რა არის GPU — და რატომ არის მასზე დამოკიდებული AI?

GPU (გრაფიკული პროცესორი) — ჩიპია, რომელიც შექმნილია იმისთვის, რომ ერთდროულად ათასობით მარტივი გამოთვლა შეასრულოს, ერთი რთული გამოთვლის თანმიმდევრულად შესრულების ნაცვლად. თანამედროვე AI მოდელები, არსებითად, რიცხვების უზარმაზარი ბადეებია, რომლებიც ერთმანეთს მრავლდება და ემატება — ზუსტად იმ ტიპის განმეორებადი, პარალელური მათემატიკაა, რომლისთვისაც GPU შეიქმნა. ეს დამთხვევა, თითქმის შემთხვევით აღმოჩენილი, არის მიზეზი, თუ რატომ გახდა ვიდეო-თამაშების გრაფიკის დასახატად შექმნილი ჩიპი AI-ის ბუმის ძრავი.

რა არის GPU სინამდვილეში

GPU ერთ ჩიპზე ათასობით მცირე დამუშავების ბირთვს აერთიანებს — Nvidia მათ CUDA ბირთვებს უწოდებს, AMD კი — სტრიმ-პროცესორებს. თითოეული ბირთვი მარტივია და თავისთავად დიდს ვერაფერს აკეთებს. მაგრამ თანამედროვე მონაცემთა ცენტრის GPU-ს შეუძლია ერთდროულად ათეულობით ათასი ასეთი ბირთვის გაშვება, სადაც ყველა ერთი და იმავე ამოცანის სხვადასხვა ნაწილზე მუშაობს პარალელურად. ამას პარალელური დამუშავება ჰქვია.

ჩვეულებრივი კომპიუტერის მთავარი ჩიპი, CPU (ცენტრალური დამმუშავებელი ერთეული), საპირისპირო მიდგომას იყენებს: რამდენიმე მძლავრი ბირთვი (ჩვეულებრივ 4-დან 64-მდე), რომლებიც ერთი ამოცანის მაქსიმალურად სწრაფად, ზედიზედ შესრულებისთვისაა აგებული, დიდი რაოდენობის მეხსიერებით თითოეული ბირთვის “გამოსაკვებად”. CPU არის მცირერიცხოვანი გუნდი ექსპერტებისა, რომელთაგან თითოეული ერთდროულად ერთ პრობლემას ბრწყინვალედ აგვარებს. GPU კი სტადიონია, სავსე მუშახელით, სადაც თითოეული ერთი და იმავე უზარმაზარი ამოცანის ერთ პატარა ნაწილს ასრულებს — ყველა ერთდროულად. ამოცანებისთვის, რომლებიც ბევრ იდენტურ, მცირე ნაწილად იშლება, სტადიონი მრავალჯერ სჯობნის.

როგორ დაუკავშირდა გრაფიკული ჩიპი AI-ს

GPU-ები სწორედ იმიტომ არსებობს, რომ 3D გრაფიკა სავსეა ასეთი განმეორებადი მათემატიკით: თამაშის ერთ სცენაში შესაძლოა მილიონობით პიქსელი იყოს, და თითოეულს თითქმის იდენტური გამოთვლა სჭირდება მისი ფერისა და პოზიციის დასადგენად. Nvidia-მ პირველი ჩიპი, რომელსაც “GPU” უწოდა — GeForce 256 — 1999 წელს გამოუშვა, მხოლოდ გრაფიკის უფრო სწრაფად დასახატად.

გარდამტეხი მომენტი 2006 წელს დადგა, როცა Nvidia-მ გამოუშვა CUDA — პროგრამირების პლატფორმა, რომელმაც დეველოპერებს საშუალება მისცა, GPU-ს ბირთვები გრაფიკასთან არაკავშირებული მათემატიკისთვისაც გამოეყენებინათ. მკვლევრებმა, რომლებიც ნეირონულ ქსელებზე მუშაობდნენ, შენიშნეს, რომ ქსელის წვრთნა — მილიონობით შიდა რიცხვის, ანუ პარამეტრის, განმეორებადი მატრიცული გამრავლების გზით კორექტირება — ზუსტად იმ ტიპის პარალელური არითმეტიკა იყო, რომელიც CUDA-მ შესაძლებელი გახადა. 2012 წელს ნეირონულმა ქსელმა AlexNet-მა, რომელიც Nvidia-ს ორ სათამაშო GPU-ზე გაწვრთნეს, მნიშვნელოვნად აჯობა ყველა სხვა სისტემას გამოსახულების ამოცნობის ერთ-ერთ მთავარ შეჯიბრში. ამ შედეგმა AI-ის კვლევით საზოგადოებას დაანახა, რომ ღრმა სწავლებას სწორედ GPU-ები სჭირდებოდა, არა CPU-ები. მას შემდეგ ყველა მთავარი წარმატება — მათ შორის დღევანდელი ჩატბოტების საფუძველში მყოფი ტრანსფორმერ მოდელები — GPU-ებზეა გაწვრთნილი.

რატომ აქვს მნიშვნელობა

დიდი AI მოდელის წვრთნა ნიშნავს ამ მატრიცული მათემატიკის განმეორებით შესრულებას უზარმაზარ მონაცემთა ნაკრებებზე, კვირების ან თვეების განმავლობაში. ამის CPU-ებზე გაკეთება წლები დასჭირდებოდა და გაცილებით მეტი დაჯდებოდა, თუ საერთოდ დასრულდებოდა. GPU-ები ამ დროს იმ ზომამდე ამცირებენ, რომლითაც კომპანიებს რეალურად შეუძლიათ მუშაობა — და სწორედ ამიტომ შეიძლება ერთი უმაღლესი კლასის მონაცემთა ცენტრის GPU ათობით ათას დოლარად ჯდებოდეს, ხოლო AI ლაბორატორიები მათ ათეულობით ათასობით ცალით ყიდულობენ.

ამ მოთხოვნამ ნახევარგამტარული ინდუსტრია სრულად შეცვალა. სწორედ ამან აქცია Nvidia, კომპანია, რომელიც გეიმერებისთვის გრაფიკული ბარათების გაყიდვით დაიწყო, მსოფლიოში ერთ-ერთ ყველაზე ძვირად შეფასებულ კომპანიად, და სწორედ ეს არის პირდაპირი მიზეზი იმ AI გამოთვლითი სიმძლავრის დეფიციტისა, რომლის გამოც მონაცემთა ცენტრები, ენერგოსისტემები და მთავრობები ერთმანეთს ეჯიბრებიან მეტი ჩიპის მოსაპოვებლად. ქვეყნები და კომპანიები ახლა AI-ის სიმძლავრეს GPU-ებში ზომავენ, როგორც ოდესღაც ინდუსტრიულ სიმძლავრეს ზომავდნენ ქარხნებში ან ფოლადში.

სიახლეებში

ეს რბოლა ახლა ეროვნულ დონეზეც მიმდინარეობს. იაპონიის მთავრობამ და 44 კომპანიისგან შემდგარმა კონსორციუმმა ცოტა ხნის წინ Nvidia-სთან პარტნიორობით დაიწყეს 140-მეგავატიანი “AI ქარხნის” მშენებლობა, რომელსაც Nvidia-ს ახალი თაობის 27,500 Rubin GPU ამუშავებს და რობოტიკისა და წარმოებისთვის განკუთვნილ ღია AI მოდელებს გაძლიერებს — ნიშანი იმისა, თუ რამდენად ცენტრალური გახდა GPU-ის სიმძლავრე სამრეწველო პოლიტიკისთვის, არა მხოლოდ ტექნოლოგიური კომპანიების ბიუჯეტებისთვის.

ხშირად დასმული კითხვები

GPU და AI ჩიპი ერთი და იგივეა? არა ზუსტად. GPU არის AI-სთვის ყველაზე გავრცელებული ტიპის ჩიპი, მაგრამ ზოგიერთი კომპანია მხოლოდ AI მათემატიკისთვის განკუთვნილ ჩიპებსაც აწარმოებს (ხშირად მათ AI აქსელერატორებს ან ინფერენსის ჩიპებს უწოდებენ), გრაფიკის დახატვის ფუნქციების გარეშე, რომლებიც GPU-ს ჯერ კიდევ გააჩნია.

საჭიროა GPU, რომ AI ინსტრუმენტები გამოვიყენო? არა. ჩატბოტის ან სურათის გენერატორის გამოყენებისას თქვენი მოთხოვნა კომპანიის სერვერებზე იგზავნება, სადაც სამუშაოს მათი GPU-ები ასრულებენ; თქვენი მოწყობილობა მხოლოდ შედეგს აჩვენებს. GPU მთავარია მაშინ, თუ თავად წვრთნით მოდელებს ან დიდ მოდელებს ლოკალურად უშვებთ.

რატომ ვერ ემატება CPU-ს უბრალოდ მეტი ბირთვი, რომ გაუწიოს კონკურენცია? ტექნიკურად ბირთვების დამატება შესაძლებელია, მაგრამ CPU-ს ბირთვები ინდივიდუალურად მძლავრი რჩება — ათასობით ბირთვის მოთავსება ჩიპის თითქმის GPU-ს მსგავს არქიტექტურად გადაკეთებას მოითხოვდა. ეს ორი არქიტექტურა სხვადასხვა ამოცანისთვისაა ოპტიმიზებული, და არა ერთი და იმავე სკალის სხვადასხვა წერტილი.

წყაროები: Wikipedia: გრაფიკული პროცესორი; Nvidia: CUDA-სა და GPU გამოთვლების ისტორია; IBM: CPU vs. GPU მანქანური სწავლებისთვის.