کوچکترین ابررایانه جهان، مدل سنگین هوش مصنوعی Falcon 180B را اجرا کرد

تام سنت دنیس (Tom St. Denis) که یک مهندس نرم‌افزار و متخصص سخت‌افزار است پروژه‌ای را رونمایی کرده که تعریف رایج از ابررایانه‌ها را به چالش می‌کشد. این مهندس خلاق موفق شده است یک کلاستر محاسباتی بسیار فشرده بسازد که ادعا می‌شود کوچکترین ابررایانه جهان با قابلیت اجرای مدل‌های سنگین هوش مصنوعی است. هدف اصلی از اجرای این پروژه اثبات این موضوع بوده که برای دستیابی به توان پردازشی بالا و اجرای مدل‌های زبانی بزرگ لزوماً نیازی به بودجه‌های میلیون دلاری یا دیتاسنترهای عظیم نیست.

به گزارش رسانه اخبار فناوری  تکنا به نقل از تام سنت دنیس (Tom St. Denis)، قلب تپنده این سیستم مینیاتوری از سی و دو عدد تراشه RK3588 تشکیل شده که در یک پیکربندی موازی برای به حداکثر رساندن قدرت پردازش به یکدیگر متصل شده‌اند. این چیدمان خاص به سیستم اجازه می‌دهد تا به توان محاسباتی تقریبی ۴۸۰ تاپس دست پیدا کند و در عین حال مصرف انرژی بسیار کمتری نسبت به سرورهای صنعتی داشته باشد. سازنده این دستگاه با بهره‌گیری از قطعات تجاری موجود در بازار توانسته هزینه نهایی ساخت این کلاستر قدرتمند را به طرز چشمگیری کاهش دهد و آن را برای توسعه‌دهندگان مستقل مقرون‌به‌صرفه سازد.

این ابررایانه فشرده در آزمون‌های عملی توانایی خود را در اجرای مدل‌های سنگین هوش مصنوعی نظیر Falcon 180B با سرعت قابل قبول نشان داده است. طبق جزئیات فنی منتشر شده در مورد این پروژه سیستم از یک معماری حافظه یکپارچه توزیع شده بین گره‌ها استفاده می‌کند تا بتواند نیازهای عظیم داده‌ای در مدل‌های زبانی بزرگ را مدیریت کند. این دستاورد فنی نشان می‌دهد که سخت‌افزارهای در دسترس و ارزان‌قیمت در صورت بهینه‌سازی نرم‌افزاری می‌توانند برای وظایف پیچیده استنتاج هوش مصنوعی مورد استفاده قرار گیرند.

این پروژه نمایانگر روند رو به رشدی در صنعت فناوری است که در آن توسعه‌دهندگان به دنبال جایگزین‌های اقتصادی برای پردازنده‌های گرافیکی گران‌قیمت شرکت‌های بزرگی مانند انویدیا هستند. با استفاده از تراشه‌های مبتنی بر معماری آرم و مهندسی نرم‌افزار هوشمندانه افراد اکنون می‌توانند دیتاسنترهای شخصی بسازند که با ایستگاه‌های کاری حرفه‌ای رقابت می‌کند. این نوآوری دروازه‌های جدیدی را برای پژوهشگران هوش مصنوعی باز می‌کند که برای آزمایش مدل‌های بزرگ به سخت‌افزار اختصاصی نیاز دارند اما نمی‌خواهند صرفاً به سرویس‌های ابری متکی باشند.