ASIC (Application-Specific Integrated Circuit — გამოყენებაზე მორგებული ინტეგრირებული სქემა) არის ჩიპი, რომელიც დაპროექტებული და ფიზიკურად ისეა „ჩაშენებული", რომ მხოლოდ ერთი კონკრეტული ამოცანა შეასრულოს — და მაქსიმალურად ეფექტურად. AI-ში ეს ამოცანა ჩვეულებრივ კონკრეტული სახის ნეირონული ქსელის გაშვებაა, ყველაზე ხშირად — ტრანსფორმერის არქიტექტურის, რომელზეც დღევანდელი ჩატბოტებია აგებული. ზოგადი დანიშნულების პროცესორისგან განსხვავებით, ASIC ქარხნიდან გამოსვლის შემდეგ ვეღარ „გადაპროგრამდება" სხვა ამოცანისთვის — მისი სქემები სილიციუმშია ერთი ვიწრო ფუნქციისთვის ამოტვიფრული, რაც სწორედ მას ხდის იმ კონკრეტულ ამოცანაში უფრო სწრაფსა და ენერგოეფექტურს, ვიდრე ნებისმიერი დანიშნულების ჩიპი.
რა ხდის ჩიპს ASIC-ად
ყოველი ჩიპი არის კომპრომისი მოქნილობასა და ეფექტურობას შორის. CPU ყველაზე მოქნილია — შეუძლია თითქმის ნებისმიერი პროგრამის გაშვება, ერთდროულად მხოლოდ ერთი ინსტრუქციის შესრულებით, თუმცა ეს უნივერსალურობა სისწრაფეში უჯდება ძვირად. GPU შუალედურ პოზიციას იკავებს — ის შექმნილია ათასობით მსგავსი გრაფიკული გამოთვლის პარალელურად შესასრულებლად, და სწორედ ეს პარალელური არქიტექტურა აღმოჩნდა შესაფერისი AI-ს მიღმა მდგარი მატრიცული მათემატიკისთვისაც. ASIC კიდევ უფრო შორს მიდის: ზოგადი დანიშნულების პარალელური ბირთვების ნაცვლად, მისი ტრანზისტორები ერთი კონკრეტული გამოთვლისთვისაა განლაგებული, სხვა ამოცანისთვის ზედმეტი სქემის გარეშე. Google-ის Tensor Processing Unit (TPU), რომელიც 2015 წელს საკუთარი მონაცემთა ცენტრებისთვის შეიქმნა, ერთ-ერთი პირველი ფართოდ ცნობილი AI ASIC-ია — ის გრაფიკის ნაცვლად სპეციალურად ნეირონული ქსელების მათემატიკისთვისაა აგებული.
რით განსხვავდება ASIC GPU-სგან
პრაქტიკული განსხვავება მაშინ ჩანს, როცა დატვირთვა იცვლება. GPU-ის ბირთვები პროგრამირებადია — იგივე ჩიპი, რომელიც ვიდეო თამაშს ამუშავებს, ხვალ ენობრივი მოდელის წვრთნაზეც შეიძლება გადაერთოს, რადგან პროგრამული უზრუნველყოფა კარნახობს, რა გამოთვალოს. ASIC-ის ლოგიკა კი დაპროექტების ეტაპზე, ჩიპის გამოშვებამდე თვეებით თუ წლებით ადრე, საბოლოოდაა დაფიქსირებული. ეს სპეციალიზაცია ეფექტურობით ანაზღაურდება: რადგან ჩიპზე არცერთი სქემა არ იხარჯება ისეთ ამოცანებზე, რომლებსაც ის ვერასდროს შეასრულებს, ASIC-ს შეუძლია თავისი ერთადერთი სამიზნე დატვირთვა შეასრულოს უფრო სწრაფად და ნაკლები ენერგიით, ვიდრე იმავე ამოცანაზე მომუშავე ზოგადი დანიშნულების GPU-ს. ამის ფასი კი მოქნილობის დაკარგვაა. GPU ახალი მოდელის არქიტექტურაზე პროგრამული განახლებით გადაერთვის; ASIC, როგორც წესი, ვერა.
რატომ დებენ AI კომპანიები ფსონს ASIC-ზე
დღევანდელი AI-ბუმის უმეტესი პერიოდის განმავლობაში GPU — Nvidia-ს ლიდერობით — ნაგულისხმევი აპარატურა იყო, ზუსტად იმის გამო, რომ მისმა მოქნილობამ მკვლევრებს ნებისმიერი ახალი მოდელის არქიტექტურის გაშვების საშუალება მისცა. თუმცა, რაც უფრო დომინანტური ხდება ტრანსფორმერის არქიტექტურა თითქმის ყველა მსხვილ AI მოდელში, ეს მოქნილობა სულ უფრო მეტად ზედმეტ ხარჯად გამოიყურება. AI ჩიპების ინდუსტრიაში სულ მეტი კომპანია დებს ფსონს იმაზე, რომ ჩიპის სპეციალურად ტრანსფორმერებზე მორგება — და სხვა ყველაფრის გაშვების უნარზე უარის თქმა — ღირს იმ სისწრაფესა და ენერგოეფექტურობაში, რასაც ეს მოაქვს. სწორედ ეს ფსონია Google-ის TPU-სა და ახალი მოთამაშეების, მათ შორის სპეციალიზებული ინფერენს ჩიპების შემქმნელი სტარტაპ Etched-ის Sohu ჩიპის მიღმა, რომელიც მხოლოდ ტრანსფორმერულ მოდელებს უშვებს და სხვა სახის AI დატვირთვას საერთოდ ვერ ასრულებს.
კომპრომისი: სისწრაფე მოქნილობის სანაცვლოდ
ეს ფსონი რისკიცაა. მორგებული სილიციუმის დაპროექტება პირველი ჩიპის გამოშვებამდე ასობით მილიონ დოლარამდე შეიძლება დაჯდეს, ამიტომ ASIC-ის შემქმნელი კომპანია ითამაშებს იმაზე, რომ არქიტექტურა, რომელზეც ჩიპი ააგო, წლების განმავლობაში დომინანტური დარჩება — საკმარისად დიდხანს, რომ ეს ინვესტიცია დაიბრუნოს. თუ ტრანსფორმერებს რადიკალურად განსხვავებული არქიტექტურა შეცვლის, მხოლოდ ტრანსფორმერებზე აგებული ჩიპი მკვეთრად დაკარგავს ღირებულებას, GPU-ს კი უბრალოდ შეეძლება ახალი არქიტექტურის გაშვება. სწორედ ამიტომ, დიდი AI ლაბორატორიებისა და ღრუბლოვანი სერვისების პროვაიდერების უმეტესობა ჯერ კიდევ GPU-ს ყიდულობს ზოგადი დანიშნულების ბაზისად, ხოლო ASIC-ს მხოლოდ იმ კონკრეტულ, მაღალმოცულობიან დატვირთვებზე უმატებს, რომელთა სტაბილურობაშიც დარწმუნებულია.
სიახლეებში
ეს კომპრომისი რეალურ დროში ვითარდება: სტარტაპი Etched, Sohu ჩიპის შემქმნელი, ცნობებით, მოლაპარაკებებს აწარმოებს 20 მილიარდი დოლარის შეფასებაზე — ეს ინვესტორების ფსონია იმაზე, რომ სპეციალიზებულ AI სილიციუმს ზოგადი დანიშნულების GPU-ების გვერდით მდგრადი ადგილი უჭირავს.