سریع‌ترین ابرکامپیوتر جهان، رکورد جدیدی در هوش مصنوعی ثبت کرد

در ساحل غربی ایالات متحده، غول‌های فناوری تلاش می‌کنند تا با استفاده از منابع فراوان خود، هوش مصنوعی را هرچه بیشتر هوشمندتر کنند. گوگل و فیسبوک، با استفاده از میلیاردها عکس و هزاران پردازنده‌ی پرقدرت، تلاش‌هایی در این زمینه داشتند و به موفقیت‌هایی هم رسیدند. به‌هرحال باوجود تمام تلاش‌های غول‌های سیلیکون‌ولی، سال گذشته دستاورد مهم حوزه‌ی هوش مصنوعی در شرق آمریکا و منطقه‌ی تنسی و در یک پروژه‌ی دولتی رقم خورد.

ابرکامپیوتر دولت آمریکا، در یک پروژه‌ی بررسی تغییرات اقلیمی و آب‌وهوایی به‌کار گرفته شد. این ابرکامپیوتر توانست سطوح جدیدی از یادگیری ماشین را پیاده‌سازی کند که سریع‌تر از هر نمونه‌ی قبلی بود.

Summit، ابرکامپیوتر سریع آمریکایی‌ها با ابعادی حدود ۲ زمین تنیس است. این غول پردازشی برای پروژه‌ی بررسی تغییرات اقلیمی، از ۲۷ هزار پردازنده‌ی گرافیکی استفاده کرد. پردازنده‌های گرافیکی، برای پیاده‌سازی هرچه بهتر الگوریتم‌های یادگیری ماشین، فناوری پیشگام صنعت هوش مصنوعی، استفاده شدند. سرعت سامیت در پردازش‌های مورد نیاز برای پروژه‌ی فوق، چندین میلیارد عملیات در ثانیه بود که در اصطلاحات ابرکامپیوتری با اکزافلاپ شناخته می‌شود.

نکته‌ی خاص پروژه‌ی رکوردشکن آمریکایی‌ها، آن بود که از قوی‌ترین ابرکامپیوتر جهان، برای حل بزرگ‌ترین مشکل جهان یعنی تغییرات اقلیمی استفاده می‌کرد. شرکت‌های فناوری، از نوآوری‌های یادگیری عمیق و هوش مصنوعی خود برای تشخیص دادن چهره‌ها یا علائم راهنمایی و رانندگی استفاده می‌کنند. درحالی‌که محققان دولتی آمریکا، از آن برای پیش‌بینی شرایط آب‌وهوایی و تغییرات آتی آن استفاده کردند.

خروجی‌های فراوانی که از شبیه‌سازی‌های اقلیمی به‌دست می‌آیند، داده‌های تغذیه‌ای پروژه‌ی هوش مصنوعی ابرکامپیوتر سامیت بودند. این داده‌ها، نتایجی با ارزش از تغییرات آتی اتمسفر زمین عرضه می‌کردند که به‌صورت پیش‌بینی‌های ۳ ساعته از آینده‌ی یک قرن اتمسفر به سیستم ارائه شد. با تحلیل آن داده‌ها، می‌توان الگوهای آب‌وهوایی را برای مناطق مختلف پیش‌بینی‌کرد. البته مشخص نیست که برای پیاده‌سازی همین پروژه، چه‌مقدار انرژی مصرف شده یا چقدر کربن به اتمسفر زمین اضافه شده است.

گوگل نیز در پروژه‌ی ملی ابرکامپیوتر سامیت شرکت داشته است. آن‌ها نرم‌افزار یادگیری ماشین متن‌باز خود با نام TensorFlow را در اختیار ماشین سامیت گذاشتند تا برای فرایندهای تحقیقاتی از آن استفاده شود. راجات مونگا، یکی از مهندسان ارشد گوگل درباره‌ی دستاورد فوق می‌گوید خودشان نیز انتظار چنین دستاوردهای بزرگی را نداشتند و تنها پس از پیاده‌‌سازی پروژه به ابعاد عظیم آن پی بردند.

اکثر پروژه‌هایی که با هدف مقیاس‌دهی به یادگیری عمیق انجام شده‌اند، در مراکز داده‌ی شرکت‌های اینترنتی شکل گرفتند. در آن فضاها، سرورها با همکاری یکدیگر مسائل پروژه را به قسمت‌های کوچک‌تر تقسیم کرده و آن‌ها را حل می‌کنند. در آن ساختارها، سرورها اتصالی موازی با یکدیگر دارند و به کامپیوتر عظیم مرکزی، وابسته نیستند.

ابرکامپیوترهایی همچون سامیت، ساختاری متفاوت با مراکز داده و خوشه‌های سرورها در شرکت‌های اینترنتی دارند. آن‌ها ارتباطاتی با سرعت بالا دارند که هزاران پردازنده‌ی درگیر را به یک سیستم مرکزی متصل می‌کند و آن سیستم، درنهایت به‌صورت یک کامپیوتر مستقل کار خود را انجام می‌دهد. تا چندی پیش، استفاده از چنین معماری برای پیاده‌سازی یادگیری ماشین، آن‌چنان مرسوم نبود و نمونه‌های اندکی از آن مشاهده می‌شد.

مونگا در ادامه‌ی صحبت‌هایش درباره‌ی پروژه می‌گوید پیاده‌سازی تنسورفلو در ابرکامپیوتر سامیت، تلاش‌های داخلی گوگل برای گسترش سیستم‌های هوش مصنوعی داخلی‌اش را نیز به‌خوبی نشان می‌دهد. مهندسان انویدیا نیز در این پروژه‌ همکاری داشتند. آن‌ها از اتصال و کارکرد هزاران پردازنده‌ی گرافیکی شرکت در پروژه‌ی ابرکامپیوتر، اطمینان حاصل کردند.

تلاش برای پیدا کردن راه‌های به‌منظور استفاده از قدرت پردازشی بیشتر در الگوریتم‌های یادگیری عمیق، در سال‌های اخیر بخش مهمی از تلاش‌های صنعت را به خود اختصاص داده است. فناوری یادگیری عمیق، همان فناوری است که به Siri امکان می‌دهد صدای شما را شناسایی کند. در کاربردی دیگر، یادگیری عمیق به کمک ماشین‌های Waymo می‌آید تا علائم راهنمایی و رانندگی را مشاهده کرده و تشخیص دهند. انفجار کاربردهای این فناوری، در سال ۲۰۱۲ و زمانی رخ داد که دانشمندان، توانستند از پردازنده‌های گرافیکی همچون محصولات انویدیا، برای افزایش کارایی آن استفاده کنند.

مؤسسه‌ی تحقیقاتی OpenAI یکی از سازمان‌هایی است که در سن‌فرانسیسکو قرار داشته و نام ایلان ماسک را در جایگاه بنیان‌گذاران یدک می‌کشد. آن‌ها در ماه می سال گذشته، تحلیلی از تحقیقات پیرامون یادگیری عمیق منتشر کردند. طبق تحلیل‌های منتشرشده، از سال ۲۰۱۲، قدرت پردازشی استفاده‌شده در بزرگ‌ترین پروژه‌های عمومی یادگیری ماشین در جهان، هر ۳.۴۳ ماه، ۲ برابر شده است. چنین تحلیلی، به‌معنای ۱۱ برابر شدن قدرت پردازشی مورد استفاده، در هر سال است.

گوگل و دیگر غول‌های دنیای فناوری، اکنون به فکر توسعه‌ی تراشه‌های جدید هستند تا قابلیت‌های فناوری یادگیری عمیق را بیش‌ازپیش توسعه دهند. تراشه‌های اختصاصی یادگیری عمیق، عموما با اصطلاح TPU شناخته می‌شوند. گوگل ادعا می‌کند خوشه‌هایی که از هزار عدد تراشه‌های اختصاصی این شرکت برای فرایندهای یادگیری عمیق استفاده کنند، توانایی ارائه‌ی ۱۰۰ پتافلاپ قدرت پردازشی دارند. چنین عددی، حدودا یک‌دهم قدرت پردازشی به‌کارگرفته‌شده در ابرکامپیوتر سامیت است.

پروژه‌ی سامیت، کاربرد بالایی در علم اقلیم‌شناسی داشت. نتایج پروژه نشان می‌دهد که چگونه یک هوش مصنوعی با قدرت پردازشی بسیار بالا، می‌تواند درک ما از تغییرات الگوهای آتی آب‌وهوایی را بهبود ببخشد. وقتی دانشمندان پیش‌بینی‌هایی برای یک قرن آینده‌ی آب‌وهوا ارائه دهند، خواندن پیش‌بینی‌های آن‌ها یک چالش بزرگ خواهد بود. پرابات در توضیح دشوار بودن خواندن این اطلاعات می‌گوید: «تصور کنید یک ویدئو در یوتیوب، به‌مدت ۱۰۰ سال پخش شود. قطعا نمی‌توان تمامی اجزای موجود در آن را تنها با دست شمرد».

پیاده‌سازی یادگیری عمیق در ابرکامپیوترها، اید‌ه‌ای است که در زمان مناسب به کمک محققان آب‌وهوایی آمد. مایکل پیچارد، یکی از اساتید دانشگاه کالیفرنیا، ایروین چنین اعتقادی دارد. از نظر او، کاهش سرعت بهبود پردازنده‌های سنتی، مهندسان را به استفاده از پردازنده‌های گرافیکی مدرن در ابرکامپیوترها سوق داد که کارایی‌شان با سرعت بیشتری در این سال‌ها بهبود داشته است. پیچارد در ادامه‌ی صحبت‌هایش می‌گوید: «در ساختار سنتی، به نقطه‌ای رسیده بودیم که نمی‌شد قدرت پردازش را با روش‌های عادی بهبود بخشید».

تغییر مسیر دانشمندان به پردازنده‌های گرافیکی، چالش‌هایی را برای شبیه‌سازی‌های سنتی به‌همراه داشت و آن‌ها را مجبور به همگام شدن با حرکت جدید کرد. به‌هرحال، در‌های جدیدی هم در علم باز شد که منجر به پی بردن به ارزش‌های بالای یادگیری عمیق شدند. یادگیری عمیق، به بهترین نحو از قدرت پردازش پردازنده‌های گرافیکی بهره می‌برد و دستاوردهای جدید در آن حوزه، به نفع صنعت پردازنده‌ی گرافیکی نیز خواهد بود.

تحقیقات فوق و دستاوردهای آن، دید مناسب‌تری نسبت به تغییرات آتی آب‌وهوایی به ما می‌دهد. گروه پیچارد، سال گذشته نشان دادند که یادگیری عمیق می‌تواند شبیه‌سازی‌های واقعی‌تری از ابرها در پیش‌بینی‌های آب‌وهوایی ارائه کند. در نتیجه‌ی آن، پیش‌بینی تغییر الگوهای بارشی نیز آسان‌تر خواهد شد.