الکسیس کراول، مدیر ارشد اجرایی و GM قاره آمریکا، Axelera AI

Axelera AI یک شرکت نیمه‌رسانا است که سخت‌افزار و نرم‌افزاری را توسعه می‌دهد تا هوش مصنوعی را قادر می‌سازد تا در هر جایی که داده‌های شما ایجاد می‌شود، با کارایی بالا و بازده انرژی اجرا شود.

کدام برنامه‌ها یا بازارهای راه‌حل‌های هوش مصنوعی لبه‌ای در حال حاضر جذاب‌ترین مکالمات را برای شما ایجاد می‌کنند و چرا؟

مکالماتی که به نظر من جالب تر است به ندرت با شرکت های هوش مصنوعی است. آنها با افرادی هستند که کارخانه ها، بنادر، مزارع، بیمارستان ها، شبکه های ریلی و زنجیره های خرده فروشی را اداره می کنند. به این معنی، شرکت هایی که هوش مصنوعی را برای ایجاد یک تجارت بهتر اتخاذ می کنند.

تولید صنعتی و بازرسی کیفیت بیشتر از همه مورد استفاده قرار می گیرد و پس از آن امنیت و ایمنی عمومی، خرده فروشی و شرکت قرار دارند. ما اکنون به بیش از 600 مشتری در سراسر این بخش ها ارسال کرده ایم.

مشتریان در این بخش ها به دنبال حاکمیت هوش مصنوعی هستند. در اروپا، خاورمیانه و به طور فزاینده ای در ایالات متحده، مشتریان می خواهند بدانند که داده های آنها دقیقا کجا پردازش می شود و چه کسی می تواند به آنها دسترسی پیدا کند. این هم یک سوال حاکمیتی و هم فنی است.

آنچه مرا درگیر می کند، ویژگی انسانی این استقرارها است. یکی از شرکای ما مطالعه موردی در کارخانه‌ای را منتشر کرد که ایمنی و حفاظت کارگران را تقریبا یک چهارم با استفاده از مدل‌های بینایی با فناوری Axelera افزایش داد. این یک انتزاع نیست. این تعداد کمتری از افرادی است که در محل کار آسیب می بینند.

معماری هوش مصنوعی چگونه در حال تکامل است؟ چه چیزی در ابر تعلق دارد، چه چیزی در لبه تعلق دارد و چه چیزی به طور فزاینده ای در جایی در این بین قرار می گیرد؟

این واقعا بستگی به این دارد که کسی در تلاش است تا چه مشکلی را حل کند. آموزش مدل‌های مرزی بزرگ متعلق به فضای ابری است، و من انتظار ندارم که تغییر کند. شدت سرمایه و مقیاس به سادگی به صورت مرکزی بهتر ارائه می شوند. استنتاج داستان متفاوتی است. استنتاج حجم کاری است که برای همیشه و به طور مکرر اجرا می شود و هزینه استنباط مادام العمر می تواند با اختلاف زیادی از هزینه آموزش فراتر رود. این واقعیت اقتصادی چیزی است که معماری محاسباتی را دوباره توزیع می کند.

جایی که زمین‌های محاسباتی باید تا حد زیادی به محل ایجاد داده‌ها، سرعت و تکراری که آن داده‌ها نیاز به تجزیه و تحلیل دارند، و خصوصی بودن آن داده‌ها بستگی داشته باشد. برای برنامه‌هایی که مقررات و حریم خصوصی اهمیت زیادی دارند، یا تأخیر واقعا اهمیت دارد، این استنتاج باید دقیقا در کنار ورودی داده قرار گیرد. به عنوان مثال، اگر یک هواپیمای بدون سرنشین دارید که به دنبال یک فرد گمشده می‌گردد، پخش کردن هر فریمی که در دوربین ثبت شده است، اطمینان حاصل می‌کند که عمر باتری آن پهپاد به حداقل می‌رسد.

اما اجرای هوش مصنوعی داخلی برای شناسایی عناصر کلیدی (یک فرد، کوله پشتی و غیره) ابتدا و سپس ارسال اعلان‌های مهم باعث طول عمر بیشتر و جستجو و نجات بهتر می‌شود.

در زمینه یک شرکت، اجرای مدل‌های زبان داخلی یا ربات‌های چت برای پشتیبانی از کسب‌وکارشان می‌تواند به شدت TCO آن‌ها را بهبود بخشد، زیرا گزینه‌های سخت‌افزاری اکنون برای پشتیبانی از آن برنامه‌ها وجود دارد و مدل‌هایی که دقت بالایی ارائه می‌دهند می‌توانند به صورت محلی اجرا شوند.

Axelera در مورد عملکرد در هر وات صحبت می کند، اما بهره وری انرژی در واقع در سطح سیستم به چه معناست؟

من سعی می کنم از نظر نتایج یک شرکت به چیزها نگاه کنم. چند نمونه از مواردی که کارایی انرژی واقعا مهم است شامل رباتیک و هواپیماهای بدون سرنشین، شرکت‌هایی با مرکز داده‌ای که نمی‌توانند بازسازی کنند و بهسازی تجهیزات نصب شده است.

با روباتیک و هواپیماهای بدون سرنشین، روی پلتفرمی که با باتری کار می‌کند، هر واتی که برای استنتاج صرف می‌شود، یک وات است که برای عمل کردن هزینه نمی‌شود. راندمان در اینجا مستقیما به زمان اجرا بین شارژها یا مقداری که می توان انجام داد تبدیل می شود. برای یک ربات متحرک مستقل در یک انبار، نود دقیقه اضافی در هر شیفت، تفاوت بین ناوگان هشت نفره و ناوگان ده نفره است. برای یک پهپاد بازرسی، این است که آیا کل دهانه پل در یک پرواز پوشیده می شود یا خیر. اینها نتایج واقعی کسب و کار هستند که مستقیما تحت تأثیر کارایی انرژی هستند.

مکالمه ای که من اغلب در قاره آمریکا دارم درباره شرکت هایی با مرکز داده ای است که نمی توانند بازسازی کنند. یک شرکت با یک مرکز داده اولیه دارای قفسه‌ها، جابجایی هوا، محدودیت بارگذاری کف و تخصیص نیرو از قبل تعیین شده است. آنها خواهان استنباط هوش مصنوعی هستند و پاسخ استاندارد، کلاس جدیدی از ماشین‌ها است که نیاز به خنک‌کننده مایع، کف‌پوش‌های تقویت‌شده و ارتقای توان دارند که هیچ‌کدام از آن‌ها نمی‌توانند توجیه یا برنامه‌ریزی کنند.

هنگامی که استنتاج در شاسی هوا خنک موجود و پوشش قدرت موجود قرار می گیرد، پروژه دیگر یک برنامه ساخت و ساز سرمایه ای نیست و به یک تصمیم خرید تبدیل می شود.

در مورد بهسازی تجهیزات نصب شده - اکثر دوربین ها، دروازه ها و رایانه های شخصی صنعتی در این زمینه، سال ها قبل از اینکه کسی قصد اجرای هوش مصنوعی روی آنها را داشته باشد، مشخص شده است. اما در بسیاری از موارد، آن ماشین‌ها دارای یک اسلات محاسباتی اضافی/خالی هستند که اگر یک ماژول هوش مصنوعی بتواند هم از نظر فیزیکی و هم در توان بودجه آن دستگاه قرار بگیرد، آن شرکت می‌تواند ناوگان خود را بدون شروع مجدد ارتقا دهد.

اینها تنها چند نمونه هستند، اما هر چه بیشتر به یک گفتگوی بازده انرژی بهتر متمایل شویم، نتیجه بهتری برای شرکت‌ها و انسان‌هایی که این فناوری‌ها را اتخاذ می‌کنند، خواهد بود.

یکی از وعده های بزرگ هوش مصنوعی مولد این است که در سیستم های فیزیکی جاسازی می شود. چه چیزی باید در پشته سخت‌افزار و نرم‌افزار تغییر کند قبل از اینکه بتوانیم هوش مصنوعی را در همه جا داشته باشیم، نه فقط در یک ربات چت؟

در بخش سخت‌افزار، صنعت چندین سال را صرف بهینه‌سازی برای محاسبات خام کرده است، در حالی که محدودیت واقعی در لبه GenAI حافظه است. بارهای کاری مولد و چندوجهی به گونه ای که دید کامپیوتر کلاسیک وجود نداشت، پهنای باند و ظرفیت را تشدید می کند. به همین دلیل است که معماری نسل بعدی ما، اروپا، تاکید زیادی بر حافظه و پهنای باند حافظه دارد. علاوه بر آن، سیستم‌های تعبیه‌شده به پوشش‌های توان واقعی، خنک‌کننده غیرفعال یا متوسط، TCO پایین و تعهدات تامین که در سال‌ها اندازه‌گیری می‌شوند، نیاز دارند، زیرا عمر تجهیزات صنعتی ده سال است.

مشکل سخت تر نرم افزار است. یک توسعه‌دهنده باید بتواند یک مدل را بیاورد، آن را کامپایل کند، بدون از دست دادن دقت معنی‌دار، آن را کمیت کند، آن را مستقر کند، آن را در میدان نظارت کند و بعدا بدون بازسازی سیستم، آن را به‌روزرسانی کند. هر یک از این مراحل جایی است که پروژه ها متوقف می شوند. دلیل سرمایه گذاری هنگفت ما در زنجیره ابزار Voyager است. مسیر را از مدل به برنامه در حال اجرا کوتاه می کند. ما همچنین یک شبکه شریک پر رونق داریم که یکپارچه سازی سیستمی را که ما خودمان نمی سازیم را تامین می کند.

آخرین قطعه اعتماد است. سیستم های فیزیکی بر روی و در جهان عمل می کنند. این انتظارات را برای امنیت، ایمنی عملکردی و قابلیت تأیید که یک رابط چت هرگز نباید برآورده کند، افزایش می دهد. آن کار بی زرق و برق است، اما دروازه ای به مقیاس واقعی است.

اگر استنتاج هوش مصنوعی به طور چشمگیری ارزان‌تر و از نظر انرژی کارآمدتر شود، چه برنامه‌هایی ناگهان از نظر تجاری قابل دوام می‌شوند که امروزه به سادگی قابل اجرا نیستند؟

دو حوزه وجود دارد که من از دیدن تغییرات بسیار هیجان زده هستم: پوشش بازرسی و دسترسی.

امروزه، اکثر شرکت‌ها نمونه‌برداری می‌کنند تا محصول را قبل از خروج از خط تولید، یا بخشی از فیلم ویدئویی یا بخشی از یک سازه آزمایش کنند. نمونه برداری به این دلیل اتفاق می افتد که بدون اتوماسیون و هوش مصنوعی، پردازش بازرسی های کامل با دست بسیار گران است. اما وقتی هزینه‌ها به اندازه کافی کاهش می‌یابد - هزینه هر تصویر، هزینه هر جریان ویدئو، هزینه هر جوش - اکنون نرخ پوشش به 100 می‌رسد و مصرف‌کنندگان و کسب‌وکارها محصولات با کیفیت بالاتر، نرخ نقص کمتر و امیدواریم فراخوان‌ها و نگرانی‌های مصرف‌کننده کمتر تولید می‌کنند.

من معتقدم هوش مصنوعی این پتانسیل را دارد که به اندازه دسترسی به برق پایدار در جامعه، شرکت یا اقتصاد تأثیرگذار باشد. و بله، من می‌دانم که این یک بیانیه بزرگ است، اما دستاوردهای بهره‌وری و توانایی ایجاد نتایج بهتر برای شهروندان یا مشتریان شما در حال تبدیل شدن به ذخایر جدول است. اما بدون دسترسی، شکاف بین «داشتن ها» و «نداشتن ها» بیشتر می شود.

این مقاله توسط شخص ثالث پرداخت شده است. نظرات و نظرات بیان شده نظرات نیوزویک نیست و محصولات، خدمات یا افراد ذکر شده را تایید نمی کند.