NPU یا GPU؟ بررسی نقش موتور عصبی و تفاوت‌های بنیادی این دو پردازنده در هوش مصنوعی

به گزارش نگاه فناوری:این روزها قدرت محاسباتی به شکل شگفت‌انگیزی زیاد شده. دوربین‌های موبایل ما کارهای خارق‌العاده‌ای انجام می‌دهند، دستیارهای صوتی در یک چشم به هم زدن جواب ما را می‌دهند و حتی می‌توانیم بازی‌های سنگین (Open-world) را روی آیفون اجرا کنیم. اخیراً هم که هوش مصنوعی مولد (Generative AI) سروصدای زیادی به پا کرده و هر روز قدرتمندتر می‌شود.

در میان این همه هیاهو در مورد هوش مصنوعی، احتمالاً اصطلاحات فنی جدیدی به گوشتان خورده است. یکی از مهم‌ترین آن‌ها واحد پردازش عصبی (NPU) است. امروزه، NPUها در اکثر کامپیوترها، گوشی‌های هوشمند و حتی دستگاه‌های اینترنت اشیا (IoT) جدید وجود دارند. اما شاید بپرسید وقتی پردازنده گرافیکی (GPU) کارهای مشابهی انجام می‌دهد، اصلاً چه نیازی به NPU داریم و تفاوت این دو دقیقاً چیست؟

NPU (واحد پردازش عصبی) چیست

برای درک NPU، ابتدا باید آن را با واحد پردازش مرکزی (CPU) مقایسه کنیم. CPU مغز اصلی کامپیوتر است که برای مدیریت کارهای ترتیبی (پشت سر هم) طراحی شده. این پردازنده هسته‌های کمتر اما بسیار قدرتمندی دارد. CPU برای کارهای منطقی عالی است، اما وقتی نوبت به انجام هزاران کار کوچک و تکراری به‌صورت همزمان می‌رسد، به‌شدت ناکارآمد عمل می‌کند؛ یعنی دقیقاً همان کاری که مدل‌های یادگیری ماشین و هوش مصنوعی به آن نیاز دارند.

قدرت پردازش موازی

اینجا دقیقاً جایی است که NPU وارد میدان می‌شود. برخلاف CPU، معماری NPU بر اساس پردازش موازی (Parallelism) طراحی شده است. این یعنی NPU می‌تواند هزاران محاسبه کوچک را در زمان بسیار کوتاهی به طور همزمان انجام دهد. NPUها هسته‌های بسیار زیادی دارند که به‌طور اختصاصی برای عملیات تکراری (مانند ضرب ماتریس که در شبکه‌های عصبی حیاتی است) ساخته شده‌اند.

NPUها همچنین دارای حافظه روی تراشه (on-chip memory) هستند که تأخیر (Latency) را به‌طور چشمگیری کاهش داده و مستقیماً سرعت و بهره‌وری را بالا می‌برد. (اپل در تراشه‌های سری M خود از همین رویکرد استفاده می‌کند و با قرار دادن CPU، GPU، رم و NPU روی یک تراشه، به عملکرد و عمر باتری فوق‌العاده‌ای دست یافته است).

به طور خلاصه، NPU یک شتاب‌دهنده سخت‌افزاری است که به طور خاص برای بهینه‌سازی وظایف هوش مصنوعی ساخته شده است.

چرا برای هوش مصنوعی فقط از GPU استفاده نمی‌کنیم

ما GPU (واحد پردازش گرافیکی) را بیشتر به خاطر اجرای روان بازی‌ها و رندر سریع ویدیو می‌شناسیم. GPU هم مانند NPU (و برخلاف CPU) هزاران هسته دارد و در پردازش موازی و انجام کارهای کوچک و تکراری، بسیار سریع‌تر از CPU عمل می‌کند.

تفاوت کلیدی: تخصص و بهره‌وری

بله، GPUها می‌توانند و در حال حاضر هم برای مدیریت کارهای هوش مصنوعی استفاده می‌شوند. در واقع، غول‌های هوش مصنوعی مانند OpenAI در مراکز داده خود از خوشه‌های عظیم GPUهای انویدیا (Nvidia) و AMD برای آموزش مدل‌هایشان استفاده می‌کنند.

اما تفاوت کلیدی اینجاست: GPUها در اصل با هدف پردازش هوش مصنوعی ساخته نشده‌اند؛ وظیفه اصلی آن‌ها پردازش گرافیکی بوده است.

وقتی شما وظایف مبتنی بر هوش مصنوعی را به یک شتاب‌دهنده اختصاصی (یعنی NPU) می‌سپارید، مصرف انرژی به طور قابل توجهی کاهش می‌یابد. NPU همان کار را با بهینگی بسیار بیشتری نسبت به GPU انجام می‌دهد.

کامپیوترها و گوشی‌های هوشمند مدرن (مانند آیفون‌ها و گوگل پیکسل‌های جدید) دارای NPU هستند تا بسیاری از ویژگی‌های AI که روزمره استفاده می‌کنیم را مدیریت کنند. کارهایی مانند ترجمه زنده، ساخت تصویر با هوش مصنوعی یا رونویسی تماس‌ها، همگی به‌صورت هوشمندانه به NPU سپرده می‌شوند تا همه‌چیز سریع و کم‌مصرف انجام شود.