Unconventional AI تختبر نماذج بالمذبذبات قبل إثبات شريحة موفرة للطاقة

Un-0 تختبر مسارا بالمذبذبات لتسريع الذكاء الاصطناعي

أطلقت Unconventional AI سلسلة نماذج Un-0 لاختبار توليد الصور القائم على المذبذبات، ناقلة فرضيتها الخاصة بكفاءة الشرائح إلى أبحاث النماذج، مع بقاء إثبات المسرع المادي إلى مرحلة لاحقة.

يقود الشركة Naveen Rao، النائب السابق لرئيس منصات الذكاء الاصطناعي في Intel. وذكرت SiliconANGLE أن Unconventional AI جمعت 475 مليون دولار في ديسمبر من تحالف ضم مؤسس Amazon جيف بيزوس.

تطور الشركة شرائح تهدف إلى تشغيل نماذج الذكاء الاصطناعي بطاقة أقل بكثير من معالجات الرسوميات الحالية. وتعد Un-0 جزءا من هذه الخطة، لكن النماذج التي أطلقتها لا تعمل بعد على شريحة مذبذبات.

بدلا من ذلك، تولد Un-0 الصور باستخدام مذبذبات محاكاة. وترتبط هذه الأجهزة الافتراضية ببعضها، بحيث تؤثر إشارة أحد المذبذبات الافتراضية في مخرجات المذبذبات الأخرى. وتستخدم الشركة سلسلة النماذج لاختبار ما إذا كان هذا الأسلوب الحاسوبي قادرا على دعم أحمال الذكاء الاصطناعي التوليدي.

أحجام النماذج تمتد من 1,024 إلى 16,384 مذبذبا

تضم سلسلة Un-0 ستة نماذج بأحجام وأهداف جودة مخرجات مختلفة. يستخدم أصغر نموذج 1,024 مذبذبا افتراضيا، بينما يستخدم أكبرها 16,384 مذبذبا.

درّبت Unconventional AI النماذج على CIFAR-10 وImageNet-64، وهما مجموعتا صور مفتوحتا المصدر تستخدمان في مشاريع تعلم الآلة. واختلفت عملية التدريب عن مسارات الشبكات العصبية القياسية لأن الشركة عايرت طريقة تأثير المذبذبات المحاكاة في بعضها وتردد توليدها للإشارات.

في مسار توليد الصور المعتاد، يبدأ النموذج بضوضاء عشوائية ثم يحولها تدريجيا إلى صورة. وتبدأ Un-0 بالطريقة نفسها، لكن مجموعة صغيرة من المذبذبات تنتج أولا تعليمة تخبر النموذج بنوع الصورة التي يجب إنشاؤها. ثم تتفاعل المذبذبات الأخرى وتنتج أرقاما يمكن تجميعها في صورة.

قالت الشركة إن اختبارات معيارية أظهرت أن Un-0 تستطيع مطابقة جودة طرق توليد الصور التقليدية الرائدة عندما نشرت تلك الطرق لأول مرة. ويدعم هذا الادعاء اتجاه البحث، لكنه لا يثبت بعد أداء الشريحة تجاريا أو عائد التصنيع أو نشر العملاء.

إثبات الشريحة لا يزال يعتمد على العتاد

الزاوية شبه الموصلة هي ما يجعل الإطلاق أكثر من إعلان عن نموذج صور آخر. فالمذبذبات تنتج بالفعل بكميات كبيرة لشرائح مثل وحدات المعالجة المركزية، حيث تساعد في تحديد وتيرة الحسابات.

تختبر Unconventional AI ما إذا كان من الممكن تجميع عدد كبير من المذبذبات المصغرة في مسرع لتعلم الآلة. وإذا نجح المسار العتادي، تأمل الشركة أن تحسن البنية كفاءة طاقة الذكاء الاصطناعي مقارنة بالنهج الحالي المعتمد بكثافة على معالجات الرسوميات.

بالنسبة إلى مشتري الشرائح ومشغلي مراكز البيانات، يبقى الدليل الناقص هو العتاد. فقد وصفت الشركة سلسلة نماذج ومسار عمل بمذبذبات محاكاة، لكنها لم تكشف عن مسرع شحن، أو نشر لدى عميل، أو استهلاك طاقة معياري على شريحة فعلية، أو جدول إنتاج.