رشد هوش مصنوعی سریع‌تر از پیش‌بینی‌ها؛ قانون مور دیگر صدق نمی‌کند؟

این سرعت شتاب از مسیر قابل پیش بینی محاسبات سنتی می شکند. جنسن هوانگ ، مدیرعامل Nvidia ، پیشرفت AI را به “قانون مور مربع” نزدیک تر توصیف کرد.

عملاً ، هوش مصنوعی در طی یک دهه تقریباً 100،000x پیشرفت کرده است ، یک سرعت به طرز چشمگیری از پیشرفت 100X پیش بینی شده توسط قانون مور پیشی گرفته است. چنین شتاب نمایی بر مسیر رشد منحصر به فرد AI تأکید دارد.

انتقال از CPU به GPU ، واحدهای پردازش زبان (LPU) و واحدهای پردازش تانسور (TPU) به ویژه پیشرفت های هوش مصنوعی را تسریع کرده است. GPU ، LPU و TPU پیشرفتهای عملکرد قابل توجهی را ارائه می دهند که صریحاً برای بارهای کاری AI متناسب است.

جدیدترین مرکز داده Nvidia طبق گزارش ها از نسل های قبلی بیش از 30 برابر در بارهای کار استنتاج AI بهتر است.

نوآوری در معماری تراشه ، مانند طرح های سه بعدی و طرح های مبتنی بر تراشه ، عملکرد بیشتری را فراتر از مقیاس بندی ترانزیستور به تنهایی افزایش داده و بر محدودیت های فیزیکی ذاتی ساختارهای نیمه هادی دو بعدی سنتی غلبه کرده است.

با این حال ، برخلاف قانون مور ، که محدود به محدودیت های ذاتی جسمی است ، مسیر هوش مصنوعی هنوز از نظر مادی توسط مرزهای فیزیکی محدود نشده است. قانون مور به طور سنتی به چگالی ترانزیستور وابسته است ، تا جایی که تونل سازی کوانتومی محدودیت های عملیاتی دقیق را تقریباً در 5 نانومتر اعمال می کند.

برعکس ، هوش مصنوعی می تواند در راه های غیر سخت افزاری ، از جمله پالایش های الگوریتمی ، در دسترس بودن داده های گسترده و سرمایه گذاری قابل توجه ، سرمایه گذاری کند و ابعاد مختلفی را برای پیشرفت مستمر فراهم کند.

از نظر اقتصادی ، پیشرفت های سریع هوش مصنوعی به کاهش قابل توجهی در هزینه تبدیل می شود. آموزش تشخیص تصویر هوش مصنوعی به 93 ٪ دقت از حدود 2،323 دلار در سال 2017 به بیش از 12 دلار در سال 2018 کاهش یافته است. به همین ترتیب ، زمان آموزش و سرعت استنتاج به طرز چشمگیری بهبود یافته است ، تقویت کننده کارآیی عملی AI و زنده ماندن در بخش ها.

آیا قانون مور در مورد AI اعمال می شود؟

مشاهده رشد هوش مصنوعی صرفاً از طریق قانون مور بدیهی است محدودیت هایی دارد. توسعه هوش مصنوعی شامل رفتارهای مقیاس بندی پیچیده متمایز از پیشرفت های نیمه هادی است.

با این حال ، با وجود افزایش نمایی در قدرت محاسباتی ، دستیابی به سود عملکرد معادل در هوش مصنوعی ، منابع محاسباتی نامتناسب را می طلبد. منابع محاسباتی مورد نیاز می توانند شانزده برابر رشد کنند تا صرفاً یک پیشرفت دو برابر در قابلیت های هوش مصنوعی به دست بیاورند ، و این نشان می دهد کاهش بازده حتی در میان پیشرفت سخت افزار نمایی.

این پیچیدگی عدم کفایت قانون مور را به تنهایی به عنوان یک اقدام پیش بینی کننده برای رشد هوش مصنوعی برجسته می کند. محاسبات سنتی با موانع فیزیکی قطعی روبرو است و باعث می شود صنعت نیمه هادی در آغوش جمع کردن تراشه های سه بعدی ، معماری های چیپلت و طرح های مدولار ، تلاش برای گسترش قانون مور با وجود پیچیدگی و هزینه تولید ، در هر Sidecar AI.

در مقابل ، هوش مصنوعی نسبت به چنین محدودیت های بدنی سخت نسبتاً غیرقابل کنترل است و در عوض از نوآوری مداوم در نرم افزار ، مدیریت داده ها و معماری تخصصی سخت افزار بهره می برد. محدودیت هوش مصنوعی بیشتر از توسعه و نوآوری آن بر اساس عرضه و تقاضا برای منابع سخت افزاری است.

بنابراین ، در حالی که روایت مشترک این است که انرژی و در دسترس بودن GPU توسعه AI را محدود می کند ، داده ها برای خود صحبت می کنند. توسعه محاسبات هوش مصنوعی از محاسبات سنتی پیشی می گیرد ، و کسانی که در حال توسعه AI Frontier هستند ، سرمایه ای برای استقرار سخت افزار مورد نیاز دارند.

از قانون مور برای نشان دادن سرعت نوآوری محاسبات استفاده شد. به عنوان مثال ، رایانه های خانگی از پردازنده های x86 در اوایل دهه 90 به تراشه های اپل سری M چند درجه و فراتر از سه دهه منفجر شدند.

اگر AI در حال پیشرفت سریعتر از محاسبات سنتی در طی 30 سال گذشته باشد ، فقط می توان حدس زد که در کجا تا سال 2055 قرار خواهد گرفت.