
تلاش برای برتری در عصر هوش مصنوعی بین شرکتها و سازمانهای کوچک و بزرگ جریان دارد و دراینمیان، ابرکامپیوترها نقش برگهای برنده را دارند.
دیدارنیوزـ 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.
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.
پروژهی سامیت، هم برای آیندهی علم آبوهوا و هم هوش مصنوعی، دستاوردهای متنوعی دارد. این پروژه، نشاندهندهی ظرفیت علمی استفاده از یادگیری عمیق در ابرکامپیوترها است. ابرکامپیوترها، قبلا برای مواردی همچون شبیهسازی فرایندهای فیزیکی و شیمیایی مانند انفجارهای هستهای، یا تحقیقات پیرامون سیاهچالهها و کشف مواد جدید، استفاده میشدند. بهعلاوه، پروژهی مذکور نشان میدهد که یادگیری ماشین، چه فواید زیادی از قدرت ابرکامپیوترها کسب خواهد کرد. درنهایت، میتوان نتیجه گرفت که آیندهی روشنی از ترکیب این دو فناوری ساخته میشود.
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.
افزایش قدرت پردازشی در پروژههای یادگیری ماشین و هوش مصنوعی، بهمعنای افزایش توانایی محصولات آنها خواهد بود. همین قدرت پردازشی، به رباتهایی همچون محصول شرکت مادر گوگل(آلفابت) امکان داد تا غولهای بازیهای فکری همچون مسابقات بازیهای تختهای و بازیهای استراتژی ویدئویی را شکست دهند. بهعلاوه، دقت سرویس ترجمهی گوگل نیز با استفاده از همین تواناییهای یادگیری عمیق افزایش یافت.
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».
نرمافزارهایی که قبلا برای خودکارسازی فرایند خواندن اطلاعات استفاده میشدند، برای پروژهی پیشبینی اقلیمی، کاربرد زیادی نداشتند. نتایج ابرکامپیوتر سامیت نشان داد که هوش مصنوعی، این کار را بهتر انجام میدهد و در نتیجه، میتوان عواقب تغییرات اقلیمی همچون سیل و زلزله را نیز بهتر تحلیل کرد. بههرحال تحقیقات انجامشده، جایزهی Gordon Bell را بهخاطر توسعهی مرزهای پردازش ابرکامپیوتری برای مؤسسهی اوک ریج، دانشگاه لارنس برکلی و دانشمندان انویدیا بههمراه داشت.
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.
منبع:زومیت