واحد پردازش عصبی (NPU) چیست؟
به گزارش دور زمین، رایانه هایی که همواره می شناختیم، با تمرکز بر هوش مصنوعی کم کم به سطح دیگری ارتقا پیدا می نمایند تا بر پایه هوش مصنوعی، بیشتر با انسان تعامل داشته باشند و مغز متفکر این تعامل، واحد پردازش عصبی (NPU) است.
![واحد پردازش عصبی (NPU) چیست؟ واحد پردازش عصبی (NPU) چیست؟](https://dorezamin.com/upload/2024/06/28/253c756b0d38d1ef5-7dfe099e1b265-c749359d.jpg)
عصر هوش مصنوعی در راه است. با ادامه پیشرفت هوش مصنوعی مولد، شرکت هایی مانند اینتل، AMD و کوالکام هم در زمینه سخت افزاری این ماجرا فعالیت می نمایند. با معرفی واحد پردازش عصبی (Neural Processing Unit) یا به اختصار NPU، فرآیندهایی که از هوش مصنوعی استفاده می نمایند، حداقل از نظر تئوری، سرعت بیشتری می گیرند.
اپل، سال هاست که از NPU در تراشه های خود استفاده می نماید و بنابراین نمی توان این واحدهای پردازشی را موضوعی کاملا تازه دانست. با این حال، NPU امروزه به عنوان گام بزرگ بعدی در صنایع مختلف مطرح می گردد و نقش آن پررنگ تر از همواره شده است.
NPU چیست؟
NPU یک پردازنده تخصصی است که به طور معین برای سرعت بخشیدن به عملیات شبکه عصبی و وظایف هوش مصنوعی و اجرای الگوریتم های یادگیری ماشینی طراحی شده است. برخلاف پردازشگر مرکزی (CPU) و پردازشگر گرافیکی (GPU) سنتی، NPU برای انجام محاسبات پیچیده ریاضی که مبنای شبکه های عصبی مصنوعی یکپارچه هستند، بهینه شده اند.
این پردازنده ها در پردازش حجم وسیعی از داده ها به صورت موازی عالی هستند و همین موضوع آن ها را برای کارهایی مانند تشخیص تصویر، پردازش زبان طبیعی و دیگر عملکردهای مرتبط با هوش مصنوعی ایدئال می نماید. برای نمونه اگر قرار باشد یک NPU در یک GPU داشته باشید، واحد پردازش عصبی ممکن است مسؤول یک کار خاص مانند تشخیص شیء یا شتاب تصویر باشد.
NPU با CPU و GPU چه تفاوتی دارد؟
واحد پردازش گرافیکی (GPU) در پردازش موازی مهارت دارد و اغلب در یادگیری ماشینی استفاده می گردد، اما چنین کاری فراتر از پردازش گرافیکی چندان مطلوب نیست چون به واحدهای پردازشی مجزا احتیاج دارد و این جاست که NPU با تخصصی شدن، یک گام فراتر می رود.
پردازنده های گرافیکی همه کاره هستند و در انجام رندر گرافیکی و وظایف موازی عالی عمل می نمایند و واحد پردازش مرکزی هم مغز همه کاره رایانه محسوب می گردد و طیف وسیعی از وظایف را انجام می دهند. اما NPU اختصاصا برای سرعت بخشیدن به الگوریتم های یادگیری عمیق ساخته و بر پایه اجرای عملیات خاص مورد احتیاج برای شبکه های عصبی طراحی شده است. این سطح از فعالیت اختصاصی، به NPU امکان می دهد تا در سناریوهای خاص عملکرد بسیار بالاتر و مطلوب تری را برای بارهای کاری مرتبط با هوش مصنوعی، در مقایسه با CPU و حتی GPU ارائه دهد.
برخلاف CPUها و GPUهای همه کاره، NPUها برای محاسبات موازی مبتنی بر داده بهینه شده اند که باعث می گردد در پردازش داده های چندرسانه ای بزرگ مانند فیلم ها و تصاویر و پردازش داده ها برای شبکه های عصبی، بسیار کارآمد باشند و به ویژه در انجام وظایف مرتبط با هوش مصنوعی، مانند تشخیص گفتار، محو کردن پس زمینه در تماس های ویدیویی و فرآیندهای ویرایش عکس یا ویدیو مانند تشخیص اشیا مهارت دارند.
در حقیقت NPU برای تکمیل عملکرد CPU و GPU طراحی شده است. در حالی که پردازنده های مرکزی طیف وسیعی از وظایف را انجام می دهند و پردازنده های گرافیکی در ارائه جزئیات گرافیکی عالی هستند، NPUها در اجرای سریع وظایف مبتنی بر هوش مصنوعی تخصص دارند. این تخصص تضمین می نماید که از هیچ پردازنده ای بیش از حد استفاده نمی گردد و عملکرد روان آن در سراسر سیستم حفظ خواهد شد.
برای نمونه در تماس های ویدیویی، NPU می تواند به طور مؤثر وظیفه محو کردن پس زمینه را مدیریت کند و GPU را آزاد کند تا بتواند روی کارهای فشرده تر تمرکز کند. به طور مشابه، در ویرایش عکس یا ویدیو، NPU می تواند تشخیص اشیا و دیگر فرآیندهای مرتبط با هوش مصنوعی را مدیریت نمایند و بنابراین کارایی کلی تقسیم وظایف سیستم را افزایش دهند.
GPNPU: ترکیب GPU و NPU
مفهوم GPNPU (یا همان هیبرید GPU-NPU) با هدف ترکیب نقاط قوت GPU و NPU عرضه شده است. GPNPU هم از قابلیت های پردازش موازی GPU بهره می برد و هم معماری NPU را برای سرعت بخشیدن به وظایف مبتنی بر هوش مصنوعی شامل می گردد. هدف این ترکیب، ایجاد تعادل بین تطبیق پذیری و پردازش تخصصی هوش مصنوعی است تا احتیاجهای محاسباتی متنوع را در یک تراشه ادغام کند.
موقعیت NPU
برای بیشتر محصولات مصرفی، مانند سری Core و Core Ultra اینتل یا پردازنده های تازه AMD Ryzen 8040 NPU برای لپ تاپ در حقیقت در پردازنده اصلی ادغام می گردد. با این وجود در مراکز داده بزرگ تر یا عملیات صنعتی تخصصی تر، ممکن است NPU یک پردازنده کاملا جداگانه روی مادربرد باشد.
الگوریتم های یادگیری ماشینی و NPU
الگوریتم های یادگیری ماشینی ستون فقرات نرم افزارهای هوش مصنوعی را تشکیل می دهند. در حالی که اغلب با خود هوش مصنوعی اشتباه گرفته می گردد، در حقیقت یادگیری ماشینی را می توان یک نوع هوش مصنوعی در نظر گرفت. این الگوریتم ها از الگوهای داده ها یاد می گیرند و پیش بینی ها و تصمیم گیری هایی را بدون برنامه نویسی مستقیم انجام می دهند. چهار نوع الگوریتم یادگیری ماشینی وجود دارد که شامل تحت نظارت، نیمه نظارتی، بدون نظارت و تقویتی می شوند.
NPU نقشی محوری در اجرای کارآمد این الگوریتم ها و بعلاوه وظایفی مانند آموزش و استنتاج ایفا می نمایند و می توانند مجموعه داده های گسترده ای برای اصلاح مدل ها و پیش بینی های آنی، پردازش نمایند.
آینده واحد پردازش عصبی
در سال 2024 شاهد ظهور انواع مختلف واحد پردازش عصبی در سراسر دنیا هستیم که تراشه های ساخت اینتل، AMD و کواشاخص ترین آن هاست. هنوز معین نیست که این پردازنده ها در آینده چقدر مطرح و اثرگذار خواهند بود. در تئوری، قابلیت های تقویت شده هوش مصنوعی منجر به برنامه های پیچیده تر و اتوماسیون بهتر می گردد و در زمینه های مختلف قابل دستیابی است.
بدین ترتیب تقاضا برای کاربردهای مختلف مبتنی بر هوش مصنوعی همچنان افزایش خواهد یافت و بدین ترتیب واحدهای پردازش عصبی در خط مقدم این حوزه قرار می گیرند. معماری تخصصی آن ها، که برای وظایف یادگیری ماشینی بهینه سازی شده است، به واحدهای پردازش عصبی امکان می دهد تا در دنیای محاسبات پیش بروند. یکپارچگی GPNPUها و پیشرفت در الگوریتم های یادگیری ماشینی، بدون شک باعث جهش هایی می گردد که قبلا ندیده ایم و به پیشرفت فناوری و تغییر شکل منظره دیجیتال ما یاری می نماید.
بنابراین می توان گفت که اکنون در دوره ای هستیم که NPUها به شکل فزاینده ای در حوزه رایانه های شخصی و لپ تاپ کاربردی و رایج می شوند. پردازنده های Core Ultra اینتل و پردازنده های Snapdragon X Elite کوالکام از جمله نمونه هایی هستند که در آن ها NPU در کنار CPU و GPU یکپارچه شده است. این NPUها وظایف هوش مصنوعی را سریع تر انجام می دهند، بار دیگر پردازنده ها را می کاهند و منجر به عملکرد کلی بهتر می شوند.
در حال حاضر اغلب لپ تاپ های پرچم دار از NPU بهره می برند و همین گنجاندن NPU در آخرین نسل دستگاه ها به این معنی است که صنعت به خوبی مجهز است تا از آخرین فناوری های هوش مصنوعی بهره ببرد و امکانات هوش مصنوعی و فرآیندهای کارآمد بیشتری را برای کاربران ارائه دهد.
در گوشی های هوشمند هم NPUها نقش مهمی در محاسبات و برنامه های کاربردی هوش مصنوعی دارند. هوآوی یکی از اولین شرکت هایی بود که NPU را در پردازنده های گوشی های هوشمند ادغام کرد و به طور قابل توجهی قدرت محاسباتی هوش مصنوعی و بهره وری انرژی را در مقایسه با CPU و GPU سنتی افزایش داد. تراشه های موبایل Bionic اپل هم از واحد پردازش عصبی برای کارهایی مانند گرفتن لرزش ویدیو، تصحیح عکس و موارد دیگر استفاده می نمایند.
در حال حاضر ممکن است NPU برای بیشتر مردم قابلیت بزرگی به نظر نرسند و فقط کارهایی را که پیش از این هم می توانید در رایانه خود انجام دهید، مانند محو کردن پس زمینه در تماس تصویری یا فراوری تصویر با یاری هوش مصنوعی به صورت محلی در دستگاه خود، سرعت ببخشد. اما در آینده، همان طور که ویژگی های هوش مصنوعی به کاربردهای بیشتر و بیشتری می رسند، احتمالا به بخشی اساسی از رایانه شخصی شما تبدیل خواهد شد.
منابع: Tech Radar, Digital Trends, Cillblast
منبع: دیجیکالا مگ