک از بسترهای نرم‌افزاری Caffe، Caffe2 یا TensorFlow را روی هر یک از اجزای پردازشی SoCهای اسنپدرگون – از CPU گرفته تا GPU و DSP -- فراهم آورد. این SDK در حال حاضر از بسیاری تراشه‌های اسنپدرگون شرکت کوآلکام از جمله مدل‌های 845، 835، 820، 625، 626, 650, 652, 653, 660, 630، 636 و 450 پشتیبانی می‌کند. در صورتی که تمایل به کسب اطلاعات بیش‌تر مورد این SDK داشته باشید، پیشنهاد می‌کنیم به بخش مربوط به موتور پردازش عصبی در سایت رسمی کوآلکام مراجعه فرمایید.

Introducing Mobile AI Chips and Their Applications

چندی پیش و در جریان کنفرانس CES 2018، تعداد دیگر از شرکت‌های فعال در زمینه تراشه‌های پردازشی دستگاه‌های همراه از جمله CEVA، سامسونگ و مدیاتک اقدام به معرفی محصولات و دستاوردهای خود در این زمینه نمودند. شرکت CEVA که همچون ARM در زمینه طراحی و معماری پردازنده‌ها فعالیت دارد، در این کنفرانس خانواده پردازنده‌های هوش مصنوعی خود با نام NeuPro را معرفی نمود. به گفته CEVA پردازنده‌های NeuPro به طور ویژه برای پاسخگویی به نیازهای یادگیری عمیق – که مهم‌ترین فناوری کنونی یادگیری ماشین محسوب می‌شود – و به دوش کشیدن بار پردازشی شبکه‌های عصبی عمیق در کاربردهای مختلفی همچون تشخیص چهره، فیلترهای واقعیت افزوده، پردازش زبان طبیعی، ترجمه در-لحظه به صورت آفلاین و شناسایی آنی بدافزارها طراحی گردیده‌ است.

Introducing Mobile AI Chips and Their Applications

به ادعای CEVA توان پردازشی این خانواده از پردازنده‌ها در مدل‌های پایین‌رده در حدود 2 ترا عملیات محاسباتی در ثانیه (TOPS) و برای پیشرفته‌ترین مدل در حدود 12.5 ترا عملیات بر ثانیه است. خانواده NeuPro به 4 گروه اصلی از پردازنده‌های ویژه هوش مصنوعی برای استفاده در بسترهای مختلفی همچون گوشی‌های هوشمند، اینترنت اشیا، خودروها، ربات‌ها، سیستم‌های نظارتی، پزشکی و صنعتی دسته‌بندی گردیده‌اند:

• NP500: کوچک‌ترین عضو این خانواده است که از 512 واحد محاسبهگر تشکیل یافته و برای استفاده در حوزه اینترنت اشیا، دستگاه‌های پوشیدنی هوشمند و دوربین‌ها طراحی شده است.

• NP1000: از 1024 واحد محاسبه‌گر تشکیل یافته و با هدف به‌کارگیری در دستگاه‌های همراه میان‌رده، سیستم‌های کمک‌راننده هوشمند، عینک‌های واقعیت افزوده و واقعیت مجازی، و کاربردهای صنعتی طراحی شده است.

• NP2000: متشکل از 2024 واحد محاسبه‌گر بوده و بازار گوشی‌های هوشمند رده‌بالا، سیستم‌های نظارتی، ربات‌ها و پرنده‌های بدون سرنشین را هدف گرفته است.

• NP4000: قدرتمند‌ترین عضو این خانواده است که با بهره‌مندی از 4096 واحد محاسبه‌گر، برای کاربردهایی با نیاز به توان پردازشی بالا همچون رانندگی خودکار و سیستم‌های نظارتی رده‌بالای تجاری مناسب خواهد بود.

طبق اعلام CEVA، از سه‌ماهه دوم سال جاری میلادی (2018) برخی مشتری‌های خاص و از سه‌ماهه سوم 2018 عموم شرکت‌های علاقمند قادر به تهیه مجوز استفاده از معماری پردازنده‌های NeuPro خواهند بود. بنابراین بعید به نظر می‌رسد که زودتر از پایان 2018 یا اوایل سال 2019 شاهد تولید انبوه این پردازنده‌ها و استفاده از آن‌ها روی دستگاه‌های همراه باشیم.

شرکت مدیاتک به عنوان یکی دیگر از تراشه‌سازان مطرح دنیا در جریان رویداد نمایشگاهی CES 2018 بدون معرفی محصولی مشخص، از استراتژی کلی و بستر اختصاصی خود در زمینه هوش‌مصنوعی پرده برداشت. این شرکت که به نظر می‌رسد برنامه‌ای تمام عیار برای بهره‌گیری از هوش مصنوعی دارد، راهکار و بستر ویژه خود در زمینه را NeuroPilot AI نام‌ نهاده است. به نظر می‌رسد که راه‌کار مدیاتک در زمینه هوش مصنوعی ترکیبی از دو رویکرد مورد استفاده توسط دیگر رقبا باشد. چرا که این شرکت علاوه بر تغییر ساختار تراشه و طراحی پردازنده‌ ویژه هوش مصنوعی با نام "واحد پردازش هوش مصنوعی" یا "APU"، قصد دارد با ارائه بستر نرم‌افزاری لازم برای توسعه‌دهندگان به منظور دسترسی به توابع عملیاتی تراشه، امکان بهینه‌سازی اپلیکیشن‌ها برای اجرا روی SoCهای این شرکت و دستگاه‌های مجهز به این تراشه‌ها را فراهم آورد. به ادعای این شرکت، NeuroPilot AI در کنار بهینه‌سازی مصرف انرژی و ارتقای عمر باتری‌، قابلیت پردازش سریع و کارآمد کارهای مربوط به هوش مصنوعی و یادگیری عمیق را داراست. طبق اطلاعات منتشر شده، بستر هوش مصنوعی مدیاتک با اغلب SDKهای موجود برای شبکه‌های عصبی از جمله Google TensorFlow، Caffe، Amazon MXNet و Sony NNabla سازگاری دارد.

Introducing Mobile AI Chips and Their Applications

شرکت سامسونگ در همین نمایشگاه، SoC جدید خود با نام Exynos 9 Series 9810 را برای دستگاه‌های هوشمند رده‌بالا معرفی نمود. این تراشه با فناوری 10 نانومتری نسل دوم تولید گردیده و در مجموع از 8 هسته در واحد پردازش مرکزی (CPU) خود بهره ‌می‌برد که متشکل هستند از 4 هسته نسل سوم سامسونگ با کارایی و سرعت بالا و 4 هسته کم مصرف Cortex-A55 طراحی شده توسط ARM برای انجام پردازش‌های سبک و روزمره. به گفته سامسونگ این SoC با هدف کارایی هر چه بهتر در پردازش هوش مصنوعی و محتوای چندرسانه‌ای طراحی گردیده است. تکنولوژی به کار رفته در Exynos 9810 این امکان را برای پردازنده فراهم می‌آورد تا اشخاص و عناصر موجود در تصاویر را با دقت و سرعتی بالا شناسایی نموده، عملیات دسته‌بندی و جست‌وجو میان آن‌ها را در زمانی کوتاه و با مصرف باتری اندک انجام دهد. این تراشه همچنین با بهره‌مندی از یک خصوصیت تشخیص عمق جدید امکان اسکن سه‌بعدی چهره کاربر را برای کاربردهایی همچون فیلترهای واقعیت افزوده یا باز کردن قفل دستگاه با شناسایی چهره کاربر به شکلی امن و سریع (طبق ادعای شرکت سازنده) ارائه می‌نماید. شرکت سامسونگ تا به امروز اطلاعات فنی دقیق‌تری در زمینه معماری فنی و قابلیت‌های هوش مصنوعی این SoC جدید منتشر ننموده است. با توجه به این‌که پیش‌بینی می‌شود گوشی‌های هوشمند پرچم‌دار سامسونگ در سال جاری میلادی به همین تراشه مجهز گردند، احتمالا با معرفی رسمی Galaxy S9 و Galaxy S9 Plus در ماه آینده شاهد انتشار اطلاعات بیش‌تری در خصوص قابلیت‌های هوش مصنوعی آن خواهیم بود.

در پایان لازم به ذکر است که اگرچه برخی از دیگر شرکت‌های بزرگ تراشه‌ساز همچون Intel ،IBM و Nvidia هنوز اقدام به عرضه تراشه‌های هوش مصنوعی برای گوشی‌های هوشمند ننموده‌اند، اما آن‌ها نیز به طور جدی در این عرصه فعال داشته و تاکنون محصولات مختلفی مجهز به پردازنده‌های ویژه شبکه‌های عصبی را در رده سرورها و کامپیوترهای شخصی معرفی یا عرضه نموده‌اند.

...
نویسنده : محمد رضا جوادیان بازدید : 3 تاريخ : جمعه 20 بهمن 1396 ساعت: 8:45