پژوهشگران، مدلهای پیچیده هوش مصنوعی را با یکهفتم مصرف لامپ حبابی اجرا کردند
پژوهشگران، مدلهای پیچیده هوش مصنوعی را با یکهفتم مصرف لامپ حبابی اجرا کردند
محققان دانشگاه کالیفرنیا در پژوهشی انقلابی، روشی یافتهاند که اجرای مدلهای زبانی بزرگ (LLM) با میلیاردها پارامتر را با مصرف فقط ۱۳وات ممکن میکند؛ عددی که حدود یکهفتم توان مصرفی لامپهای حبابی ۱۰۰واتی مرسوم است. مصرف مدلهای هوش مصنوعی با روش جدید ۵۰ برابر کمتر از مصرف انرژی کارتهای گرافیک قدرتمند دیتاسنترها مانند انویدیا H100 و H200 خواهد بود؛ کارتهایی که به ۷۰۰ وات برق نیاز دارند و حتی از مدل آیندهی Blackwell B200 با مصرف ۱۲۰۰ وات در هر کارت، بهینهتر است.در پژوهش محققان کالیفرنیا برای دستیابی به مصرف بسیار بهینهی برق برای اجرای مدلهای زبانی بزرگ، از سختافزار سفارشی FPGA استفاده شد و پژوهشگران بر این نکته تأکید دارند که بخش زیادی از این صرفهجویی ازطریق نرمافزار متنباز و تنظیمات سیستمهای موجود قابل دستیابی است. راز اصلی این پیشرفت، حذف عملیات ضرب ماتریس (MatMul) از فرایندهای آموزش و استنتاج مدلهای هوش مصنوعی است.شاید بپرسید چگونه میتوان ضرب ماتریس را بدون افت عملکرد و دقت از شبکههای عصبی حذف کرد؟ محققان با ترکیب دو روش به این مهم دست یافتهاند؛ اولین راهکار، تغییر سیستم اعداد به سیستم سهحالته (Ternary) با اعداد ۱-، ۰ و ۱ است. این تغییر، محاسبات را بهجای ضرب اعداد، با جمعکردن ساده ممکن میکند. در گام بعد شبکه با تبدیل محاسبات مبتنیبر زمان به معادله، حافظهی مؤثری بهدست میآورد که با اجرای عملیات سادهتر، عملکرد سریعتری را ارائه میدهد.محققان از مدل LLaMa متعلق به متا بهعنوان نمونهی مرجع در سیستم خود استفاده کردهاند. این پژوهش از مقالهی مایکروسافت درمورد استفاده از اعداد سه حالته در شبکههای عصبی الهامگرفته است، با این تفاوت که مایکروسافت تا حذف ضرب ماتریس یا متنبازکردن مدل خود پیش نرفت.مقالات مرتبط:انتشار حالت مکالمه صوتی ChatGPT یکماه دیگر بهتعویق افتادشایعه: گوگل چتبات هوش مصنوعی بر پایه شخصیت افراد معروف میسازددرنهایت، پژوهش محققان دانشگاه کالیفرنیا به مسئلهی بهینهسازی ختم میشود. بهگفتهی روئی-جی ژو، یکی از دانشجویان تحصیلات تکمیلی که روی این مقاله کار کرده است، آنها عملیات پرمصرف را با عملیات کممصرفتر جایگزین کردهاند. اینکه بتوان رویکرد جدید را بهطور کلی در راهکارهای هوش مصنوعی و مدلهای زبانی بزرگ بهکار برد، هنوز مشخص نیست. بههر حال اگر روش جدید وارد فاز عملیاتی شود، پتانسیل تغییر چشمگیر چشمانداز هوش مصنوعی را دارد.سال گذشته شاهد عطش سیریناپذیر شرکتهای پیشرو در حوزهی هوش مصنوعی برای مصرف برق بودهایم. پژوهش محققان دانشگاه کالیفرنیا نشان میدهد بخش زیادی از این رقابت صرفاً برای پیشتازی در بازار و با استفاده از روشهای پردازش ناکارامد انجام شده است. کارشناسان برجستهای مانند مدیرعامل شرکت ARM هشدار دادهاند که اگر تقاضای برق هوش مصنوعی با همین سرعت افزایش یابد، تا سال ۲۰۳۰ یکچهارم برق مصرفی ایالاتمتحده را به خود اختصاص خواهد داد. بدینترتیب کاهش مصرف برق به یکپنجم میزان فعلی، پیشرفتی فوقالعاده محسوب میشود.
مجله خبری بیکینگ
