چگونه تراشه‌های گوشی‌ها، انقلاب هوش مصنوعی را رقم می‌زنند؟

انقلاب هوش مصنوعی درون دستگاهی به سرعت در حال تبدیل گوشی‌های هوشمند به مراکزی قدرتمند برای برنامه‌های هوش مصنوعی (AI) است. با پیشرفت در طراحی تراشه، تولیدکنندگان در حال بهینه‌سازی پردازنده‌ها برای انجام وظایف هوش مصنوعی به صورت محلی هستند و راه را برای تجربه‌های سریع‌تر، ایمن‌تر و کارآمدتر هموار می‌کنند.

در اینجا، به بررسی پیشرفت‌های فنی شکل‌دهنده‌ی این انقلاب و چگونگی مهندسی تراشه‌های گوشی برای پاسخگویی به نیازهای هوش مصنوعی درون دستگاهی می‌پردازیم.

انقلاب هوش مصنوعی در گوشی‌ها با تراشه‌های جدید

۱. تراشه‌های تخصصی هوش مصنوعی برای دستگاه‌های هوشمندتر:

پیشرفت‌های هوش مصنوعی درون دستگاهی عمدتاً توسط ادغام تراشه‌های متمرکز بر هوش مصنوعی در گوشی‌های هوشمند هدایت می‌شوند. تراشه‌سازان پیشرو مانند کوالکام، مدیاتک، سامسونگ و اپل، واحدهای پردازش عصبی (NPUs) را در سیستم-روی-تراشه‌های (SoC) خود تعبیه می‌کنند. NPUها به طور ویژه برای تسریع وظایف یادگیری ماشین در عین مصرف انرژی کمتر در مقایسه با CPUها یا GPUهای سنتی ساخته شده‌اند.

به عنوان مثال، اسنپدراگون ۸ الیت کوالکام و دایمنسیتی ۹۴۰۰ مدیاتک دارای NPUهای پیشرفته‌ای هستند که قادر به انجام تریلیون‌ها عملیات در ثانیه (TOPS) هستند. این پردازنده‌ها برنامه‌های هوش مصنوعی بی‌درنگ، مانند هوش مصنوعی مولد برای متن، تصاویر و ویدیوها را در عین حفظ بهره‌وری انرژی بهینه، امکان‌پذیر می‌کنند.

این تراشه‌ها با استفاده از محاسبات با دقت پایین و سایر تکنیک‌ها، مصرف انرژی را به طور قابل توجهی کاهش می‌دهند، عاملی حیاتی برای دستگاه‌های تلفن همراه که عمر باتری در آنها از اهمیت بالایی برخوردار است.

۲. بهبود معیارهای عملکرد:

چیپست‌های هوش مصنوعی مدرن با تمرکز بر عملکرد طراحی شده‌اند. به عنوان مثال، دستگاه‌های نسل بعدی اکنون دارای NPUهایی هستند که قادر به اجرای بیش از ۳۰ TOPS هستند و پردازش سریع وظایف پیچیده‌ی هوش مصنوعی مانند عکاسی محاسباتی، پردازش زبان طبیعی و ترجمه بی‌درنگ را امکان‌پذیر می‌کنند.

به عنوان مثال، پلتفرم اسنپدراگون ۸ الیت، هوش مصنوعی را مستقیماً در خطوط لوله‌ی پردازش تصویر و ویدیو ادغام می‌کند و ویژگی‌های پیشرفته‌ای مانند تقسیم‌بندی نامحدود برای تجزیه و تحلیل و بهینه‌سازی لایه‌های متعدد در یک تصویر را فراهم می‌کند.

علاوه بر این، دایمنسیتی ۹۴۰۰ مدیاتک که ۵۰ TOPS چشمگیر ارائه می‌دهد، موتور هوش مصنوعی Agentic را معرفی می‌کند که از آموزش درون دستگاهی و برنامه‌های هوش مصنوعی خودمختار پشتیبانی می‌کند. این موتور به دستگاه‌ها اجازه می‌دهد تا به طور مستقل عمل کنند، بدون نیاز به تعامل مداوم با فضای ابری، رفتار کاربر را یاد بگیرند و با آن سازگار شوند.

۳. بهره‌وری انرژی و مدیریت حرارتی:

بهره‌وری انرژی یکی از ارکان اصلی هوش مصنوعی درون دستگاهی است و تراشه‌سازان از طرح‌های نوآورانه برای بهینه‌سازی مصرف انرژی استفاده می‌کنند. محاسبات با دقت پایین، تغییر مقیاس ولتاژ پویا و معماری‌های حافظه‌ی کارآمد، تکنیک‌های رایجی هستند که برای کاهش مصرف انرژی استفاده می‌شوند.

به عنوان مثال، حافظه‌ی LPDDR5X DRAM سامسونگ، نازک‌ترین تراشه‌ی حافظه‌ی صنعت با ضخامت ۰.۶۵ میلی‌متر، مدیریت حرارتی را بهبود می‌بخشد و ۲۵ درصد افزایش در بهره‌وری انرژی فراهم می‌کند و تضمین می‌کند که وظایف هوش مصنوعی با عملکرد بالا، عمر باتری را به خطر نمی‌اندازند. شرکت‌ها همچنین محفظه‌های بخار بزرگ‌تری را در گوشی‌های هوشمند برای کنترل گرمای کلی تولید شده توسط این تراشه‌ها پیاده‌سازی می‌کنند.

۴. حریم خصوصی و امنیت از طریق پردازش محلی:

تراشه‌های هوش مصنوعی درون دستگاهی، پردازش داده‌های حساس را به صورت محلی امکان‌پذیر می‌کنند و نیاز به انتقال اطلاعات به فضای ابری را از بین می‌برند. این امر حریم خصوصی و امنیت را افزایش می‌دهد و گوشی‌های هوشمند را برای برنامه‌هایی که با داده‌های شخصی سروکار دارند، قابل اعتمادتر می‌کند. به عنوان مثال، موتور داده‌های شخصی سامسونگ، از هوش مصنوعی برای جمع‌آوری و پردازش داده‌های کاربر به طور کامل درون دستگاه استفاده می‌کند و تجربه‌ای شخصی‌سازی‌شده را بدون به خطر انداختن حریم خصوصی ارائه می‌دهد.

علاوه بر این، تراشه‌هایی مانند دایمنسیتی ۹۴۰۰ دارای Low-rank Adaptation (LoRA) هستند که به مدل‌های هوش مصنوعی اجازه می‌دهد تا بدون نگهداری داده‌های حساس، درون دستگاه تنظیم شوند. چنین نوآوری‌هایی، تغییر به سمت هوش مصنوعی محلی و ایمن را برجسته می‌کنند.

۵. روندهای آینده در تراشه‌های هوش مصنوعی درون دستگاهی:

آینده‌ی هوش مصنوعی درون دستگاهی در پیشبرد قابلیت‌های هوش مصنوعی چندوجهی و مولد نهفته است. تراشه‌ها به طور فزاینده‌ای از وظایف پیچیده‌ای مانند ویرایش ویدیوی بی‌درنگ، واقعیت افزوده و تصمیم‌گیری خودمختار پشتیبانی می‌کنند. CPU اوریون کوالکام و پیشرفت‌های مدیاتک در ردیابی پرتو برای بازی، مرزهای آنچه گوشی‌های هوشمند می‌توانند به آن دست یابند را جابجا می‌کنند.

علاوه بر این، ادغام ترانسفورمرها و مدل‌های چندوجهی بزرگ (LMMs) در دستگاه‌های لبه، برنامه‌هایی را امکان‌پذیر می‌کند که خودرو، مراقبت‌های بهداشتی و اینترنت اشیا را در بر می‌گیرند. این مدل‌ها که برای بهره‌وری انرژی و عملکرد درون دستگاهی بهینه شده‌اند، تأخیر، حریم خصوصی و مقیاس‌پذیری بهبودیافته را وعده می‌دهند.

۶. سخن پایانی