Lightmatter ได้ประกาศความก้าวหน้าครั้งสำคัญในการคอมพิวติ้งแบบโฟโตนิกด้วยโปรเซสเซอร์ AI ที่สามารถรันโครงข่ายประสาทเทียมที่ซับซ้อนอย่าง ResNet และ BERT ได้ การพัฒนานี้ซึ่งได้รับการตีพิมพ์ใน Nature อ้างว่าเป็นโปรเซสเซอร์โฟโตนิกตัวแรกที่สามารถประมวลผลโมเดล AI ในโลกจริงได้ด้วยความแม่นยำที่เทียบเท่ากับระบบ 32-bit floating-point แบบดั้งเดิม ชุมชนเทคโนโลยีกำลังพูดถึงกันอย่างคึกคักว่าสิ่งนี้เป็นตัวแทนของทางเลือกที่รอคอยมานานสำหรับการคอมพิวติ้งแบบทรานซิสเตอร์หรือไม่
 |
|---|
| ความก้าวหน้าครั้งสำคัญของ Lightmatter ในการคำนวณด้วยแสงเน้นย้ำถึงความก้าวหน้าในเทคโนโลยีการประมวลผล AI เปิดทางสู่นวัตกรรมในอนาคต |
ความจริงเบื้องหลังการโฆษณาชวนเชื่อ
แม้ว่า Lightmatter จะนำเสนอสิ่งนี้เป็นความก้าวหน้าที่ปฏิวัติวงการ แต่ผู้ที่ชื่นชอบเทคโนโลยีรีบชี้ให้เห็นว่าการคอมพิวติ้งแบบโฟโตนิกไม่ใช่เรื่องใหม่โดยสิ้นเชิง แนวคิดของการใช้ระบบแอนะล็อกสำหรับการคำนวณ AI ได้รับการสำรวจมาหลายปีแล้ว โดยบางคนสังเกตว่าแนวทางที่คล้ายกันได้รับการหารือในที่สาธารณะตั้งแต่สามปีที่แล้ว อย่างไรก็ตาม สิ่งที่ทำให้ระบบนี้แตกต่างคือการนำไปใช้งานจริง มันไม่ใช่แค่ต้นแบบในห้องแล็บอีกตัวหนึ่ง แต่เป็นโปรเซสเซอร์ที่ทำงานได้จริงและสามารถจัดการกับโมเดล AI ที่พร้อมใช้งานในการผลิต
ระบบนี้ทำได้ 65 TOPS (ล้านล้านการดำเนินการต่อวินาที) ในขณะที่ใช้พลังงานรวมน้อยกว่า 80 วัตต์ น่าสนใจที่ส่วนประมวลผลแบบโฟโตนิกใช้เพียง 1.65 วัตต์ ในขณะที่พลังงานที่เหลือไปใช้กับอิเล็กทรอนิกส์สนับสนุนอย่างตัวแปลงแอนะล็อกเป็นดิจิทัล หน่วยความจำ และระบบอินพุต/เอาต์พุต แนวทางแบบผสมผสานนี้ยังคงต้องใช้ทรานซิสเตอร์ประมาณ 50 พันล้านตัวสำหรับฟังก์ชันที่ไม่ใช่การคำนวณ
ข้อมูลจำเพาะของ Lightmatter Photonic Processor:
- ประสิทธิภาพ: 65 TOPS (ล้านล้านการดำเนินการต่อวินาที)
- การใช้พลังงานรวม: <80W
- พลังงานการประมวลผลด้วยแสง: 1.65W
- อิเล็กทรอนิกส์สนับสนุน: ~50 พันล้านทรานซิสเตอร์
- โมเดลที่รองรับ: ResNet, BERT, Atari deep reinforcement learning
- รูปแบบตัวเลข: ABFP (Adaptive Block Floating Point)
- องค์ประกอบที่ควบคุม: ~1 ล้านส่วนประกอบโฟโตนิก
 |
|---|
| ชิ้นส่วนอิเล็กทรอนิกส์ต่างๆ ที่แสดงให้เห็นถึงแนวทางแบบไฮบริดที่ใช้ในโปรเซสเซอร์คอมพิวเตอร์โฟโตนิกของ Lightmatter โดยเน้นการนำไปใช้งานจริง |
ความท้าทายและแนวทางแก้ไขทางเทคนิค
การอภิปรายในชุมชนเผยให้เห็นความสงสัยเกี่ยวกับข้อเรียกร้องทางเทคนิคบางประการ โดยเฉพาะเรื่องความแม่นยำและความละเอียด โปรเซสเซอร์ใช้รูปแบบตัวเลขพิเศษที่เรียกว่า ABFP (Adaptive Block Floating Point) เพื่อจัดการกับข้อกำหนดความแม่นยำของโมเดล AI แนวทางนี้จัดกลุ่มตัวเลขเป็นบล็อกและกำหนดเลขชี้กำลังร่วมกัน ลดข้อผิดพลาดจากการควอนไทเซชันที่มักจะเกิดปัญหากับระบบแอนะล็อก
ความท้าทายสำคัญประการหนึ่งที่ผู้เชี่ยวชาญเน้นย้ำคือความไม่เสถียรโดยธรรมชาติของส่วนประกอบโฟโตนิก การเปลี่ยนแปลงของอุณหภูมิสามารถส่งผลกระทบต่อประสิทธิภาพอย่างมีนัยสำคัญ ต้องมีการควบคุมอย่างแข็งขันของส่วนประกอบโฟโตนิกประมาณหนึ่งล้านชิ้นโดยใช้วงจรเฉพาะ สิ่งนี้เพิ่มความซับซ้อนแต่จำเป็นสำหรับความแม่นยำสูงที่ต้องการในการคำนวณ AI
 |
|---|
| ภาพระยะใกล้ของแผงวงจรพิมพ์ที่แสดงให้เห็นการออกแบบและส่วนประกอบที่ซับซ้อน ซึ่งมีความสำคัญต่อความแม่นยำสูงในการประมวลผลโฟโตนิก |
ข้อกังวลเรื่องต้นทุนและการเข้าถึง
การประกาศนี้กระตุ้นให้เกิดการถกเถียงเกี่ยวกับความสามารถในการจ่าย โดย Lightmatter อ้างว่าแนวทางการขยายขนาดแบบดั้งเดิมจะทำให้คอมพิวเตอร์มีราคาแพงจนไม่สามารถซื้อได้ อย่างไรก็ตาม สมาชิกในชุมชนได้โต้แย้งข้อกล่าวอ้างนี้ โดยสังเกตว่าคอมพิวเตอร์จริงๆ แล้วถูกกว่าที่เคยเมื่อปรับตามอัตราเงินเฟ้อ ผู้แสดงความคิดเห็นคนหนึ่งสังเกตว่าเครื่อง PC 386 จากต้นทศวรรษ 1990 มีราคามากกว่า 3,000 ดอลลาร์สหรัฐในเงินวันนี้ ในขณะที่ระบบสมัยใหม่เสนอความสามารถที่มากกว่ามากในราคาที่ต่ำกว่า
มันเหมือนกับการพูดว่า 'รถยนต์มีราคาแพงเกินไปแล้ว' ในขณะที่กำลังมองดู Ferrari
ปัญหาที่แท้จริงดูเหมือนจะเป็นต้นทุนของฮาร์ดแวร์ที่ล้ำสมัยที่สุด ไม่ใช่การคอมพิวติ้งโดยทั่วไป GPU ระดับไฮเอนด์มีราคาสูงส่วนหนึ่งเนื่องจากพลวัตของตลาดและการแข่งขันที่จำกัด มากกว่าข้อจำกัดในการขยายขนาดที่เป็นพื้นฐาน
การเปรียบเทียบราคาคอมพิวเตอร์ในอดีต:
- เครื่อง PC 386 ต้นทศวรรษ 1990: มากกว่า $3,000 USD (ปรับตามอัตราเงินเฟ้อ)
- เครื่อง PC 486 ต้นทศวรรษ 1990: ประมาณ $5,000 USD (ปรับตามอัตราเงินเฟ้อ)
- แล็ปท็อป 486 (ต้นทศวรรษ 1990): $6,000 USD
- แล็ปท็อปมือสองสมัยใหม่: $15 USD (ใช้งานพื้นฐาน)
- คำแนะนำ RAM สมัยใหม่: ขั้นต่ำ 16GB สำหรับการใช้งานที่เหมาะสม
ผลกระทบในอนาคต
แม้จะมีการถกเถียง แต่ก็มีความเห็นตรงกันอย่างกว้างขวางว่าการคอมพิวติ้งแบบโฟโตนิกแอนะล็อกอาจมีบทบาทสำคัญในอนาคตของ AI เทคโนโลยีนี้สามารถทำให้โมเดล AI ทำงานได้อย่างมีประสิทธิภาพบนหุ่นยนต์อัตโนมัติและอุปกรณ์อื่นๆ ที่มีข้อจำกัดด้านพลังงาน บางคนมองเห็นความเป็นไปได้ที่ทะเยอทะยานยิ่งกว่า เช่น ชิปแก้วแบบพาสซีฟที่ทำการอนุมาน AI โดยใช้เพียงแสง ใช้พลังงานเกือบเป็นศูนย์
แนวทางแบบผสมผสานที่ Lightmatter ใช้ - การรวมการประมวลผลแบบโฟโตนิกกับอิเล็กทรอนิกส์แบบดั้งเดิม - สะท้อนถึงวิธีที่เทคโนโลยีที่เปลี่ยนแปลงโลกอื่นๆ ได้รับการยอมรับ GPU เริ่มต้นเป็นส่วนเสริมของ CPU สำหรับกราฟิกก่อนที่จะขยายไปสู่การคอมพิวติ้งทั่วไป และโปรเซสเซอร์โฟโตนิกอาจเดินตามเส้นทางที่คล้ายกันในฐานะตัวเร่ง AI เฉพาะทาง
แม้ว่าจะยังมีคำถามเกี่ยวกับต้นทุนการผลิต ความสามารถในการขยายขนาด และความยั่งยืนในระยะยาว แต่การพัฒนานี้เป็นก้าวสำคัญไปสู่ทางเลือกที่ใช้งานได้จริงแทนการคอมพิวติ้งแบบทรานซิสเตอร์ล้วนๆ ไม่ว่าจะกลายเป็นรากฐานสำหรับบทใหม่ของการคอมพิวติ้งหรือยังคงเป็นแนวทางแก้ไขเฉพาะทาง มันแสดงให้เห็นว่าอุตสาหกรรมกำลังสำรวจเส้นทางต่างๆ นอกเหนือจากการขยายขนาดซิลิคอนแบบดั้งเดิมอย่างแข็งขัน
อ้างอิง: A NEW KIND OF COMPUTER