کمیته رکن چهارم – مجهز نبودن تراشه‌ها به یادگیری عمیق کمبودی است که باعث شده تا مدیران شرکت‌های بزرگ طراحی تراشه گردهم آمده و درباره تقاضای روزافزون تراشه‌های مجهز به یادگیری عمیق و رفع این مشکل تبادل‌نظر کنند.
با گسترش هوش مصنوعی، صنعت کامپیوتر با تغییرات بزرگی مواجه شده است، همان‌طور که تقاضای بازار برای «یادگیری عمیق» در قالب یادگیری ماشین الزامات جدیدی را روی طراحی سیلیکون ایجاد می‌کند، هر روز به آستانه‌ی محدودیت‌های قانون مور که چیزی بیش از یک پیش‌بینی تاریخی و اقتصادی از آینده‌ی دنیای کامپیوترها و یکی از حاکمان قدرتمند چند دهه اخیر در پیشرفت حوزه کسب‌و‌کار تراشه است، نزدیک‌تر می‌شویم.
بنابراین اخیرا، متفکرین و بزرگان صنعت تراشه در سانفرانسیسکو جمع شدند تا در مورد این مسئله به بحث بنشینند.
در این راستا، نشستی با حمایت مالی Applied Materials، بازیگر غالب و قدرتمند ابزار ساخت ترانزیستورها، در یک روز کامل با سخنرانان کلیدی و جلسات بحث و گفتگوی آزاد با نام انجمن طراحی هوش مصنوعی (A.I. Design Forum) برگزار شد؛ این نشست همچنین با همکاری یکی از بزرگ‌ترین نمایشگاه‌های سالانه صنعت تراشه یعنی Semicon West برگزار شد.
سخنرانی‌ها و گفتگوهای این گردهمایی حامل اخبار خوب و بد بود. نقطه قوت در حاشیه این مراسم، ارائه‌ی ابزارهای متنوع از سوی شرکت‌هایی چون AMD و Xilinx برای تطبیق «ناهمگن» تراشه‌ها باهدف برطرف کردن نیازهای یادگیری عمیق بود. در طرف دیگر این سؤال مطرح است که آیا طراحی کیت‌های جدید می‌تواند استهلاک بالقوه مراکز داده را زیر فشار تقاضای افزایش محاسبات کم کند یا نه؟
لازم به ذکر است که هیچ تراشه‌ی جدیدی در Semicon نمایش داده نشد؛ اما بحث در انجمن هوش مصنوعی به جمع‌بندی خوبی از اینکه چگونه صنعت تراشه به انفجار یادگیری ماشین منجر خواهد شد و این پیشرفت برای کامپیوترها به چه معنا است، رسیدند.
گری دیکرسون، مدیر اجرایی شرکت Applied Materials، یکی از سخنرانان کلیدی این مراسم سخنرانی خود را با استناد به اطلاعات پروفسور دیوید پترسون، استاد دانشگاه برکلی وجان هنسی رئیس شرکت آلفابت به موضوع کاهش چشمگیر قانون مور اشاره کرد. او با دراختیار داشتن این اطلاعات نشان داد که پردازنده‌های جدید در عملکرد تنها ۳.۵ درصد در سال بهبود می‌یابند. (البته استناد وی به آماری کمی قدیمی‌تر است، چراکه مقاله‌ای که توسط پترسون و هنسی در ماه فوریه منتشر شد، کاهش عملکرد در پردازنده‌ها را در سال ۳ درصد اعلام کرده بود.)
دیکرسون ادعا می‌کند که حجم کاری هوش مصنوعی در مراکز داده در سراسر جهان می‌تواند به اندازه ۸۰ درصد کل چرخه‌های محاسبه و ۱۰ درصد از مصرف برق جهانی در دهه‌ی آینده باشد. وی معتقد است که صنعت باید به‌دنبال راه‌حل‌های بیشتری از جمله طراحی «معماری‌های جدید» برای تراشه و انواع جدید تراشه‌های حافظه باشد. او به انواع مختلفی از تراشه‌های حافظه مانند MRAM، ReRAM (رم مقاومتی)، PCRAM (رم تغییرفاز) و FeRAM اشاره کرد. صنعت به‌جای بررسی واحدهای گسسته و هر ماده جدیدی فراتر از سیلیکون باید به کشف طرح‌های تراشه آنالوگ، تراشه‌هایی که داده‌ها را به‌صورت مداوم دستکاری می‌کنند و سیگنال‌هایی ارزش واقعی بپردازد.
منبع : زومیت
