واحد پردازش عصبی (NPU) چیست؟
رایانه‌هایی که همیشه می‌شناختیم، با تمرکز بر هوش مصنوعی کم‌کم به سطح دیگری ارتقا پیدا می‌کنند تا بر پایه‌ی هوش مصنوعی، بیشتر با انسان تعامل داشته باشند و مغز متفکر این تعامل، واحد پردازش عصبی (NPU) است.
عصر هوش مصنوعی در راه است. با ادامه‌ی پیشرفت هوش مصنوعی مولد، شرکت‌هایی مانند اینتل، AMD و کوالکام هم در زمینه‌ی سختافزاری این ماجرا فعالیت می‌کنند. با معرفی «واحد پردازش عصبی» (Neural Processing Unit) یا به اختصار NPU، فرآیندهایی که از هوش مصنوعی استفاده می‌کنند، حداقل از نظر تئوری، سرعت بیشتری می‌گیرند.
اپل، سال‌هاست که از NPU در تراشه‌های خود استفاده می‌کند و بنابراین نمی‌توان این واحدهای پردازشی را موضوعی کاملا جدید دانست. با این حال، NPU امروزه به عنوان گام بزرگ بعدی در صنایع مختلف مطرح میشود و نقش آن پررنگ‌تر از همیشه شده است.
NPU چیست؟
NPU با CPU و GPU چه تفاوتی دارد؟
GPNPU: ترکیب GPU و NPU
موقعیت NPU
الگوریتم‌های یادگیری ماشینی و NPU
آینده‌ی واحد پردازش عصبی
NPU چیست؟
NPU یک پردازنده‌ی تخصصی است که به طور مشخص برای سرعت بخشیدن به عملیات شبکه عصبی و وظایف هوش مصنوعی و اجرای الگوریتم‌های یادگیری ماشینی طراحی شده است. برخلاف پردازشگر مرکزی (CPU) و پردازشگر گرافیکی (GPU) سنتی، NPU برای انجام محاسبات پیچیده‌ی ریاضی که مبنای شبکههای عصبی مصنوعی یکپارچه هستند، بهینه شده‌اند.
این پردازنده‌ها در پردازش حجم وسیعی از داده‌ها به صورت موازی عالی هستند و همین موضوع آن‌ها را برای کارهایی مانند تشخیص تصویر، پردازش زبان طبیعی و دیگر عملکردهای مرتبط با هوش مصنوعی ایدئال می‌کند. برای نمونه اگر قرار باشد یک NPU در یک GPU داشته باشید، واحد پردازش عصبی ممکن است مسؤول یک کار خاص مانند تشخیص شیء یا شتاب تصویر باشد.
NPU اینتل
Credit: Intel
NPU با CPU و GPU چه تفاوتی دارد؟
واحد پردازش گرافیکی (GPU) در پردازش موازی مهارت دارد و اغلب در یادگیری ماشینی استفاده میشود، اما چنین کاری فراتر از پردازش گرافیکی چندان مطلوب نیست چون به واحدهای پردازشی مجزا نیاز دارد و این‌جاست که NPU با تخصصی شدن، یک گام فراتر می‌رود.
پردازنده‌های گرافیکی همه‌کاره هستند و در انجام رندر گرافیکی و وظایف موازی عالی عمل می‌کنند و واحد پردازش مرکزی هم مغز همه‌کاره‌ی رایانه محسوب میشود و طیف وسیعی از وظایف را انجام می‌دهند. اما NPU اختصاصا برای سرعت بخشیدن به الگوریتم‌های یادگیری عمیق ساخته و بر پایه‌ی اجرای عملیات خاص مورد نیاز برای شبکههای عصبی طراحی شده است. این سطح از فعالیت اختصاصی، به NPU امکان می‌دهد تا در سناریوهای خاص عملکرد بسیار بالاتر و مطلوب‌تری را برای بارهای کاری مرتبط با هوش مصنوعی، در مقایسه با CPU و حتی GPU ارائه دهد.
برخلاف CPUها و GPUهای همه‌کاره، NPUها برای محاسبات موازی مبتنی بر داده بهینه شده‌اند که باعث میشود در پردازش داده‌های چندرسانه‌ای عظیم مانند فیلم‌ها و تصاویر و پردازش داده‌ها برای شبکههای عصبی، بسیار کارآمد باشند و به ویژه در انجام وظایف مرتبط با هوش مصنوعی، مانند تشخیص گفتار، محو کردن پس‌زمینه در تماس‌های ویدیویی و فرآیندهای ویرایش عکس یا ویدیو مانند تشخیص اشیا مهارت دارند.
در حقیقت NPU برای تکمیل عملکرد CPU و GPU طراحی شده است. در حالی که پردازنده‌های مرکزی طیف وسیعی از وظایف را انجام می‌دهند و پردازنده‌های گرافیکی در ارائه جزئیات گرافیکی عالی هستند، NPUها در اجرای سریع وظایف مبتنی بر هوش مصنوعی تخصص دارند. این تخصص تضمین می‌کند که از هیچ پردازنده‌ای بیش از حد استفاده نمی‌شود و عملکرد روان آن در سراسر سیستم حفظ خواهد شد.
برای نمونه در تماس‌های ویدیویی، NPU می‌تواند به طور مؤثر وظیفه‌ی محو کردن پس‌زمینه را مدیریت کند و GPU را آزاد کند تا بتواند روی کارهای فشرده‌تر تمرکز کند. به طور مشابه، در ویرایش عکس یا ویدیو، NPU می‌تواند تشخیص اشیا و دیگر فرآیندهای مرتبط با هوش مصنوعی را مدیریت کنند و بنابراین کارایی کلی تقسیم وظایف سیستم را افزایش دهند.
GPNPU: ترکیب GPU و NPU
مفهوم GPNPU (یا همان هیبرید GPU-NPU) با هدف ترکیب نقاط قوت GPU و NPU عرضه شده است. GPNPU هم از قابلیت‌های پردازش موازی GPU بهره می‌برد و هم معماری NPU را برای سرعت بخشیدن به وظایف مبتنی بر هوش مصنوعی شامل میشود. هدف این ترکیب، ایجاد تعادل بین تطبیق‌پذیری و پردازش تخصصی هوش مصنوعی است تا نیازهای محاسباتی متنوع را در یک تراشه ادغام کند.
NPU انویدیا
Credit: Nvidia
موقعیت NPU
برای اکثر محصولات مصرفی، مانند سری Core و Core Ultra اینتل یا پردازنده‌های جدید AMD Ryzen 8040 NPU برای لپ‌تاپ در حقیقت در پردازنده‌ی اصلی ادغام میشود. با این وجود در مراکز داده‌ی بزرگ‌تر یا عملیات صنعتی تخصصی‌تر، ممکن است NPU یک پردازنده‌ی کاملا جداگانه روی مادربرد باشد.
الگوریتم‌های یادگیری ماشینی و NPU
الگوریتم‌های یادگیری ماشینی ستون فقرات نرم‌افزارهای هوش مصنوعی را تشکیل می‌دهند. در حالی که اغلب با خود هوش مصنوعی اشتباه گرفته میشود، در حقیقت یادگیری ماشینی را می توان یک نوع هوش مصنوعی در نظر گرفت. این الگوریتم‌ها از الگوهای داده‌ها یاد می‌گیرند و پیش‌بینی‌ها و تصمیم‌گیری‌هایی را بدون برنامه‌نویسی مستقیم انجام می‌دهند. چهار نوع الگوریتم یادگیری ماشینی وجود دارد که شامل تحت نظارت، نیمه نظارتی، بدون نظارت و تقویتی میشوند.
NPU نقشی محوری در اجرای کارآمد این الگوریتم‌ها و همچنین وظایفی مانند آموزش و استنتاج ایفا می‌کنند و میتوانند مجموعه داده‌های گسترده‌ای برای اصلاح مدل‌ها و پیش‌بینی‌های آنی، پردازش کنند.
آینده‌ی واحد پردازش عصبی
در سال ۲۰۲۴ شاهد ظهور انواع مختلف واحد پردازش عصبی در سراسر جهان هستیم که تراشه‌های ساخت اینتل، AMD و کواشاخص‌ترین آن‌هاست. هنوز مشخص نیست که این پردازنده‌ها در آینده چقدر مطرح و اثرگذار خواهند بود. در تئوری، قابلیت‌های تقویت‌شده‌ی هوش مصنوعی منجر به برنامه‌های پیچیده‌تر و اتوماسیون بهتر میشود و در زمینه‌های مختلف قابل دستیابی است.
بدین ترتیب تقاضا برای کاربردهای مختلف مبتنی بر هوش مصنوعی همچنان افزایش خواهد یافت و بدین ترتیب واحدهای پردازش عصبی در خط مقدم این حوزه قرار می‌گیرند. معماری تخصصی آن‌ها، که برای وظایف یادگیری ماشینی بهینه‌سازی شده است، به واحدهای پردازش عصبی امکان می‌دهد تا در دنیای محاسبات پیش بروند. یکپارچگی GPNPUها و پیشرفت در الگوریتم‌های یادگیری ماشینی، بدون شک باعث جهش‌هایی میشود که قبلا ندیده‌ایم و به پیشرفت فناوری و تغییر شکل چشم‌انداز دیجیتال ما کمک می‌کند.
بنابراین می‌توان گفت که اکنون در دوره‌ای هستیم که NPUها به شکل فزاینده‌ای در حوزه‌ی رایانههای شخصی و لپ‌تاپ کاربردی و رایج میشوند. پردازنده‌های Core Ultra اینتل و پردازنده‌های Snapdragon X Elite کوالکام از جمله نمونه‌هایی هستند که در آن‌ها NPU در کنار CPU و GPU یکپارچه شده است. این NPUها وظایف هوش مصنوعی را سریع‌تر انجام می‌دهند، بار دیگر پردازنده‌ها را می‌کاهند و منجر به عملکرد کلی بهتر میشوند.
در حال حاضر اغلب لپ‌تاپ‌های پرچم‌دار از NPU بهره می‌برند و همین گنجاندن NPU در آخرین نسل دستگاه‌ها به این معنی است که صنعت به خوبی مجهز است تا از آخرین فناوری‌های هوش مصنوعی بهره ببرد و امکانات هوش مصنوعی و فرآیندهای کارآمد بیشتری را برای کاربران ارائه دهد.
پردازده Bionic اپل
Credit: Apple
در گوشی های هوشمند هم NPUها نقش مهمی در محاسبات و برنامه های کاربردی هوش مصنوعی دارند. هوآوی یکی از اولین شرکت هایی بود که NPU را در پردازنده‌های گوشی‌های هوشمند ادغام کرد و به طور قابل توجهی قدرت محاسباتی هوش مصنوعی و بهره وری انرژی را در مقایسه با CPU و GPU سنتی افزایش داد. تراشه‌های موبایل Bionic اپل هم از واحد پردازش عصبی برای کارهایی مانند گرفتن لرزش ویدیو، تصحیح عکس و موارد دیگر استفاده می‌کنند.
در حال حاضر ممکن است NPU برای اکثر مردم قابلیت بزرگی به نظر نرسند و فقط کارهایی را که پیش از این هم می‌توانید در رایانه‌ی خود انجام دهید، مانند محو کردن پس‌زمینه در تماس تصویری یا تولید تصویر با کمک هوش مصنوعی به صورت محلی در دستگاه خود، سرعت ببخشد. اما در آینده، همان‌طور که ویژگی‌های هوش مصنوعی به کاربردهای بیشتر و بیشتری می‌رسند، احتمالا به بخشی اساسی از رایانه‌ی شخصی شما تبدیل خواهد شد.
منابع: Tech Radar, Digital Trends, Cillblast
