هوش مصنوعی به سمت  DeepSeek "جستجوی عمیق" می‌رود!

 

مایکل رابرتس

ترجمه آزاده ارفع

 

بیشتر خوانندگان احتمالاً تاکنون از این خبر مطلع شده‌اند. شرکت چینی هوش مصنوعی دیپ‌سیک (DeepSeek) یک مدل هوش مصنوعی به نام R1 منتشر کرده است که از نظر توانایی با بهترین مدل‌های شرکت‌هایی مانند OpenAI،Anthropic   و Meta قابل مقایسه است، اما با هزینه‌ای به مراتب کمتر و با استفاده از تراشه‌های گرافیکی (1)(GPU) که از آخرین فناوری‌ها برخوردار نیستند، آموزش داده شده است. دیپ‌سیک همچنین جزئیات کافی از این مدل را به صورت عمومی منتشر کرده است تا دیگران بتوانند آن را به رایگان روی کامپیوترهای خود اجرا کنند.

دیپ‌سیک همچون یک اژدر، هفت غول فناوری آمریکائی موسوم به "هفت شرکت باشکوه"(2)(Magnificent Seven) را در نقطه‌ آسیب‌پذیرشان هدف قرار داده است. دیپ‌سیک از آخرین و بهترین تراشه‌ها و نرم‌افزارهای  نویدیا (Nvidia) استفاده نکرده است؛ برخلاف رقبای آمریکایی خود، هزینه‌های هنگفتی برای آموزش مدل هوش مصنوعی خود صرف نکرده است؛ و در عین حال، کاربردهای مفید مشابهی را ارائه می‌دهد.

دیپ‌سیک مدل R1 خود را با تراشه‌های قدیمی‌تر و کندتر نویدیا (Nvidia)ساخته است که تحریم‌های آمریکا اجازه صادرات آنها به چین را داده بود. دولت آمریکا و غول‌های فناوری تصور می‌کردند که به دلیل هزینه‌های هنگفت ساخت تراشه‌ها و مدل‌های هوش مصنوعی بهتر، انحصار توسعه هوش مصنوعی را در اختیار دارند. اما اکنون مدل R1 دیپ‌سیک نشان می‌دهد که شرکت‌هائی با سرمایه کمتر نیز می‌توانند به زودی مدل‌های هوش مصنوعی رقابتی را راه‌اندازی کنند. R1 با بودجه‌ای محدود و قدرت محاسباتی بسیار کمتر قابل استفاده است. علاوه بر این، R1 در زمینه "استنتاج"  (inference)   - اصطلاحی در هوش مصنوعی که به زمانی اشاره دارد که کاربران از مدل سوال می‌پرسند و پاسخ دریافت می‌کنند - به خوبی رقبای خود عمل می‌کند. همچنین این مدل روی سرورهای شرکت‌های مختلف اجرا می‌شود بنابراین دیگر نیازی نیست که این شرکت‌ها با هزینه‌های گزاف از شرکت‌هایی مانند OpenAI خدمات "اجاره" کنند.

مهم‌تر از همه، مدل R1 دیپ‌سیک "متن‌باز" (open source) است، به این معنی که کدها و روش‌های آموزش آن برای همه قابل دسترسی است تا بتوانند آن را کپی و توسعه دهند. این ضربه‌ای واقعی به اسرار "انحصاری" شرکت‌هایی مانند OpenAI یا Gemini گوگل است که این اطلاعات را در یک "جعبه سیاه" قفل می‌کنند تا سود خود را به حداکثر برسانند. این موضوع را می‌توان به داروهای با حق انحصار شرکت ها و داروهای ژنریک یا با حق تولید ازاد تشبیه کرد.

مسئله بزرگ برای شرکت‌های هوش مصنوعی آمریکا و سرمایه‌گذاران آنها این است که به نظر می‌رسد ساخت مراکز داده های عظیم(data centres) برای میزبانی تعداد زیادی تراشه گران‌قیمت ممکن است برای دستیابی به نتایج کافی و موفقیت‌آمیز ضروری نباشد. تاکنون، شرکت‌های آمریکایی پروژه هائی با هزینه‌ای هنگفت را در برابر خود قرار داد و تلاش کرده‌اند تا بودجه‌های کلانی برای این کار جمع‌آوری کنند. در واقع، درست در همان روز دوشنبه‌ای که خبر مدل R1 دیپ‌سیک منتشر شد، متا (Meta) اعلام کرد که ۶۵ میلیارد دلار دیگر سرمایه‌گذاری خواهد کرد، و تنها چند روز قبل از آن، رئیس‌جمهور ترامپ اعلام کرد که ۵۰۰ میلیارد دلار کمک‌های دولتی به غول‌های فناوری به عنوان بخشی از پروژه موسوم به "استارگیت" (Stargate) اختصاص خواهد یافت. جالب اینجاست که مارک زاکربرگ، مدیرعامل متا، گفت که سرمایه‌گذاری می‌کند زیرا "ما می‌خواهیم آمریکا استاندارد جهانی هوش مصنوعی را تعیین کند، نه چین."  عجب!

اکنون سرمایه‌گذاران نگران هستند که این هزینه‌ها غیرضروری باشد و مهم‌تر از آن، اگر دیپ‌سیک بتواند کاربردهای هوش مصنوعی را با یک دهم هزینه ارائه دهد، این موضوع به سودآوری شرکت‌های آمریکایی آسیب وارد می کند. پنج شرکت بزرگ فناوری که به هوش مصنوعی متکی هستند — سازنده تراشه‌های نویدیا (Nvidia) و شرکت‌های موسوم به «هایپرسکیلر» (hyperscalers) مانند آلفابت (Alphabet)، آمازون (Amazon)، مایکروسافت (Microsoft) و متا پلتفرمز (Meta Platforms) — تنها در یک روز حدود ۷۵۰ میلیارد دلار از ارزش بازار سهام خود را از دست دادند. و دیپ‌سیک واقعاً سود شرکت‌های مراکز داده(data centres)  و همچنین شرکت‌های آب و برق را که انتظار داشتند از « بهبود دقت و قابلیت‌های تعمیم مدل های هوش مصنوعی در سطح عظیم » هفت شرکت باشکوه (Magnificent Seven) بهره‌مند شوند را تهدید می‌کند. رونق بازار سهام بورس آمریکا به شدت بر «هفت شرکت باشکوه» اتکاء دارد.

بنابراین، آیا دیپ‌سیک حباب عظیم بازار سهام فناوری در آمریکا را ترکاند؟ سرمایه‌گذار میلیاردر، ری دالیو (Ray Dalio)، چنین فکر می‌کند. او به فایننشال تایمز گفت: «قیمت‌ها به سطحی رسیده‌اند که در عین حال بالا هستند و خطر نرخ بهره نیز وجود دارد، و این ترکیب می‌تواند حباب را بترکاند... جایی که اکنون در چرخه قرار داریم، بسیار شبیه به شرایط بین سال‌های ۱۹۹۸ یا ۱۹۹۹ است.» دالیو افزود: «به عبارت دیگر، یک فناوری جدید عمده وجود دارد که قطعاً جهان را تغییر خواهد داد و موفق خواهد بود. اما برخی افراد این را با موفقیت سرمایه‌گذاری‌ها اشتباه می‌گیرند.»

اما ممکن است اینطور نباشد، یا حداقل هنوز نه. قیمت سهام شرکت تراشه‌های هوش مصنوعی، نویدیا (Nvidia)، ممکن است این هفته کاهش یافته باشد، اما زبان برنامه‌نویسی «انحصاری» آن، یعنی Cuda، هنوز استاندارد صنعتی آمریکا است. در حالی که سهام این شرکت نزدیک به ۱۷٪ کاهش یافته است، این تنها آن را به سطح (بسیار بسیار بالای) ماه سپتامبر بازمی‌گرداند.بسیاری از مسائل به عوامل دیگری بستگی دارد، مانند این که "فدرال رزرو آمریکا" به دلیل توقف کاهش تورم، نرخ بهره را بالا نگه دارد، و همچنین این که آیا ترامپ به طور جدی تهدیدهای خود در مورد تعرفه‌ها و محدودیت‌های مهاجرتی را اجرایی کند یا خیر، که این اقدامات تنها به افزایش تورم دامن می‌زنند.

آنچه باید الیگارش‌های فناوری را که به ترامپ نزدیک شده‌اند، عصبانی کند، این است که تحریم‌های آمریکا علیه شرکت‌های چینی و ممنوعیت صادرات تراشه‌ها(1)، نتوانسته است چین را از پیشرفت‌های بیشتر در جنگ فناوری و تراشه با آمریکا بازدارد. چین علیرغم کنترل‌های صادراتی که دولت بایدن برای محروم کردن این کشور از قدرتمندترین تراشه‌ها و ابزارهای پیشرفته لازم برای ساخت آنها اعمال کرده، موفق شده است در حوزه هوش مصنوعی به جهش‌های فناورانه دست یابد.

شرکت هواوی، به عنوان رقیب اصلی نویدیا (Nvidia) در چین، برای تراشه‌های «استنتاج» (inference) که پردازنده‌های ویژه‌ برای مدل‌های هوش مصنوعی آموزش‌دیده ‌شده طراحی میشوند، به عنوان قهرمان فناوری چین وارد میدان رقابت شده است. این شرکت با شرکت‌های هوش مصنوعی، از جمله دیپ‌سیک، همکاری کرده است تا مدل‌هایی که روی GPUهای نویدیا آموزش دیده‌اند را برای اجرای استنتاج روی تراشه‌های Ascend خود سازگار کند. یک سرمایه‌گذار حوزه نیمه‌هادی در پکن گفت: «هواوی در حال بهتر شدن است. آنها فرصتی دارند زیرا دولت به شرکت‌های بزرگ فناوری می‌گوید که باید تراشه‌های آنها را خریداری کرده و برای استنتاج استفاده کنند.»

این موضوع نشان‌دهنده این است که سرمایه‌گذاری برنامه‌ریزی‌شده و دولتی چین در فناوری و مهارت‌های فناورانه، بسیار بهتر از اتکا به غول‌های بزرگ فناوری خصوصی که توسط افراد قدرتمند هدایت می‌شوند، عمل می‌کند. همان‌طور که ری دالیو میگوید: «در سیستم ما، به طور کلی، ما به سمت نوعی سیاست مجتمع صنعتی حرکت می‌کنیم که در آن فعالیت‌های تحت دستور و تأثیر دولت وجود خواهد داشت، زیرا این موضوع بسیار مهم است... سرمایه‌داری به تنهایی — تنها انگیزه سود — نمی‌تواند این نبرد را ببرد.»

با این حال، غول‌های هوش مصنوعی هنوز به اندازه لازم غول‌پیکر نشده‌اند. آنها با سرمایه‌گذاری میلیاردها دلار بیشتر در مراکز داده و تراشه‌های پیشرفته‌تر، به «بهبود دقت و قابلیت‌های تعمیم مدل هایشان » ادامه می‌دهند. این روند به طور تصاعدی در حال مصرف کردن قدرت محاسباتی کامپیوتر است. و البته، هیچ توجهی به آن چه اقتصاددانان جریان اصلی مودبانه آن را «عوامل خارجی» (externalities) می‌نامند، وجود ندارد. بر اساس گزارش "گلدمن ساکس" یک پرس‌وجو در ChatGPT تقریباً ۱۰ برابر بیشتر از یک جست‌وجوی گوگل برق مصرف می‌کند. جسی داج، پژوهشگر، محاسباتی تقریبی درباره میزان انرژی مصرفی ربات‌های چت هوش مصنوعی انجام داده است. او می‌گوید: «یک پرس‌وجو در ChatGPT تقریباً به اندازه‌ای برق مصرف می‌کند که می‌تواند یک لامپ را به مدت حدود ۲۰ دقیقه روشن نگه دارد. بنابراین، می‌توانید تصور کنید که با میلیون‌ها نفر که هر روز از چیزی مانند این استفاده می‌کنند، این مقدار به یک مصرف بسیار بزرگ برق تبدیل می‌شود.» مصرف بیشتر برق به معنای تولید بیشتر انرژی و به ویژه انتشار بیشتر گازهای گلخانه‌ای ناشی از سوخت‌های فسیلی است.

گوگل هدف خود را رسیدن به انتشار صفر خالص (net-zero emissions) تا سال ۲۰۳۰ تعیین کرده است. از سال ۲۰۰۷، این شرکت ادعا کرده است که عملیات شرکتش از نظر کربن خنثی است، زیرا هزینه‌های جبران کربن (carbon offsets) برای مطابقت با انتشار کربن توسط خود را خریداری می‌کند. اما از سال ۲۰۲۳، گوگل در گزارش خود نوشت که دیگر «خنثی‌سازی کربن عملیاتی» را حفظ نمی‌کند. این شرکت می‌گوید که هنوز برای هدف انتشار خالص صفر در سال ۲۰۳۰ تلاش می‌کند. داج می‌گوید: «انگیزه واقعی گوگل در اینجا ساخت بهترین سیستم‌های هوش مصنوعی است که می‌توانند بسازند. و آنها مایلند منابع عظیمی را در این راه صرف کنند، از جمله آموزش سیستم‌های هوش مصنوعی روی مراکز داده بزرگ‌تر و بزرگ‌تر با اجتناب از کاربرد ابررایانه‌ها، که مصرف برق بسیار زیادی را به همراه دارد و در نتیجه منجر به انتشار CO2 می‌شود.»

و البته پس از برق مسئله آب مطرح می‌شود. در حالی که آمریکا با خشک سالی و آتش‌سوزی‌های جنگلی مواجه است، شرکت‌های هوش مصنوعی در حال مصرف آب‌های عمیق برای «خنک‌کردن» مراکز داده عظیم خود به منظور محافظت از تراشه‌ها هستند. علاوه بر این، شرکت‌های "سیلیکون ولی" به طور فزاینده‌ای در حال کنترل زیرساخت‌های تأمین آب برای رفع نیازهای خود هستند. به عنوان مثال، پژوهش‌ها نشان می‌دهند که حدود ۷۰۰ هزار لیتر آب ممکن است برای خنک‌کردن ماشین‌هایی که ChatGPT-3 را در مراکز داده مایکروسافت آموزش داده‌اند، استفاده شده باشد.

آموزش مدل‌های هوش مصنوعی ۶۰۰۰ برابر بیشتر از یک شهر اروپایی انرژی مصرف می‌کند. علاوه بر این، در حالی که مواد معدنی مانند لیتیوم و کبالت معمولاً با باطری‌ها در بخش موتور مرتبط هستند، آنها برای باطری‌های مورد استفاده در مراکز داده نیز حیاتی هستند. فرآیند استخراج این مواد اغلب شامل مصرف قابل توجه آب است و می‌تواند منجر به آلودگی شود، که امنیت آب را تضعیف می‌کند.سام آلتمن، مخترع و قهرمان سابق مدافع غیرانتفاعی بودن OpenAI، که اکنون در تلاش برای حداکثر کردن سود برای مایکروسافت است، استدلال می‌کند که بله، متأسفانه در کوتاه‌مدت «مبادلاتی» (trade-offs) وجود دارد، اما این مبادلات برای رسیدن به چیزی به نام AGI ضروری هستند؛ و AGI سپس به ما کمک می‌کند تا همه این مشکلات را حل کنیم، بنابراین مبادله «عوامل خارجی» ارزشش را دارد.

AGI چیست؟ "هوش عمومی مصنوعی" (Artificial General Intelligence یا AGI) جام مقدس توسعه‌دهندگان هوش مصنوعی است. این به معنای آن است که مدل‌های هوش مصنوعی به سطحی «فوق العاده هوشمند» فراتر از هوش انسان دست خواهند یافت. آلتمن وعده می‌دهد که وقتی این هدف محقق شود، هوش مصنوعی او نه تنها قادر به انجام کار یک کارگر خواهد بود، بلکه می‌تواند تمام کارهای آنها را انجام دهد: «هوش مصنوعی می‌تواند کار یک سازمان را انجام دهد.» نقطه نهائی این روند حداکثر کردن سودآوری خواهد بود، زیرا با حذف کارگران از شرکت‌ها (حتی شرکت‌های هوش مصنوعی؟)، ماشین‌های هوش مصنوعی همه چیز را از عملیات گرفته تا توسعه و بازاریابی به دست خواهند گرفت. این رویای آخرالزمانی برای سرمایه است (اما یک کابوس برای نیروی کار: بدون شغل، بدون درآمد).به همین دلیل است که آلتمن و سایر غول‌های هوش مصنوعی گسترش مراکز داده و توسعه تراشه‌های پیشرفته‌تر را متوقف نخواهند کرد حتی اگر دیپ‌سیک مدل‌های فعلی آن‌ها را زیر قیمت ارائه دهد. شرکت تحقیقاتی Rosenblatt پاسخ غول‌های فناوری به این چالش را پیش‌بینی کرده است: «به طور کلی، انتظار داریم که تمایل به بهبود قابلیت‌ها باشد، با سرعت بیشتر به سمت "هوش عمومی مصنوعی" AGI حرکت کنند، تا کاهش هزینه‌ها.» هیچ چیز نباید مانع دستیابی به هدف هوش مصنوعی فوق‌هوشمند شود.

برخی از افراد رقابت برای دستیابی به"هوش عمومی مصنوعی"  AGI را تهدیدی برای خود بشریت می‌دانند. استوارت راسل، استاد علوم کامپیوتر در دانشگاه کالیفرنیا، برکلی میگوید: «حتی مدیرانی  که در این رقابت شرکت می‌کنند، اعلام کرده‌اند که هر کس برنده شود، احتمالاً در این فرآیند باعث انقراض انسان‌ها خواهد شد، زیرا ما هیچ ایده‌ای درباره چگونگی کنترل سیستم‌هایی که از خودمان باهوش‌تر هستند، نداریم.» او افزوده است: «به عبارت دیگر، رقابت AGI یک مسابقه به سمت لبه پرتگاه است.»شاید اینطور باشد، اما من همچنان شک دارم که هوش ماشین بتواند جایگزین «هوش» انسان شود و ان هم عمدتاً به این دلیل که این دو متفاوت هستند. ماشین‌ها نمی‌توانند به تغییرات بالقوه و کیفی فکر کنند. دانش جدید از چنین تحولاتی (انسانی) ناشی می‌شود نه از گسترش دانش موجود (ماشین‌ها). تنها هوش انسان است که اجتماعی است و می‌تواند پتانسیل تغییر، به ویژه تغییرات اجتماعی را ببیند، که منجر به زندگی بهتر برای انسان‌ها و طبیعت می‌شود.

آنچه ظهور دیپ‌سیک نشان داده است این است که هوش مصنوعی می‌تواند تا سطحی توسعه یابد که به انسان‌ها و نیازهای اجتماعی آن‌ها کمک کند. این فناوری رایگان، باز و در دسترس کوچک‌ترین کاربران و توسعه‌دهندگان است. این فناوری برای سود یا کسب سود توسعه نیافته است. همان‌طور که یکی از مفسرین ها بیان کرده است: «من می‌خواهم هوش مصنوعی لباس‌ها و ظروف من را بشوید تا من بتوانم به هنر و نوشتن بپردازم، نه این که هوش مصنوعی هنر و نوشتن من را انجام دهد تا من بتوانم لباس‌ها و ظروفم را بشویم.» مدیران در حال معرفی هوش مصنوعی هستند تا «مشکلات مدیریتی را آسان‌تر کنند، به قیمت چیزهایی که بسیاری از مردم فکر می‌کنند هوش مصنوعی نباید برای آنها استفاده شود، مانند کارهای خلاقانه... اگر هوش مصنوعی قرار است کار کند، باید از پایین به بالا توسعه یابد، وگرنه هوش مصنوعی برای اکثر مردم در محیط کار بی‌فایده خواهد بود.»به جای توسعه هوش مصنوعی برای کسب سود، کاهش مشاغل و معیشت انسان‌ها، هوش مصنوعی تحت مالکیت مشترک و برنامه‌ریزی می‌تواند ساعت‌های کار انسان‌ها را برای همه کاهش دهد و انسان‌ها را از کار طاقت‌فرسا رها کند تا بر روی کارهای خلاقانه‌ ای متمرکز شوند که تنها هوش انسان می‌تواند ارائه دهد.

 

***********

(1)- تراشه‌ها (Chips) یا مدارهای مجتمع (Integrated Circuits یا ICs)، قطعات الکترونیکی کوچکی هستند که از تعداد زیادی قطعات ریز مانند ترانزیستورها، مقاومت‌ها، خازن‌ها و دیودها تشکیل شده‌اند. این قطعات روی یک ماده نیمه‌هادی (معمولاً سیلیکون) ساخته می‌شوند و برای انجام وظایف خاصی مانند پردازش داده‌ها، ذخیره‌سازی اطلاعات یا کنترل سیستم‌های الکترونیکی طراحی شده‌اند. تراشه‌ها در تمام دستگاه‌های الکترونیکی، از گوشی‌های هوشمند و کامپیوترها تا خودروها و لوازم خانگی، استفاده می‌شوند.

نقش تراشه‌ها در هوش مصنوعی:

هوش مصنوعی (AI) به توانایی ماشین‌ها برای انجام وظایفی گفته می‌شود که معمولاً به هوش انسان نیاز دارند، مانند یادگیری، استدلال و تصمیم‌گیری. تراشه‌ها به عنوان سخت‌افزار پایه، نقش حیاتی در اجرا و پیشرفت هوش مصنوعی ایفا می‌کنند. در ادامه به برخی از نقش‌های کلیدی تراشه‌ها در هوش مصنوعی اشاره می‌شود:

۱. پردازش داده‌ها:

   - تراشه‌ها، به ویژه واحدهای پردازش مرکزی (CPU) و واحدهای پردازش گرافیکی (GPU)، برای انجام محاسبات پیچیده مورد نیاز در الگوریتم‌های هوش مصنوعی استفاده می‌شوند. این محاسبات شامل آموزش مدل‌های هوش مصنوعی و اجرای استنتاج (inference) است.

۲. شتاب‌دهی به یادگیری ماشین:

   - تراشه‌های تخصصی مانند واحدهای پردازش تنسور (TPU) و واحدهای پردازش عصبی (NPU) به طور خاص برای تسریع عملیات یادگیری ماشین طراحی شده‌اند. این تراشه‌ها می‌توانند عملیات ماتریسی و برداری را که در الگوریتم‌های هوش مصنوعی رایج هستند، با سرعت بسیار بالاتری انجام دهند.

۳. اجرای مدل‌های هوش مصنوعی:

   - پس از آموزش مدل‌های هوش مصنوعی، این مدل‌ها باید روی دستگاه‌های مختلف (مانند سرورها، گوشی‌های هوشمند یا خودروهای خودران) اجرا شوند. تراشه‌ها این وظیفه را بر عهده دارند و با انجام محاسبات سریع و کارآمد، امکان استفاده عملی از هوش مصنوعی را فراهم می‌کنند.

۴. کاهش مصرف انرژی:

   - تراشه‌های بهینه‌شده برای هوش مصنوعی، مانند TPUها و NPUها، نه تنها سرعت پردازش را افزایش می‌دهند، بلکه مصرف انرژی را نیز کاهش می‌دهند. این امر برای دستگاه‌های همراه و سیستم‌هایی که نیاز به کارایی انرژی دارند، بسیار مهم است.

۵. پشتیبانی از شبکه‌های عصبی:

   - شبکه‌های عصبی عمیق (Deep Neural Networks یا DNNs) که هسته بسیاری از مدل‌های هوش مصنوعی هستند، به محاسبات سنگین و موازی نیاز دارند. تراشه‌های مدرن، به ویژه GPUها و TPUها، برای انجام این نوع محاسبات بهینه‌سازی شده‌اند.

۶. پردازش در لبه (Edge Computing)*:

   - تراشه‌های هوش مصنوعی که در دستگاه‌های لبه (مانند گوشی‌های هوشمند، دوربین‌های هوشمند و خودروهای خودران) استفاده می‌شوند، امکان پردازش داده‌ها را به صورت محلی و بدون نیاز به ارسال داده‌ها به سرورهای ابری فراهم می‌کنند. این امر باعث کاهش تأخیر و افزایش امنیت داده‌ها می‌شود.

۷. پیشرفت‌های آینده:

   - تراشه‌های کوانتومی و نوری در حال توسعه هستند و ممکن است در آینده انقلابی در حوزه هوش مصنوعی ایجاد کنند. این تراشه‌ها قادر خواهند بود محاسبات را با سرعت و کارایی بسیار بالاتری انجام دهند.

انواع تراشه‌های مورد استفاده در هوش مصنوعی:

- CPU (واحد پردازش مرکزی)**: برای انجام وظایف عمومی و محاسبات پیچیده.

- GPU (واحد پردازش گرافیکی)**: برای انجام محاسبات موازی و شتاب‌دهی به یادگیری عمیق.

- TPU (واحد پردازش تنسور)**: تراشه‌های تخصصی گوگل برای یادگیری ماشین.

- NPU (واحد پردازش عصبی)**: تراشه‌های بهینه‌شده برای شبکه‌های عصبی.

- FPGA (آرایه‌های دروازه‌های برنامه‌پذیر)**: تراشه‌های قابل برنامه‌ریزی برای کاربردهای خاص.

 

نقش نیمه‌هادی‌ها در ساخت ریزتراشه‌ها (میکروچیپ‌ها):

ریزتراشه‌ها یا مدارهای مجتمع (Integrated Circuits یا ICs) از تعداد زیادی قطعات الکترونیکی مانند ترانزیستورها، مقاومت‌ها، خازن‌ها و دیودها تشکیل شده‌اند که روی یک قطعه کوچک از نیمه‌هادی (معمولاً سیلیکون) ساخته می‌شوند. نیمه‌هادی‌ها نقش اساسی در ساخت این قطعات و عملکرد آنها دارند.

(2)- هفت شرکت برتر در حوزه هوش مصنوعی در آمریکا که به عنوان رهبران این صنعت شناخته می‌شوند، عبارت‌اند از:

اول

OpenAI

خالق مدل‌های پیشرفته‌ای مانند ChatGPT و DALL·E

پیشگام در توسعه مدل‌های زبانی و مولد هوش مصنوعی

همکاری استراتژیک با مایکروسافت

دوم

Google DeepMind & Google AI

توسعه‌دهنده مدل Gemini و پروژه‌های پیشرفته در یادگیری عمیق

خالق AlphaGo و مدل‌های خودمختار برای حل مسائل پیچیده

سوم

Microsoft AI

سرمایه‌گذاری بزرگ در OpenAI و یکپارچه‌سازی هوش مصنوعی در Azure

توسعه مدل‌های Copilot و ابزارهای سازمانی مبتنی بر AI

چهارم

Anthropic

شرکت بنیان‌گذاری شده توسط کارمندان سابق OpenAI

خالق Claude AI، رقیبی برای ChatGPT با تمرکز بر امنیت و شفافیت هوش مصنوعی

پنجم

Meta AI (Facebook AI)

توسعه مدل Llama و تحقیقات پیشرفته در یادگیری ماشینی

تمرکز بر مدل‌های متن‌باز و هوش مصنوعی اجتماعی

ششم

Amazon AI

توسعه ابزارهای AI در AWS مانند Bedrock و Titan

استفاده از AI در Alexa و سرویس‌های ابری

هفتم

NVIDIA

رهبر تولید سخت‌افزارهای GPU برای یادگیری عمیق

توسعه پلتفرم‌های AI مانند CUDA و NVIDIA AI Enterprise.

 

: