انویدیا اعلام می‌کند که قانون هوانگ قرار است جای قانون مور را بگیرد و آینده‌ی کامپیوترها را تا نیم‌قرن آینده پیش‌بینی کند. در ویدیوی یک ساعته‌ای که ماه پیش در یوتیوب منتشر شد، بیل دالی، دانشمند ارشد انویدیا، در جمع سالانه‌ی مهندسان تراشه و سیستم با عنوان «Hot Chips» درباره‌ی این قانون حرف زد. او مدعی است که قانون هوانگ قرار است جای قانون مور بگیرد و به‌طور کلی آینده‌ی کامپیوترها را تا نیم‌قرن آینده پیش‌بینی کند؛ قانونی که به نام مدیرعامل انویدیا، جنسن هوانگ، معروف است.
این اعلان نشان‌دهنده‌ی تغییر در پارادایم پیشرفت تکنولوژی می‌باشد. قانون مور که می‌گوید تعداد ترانزیستورها در یک تراشه هر ۱۸ ماه دوبرابر می‌شود، با نزدیک‌شدن به مرزهای مقیاس اتمی دچار کندی شده است. ادعای انویدیا نشان‌دهنده‌ی آن است که قانون هوانگ به جای قانون مور خواهد آمد و به نظر می‌رسد این قانون جدید قادر خواهد بود آینده‌ی پردازنده‌ها و کامپیوترها را تا نیم‌قرن آینده پیش‌بینی کند.
به عنوان یک مصرف‌کننده، اهمیت این ادعا در توانایی دریافت بهبودات بیشتر در قدرت پردازش با هزینه‌ی یکسان را نشان می‌دهد. این تغییر در دیدگاه به معنای این است که حالا ممکن است هر ۱۸ ماه یکبار نه دوبار، افزایش قابل‌توجهی در توان پردازش را مشاهده کنیم. این امر برای تکنولوژی و آینده‌ی صنعت نیز اهمیت دارد، زیرا استراتژی توسعه محصولات بر اساس این پیش‌فرض بنا شده است که قانون مور همیشه معتبر است.
با این حال، باید دید چگونه ادعای انویدیا در آینده تکنولوژی رشد می‌کند و آیا قانون هوانگ قابلیت پیش‌بینی تغییرات در پیشرفت تکنولوژی را دارد یا خیر.
در کنفرانس Hot Chips، بیل دالی به دو موضوع بسیار حیاتی اشاره کرد که می‌تواند اثرات تاریخ‌سازی در صنعت تکنولوژی به دنبال داشته باشد. او بیان کرد که صنعت تکنولوژی به مرحله‌ای رسیده‌است که توسعه پردازنده‌های جدید نمی‌تواند بیشتر بر اساس قانون مور و تمرکز بر کوچکی و سرعت تراشه‌ها تکیه کند. به جای آن، نیاز به نبوغ و تحقیق در زمینه‌ی کشف و تأیید موادسازنده‌ی جدید و پیشرفت‌های علمی وجود دارد. این اظهارنظر نشان‌دهنده‌ی احتمالی استفاده از مواد جدید در تراشه‌های آینده است.
موضوع دیگر مطرح شده توسط دالی، مقایسه‌ی رشد چشمگیر عملکرد پردازنده‌های گرافیکی (GPU) در مقابل پردازنده‌های مرکزی (CPU) بود. سال‌ها مدت زیادی بود که قانون مور فقط به سرعت CPU توجه می‌کرد و عملکرد GPU در پردازش‌های گرافیکی نادیده گرفته می‌شد. اما انویدیا تصمیم دارد که این دیدگاه را تغییر دهد و به اهمیت بیشتر GPU در صنعت تراشه اشاره کند.
پردازنده‌های گرافیکی از زمان تأسیس انویدیا در اوایل دهه‌ی ۱۹۹۰ تاکنون، مسیری رشته را پیموده‌اند تا به اینجا برسند. در آن زمان، رندر تصاویر واقع‌گرایانه یکی از چالش‌های دشوار رایانشی بود، بنابراین تصمیم به توسعه‌ی یک پردازنده‌ی چندهسته‌ای بزرگ گرفتند که بخش پردازش گرافیکی را از عهدهٔ پردازنده‌ی مرکزی بردارد.
اگر به دنیای گیمینگ علاقه‌مند هستید، حتماً با قدرت کارت‌های گرافیک انویدیا در اجرای بازی‌های ویدیویی آشنا هستید. اما افزایش ارزش انویدیا از ۱۵۰ میلیارد دلار به یک تریلیون دلار تنها در عرض ۵ سال، بیش از اینکه به محبوبیت بازی‌های ویدیویی مربوط باشد، مدیون هوش مصنوعی است.
در اواسط دهه‌ی ۲۰۰۰، افراد فعال در حوزه‌ی محاسبات با کارایی بالا (HPC) درک کردند که پردازنده‌های گرافیکی در انجام عملیات ریاضی به‌مراتب سریع‌تر از CPU هستند و از‌این‌رو، شروع به استفاده از GPU به‌عنوان شتاب‌دهنده در ابرکامپیوترها کردند. در چند سال گذشته هم غول‌های دنیای وب ازجمله گوگل کشف کردند که از پردازنده‌های گرافیکی می‌توان در یادگیری عمیق استفاده کرد؛ همان روشی که اجازه می‌دهد ماشین‌ها به‌‌تقلید از رفتار مغز انسان‌ها، خودشان از روی نمونه آموزش ببینند و مرتب رشد کنند.
انویدیا تنها بازیگر دنیای یادگیری عمیق نیست، اما یکی از مهره‌های اصلی‌ای است که انقلاب یادگیری عمیق و به‌دنبال آن، رشد بی‌سابقه‌ی هوش مصنوعی را ممکن کرده است. بدون یادگیری عمیق مبتنی‌بر GPU نمی‌توانستیم به‌این زودی‌ها سراغ توسعه‌ی سیستم خودران برای خودرو برویم.
هر آنچه این‌روزها از چت‌بات‌ها، مولدهای تصویر و موسیقی، الگوریتم‌های نتفلیکس و اسپاتیفای و کلاً هر روند اتوماسیونی که زندگی‌مان را آسان‌تر کرده در اختیار داریم، به‌خاطر یادگیری عمیق است.
تخصص انویدیا از مدت‌ها پیش بر پردازنده‌های گرافیکی متمرکز بوده؛ پردازنده‌هایی که کارشان بهینه کردن اجرای چندین تسک مستقل به‌طور همزمان است. درمقابل، پردازنده‌های مرکزی که بیشتر در حوزه‌ی تخصص اینتل قرار می‌گیرند، برخلاف GPU بر بهینگی تمرکز ندارند و کارشان این است که یک تسک مشخص را به‌سریع‌ترین حالت اجرا کنند. البته نمی‌شود هر فرایند رایانشی را طوری بخش‌بخش کرد که هر بخش آن بتواند به‌روشی کاملاً بهینه توسط GPU پردازش شود؛ اما برای آن دسته از فرایندهایی که این امکان را دارند، مثل بسیاری از فرایندهای مرتبط با هوش مصنوعی، می‌توان آن‌ها را به‌کمک GPU با سرعتی چندبرابر، اما با صرف قدرتی یکسان پردازش کرد.
در دوره‌ی ده سال گذشته، بیل دالی همراه با تیم سیصد نفره‌اش در بخش تحقیقات انویدیا، بهبود چشمگیری در عملکرد تک‌هسته‌ای GPU در پردازش‌های مرتبط با یادگیری ماشین را به وجود آوردند که در نمودار زیر قابل‌مشاهده است. با توجه به این روند، قانون هوانگ پیش‌بینی می‌کند که در ده سال آینده، شاهد رشد هزار برابری در عملکرد پردازنده‌های گرافیکی در زمینه‌ی یادگیری ماشین خواهیم بود.
رشد هزار برابری عملکرد GPU انویدیا در حوزه یادگیری ماشین در ده سال
در سال ۲۰۰۶، هنگامی که انویدیا اولین محصول دیتاسنتر خود را عرضه کرد، پردازنده‌های گرافیکی این شرکت چهار برابر عملکرد بهتری نسبت به پردازنده‌های مرکزی داشتند. نصب پردازنده‌های گرافیکی ولتا V100 در ابرکامپیوترها باعث افزایش چشمگیر عملکرد شد، به گونه‌ای که در سال ۲۰۱۸، به گفته‌ی ایان باک، مدیر کل رایانش شتاب‌یافته انویدیا، GPU این شرکت ۲۰ برابر سریع‌تر از یک CPU هم‌رده بود.
همچنین طبق گفته‌های دالی، از نوامبر ۲۰۱۲ تا می ۲۰۲۰، عملکرد تراشه‌های انویدیا در دسته‌ی مهمی از رایانش‌های مرتبط با هوش مصنوعی، ۳۱۷ برابر افزایش یافته است. این نشان می‌دهد که سرعت پردازنده‌های گرافیکی به‌طور متوسط هر سال ۱٫۷ برابر افزایش می‌یابد. در عین حال، عملکرد پردازنده‌های گرافیکی انویدیا هر دو سال یکبار، بیش از سه برابر بهبود پیدا کرده‌اند، که این با قانون مور که افزایش دوبرابری عملکرد طی دو سال را پیش‌بینی می‌کند، به تناقض است.
افزایش نمایان عملکرد پردازنده‌های گرافیکی در ده سال اخیر به‌قدری شگفت‌آور است که مجله IEEE Spectrum، مرتبط با مؤسسه مهندسان برق و الکترونیک، این پدیده را در سال ۲۰۱۸ به نام “قانون هوانگ” معرفی کرد، اما به نظر می‌رسد که این نام در آن زمان به خوبی توجه نشده بود. دو سال بعد، وال استریت جورنال نیز در یک مقاله، عبارت “قانون هوانگ” را کمی شایع کرد. این وضعیت تا اخیراً دوباره به پا شده است، زمانی که بر اساس سخنرانی بیل دالی در کنفرانس Hot Chips، نام این قانون به‌طور رسمی مورد توجه قرار گرفت.
مجله IEEE Spectrum در سال ۲۰۱۸ “قانون هوانگ” را براساس سخنرانی‌های جنسن هوانگ در کنفرانس تکنولوژی GPU انویدیا مطرح کرد. مدیرعامل انویدیا در طول این کنفرانس چندین بار تأکید کرد که به دلیل پیشرفت‌های عظیم تکنولوژی، پردازنده‌های گرافیکی از قانون خودشان، یعنی “قانون هوانگ” پیروی می‌کنند و نه از قانون مور که بیشتر برای پردازنده‌های مرکزی است.
یک قانون بسیار قدرتمند در جریان است.
- جنسن هوانگ، انویدیا
هوانگ متوجه شد که GPUهای انویدیا در مقایسه با پنج سال پیش “۲۵ برابر سریع‌تر هستند“. این افزایش عملکرد، اگر به قانون مور پایبند می‌شد، باید صرفاً ده برابر بود.
در زمینه دیگری، هوانگ قدرت پردازنده‌های گرافیکی را با استفاده از معیار زمان لازم برای آموزش شبکه‌ی عصبی AlexNet (با ۱۵ میلیون تصویر) بررسی کرد. او اعلام کرد که پنج سال پیش، آموزش AlexNet با دو کارت گرافیک سری GTX 580 انویدیا حدود شش روز طول می‌کشید. اما با استفاده از سرورهای هوش مصنوعی جدید این شرکت به نام DGX-2، این زمان تا ۱۸ دقیقه کاهش یافته است؛ یعنی افزایش ۵۰۰ برابری!
در حال حاضر، پردازنده‌های گرافیکی تا ۵۰ درصد از محاسبات ممیز شناور را در ۵۰ ابرکامپیوتر جهان فراهم می‌کنند. این افزایش نسبت به پنج سال گذشته، با توجه به گفته‌های باک، نشان‌دهندهٔ افزایش نجومی در حوزهٔ رایانش شتاب‌یافته و توان GPU است. او افزود که یادگیری عمیق به مقایسه با روش‌های یادگیری ماشین سنتی، افزایش ۱۹۰ برابری را در تشخیص تصویر به دنبال داشته است. همچنین، عملکرد مترجم زبان عصبی ۵۰ برابر، تکنولوژی تشخیص گفتار ۶۰ برابر و تکنولوژی تولید صدا ۳۶ برابر بهبود یافته است.
اما چه عواملی باعث این رشد چشمگیر در عملکرد GPU شده‌اند و چگونه انویدیا به نتیجه‌ای رسیده که صنعت تکنولوژی حالا تحت کنترل یک قانون جدید است؟
انویدیا ادعا می‌کند که هم‌افزایی بین سخت‌افزار، نرم‌افزار و هوش مصنوعی، ایجاد یک قانون جدید را تسهیل کرده است. به‌عنوان مثال، در بحثی که جنسن هوانگ به مرگ قانون مور و نیاز به گرفتن هوش مصنوعی اشاره می‌کرد، به مفهوم “رایانش شتاب‌یافته” پرداخت. این مفهوم نمایانگر یک سبک مدرن از رایانش است که پردازش‌های سنگین نرم‌افزاری را از پردازش‌های سبک جدا کرده و آن‌ها را به وظیفه‌ای دیگر به نام شتاب‌دهنده‌ی سخت‌افزاری انتقال می‌دهد تا بار از روی CPU برداشته شود.
هوانگ اظهار کرد:
رایانش شتاب‌یافته کل پشته رایانش، شامل الگوریتم‌ها، نرم‌افزار و پردازنده را در نظر می‌گیرد. ما می‌توانیم نقاط ضعف را شناسایی کنیم. سیستم‌های نرم‌افزاری جدید به بهبود عملکرد کل برنامه کمک می‌کنند، نه فقط به بهبود تراشه.
رایانش شتاب‌یافته به عنوان یک چاره‌ساز در نظر گرفته می‌شود. به عنوان مثال، اگر یک هواپیما باید بسته‌ای را تحویل دهد و زمان تحویل آن ۱۲ ساعت باشد، به‌جای افزایش سرعت حرکت هواپیما، تمرکز بر تسریع فرآیند تحویل بسته می‌شود. این مفهوم به بهره‌گیری از پرینت سه‌بعدی مقصد نیز اشاره دارد. شتاب‌دادن فرآیند اجرای برنامه به منظور افزایش سرعت تراشه تنها انجام وظیفه نیست؛ بلکه برای سریع‌تر رسیدن به هدف و آموزش بهینه‌تر استفاده می‌شود.
در این باره، ایان باک بیان می‌کند که اگر انویدیا تصمیم به ایجاد تغییرات جهیده در سخت‌افزار و نرم‌افزار به منظور بهره‌گیری از آن سخت‌افزار بر روی آینده‌ی خود نمی‌گرفت، رشد چشمگیری که شاهد آن هستیم، امکان‌پذیر نبود.
این مسئله واقعاً نشان می‌دهد که ما چگونه در زمینه نوآوری فعالیت می‌کنیم و چگونه نسبت به محصولات و بازار خود فکر می‌کنیم. ما به تغییر معماری‌هایمان و تعداد دستورالعمل‌ها دست می‌زنیم. ما از انجام این تغییرات خودداری نمی‌کنیم چرا که در حال توسعه‌ی یک نمونه جدید از مدل رایانش شتاب‌یافته هستیم که تصمیمات جاری را زیر سوال می‌برد و این کار را با سرعتی بیشتر از قانون مور انجام می‌دهد.
باک اظهار داشت:
هدف اصلی ما در ایجاد یک نوع جدید از رایانش است. ما به دنبال ساختن یک پلتفرم کامل نیستیم که صرفاً دستورات ثابت را اجرا کند، بلکه در حال نوآوری در تمام لایه‌های آن هستیم.
نویسنده دربارهٔ انویدیا ذکر کرد:
تمرکز بر افزایش سرعت هواپیما جایزاندنی نیست؛ به جای آن، باید بر روی بهبود روش‌های تحویل سریع‌تر بسته تمرکز داشت.
در تحلیل پردازنده‌های گرافیکی و مقایسه با قانون مور، قانون هوانگ به نظر می‌رسد که بهبودهای معماری تراشه، اتصالات، فناوری حافظه و الگوریتم‌ها را دربرمی‌گیرد، نه صرفاً بر اساس ترانزیستورهای CPU. اما مسائلی دربارهٔ اعتبار قانون هوانگ وجود دارد، و برخی از منابع حتی آن را توهمی توصیف کرده‌اند.
منتقدان بر این باورند که قانون هوانگ نمی‌تواند به‌طور مستقل از قانون مور وجود داشته باشد و اگر قانون مور با مشکلاتی مواجه شود، قانون هوانگ نیز همان مشکلات را خواهد داشت. از سوی دیگر، برخی معتقدند که برای ارزیابی قانون هوانگ نیاز به زمان بیشتری داریم و نمی‌توان پیش‌بینی کرد که آیا روند رشد هوش مصنوعی با این سرعت ادامه خواهد داشت یا خیر.
بحران این رویکرد انتقادی این است که اهمیت اصلی قانون مور را در نظر نمی‌گیرد. قدرت پیش‌بینی قانون مور نه تنها به دلیل دقت آن نیست، بلکه به دلیل اعتماد صنعت به این دقت است. اگر اعتماد به این قانون وجود نداشته باشد، شرکت‌ها استراتژی توسعه محصولات خود را بر اساس آن تعیین نخواهند کرد و پیش‌بینی‌های قانون مور نیز ممکن است تحقق نیابد.
در نهایت، برای ارزیابی صحت قانون هوانگ نیاز است که سایر شرکت‌های تکنولوژی، به‌ویژه در زمینه هوش مصنوعی، به آن اعتماد کنند. زمان ایجاد این اعتماد و نحوه‌ی تأثیر آن بر آینده‌ی صنعت تکنولوژی هنوز مبهم است.
نظرات کاربران