گوگل با متن‌باز کردن پروژه TorchTPU گام مهمی برای کاهش وابستگی توسعه‌دهندگان هوش مصنوعی به تراشه‌های انویدیا برداشته است. این فناوری به برنامه‌های مبتنی بر PyTorch اجازه می‌دهد روی واحدهای پردازش تنسور گوگل یا همان TPU اجرا شوند. آمازون نیز تقریباً هم‌زمان با معرفی TorchNeuron، مسیر مشابهی را برای انتقال برنامه‌های هوش مصنوعی به تراشه‌های Trainium و زیرساخت AWS دنبال می‌کند.
چرا PyTorch برای صنعت هوش مصنوعی اهمیت دارد؟
PyTorch یکی از محبوب‌ترین ابزارهای متن‌باز برای ساخت، آموزش و اجرای مدل‌های هوش مصنوعی است. توسعه‌دهندگان، پژوهشگران و استارتاپ‌ها از این چارچوب برای تولید انواع برنامه‌های هوشمند استفاده می‌کنند و بر اساس برخی برآوردها، حدود ۸۵ درصد برنامه‌های هوش مصنوعی به‌نوعی با PyTorch توسعه یافته‌اند.
این پروژه در سال ۲۰۱۶ به‌وسیله متا، که در آن زمان با نام فیسبوک شناخته می‌شد، ایجاد شد؛ یعنی سال‌ها پیش از آنکه مدل‌های زبانی بزرگ به یکی از مهم‌ترین روندهای دنیای فناوری تبدیل شوند. در همان دوره، پردازنده‌های گرافیکی انویدیا سخت‌افزار استاندارد تحقیقات هوش مصنوعی بودند. به همین دلیل بسیاری از قابلیت‌های PyTorch از ابتدا با تمرکز بر GPUهای انویدیا طراحی شدند.
متا در سال ۲۰۲۲ مدیریت PyTorch را به بنیاد لینوکس واگذار کرد؛ سازمانی غیرانتفاعی که مسئولیت پشتیبانی و مدیریت شماری از مهم‌ترین پروژه‌های متن‌باز جهان را بر عهده دارد.
TorchTPU گوگل چه کاری انجام می‌دهد؟
TorchTPU نسخه‌ای از فناوری PyTorch برای تراشه‌های اختصاصی هوش مصنوعی گوگل است. این پروژه اجرای برنامه‌ها و مدل‌های مبتنی بر PyTorch را روی TPUهای گوگل ساده‌تر می‌کند و راهی مستقیم‌تر برای انتقال این بارهای کاری به Google Cloud در اختیار توسعه‌دهندگان قرار می‌دهد.
مهم‌ترین مزیت TorchTPU این است که توسعه‌دهندگان برای استفاده از سخت‌افزار گوگل مجبور نیستند برنامه‌های خود را از ابتدا بازنویسی کنند. طبق اعلام گوگل، انتقال یک پروژه موجود می‌تواند تنها با تغییر تنظیمات انجام شود؛ قابلیتی که هزینه، زمان و پیچیدگی مهاجرت از زیرساخت‌های مبتنی بر انویدیا را کاهش می‌دهد.
آمازون نیز با TorchNeuron وارد میدان شد
آمازون یک روز پیش از اعلام خبر گوگل، نسخه اختصاصی خود از PyTorch را با نام TorchNeuron معرفی کرد. این فناوری به توسعه‌دهندگان امکان می‌دهد برنامه‌های هوش مصنوعی خود را بدون بازنویسی گسترده به تراشه Trainium آمازون و سرویس ابری AWS منتقل کنند.
Trainium پردازنده اختصاصی آمازون برای آموزش مدل‌های هوش مصنوعی است. پشتیبانی ساده‌تر از PyTorch می‌تواند استفاده از این تراشه را برای شرکت‌هایی جذاب کند که به‌دنبال کاهش هزینه‌های زیرساخت، دسترسی به گزینه‌های سخت‌افزاری بیشتر یا کم‌کردن وابستگی خود به GPUهای انویدیا هستند.
چرا گوگل و آمازون سلطه انویدیا را هدف گرفته‌اند؟
بخش بزرگی از نرم‌افزارهای هوش مصنوعی به‌صورت پیش‌فرض برای اجرا روی تراشه‌ها و اکوسیستم نرم‌افزاری انویدیا آماده شده‌اند. این مزیت فنی، جایگاه انویدیا را در بازار مراکز داده و زیرساخت هوش مصنوعی تقویت کرده است. بااین‌حال، شرکت‌های بزرگ رایانش ابری تلاش می‌کنند مشتریان را به استفاده از تراشه‌های اختصاصی خود ترغیب کنند.
- گوگل می‌خواهد استفاده از TPU و خدمات Google Cloud را برای توسعه‌دهندگان PyTorch ساده‌تر کند.
- آمازون به‌دنبال گسترش پذیرش تراشه Trainium و سرویس‌های هوش مصنوعی AWS است.
- هر دو شرکت قصد دارند هزینه و دشواری انتقال برنامه‌ها از GPUهای انویدیا را کاهش دهند.
- متن‌باز بودن ابزارها می‌تواند مشارکت توسعه‌دهندگان و سرعت بهبود سازگاری نرم‌افزاری را افزایش دهد.
رقابت اصلی بر سر اکوسیستم توسعه‌دهندگان است
برتری در بازار تراشه‌های هوش مصنوعی فقط به قدرت پردازشی وابسته نیست. ابزارهای نرم‌افزاری، کتابخانه‌ها، مستندات و سهولت انتقال پروژه‌ها نیز در تصمیم شرکت‌ها نقش اساسی دارند. انویدیا طی سال‌ها اکوسیستم قدرتمندی پیرامون سخت‌افزار خود ساخته و همین موضوع مهاجرت کاربران به پلتفرم‌های رقیب را دشوار کرده است.
TorchTPU و TorchNeuron تلاش می‌کنند این مانع را از میان بردارند. اگر یک برنامه PyTorch بدون بازنویسی اساسی روی TPU گوگل یا Trainium آمازون اجرا شود، توسعه‌دهندگان آزادی بیشتری برای انتخاب ارائه‌دهنده ابری و سخت‌افزار مناسب خواهند داشت.
این رقابت چه تأثیری بر آینده هوش مصنوعی دارد؟
افزایش سازگاری PyTorch با تراشه‌های مختلف می‌تواند رقابت در بازار زیرساخت هوش مصنوعی را تشدید کند. نتیجه احتمالی این روند، تنوع بیشتر سخت‌افزار، کاهش هزینه اجرای مدل‌ها و کمتر شدن وابستگی کسب‌وکارها به یک تأمین‌کننده خواهد بود.
بااین‌حال، معرفی ابزارهای سازگار به‌تنهایی برای شکست سلطه انویدیا کافی نیست. گوگل و آمازون باید ثابت کنند که تراشه‌های اختصاصی آن‌ها از نظر عملکرد، هزینه، پایداری و تجربه توسعه‌دهنده توان رقابت با GPUهای انویدیا را دارند. موفقیت TorchTPU و TorchNeuron نیز به میزان استقبال جامعه متن‌باز و پشتیبانی از مدل‌ها و پروژه‌های واقعی بستگی خواهد داشت.
جمع‌بندی
متن‌باز شدن TorchTPU و معرفی TorchNeuron نشان می‌دهد رقابت تراشه‌های هوش مصنوعی وارد مرحله تازه‌ای شده است. گوگل و آمازون دیگر فقط با ارائه سخت‌افزار اختصاصی رقابت نمی‌کنند؛ آن‌ها اکنون می‌کوشند مهم‌ترین ابزار توسعه مدل‌های هوش مصنوعی را نیز با زیرساخت خود سازگار کنند. اگر این راهکارها مهاجرت برنامه‌های PyTorch را واقعاً ساده کنند، توسعه‌دهندگان گزینه‌های بیشتری خواهند داشت و جایگاه مسلط انویدیا با چالشی جدی‌تر روبه‌رو خواهد شد.
نظر، سوال یا تجربه خود را درباره این مطلب با سایر کاربران اوکالا به اشتراک بگذارید.