Ο επικεφαλής AI ερευνητής του Facebook, Yann LeCun, δήλωσε ότι η εταιρεία δουλεύει για τη δημιουργία του δικού της custom AI silicon, με στόχο να δημιουργήσει πολύ πιο αποτελεσματικές μεθόδους επεξεργασίας νευρωνικών δικτύων στο hardware και να ενισχύσει τις επιδόσεις.
Οι ακριβείς λεπτομέρειες σχετικά με το τι κάνει το Facebook παραμένουν ασαφείς, αν και η Intel ανακοίνωσε μια συνεργασία με την εταιρεία, στο CES φέτος.
Το Fortune, ωστόσο, έμαθε μερικά από τα θέματα που συμπεριλαμβάνονται στην παρουσίαση του LeCun. Κάποια από αυτά είναι η επέκταση του ρόλου του AI από τη μετάφραση γλωσσών στο content policing, ο στόχος της δημιουργίας πιο έξυπνων συσκευών που να μπορούν να διαφοροποιήσουν, για παράδειγμα, τα ζιζάνια από τα τριαντάφυλλα και το να αποκτήσουν οι υπολογιστές αυτό που συνήθως ονομάζουμε “κοινή λογική”.
Η Bloomberg, ωστόσο, παρουσιάζει τα πράγματα από μια διαφορετική οπτική. Σύμφωνα με τις εκθέσεις της, ο LeCun επικεντρώνεται στη δημιουργία τσιπ που δεν χρειάζεται να σπάσουν τα σύνολα δεδομένων σε μικρές παρτίδες προκειμένου να γίνει επεξεργασία, αλλά αντ ‘αυτού να δουλεύουν με μεγαλύτερες ποσότητες πληροφοριών. Αυτό φαίνεται να συμπίπτει με το στόχο της διδασκαλίας μιας συσκευής κουρέματος γκαζόν που τροφοδοτείται με ΑΙ, για τη διαφοροποίηση μεταξύ ζιζανίων και τριαντάφυλλων. Εάν θέλετε να κόψετε το γκαζόν σε μια συγκεκριμένη περιοχή, δεν χρειάζεται να διδάξετε στη συσκευή πώς να διαφοροποιεί το τι πρέπει να κόψει και τι όχι, αλλά να τη διδάξετε να αποφεύγει συγκεκριμένα φυτά που δεν θέλετε να κοπούν. Ο κυριολεκτικός ορισμός ενός ζιζανίου είναι “ένα άγριο φυτό που αναπτύσσεται σε μέρος που δεν θέλουμε”. Ένα χλοοκοπτικό, που μπορεί να στοχεύσει τα ζιζάνια αλλά να αποφύγει τα τριαντάφυλλα, είναι ένα χλοοκοπτικό που καταλαβαίνει ποια φυτά είναι επιθυμητά σε ένα δεδομένο γεωγραφικό πλαίσιο. Αυτό είναι ένα καθήκον, στο οποίο ακόμη και οι άνθρωποι μπορούν να αποτύχουν.
Σε γενικές γραμμές, η ανάπτυξη AI silicon – την οποία επιδιώκουν τόσο μεγάλες όσο και μικρές εταιρείες – αποτελεί μέρος μιας προσπάθειας να προωθηθεί η εξειδίκευση.
Στις αρχές της πληροφορικής ως επιστήμη, οι εξειδικευμένες αρχιτεκτονικές αποκαλούνταν απλά “αρχιτεκτονικές”, επειδή κάθε ηλεκτρονικός υπολογιστής διέθετε τα δικά του λειτουργικά συστήματα, τις βιβλιοθήκες λογισμικού και τις συμβατές περιφερειακές συσκευές hardware. Με την πάροδο του χρόνου, οι κατασκευαστές άρχισαν να δίνουν έμφαση στη συμβατότητα μεταξύ hardware, software και περιφερειακών συσκευών. Ακόμα και στη δεκαετία του 1980, ήταν σύνηθες για εταιρείες τρίτων να σχεδιάζουν FPUs, που ήταν συμβατά με το desktop της Intel, για παράδειγμα.
Το πρόβλημα με τις αρχιτεκτονικές εξειδικευμένων μικροεπεξεργαστών, μιλώντας ιστορικά, είναι ότι ακόμη και αν είχατε μια ιδέα για έναν ιδιαίτερα έξυπνο τρόπο εκτέλεσης ενός συγκεκριμένου τύπου οδηγιών, η ταχύτητα του computation γενικής χρήσης αυξανόταν με τέτοιο ρυθμό που κατανάλωνε το πλεονέκτημα στην αγορά πριν καν φτιαχτεί το προϊόν. Φανταστείτε να ξεκινούσατε μια εταιρεία το 1990 με ένα τσιπ 5 φορές ταχύτερο από αυτό της Intel. Το 1990, το ταχύτερο CPU από την Intel ήταν το 33MHz 486DX. Εάν χρειάστηκαν τρία χρόνια για να φέρετε το προϊόν σας στην αγορά, θα είχατε να αντιμετωπίσετε το Pentium 66MHz, ένα CPU 2 φορές ταχύτερο και παραπάνω από το αρχικό σας σημείο σύγκρισης. Εάν χρειάστηκαν τέσσερα χρόνια, θα είχατε να αντιμετωπίσει το Pentium 100MHz. Στο μεταξύ η Intel επωφελούνταν από την οικονομία κλίμακας.
Αυτή η ασυναγώνιστη οικονομία κλίμακας και οι γρήγορες εξελίξεις στην πληροφορική δείχνουν γιατί τα προγράμματα γενικής χρήσης κατέκτησαν την αγορά και συνεχίζουν να έχουν τον έλεγχο μέχρι σήμερα. Τα GPU είναι η κύρια εξαίρεση σε αυτή την τάση. Ο λόγος που είναι εξαίρεση, είναι ότι η φύση του workload γραφικών είναι τόσο διαφορετικό από το workload γενικής χρήσης, που ποτέ δεν θα μπορούσε να δημιουργηθεί ένα GPU που να διαχειρίζεται ένα σειριακό CPU ή το αντίστροφο. Αυτό προσπάθησε σε ένα βαθμό να το πετύχει το Cell Broadband Processor της Sony.
Ωστόσο, η κλίμακα απόδοσης των CPU έχει σταματήσει να εξελίσσεται από το Sandy Bridge. Αυτό, περισσότερο από οτιδήποτε άλλο, εξηγεί γιατί η Google, το Facebook και άλλες εταιρείες εξετάζουν σοβαρά τις δικές τους αρχιτεκτονικές για συγκεκριμένα workloads.
Οι μονάδες GPU αναμένεται να ενεργοποιήσουν την επανάσταση του AI και του ML στο μέλλον. Αυτό αναμφίβολα ευχαριστεί τη Nvidia, η οποία σήμερα κυριαρχεί στην αγορά αυτών των προϊόντων. Ωστόσο, οι αρχιτεκτονικές που σχετίζονται με το συγκεκριμένο τομέα, όπως το TPU της Google, δεν πρόκειται να εξαφανιστούν.
Η Intel ήδη προσπαθεί να αντιμετωπίσει αυτές τις ανησυχίες. Πολλά από αυτά που έχει αποκτήσει η εταιρεία τα τελευταία χρόνια σχετίζονται με την αγορά του ΑΙ, συμπεριλαμβανομένης της Altera και της Movidius. Η AMD έχει επικεντρωθεί κυρίως στην ανάκτηση του μεριδίου της στην αγορά – τα 7nm GPU της είναι θεωρητικά ικανά να εκτελούν workloads AI και ML, αλλά η Nvidia δεσπόζει σε αυτό τον τομέα.
Ο στόχος του Facebook να βελτιώσει τη χρήση του AI και να επεκτείνει τους τύπους των προβλημάτων που θα μπορεί να επιλύσει, συνδέεται με την έρευνα που βλέπουμε και από άλλες επιχειρήσεις. Συγκεκριμένα, αποτελεί σημαντική απειλή για τα κέρδη στην αγορά x86 CPU, όχι επειδή τα CPU θα αντικατασταθούν – πάντα θα χρειάζεστε ένα μηχάνημα γενικής χρήσης, είτε πρόκειται για ARM είτε για x86 – αλλά επειδή οι αγορές υψηλού περιθωρίου κέρδους, στις οποίες πωλούν τώρα τα CPU, θα μπορούσαν να καλύψουν τις ανάγκες τους από άλλα προϊόντα.
