Kada danas kažemo „veštačka inteligencija“, većina nas pomisli na chatbot, generisanje slika ili telefon koji prepoznaje lice. Međutim, ono što se dešava u pozadini mnogo je ozbiljnije.
Iza svakog velikog AI modela stoje hiljade procesora koji rade istovremeno i obrađuju ogromne količine podataka.
Tu na scenu stupaju superračunari za veštačku inteligenciju.
Nekada su superračunari služili prvenstveno za vremenske prognoze, naučna istraživanja, simulacije i razvoj novih lekova. Danas se sve češće grade upravo zbog AI-ja. A u toj trci više nije dovoljno imati samo snažan procesor. Potrebni su specijalizovani GPU čipovi, ogromne količine brze memorije i što brža veza između hiljada računarskih jedinica.
A onda dolazi još zanimljivija stvar: neuromorfni čipovi, koji pokušavaju da način rada računara približe ljudskom mozgu.
1. Zašto AI traži toliko snažne računare?
Savremeni AI modeli imaju ogroman broj parametara, od milijardi pa do više stotina milijardi. Što je model veći, potrebno je više računarske snage i za njegovo treniranje i za svakodnevni rad.
Klasični procesor (CPU) ima mali broj veoma moćnih jezgara koja zadatke uglavnom izvršavaju jedan za drugim. GPU je napravljen drugačije: ima hiljade manjih jezgara koja istovremeno obrađuju veliki broj jednostavnih operacija. Upravo to je ono što AI treba, jer se trening modela u osnovi svodi na ogroman broj množenja matrica.
Zato su GPU-ovi postali praktično nezaobilazni u razvoju veštačke inteligencije. Umesto da jedan procesor sve radi sam, hiljade GPU jedinica rade paralelno, pa najmoćniji AI sistemi danas više liče na fabrike računanja nego na klasične računare.
Ali nije dovoljno samo imati veliki broj GPU-ova. Oni moraju veoma brzo da komuniciraju međusobno. Ako je veza spora, deo potencijalne snage ostaje neiskorišćen, a skupi čipovi čekaju jedni na druge.
2. Novi GPU-ovi postaju sve važniji za AI
Kada se govori o AI hardveru, NVIDIA je verovatno prvo ime koje većina ljudi prepozna. Njeni GPU akceleratori za data centre postali su jedan od temelja savremene AI infrastrukture. Ipak, nije jedina: AMD, Intel i brojni drugi proizvođači takođe razvijaju sopstvene AI akceleratore, a velike tehnološke kompanije prave i svoje čipove.
Moderni AI GPU više nije samo „grafička kartica“. On je specijalizovani računski akcelerator sa velikim brojem jezgara, ogromnom propusnošću memorije i tehnologijama namenjenim upravo AI zadacima. Među njima su posebno važna tensor jezgra, koja ubrzavaju matematičke operacije najčešće korišćene u mašinskom učenju.
Zanimljivo je da se ovi čipovi razvijaju u pravcu koji ima malo veze sa igrama. Dok gejmerima znače kvalitetnija grafika i više frejmova u sekundi, AI sistemima je važno koliko brzo mogu da obrade milijarde matematičkih operacija.
3. Superračunar nije samo gomila GPU-ova
Možda zvuči jednostavno: uzmeš nekoliko hiljada GPU-ova, povežeš ih i dobiješ superračunar. U praksi je priča mnogo komplikovanija.
Potrebni su ogromni serverski sistemi, veoma brza mreža, specijalizovani sistemi za hlađenje, pouzdano napajanje i brzo skladištenje podataka. Veliki AI sistem može trošiti električnu energiju kao manji grad, zbog čega se sve više pažnje posvećuje energetskoj efikasnosti.
Jer ako novi GPU donese dvostruko veću snagu, ali potroši tri puta više energije, problem zapravo nije rešen.
Zbog toga se budućnost AI superračunara neće meriti samo brojem GPU-ova i teraFLOPS-ima. Sve važniji postaju performanse po utrošenom vatu, brzina memorije i efikasnost komunikacije između procesora.
4. A gde se uklapaju neuromorfni čipovi?
Ovde stvari postaju posebno zanimljive. Neuromorfno računarstvo pokušava da napravi čipove koji rade na način sličan ljudskom mozgu.
Mozak ne funkcioniše tako što jedan procesor izvršava instrukcije jednu po jednu. Milijarde neurona međusobno komuniciraju i obrađuju informacije paralelno, i to uz potrošnju energije koja je otprilike kao kod slabije sijalice. Neuromorfni čipovi pokušavaju da iskoriste sličan princip.
Umesto klasičnog pristupa u kojem se podaci stalno prebacuju između memorije i procesora, neuromorfni sistemi obradu podataka čine lokalnijom i efikasnijom, jer su memorija i računanje blisko povezani.
Jedan od ključnih pojmova je spiking neural network, odnosno neuronska mreža zasnovana na „impulsima“. Informacija se šalje samo kada se dogodi određeni događaj, umesto da se sve stalno obrađuje. To može značajno smanjiti potrošnju energije. Primeri ovakvih čipova su Intel-ov Loihi i IBM-ov TrueNorth, koji su za sada pretežno istraživački projekti.
5. Hoće li neuromorfni čipovi zameniti GPU?
Verovatno ne, bar ne u skorije vreme. GPU-ovi su izuzetno dobri za treniranje velikih AI modela i obradu ogromnih količina podataka, a softverski ekosistem oko njih je godinama građen i zreo.
Neuromorfni čipovi imaju drugačije prednosti. Mogli bi biti veoma zanimljivi za robote, autonomna vozila, dronove, pametne kamere i druge uređaje koji moraju da reaguju na događaje u realnom vremenu, a imaju ograničen budžet energije.
Zamislite kameru koja ne šalje stalno kompletan video u data centar. Neuromorfni sistem mogao bi da reaguje samo kada primeti promenu u sceni. To znači manje podataka, manje komunikacije i potencijalno mnogo manju potrošnju energije.
6. Budućnost AI-ja nije samo u ogromnim data centrima
Jedan od zanimljivijih pravaca razvoja je AI na uređaju, odnosno obrada veštačke inteligencije direktno na telefonu, računaru, automobilu ili kameri. Već danas telefoni imaju NPU ili slične AI akceleratore koji omogućavaju prepoznavanje objekata, obradu fotografija, uklanjanje buke, prevođenje i druge zadatke bez stalnog slanja podataka na udaljeni server.
Umesto da za svaki zadatak koristimo superračunar u data centru, deo obrade može da se obavlja na samom uređaju. To je dobro i zbog brzine i zbog privatnosti, jer lični podaci ne moraju da napuštaju vaš telefon.
Šta nas čeka?
Trka u razvoju AI hardvera tek je počela. GPU će gotovo sigurno ostati ključan za velike modele i superračunare, ali će se pored njega razvijati sve više specijalizovanih procesora: NPU, TPU, AI akceleratori, neuromorfni čipovi i nove arhitekture koje isti posao pokušavaju da obave brže i uz manje energije.
Možda najveća promena neće biti u tome što će računari postati „milion puta brži“, već u tome što će početi da računaju na potpuno drugačiji način.
Zaključak
Superračunari za AI postaju nova osnova razvoja veštačke inteligencije. Novi GPU-ovi omogućavaju treniranje sve većih modela, dok neuromorfni čipovi nude potpuno drugačiji pristup obradi podataka i potencijalno mnogo veću energetsku efikasnost.
Za nas koji koristimo telefone i računare, ova trka se možda ne vidi direktno. Ali svaki novi AI akcelerator i efikasniji procesor jednog dana može završiti upravo u uređaju koji držimo u rukama. A onda će ono što danas nazivamo „superračunarskom tehnologijom“ postati sasvim običan deo svakodnevne elektronike.