Unconventional AI بهسرعت وارد میدان رقابت برای بازتعریف معماری محاسباتیِ هوش مصنوعی شد؛ رونمایی از مدل تصویری Un-0 و وعده کاهش چشمگیر مصرف انرژی
شرکت نوپای Unconventional AI بهسرپرستی ناوین رائو (Naveen Rao)، رئیس سابق بخش هوش مصنوعی شرکت Databricks، روز پنجشنبه از اولین مدل خود تحت عنوان Un-0 رونمایی کرد؛ مدلی تولید تصویر که نشان میدهد معماری جدید مبتنی بر اسیلاتور این شرکت قادر است سامانههای متداول هوش مصنوعی را شبیهسازی کند و عملکردی در سطح مدلهای diffusion پیشرفته ارائه دهد. همراه با انتشار مدل، تیم پژوهشی شرکت مقالهای منتشر کرده که جزئیات ساخت یک مدل تولید تصویر تمامعیار را روی شبیهسازی نرمافزاری معماری اسیلاتور-محور تشریح میکند.
معماری مبتنی بر اسیلاتور چیست و چه تفاوتی دارد؟
معمولاً پردازش مدلهای بزرگ هوش مصنوعی روی ساختارهای مبتنی بر ترانزیستور و ماتریسهای عددی انجام میشود. در مقابل، محاسبات مبتنی بر اسیلاتور از مدارهای نوسانی (oscillators) برای نمایش و پردازش اطلاعات استفاده میکند؛ ایدهای که در صورت پیادهسازی سختافزاری بهینه میتواند الگوی جدیدی برای انجام عملیات محاسباتی فراهم کند. به گفته رائو، این رویکرد پتانسیل کاهش مصرف انرژی تا حدود ۱۰۰۰ برابر را دارد، هرچند در حال حاضر ادعاها بر پایه شبیهسازی نرمافزاری مطرح شده است و تحقق کامل آن نیازمند ساختار و چیپهای فیزیکی است.
Un-0 و نتایج اولیه
خروجیهای Un-0 از لحاظ کیفیت به مدلهایی مانند Stable Diffusion و GPT Image 1 شباهت دارد. نکته مهم این است که این کیفیت با اجرای مدل روی شبیهساز معماری اسیلاتور-محور بهدست آمده است؛ یعنی هنوز چیپ اختصاصی شرکت بهصورت فیزیکی تولید نشده اما نتایج نشان میدهد معماری پیشنهادی از منظر عملیاتی میتواند با مدلهای متداول رقابت کند.
نقشه راه فنی و چالشها
اکنون Un-0 روی یک شبیهساز نرمافزاری اجرا میشود، اما شرکت قصد دارد نقشههای فنی (schematics) چیپ اسیلاتور را بهزودی منتشر کند و سپس یک پشته کامل (inference stack) را از پایه بسازد. هدف نهایی ارائه ظرفیت محاسباتی بر پایه چیپهای مخصوص خود و ارائه خدمات استنتاج است؛ فرایندی که رائو آن را شبیه “یک شبکه که ورودیها را میگیرد و خروجیها را برمیگرداند” توصیف میکند، اما با مصرف انرژی بسیار کمتر.
این برنامه جاهطلبانه در حالی مطرح میشود که Unconventional AI کمتر از ۵۰ نیروی انسانی دارد؛ بنابراین مسیر تبدیل شبیهسازی به سختافزار تولیدی و سپس استقرار در مقیاس تجاری، نیازمند سرمایهگذاری، مهندسی سخت و توسعه زیرساختی قابل توجه خواهد بود.
اهمیت برای آینده مقیاسپذیری هوش مصنوعی
رائو و تیمش یکی از مشکلات اساسی رشد سریع هوش مصنوعی را محدودیت انرژی میدانند. با افزایش تقاضا برای استنتاج مدلهای بزرگ در کاربردهای واقعی، ظرفیت تأمین برق و هزینههای مرتبط بهعنوان عامل محدودکننده مطرح میشود. اگر رویکرد اسیلاتور-محور بتواند واقعا مصرف انرژی را بهطور چشمگیری کاهش دهد، میتواند مرزهای جدیدی برای مقیاسپذیری هوش مصنوعی باز کند و هزینههای عملیاتی مراکز محاسباتی را بهشکل قابلتوجهی کاهش دهد.
جمعبندی
رونمایی Un-0 یک «سلام جهان» اولیه برای نوعی جدید از محاسبات است: شواهد اولیه نشان میدهد معماری مبتنی بر اسیلاتور پتانسیل فنی رقابت با مدلهای متداول را دارد، اما تحقق وعدههای صرفهجویی انرژی و تجاریسازی نیازمند تولید چیپ فیزیکی، تکمیل پشته استنتاج و عبور از چالشهای مهندسی و استقرار در مقیاس است. در صورت موفقیت، این رویکرد میتواند یکی از راهحلهای کلیدی برای محدودیت انرژی در مسیر توسعه هوش مصنوعی باشد.