พลิกโฉมสถาปัตยกรรมคอมพิวเตอร์
นักวิจัยจีนเปิดตัวชิปประมวลผลแบบอนาล็อกที่ล้ำหน้า ซึ่งประมวลผลงานด้านปัญญาประดิษฐ์โดยใช้พลังงานเพียงเศษเสี้ยวเมื่อเทียบกับโปรเซสเซอร์ดิจิทัลทั่วไป นับเป็นหมุดหมายสำคัญของความพยายามพัฒนาฮาร์ดแวร์ AI ที่ยั่งยืนยิ่งขึ้น ในงานวิจัยที่เผยแพร่ในวารสาร Nature Communications สัปดาห์นี้ นักวิทยาศาสตร์จากมหาวิทยาลัยปักกิ่งแสดงให้เห็นว่าชิปหน่วยความจำเข้าถึงโดยสุ่มแบบต้านทานของพวกเขาสามารถฝึกระบบแนะนำเนื้อหาด้วยชุดข้อมูลที่มีขนาดใกล้เคียงกับที่ Netflix และ Yahoo ใช้ โดยทำงานได้เร็วกว่าโปรเซสเซอร์ดิจิทัลระดับก้าวหน้าถึง 12 เท่า ขณะที่ใช้พลังงานเพียงหนึ่งใน 200
สารบัญ
ความก้าวหน้านี้ช่วยยืนยันข้ออ้างทางทฤษฎีก่อนหน้า พร้อมยกระดับเทคโนโลยีจากการทดสอบโจทย์คณิตศาสตร์อย่างง่ายไปสู่การใช้งานจริง ซุน จง ผู้เขียนหลัก ระบุว่าความสำเร็จนี้ช่วยขยายขอบเขตการประมวลผลแบบอนาล็อกไปอีกขั้น โดยชี้ว่าชิปใหม่จัดการงานซับซ้อนได้ ขณะยังคงรักษาข้อได้เปรียบด้านความเร็วและการใช้พลังงานของการคำนวณแบบอนาล็อกไว้ได้ การพัฒนานี้เกิดขึ้นในช่วงที่ศูนย์ข้อมูลทั่วโลกกำลังเผชิญความต้องการไฟฟ้าที่พุ่งสูงจากการฝึก AI โดยศูนย์ข้อมูลบางแห่งใช้ไฟฟ้าในปริมาณเทียบเท่ากับเมืองขนาดเล็ก
งานวิจัยนี้ต่อยอดจากผลงานที่รายงานครั้งแรกเมื่อเดือนตุลาคม ซึ่งทีมวิจัยประกาศว่าแก้ปัญหาความแม่นยำที่ผู้เชี่ยวชาญเรียกว่าเป็นปัญหาเก่าแก่กว่าศตวรรษของการประมวลผลแบบอนาล็อกได้แล้ว ในเวลานั้น นักวิจัยระบุว่าชิปอาจทำอัตราการประมวลผลได้เร็วกว่าอุปกรณ์ดิจิทัลระดับแนวหน้า เช่น หน่วยประมวลผลกราฟิก Nvidia H100 ถึง 1,000 เท่า และมีประสิทธิภาพด้านพลังงานดีกว่า 100 เท่า งานตีพิมพ์ล่าสุดยืนยันประสิทธิภาพที่ดีขึ้นในการใช้งานจริง แม้จะไม่สูงเท่าประมาณการทางทฤษฎีในช่วงแรก พร้อมแสดงความสามารถด้านระบบแนะนำเฉพาะบุคคลและการประมวลผลภาพ
คอมพิวเตอร์ทั่วไปประมวลผลข้อมูลเป็นเลขฐานสอง คือศูนย์และหนึ่ง ขณะที่ระบบอนาล็อกจัดการสัญญาณทางกายภาพที่ต่อเนื่อง เช่น กระแสไฟฟ้า การประมวลผลดิจิทัลทำงานคล้ายสวิตช์ไฟทั่วไปที่มีเพียงสองสถานะ คือเปิดหรือปิด ส่วนการประมวลผลแบบอนาล็อกคล้ายสวิตช์หรี่ไฟที่ปรับค่าได้ต่อเนื่อง ความแตกต่างพื้นฐานนี้ทำให้ชิปอนาล็อกคำนวณผ่านคุณสมบัติทางกายภาพแทนรหัสฐานสอง และหลีกเลี่ยงการเคลื่อนย้ายข้อมูลที่ใช้พลังงานสูงระหว่างหน่วยความจำกับหน่วยประมวลผล ซึ่งเป็นข้อจำกัดของโปรเซสเซอร์ทั่วไป
จังหวะเวลาของการพัฒนานี้มีความสำคัญอย่างยิ่ง ขณะที่อุตสาหกรรมปัญญาประดิษฐ์กำลังเผชิญวิกฤตพลังงาน การฝึกโมเดลภาษาขนาดใหญ่เพียงโมเดลเดียวอาจใช้ไฟฟ้าหลายเมกะวัตต์-ชั่วโมง โดยศูนย์ข้อมูลทั่วโลกใช้พลังงานมากกว่าบางประเทศที่พัฒนาแล้ว โปรเซสเซอร์ดิจิทัลทั่วไปกำลังเข้าใกล้ขีดจำกัดทางกายภาพ เมื่อผู้ผลิตเข้าใกล้ระดับอะตอมของส่วนประกอบเซมิคอนดักเตอร์ นวัตกรรมด้านสถาปัตยกรรมจึงจำเป็นต่อความก้าวหน้าอย่างต่อเนื่องมากกว่าการพัฒนาด้านการผลิต
อย่างไรก็ตาม ระบบอนาล็อกมีปัญหาเรื่องความแม่นยำมาโดยตลอด คอมพิวเตอร์ดิจิทัลให้ผลลัพธ์ที่แม่นยำผ่านอัลกอริทึมที่ทำงานเป็นขั้นตอน แต่อุปกรณ์อนาล็อกมักถูกรบกวนจากสัญญาณแทรกและสัญญาณรบกวน ทำให้ไม่เหมาะกับการใช้งานสมัยใหม่ที่ซับซ้อน ข้อจำกัดนี้ทำให้เทคโนโลยีอนาล็อกถูกมองเป็นเพียงเรื่องน่าสนใจในอดีตมาหลายทศวรรษ แม้จะมีรากฐานเก่าแก่ เช่น กลไกแอนติไคเธอรา เครื่องคำนวณดาราศาสตร์ของกรีกอายุ 2,000 ปี ที่ใช้เฟืองขบกันเพื่อพยากรณ์ตำแหน่งเทห์ฟากฟ้า
ทลายกำแพงด้านความแม่นยำ
ทีมมหาวิทยาลัยปักกิ่งแก้ข้อจำกัดนี้ด้วยสถาปัตยกรรมวงจรคู่แบบใหม่ ซึ่งผสานความเร็วของการคำนวณแบบอนาล็อกเข้ากับความแม่นยำของระบบดิจิทัล ชิปใช้เซลล์หน่วยความจำเข้าถึงโดยสุ่มแบบต้านทาน ซึ่งจัดเก็บข้อมูลด้วยการปรับความต้านทานไฟฟ้าระหว่างขั้วไฟฟ้า นักวิจัยจัดเซลล์เหล่านี้เป็นวงจรสองชุดที่แตกต่างกัน เพื่อสร้างระบบที่ให้คำตอบโดยประมาณได้อย่างรวดเร็ว แล้วปรับแก้ผ่านการประมวลผลแบบวนซ้ำจนได้ความแม่นยำใกล้เคียงกับการคำนวณดิจิทัลแบบเลขทศนิยมลอยตัว 32 บิต
ความแม่นยำเป็นคอขวดหลักของการประมวลผลแบบอนาล็อกมาอย่างยาวนาน การทำให้การประมวลผลแบบอนาล็อกมีทั้งความแม่นยำสูงและขยายขนาดได้ พร้อมใช้ประโยชน์จากข้อได้เปรียบโดยธรรมชาติของระบบกับงานประมวลผลสมัยใหม่ เป็นปัญหาที่สร้างความท้าทายให้ชุมชนวิทยาศาสตร์ทั่วโลกมานานกว่าศตวรรษ
ซุน จง ซึ่งดำรงตำแหน่งผู้ช่วยศาสตราจารย์ที่มหาวิทยาลัย อธิบายว่าแนวทางนี้เพิ่มความแม่นยำของการประมวลผลแบบอนาล็อกดั้งเดิมขึ้น 5 ลำดับขนาด หรือราว 100,000 เท่า วงจรชุดแรกให้ผลลัพธ์ที่มีอัตราความคลาดเคลื่อนประมาณ 1% แต่หลังปรับแก้ 3 รอบผ่านวงจรชุดที่สอง ความคลาดเคลื่อนลดลงจนเทียบเท่าโปรเซสเซอร์ดิจิทัลมาตรฐาน ทีมวิจัยสาธิตความสามารถนี้ด้วยการแก้โจทย์การผกผันเมทริกซ์ โดยใช้เมทริกซ์จำนวนจริงขนาด 16 คูณ 16 ที่มีความละเอียดแบบจุดตรึง 24 บิต
เทคโนโลยีหน่วยความจำเข้าถึงโดยสุ่มแบบต้านทานซึ่งเป็นหัวใจของนวัตกรรมนี้ แตกต่างจากการประมวลผลแบบทรานซิสเตอร์ดั้งเดิมอย่างมาก เซลล์ RRAM ทำหน้าที่เป็นเมมริสเตอร์ หรืออุปกรณ์ไฟฟ้าที่จดจำปริมาณกระแสไฟฟ้าที่เคยไหลผ่านได้ ด้วยการเปลี่ยนความต้านทานภายใน คุณสมบัตินี้ทำให้ชิปจัดเก็บและประมวลผลข้อมูลพร้อมกันได้ในตำแหน่งทางกายภาพเดียวกัน จึงไม่ต้องแยกหน่วยความจำออกจากโปรเซสเซอร์ ซึ่งเป็นเหตุให้คอมพิวเตอร์ทั่วไปสิ้นเปลืองพลังงานกับการเคลื่อนย้ายข้อมูลไปมาผ่านบัส
การคำนวณเมทริกซ์เป็นรากฐานทางคณิตศาสตร์ของปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และการสื่อสารไร้สายสมัยใหม่ เมื่อต้องฝึกโครงข่ายประสาทเทียมหรือประมวลผลสัญญาณสำหรับเครือข่าย 6G คอมพิวเตอร์ต้องแก้สมการเหล่านี้ที่ประกอบด้วยตัวเลขจำนวนมหาศาล โปรเซสเซอร์ดิจิทัลทำงานเหล่านี้ตามลำดับ โดยแยกการคำนวณเป็นชุดคำสั่งฐานสองยาว ๆ ส่วนชิปอนาล็อกประมวลผลเมทริกซ์เหล่านี้แบบขนาน และคำนวณโดยตรงภายในชุดหน่วยความจำโดยไม่ต้องแปลงสัญญาณเป็นรหัสฐานสอง
ความสำคัญทางประวัติศาสตร์ของการแก้ปัญหาความแม่นยำนี้ไม่อาจกล่าวเกินจริงได้ การประมวลผลแบบอนาล็อกมีมาก่อนเทคโนโลยีดิจิทัล ตัวอย่างแรก ๆ ได้แก่ เครื่องอินทิเกรเตอร์น้ำของโซเวียตในปี 1936 ซึ่งใช้ของไหลที่เคลื่อนผ่านท่อเพื่อแก้สมการคณิตศาสตร์ แม้จะมีนวัตกรรมดังกล่าว แต่ปัญหาสัญญาณรบกวนและการขยายขนาดทำให้ระบบอนาล็อกล้าสมัยเมื่อเทคโนโลยีดิจิทัลพัฒนาขึ้น ชิปใหม่นำแนวคิดเหล่านี้กลับมาใช้ด้วยเทคโนโลยีหน่วยความจำแบบต้านทานสมัยใหม่ และอาจเปิดทางให้สถาปัตยกรรมที่ถูกเลิกใช้ไปเมื่อหลายสิบปีกลับมาอีกครั้ง
จากทฤษฎีคณิตศาสตร์สู่การใช้งานจริง
ขณะที่การประกาศครั้งแรกมุ่งเน้นความสามารถทางทฤษฎี งานตีพิมพ์ล่าสุดยืนยันประสิทธิภาพกับงาน AI จริงที่สอดคล้องกับความต้องการของอุตสาหกรรม ชิปจัดการระบบแนะนำเฉพาะบุคคลได้สำเร็จ โดยใช้ชุดข้อมูลที่มีขนาดใกล้เคียงกับที่ Netflix และ Yahoo ใช้ แสดงให้เห็นความสามารถที่เหนือกว่าการทดสอบโจทย์คณิตศาสตร์อย่างง่าย ในการทดสอบบีบอัดภาพ ระบบสร้างข้อมูลภาพกลับคืนได้ด้วยคุณภาพแทบไม่ต่างจากการประมวลผลดิจิทัลแบบความแม่นยำเต็มรูปแบบ ขณะที่ลดความต้องการพื้นที่จัดเก็บลงครึ่งหนึ่ง
แอปพลิเคชันเหล่านี้เป็นงานที่ใช้ข้อมูลเข้มข้นและกำลังสร้างภาระให้ทรัพยากรศูนย์ข้อมูลทั่วโลก อัลกอริทึมแนะนำเนื้อหาเป็นหัวใจของบริการสตรีมมิง แพลตฟอร์มโซเชียลมีเดีย และเว็บไซต์อีคอมเมิร์ซ โดยประมวลผลปฏิสัมพันธ์ของผู้ใช้หลายพันล้านครั้งเพื่อสร้างคำแนะนำเฉพาะบุคคล การบีบอัดภาพเป็นพื้นฐานของทุกอย่าง ตั้งแต่การสตรีมวิดีโอไปจนถึงการถ่ายภาพทางการแพทย์ ซึ่งการลดขนาดไฟล์โดยไม่ลดคุณภาพช่วยประหยัดแบนด์วิดท์และค่าใช้จ่ายด้านพื้นที่จัดเก็บ ความสามารถของชิปในการทำงานเหล่านี้โดยใช้พลังงานน้อยมากชี้ให้เห็นว่าเทคโนโลยีนี้อาจพลิกโฉมการทำงานของบริการเหล่านี้
นี่คือการขยายขอบเขตการประมวลผลแบบอนาล็อกไปอีกขั้น
นอกเหนือจากการใช้งานสำหรับผู้บริโภค ชิปยังแสดงความสามารถในการทดสอบการสื่อสารไร้สาย โดยตรวจจับสัญญาณในระบบหลายอินพุตหลายเอาต์พุตขนาดใหญ่ เทคโนโลยีนี้มีความสำคัญอย่างยิ่งต่อเครือข่าย 6G ในอนาคต ซึ่งสถานีฐานต้องประมวลผลชุดเสาอากาศขนาดใหญ่แบบเรียลไทม์ อุปกรณ์นี้ทำงานด้านการสื่อสารได้เทียบเท่าโปรเซสเซอร์ดิจิทัล ขณะใช้พลังงานน้อยกว่าราว 100 เท่า จึงอาจนำไปใช้ในสภาพแวดล้อมที่มีข้อจำกัดด้านพลังงาน ซึ่งอายุแบตเตอรี่หรือความสามารถในการระบายความร้อนเป็นข้อจำกัดของฮาร์ดแวร์ทั่วไป
เครือข่ายไร้สาย 6G ในอนาคตจะต้องให้สถานีฐานจัดการองค์ประกอบเสาอากาศหลายร้อยชุดพร้อมกัน โดยประมวลผลข้อมูลสัญญาณปริมาณมหาศาลแบบเรียลไทม์เพื่อรักษาการเชื่อมต่อกับอุปกรณ์เคลื่อนที่ ความต้องการด้านการคำนวณของระบบเหล่านี้เกินขีดความสามารถของโปรเซสเซอร์ประมวลผลสัญญาณดิจิทัลในปัจจุบัน โดยเฉพาะข้อจำกัดด้านเวลาแฝงและงบพลังงานของเสาสัญญาณโทรศัพท์เคลื่อนที่ในพื้นที่ห่างไกล ความสามารถของชิปอนาล็อกในการตรวจจับสัญญาณสื่อสารไร้สายได้ด้วยประสิทธิภาพเทียบเท่าโปรเซสเซอร์ดิจิทัล ขณะใช้พลังงานน้อยมาก ทำให้ชิปนี้เหมาะอย่างยิ่งกับงานโทรคมนาคมดังกล่าว
การประหยัดพลังงานยิ่งมีความสำคัญเมื่อพิจารณาขนาดของโครงสร้างพื้นฐาน AI สมัยใหม่ การฝึกโมเดลภาษาขนาดใหญ่ต้องใช้เวลาหลายสัปดาห์ในการประมวลผลผ่านการ์ดกราฟิกระดับสูงหลายพันตัว และใช้ไฟฟ้าหลายเมกะวัตต์-ชั่วโมง การลดการใช้พลังงานลง 2 ลำดับขนาด โดยยังคงรักษาหรือเพิ่มความเร็วในการประมวลผล อาจช่วยลดทั้งต้นทุนการดำเนินงานและผลกระทบต่อสิ่งแวดล้อมได้อย่างมาก พร้อมตอบข้อกังวลที่เพิ่มขึ้นเกี่ยวกับการปล่อยคาร์บอนจากการพัฒนาปัญญาประดิษฐ์
บริบทอุตสาหกรรมเซมิคอนดักเตอร์โลก
ความก้าวหน้านี้เกิดขึ้นในช่วงหัวเลี้ยวหัวต่อสำคัญของภูมิทัศน์เทคโนโลยีโลก ขณะที่ข้อจำกัดด้านการส่งออกจำกัดการเข้าถึง GPU Nvidia ขั้นสูงและโปรเซสเซอร์ดิจิทัลประสิทธิภาพสูงอื่น ๆ ของจีน แม้ชิปนี้จะยังไม่สามารถแทนการ์ดกราฟิกอเนกประสงค์ได้ในทันที แต่ก็เป็นทางเลือกเฉพาะทางสำหรับงานประมวลผลบางประเภทที่มีบทบาทสำคัญในการฝึกและประมวลผล AI นักวิเคราะห์อุตสาหกรรมมองว่าเทคโนโลยีนี้อาจพลิกโฉมฮาร์ดแวร์ AI ด้วยการเพิ่มทางเลือกที่ใช้พลังงานอย่างมีประสิทธิภาพสำหรับการคำนวณเมทริกซ์ ซึ่งเป็นหัวใจของการทำงานโครงข่ายประสาทเทียม
การเปรียบเทียบกับ Nvidia H100 ซึ่งเป็นการ์ดกราฟิกที่ใช้ฝึกโมเดลภาษาขนาดใหญ่ รวมถึง ChatGPT ชี้ให้เห็นถึงศักยภาพที่จะสร้างความเปลี่ยนแปลง ประมาณการทางทฤษฎีระบุว่าชิปอาจมีอัตราการประมวลผลสูงกว่าโปรเซสเซอร์ดิจิทัลเหล่านี้ 1,000 เท่าสำหรับการคำนวณเมทริกซ์บางประเภท พร้อมเพิ่มประสิทธิภาพด้านพลังงาน 100 เท่า แม้แต่ผลการทดสอบจริงที่ยืนยันแล้ว คือความเร็วเพิ่มขึ้น 12 เท่าและประสิทธิภาพด้านพลังงานดีขึ้น 200 เท่า ก็ถือเป็นความก้าวหน้าครั้งใหญ่เมื่อเทียบกับเทคโนโลยีปัจจุบันที่ครองตลาดศูนย์ข้อมูลทั่วโลก
กระบวนการผลิตใช้ขีดความสามารถของโรงงานรับจ้างผลิตเชิงพาณิชย์ หมายความว่าในทางทฤษฎีสามารถขยายการผลิตได้โดยไม่ต้องใช้วัสดุหายากหรือสร้างโรงงานผลิตรูปแบบใหม่ที่พลิกโฉมอุตสาหกรรม แนวทางเชิงปฏิบัตินี้ทำให้งานวิจัยแตกต่างจากสิ่งประดิษฐ์ในห้องทดลองที่ไม่สามารถทำงานนอกสภาพแวดล้อมควบคุม ชิปผลิตด้วยเทคนิคการผลิตเซมิคอนดักเตอร์มาตรฐาน จึงมีแนวโน้มเพิ่มกำลังการผลิตโดยอาศัยห่วงโซ่อุปทานที่มีอยู่ได้ หากมีความต้องการเกิดขึ้น โดยไม่ต้องลงทุนโครงสร้างพื้นฐานหลายพันล้าน
เจมส์ มิลเลน นักวิจัยจากคิงส์คอลเลจลอนดอน อธิบายความสำคัญของการคำนวณเมทริกซ์ในการฝึก AI โดยระบุว่าคอมพิวเตอร์ดิจิทัลเป็นเครื่องจักรอเนกประสงค์ที่คำนวณได้ทุกอย่าง แต่ไม่จำเป็นต้องทำทุกอย่างได้อย่างมีประสิทธิภาพหรือรวดเร็ว คอมพิวเตอร์อนาล็อกที่ออกแบบให้เหมาะกับงานเฉพาะสามารถทำงานเหล่านั้นได้รวดเร็วและมีประสิทธิภาพอย่างยิ่ง ซึ่งอาจช่วยลดความต้องการพลังงานมหาศาลจากการพึ่งพา AI ที่เพิ่มขึ้น
ข้อจำกัดทางเทคนิคและการพัฒนาต่อไป
แม้ผลการทดสอบจะน่าประทับใจ แต่นักวิจัยยอมรับว่ายังมีข้อจำกัดสำคัญ ซุน จงเตือนว่าการใช้งานจริงอาจให้ผลดีขึ้นน้อยกว่าค่าสูงสุดทางทฤษฎี ชิปนี้ออกแบบมาเพื่อคำนวณเมทริกซ์โดยเฉพาะ จึงเร่งความเร็วได้เฉพาะส่วนของการฝึก AI ที่เกี่ยวข้องกับการคำนวณทางคณิตศาสตร์ประเภทนี้ หากการคำนวณเมทริกซ์เป็นงานหลักของกระบวนการหนึ่ง ก็จะเพิ่มความเร็วได้อย่างชัดเจน แต่ประโยชน์ยังจำกัดสำหรับงานประมวลผลทั่วไปที่ต้องใช้การคำนวณหลากหลายประเภท
ข้อเท็จจริงนี้ชี้ว่าอนาคตน่าจะเป็นสถาปัตยกรรมแบบผสม มากกว่าการใช้ระบบอนาล็อกแทนโปรเซสเซอร์ดิจิทัลทั้งหมด หน่วยประมวลผลกราฟิกรุ่นต่อไปอาจผนวกวงจรอนาล็อกเพื่อจัดการบางส่วนของอัลกอริทึมฝึก AI โดยเฉพาะวิธีปรับเหมาะอันดับสองและการดำเนินการพีชคณิตเชิงเส้น พร้อมคงแกนประมวลผลดิจิทัลไว้สำหรับงานทั่วไป การผสานระบบเช่นนี้ยังต้องใช้เวลาอีกหลายปีกว่าจะเป็นผลิตภัณฑ์เชิงพาณิชย์ แต่งานวิจัยนี้วางรากฐานทางเทคโนโลยีสำหรับการพัฒนาดังกล่าว
การประมวลผลที่ขอบเครือข่ายเป็นอีกหนึ่งการใช้งานที่มีศักยภาพ รถยนต์ไร้คนขับ หุ่นยนต์อุตสาหกรรม และแว่นตาความเป็นจริงเสริมต้องใช้กำลังประมวลผลสูง แต่มีข้อจำกัดด้านแบตเตอรี่และความร้อนอย่างเข้มงวด ทางเลือกในปัจจุบันต้องส่งข้อมูลไปประมวลผลบนเซิร์ฟเวอร์คลาวด์ ทำให้เกิดความหน่วงและต้องพึ่งพาการเชื่อมต่อ ชิปอนาล็อกที่ประมวลผลการอนุมานของ AI ซับซ้อนได้ในอุปกรณ์โดยตรง โดยไม่ต้องรับภาระการใช้พลังงานของโปรเซสเซอร์ดิจิทัล อาจช่วยให้อุปกรณ์เหล่านี้ทำงานได้อย่างอิสระมากขึ้นและยืดอายุแบตเตอรี่ได้อย่างมีนัยสำคัญ
การขยายขนาดเป็นอีกหนึ่งความท้าทาย โปรเซสเซอร์ดิจิทัลจัดการปัญหาขนาดใหญ่ได้โดยแบ่งเป็นส่วนย่อยและประมวลผลตามลำดับ แต่ระบบอนาล็อกต้องใช้วงจรขนาดใหญ่ขึ้นทางกายภาพเพื่อแก้เมทริกซ์ที่ใหญ่ขึ้น การสร้างชิปที่จัดการปัญหาตัวแปรขนาดหนึ่งล้านคูณหนึ่งล้าน ซึ่งพบในโมเดลภาษาขนาดใหญ่สมัยใหม่ จะต้องอาศัยความก้าวหน้าทางวิศวกรรมอย่างมาก อย่างไรก็ตาม สำหรับการประมวลผลที่ขอบเครือข่ายซึ่งข้อจำกัดด้านพลังงานเป็นปัจจัยหลัก ชิปอนาล็อกขนาดเล็กกว่าก็อาจทำให้ AI ซับซ้อนทำงานบนอุปกรณ์ได้โดยตรง แทนการพึ่งพาการเชื่อมต่อคลาวด์
ทีมวิจัยระบุว่าเป้าหมายต่อไปคือการสร้างชิปขนาดใหญ่ขึ้นที่ผสานส่วนประกอบทั้งหมดไว้ในระบบเดียว และรองรับปัญหาซับซ้อนขึ้นด้วยความเร็วสูงขึ้น หากประสบความสำเร็จ ความพยายามนี้อาจเร่งการพัฒนาการสื่อสาร 6G ช่วยให้ฝึกโมเดล AI ได้มีประสิทธิภาพขึ้น และลดผลกระทบต่อสิ่งแวดล้อมจากศูนย์ข้อมูลที่กำลังใช้สัดส่วนไฟฟ้าทั่วโลกเพิ่มขึ้นเรื่อย ๆ เมื่อการประมวลผลดิจิทัลเข้าใกล้ขีดจำกัดทางกายภาพที่เกิดจากการแยกหน่วยความจำออกจากหน่วยประมวลผล ทางเลือกแบบอนาล็อกจึงเป็นแนวทางในการพัฒนาประสิทธิภาพต่อไปโดยไม่ต้องเพิ่มการใช้พลังงานในสัดส่วนเดียวกัน
สรุปประเด็นสำคัญ
- นักวิจัยจากมหาวิทยาลัยปักกิ่งพัฒนาชิป AI แบบอนาล็อกที่ใช้หน่วยความจำเข้าถึงโดยสุ่มแบบต้านทาน โดยทำงานด้านระบบแนะนำและการประมวลผลภาพในโลกจริงได้เร็วกว่าโปรเซสเซอร์ดิจิทัลระดับก้าวหน้า 12 เท่า และมีประสิทธิภาพด้านพลังงานดีกว่า 200 เท่า
- อุปกรณ์นี้แก้ปัญหาความแม่นยำที่ขัดขวางไม่ให้การประมวลผลแบบอนาล็อกทำงานได้แม่นยำเท่าดิจิทัลมานานกว่าศตวรรษ ด้วยสถาปัตยกรรมวงจรคู่ที่ปรับแก้การคำนวณโดยประมาณจนมีอัตราความคลาดเคลื่อนใกล้เคียงกับระบบเลขทศนิยมลอยตัว 32 บิต
- แทนที่จะใช้เลขฐานสองอย่างโปรเซสเซอร์ดิจิทัล ชิปนี้จัดการสัญญาณไฟฟ้าที่ต่อเนื่องเพื่อคำนวณเมทริกซ์โดยตรงในหน่วยความจำ ช่วยกำจัดคอขวดจากการเคลื่อนย้ายข้อมูลซึ่งใช้พลังงานส่วนใหญ่ในการประมวลผลแบบดั้งเดิม
- เทคโนโลยีนี้ผลิตด้วยกระบวนการเซมิคอนดักเตอร์เชิงพาณิชย์ จึงมีศักยภาพที่จะผลิตจำนวนมากได้ แม้ชิปรุ่นปัจจุบันจะรองรับเมทริกซ์ขนาดเล็กกว่าที่จำเป็นต่อการฝึกโมเดล AI ขนาดใหญ่ที่สุด
- การใช้งานรวมถึงระบบแนะนำเฉพาะบุคคล การบีบอัดภาพ การประมวลผลสัญญาณไร้สาย 6G และสถาปัตยกรรมการประมวลผลแบบผสมที่อาจผสานประสิทธิภาพของระบบอนาล็อกเข้ากับความยืดหยุ่นของดิจิทัล
- ความก้าวหน้านี้เกิดขึ้นขณะที่จีนเผชิญข้อจำกัดในการนำเข้า GPU Nvidia ขั้นสูง โดยเป็นทางเลือกที่พัฒนาภายในประเทศสำหรับงาน AI บางประเภท และอาจช่วยลดการใช้พลังงานของศูนย์ข้อมูลทั่วโลก
