कृत्रिम बुद्धिमत्ता
AI हार्डवेयर के भविष्य को आकार देने वाली उभरती तकनीकें
Securities.io को Google पर अपने पसंदीदा स्रोतों में जोड़ें
कम्प्यूटिंग का एक नया प्रकार
AI प्रौद्योगिकी में पिछले कुछ वर्षों की घातीय प्रगति के साथ, प्रमुख विजेता AI हार्डवेयर के निर्माताओं रहे हैं। इसका कारण यह है कि आधुनिक AI, जो मुख्यतः न्यूरल नेटवर्क तकनीक का उपयोग करता है, कंप्यूटिंग शक्ति को क्लासिकल कंप्यूटरों से बहुत अलग तरीके से उपयोग करता है।
शक्तिशाली CPU के साथ जटिल गणनाएँ करने के बजाय, वे हजारों या मिलियन सरल गणनाएँ समानांतर में करते हैं।
(आप “Investing in Nobel Prize Achievements – Artificial Neural Networks, The Basis Of AI” में पढ़ सकते हैं कि न्यूरल नेटवर्क कैसे आविष्कृत हुए और कैसे काम करते हैं)
अब तक, ग्राफ़िक कार्ड, या GPUs (Graphics processing units), AI विकसित करने के लिए पसंदीदा उपकरण रहे हैं, जिससे सेक्टर के नेताओं जैसे Nvidia की आय और लाभ में नाटकीय वृद्धि हुई है (NVDA )।
AI हार्डवेयर का बाजार 2025 से 2035 तक 31.2% CAGR की दर से अत्यधिक तेज़ी से बढ़ता रहने की उम्मीद है।
स्रोत: Roots Analysis
इस अवधि में कई नई प्रकार की AI हार्डवेयर का उदय भी देखा जाएगा, क्योंकि AI गणना के लिए पुनः प्रयुक्त GPUs धीरे-धीरे इस अनुप्रयोग के लिए विशेष रूप से डिज़ाइन किए गए चिप्स से प्रतिस्थापित हो रहे हैं।
दीर्घकाल में, अधिक विदेशी प्रकार की कंप्यूटिंग AI हार्डवेयर बाजार में प्रवेश करने की संभावना है, जिसमें एप्लिकेशन-विशिष्ट डिज़ाइन, गैर-सिलिकॉन चिप्स, या यहाँ तक कि वास्तविक जैविक न्यूरॉन्स का उपयोग शामिल है।
AI सोच कैसे काम करती है
क्लासिकल सुपरकम्प्यूटर्स और AI के बीच मूलभूत अंतर डेटा के प्रसंस्करण में है। जटिल गणनाएँ हल करने के बजाय, न्यूरल नेटवर्क वर्चुअल नोड्स बनाते हैं जो एक नेटवर्क में जुड़े होते हैं। जबकि प्रारंभिक न्यूरल नेटवर्क में मात्र कुछ दर्जन नोड्स होते थे, जो कुछ सौ कनेक्शन बनाते थे, आधुनिक न्यूरल नेटवर्क जैसे कि ChatGPT द्वारा उपयोग किए जाने वाले ट्रिलियन संभावित कनेक्शन का उपयोग करते हैं, जो जटिलता के स्तर पर मानव मस्तिष्क के समान होते हैं।
स्रोत: Nobel Prize
यह अलग गणना विधि ऐसे हार्डवेयर की आवश्यकता रखती है जो समानांतर में लाखों ऑपरेशन्स कर सके, भले ही प्रत्येक को समर्पित कंप्यूटिंग शक्ति अपेक्षाकृत छोटी हो।
सौभाग्य से, यह वह प्रकार का हार्डवेयर है जो कई वर्षों से उपयोग में है, जैसे कि GPUs का उपयोग करके ग्राफ़िक रेंडरिंग, मुख्यतः 3D सिमुलेशन और वीडियो गेम्स के लिए, और यह भी समानांतर में कई छोटी गणनाओं का उपयोग करता है।
इसी कारण शुरुआती (और वर्तमान) AI चिप्स की पर्याप्त आपूर्ति सुनिश्चित करने की दौड़ में विजेता Nvidia रहा है, जो GPU बाजार में नेता है।
और भी तेज़ GPUs
अधिक कुशल एल्गोरिदम के आविष्कार और उन्होंने जो तेज़ी से कृत्रिम बुद्धिमत्ता में प्रगति की, के साथ, 2020 के दशक में AI के संभावित अनुप्रयोग विस्फोटक रूप से बढ़े।
इससे पर्याप्त हार्डवेयर, विशेष रूप से 2023 में Nvidia GPU, सुरक्षित करने की निरंतर बढ़ती दौड़.
साथ ही, AI के संभावित अनुप्रयोगों से बढ़ती अपेक्षाएँ लगातार अधिक स्मार्ट AI की मांग करती हैं, जिसके लिए अधिक कंप्यूटिंग शक्ति आवश्यक है। जबकि अधिक GPUs सुरक्षित करना एक समाधान था, बेहतर GPUs की भी आवश्यकता थी।
उद्योग ने इसे पूरा किया, 8 वर्षों से कम समय में प्रदर्शन में 1,000 गुना वृद्धि के साथ।
स्रोत: NVIDIA
क्या यह टिक पाएगा?
ऐसे संकेत हैं कि GPU प्रदर्शन में प्रगति जल्द ही धीमी पड़ सकती है। पहले, सभी “आसान” सुधार, जैसे GPUs को बड़ा बनाना और छोटे व घने ट्रांज़िस्टर्स का उपयोग करना, अपनी सीमा तक पहुँच चुके हैं। इसलिए, आगे का सुधार अधिक मौलिक पुनःडिज़ाइन और नवाचारों से आना चाहिए।
द्वितीयक समस्याएँ भी उद्योग में उभर रही हैं। उदाहरण के लिए, बहुत अधिक घने और अधिक शक्तिशाली GPUs बहुत अधिक अपशिष्ट गर्मी उत्पन्न कर रहे हैं, इतनी कि और अधिक समान GPUs चिप्स को पिघला देंगे।
यह अपशिष्ट गर्मी बहुत अधिक बर्बाद ऊर्जा का संकेत भी है। स्थिर, बेसलोड पावर की पर्याप्त आपूर्ति सुरक्षित करना AI कंपनियों के लिए एक समस्या बनती जा रही है, क्योंकि सभी बड़े टेक कंपनियां परमाणु ऊर्जा संयंत्रों से आपूर्ति सुरक्षित करने के लिए दौड़ रही हैं।
अंत में, AI कंप्यूटिंग अधिक विशिष्ट हो रही है, विभिन्न कंपनियों और विभिन्न अनुप्रयोगों में विभिन्न कार्यप्रणालियाँ उभर रही हैं, जिनकी हार्डवेयर संबंधी आवश्यकताएँ अलग-अलग हैं। इसलिए संभावना है कि सभी AI फर्मों द्वारा उपयोग किए जाने वाले सर्व-उद्देश्यीय GPUs का युग धीरे-धीरे समाप्त हो रहा है, भले ही यह धीरे-धीरे हो।
सुपर GPU युग
अब तक, अधिकांश AI डेटा सेंटर हजारों GPUs को समर्पित सर्वरों में जोड़कर बनते रहे हैं।
बढ़ते ओवरहीटिंग और पावर खपत समस्या का त्वरित समाधान एकीकृत हार्डवेयर का निर्माण होगा, जो केवल व्यक्तिगत GPUs को इकट्ठा करने से आगे बढ़ेगा।
उस दिशा में एक बड़ा कदम Nvidia द्वारा हाल ही में जारी किया गया GB200 NVL72 है। यह हार्डवेयर एक एकल विशाल GPU के रूप में कार्य करने के लिए डिज़ाइन किया गया है, जिससे यह पहले के रिकॉर्ड-तोड़ H100 मॉडल से भी बहुत अधिक शक्तिशाली बन जाता है।
यह भी बहुत अधिक ऊर्जा-कुशल होना चाहिए, जो एक महत्वपूर्ण बिंदु है क्योंकि AI उद्योग चिप्स की कमी से पहले ऊर्जा की कमी का सामना कर सकता है, क्योंकि AI डेटा सेंटरों का निर्माण तेज़ी से हो रहा है। अधिक कंप्यूटिंग और ऊर्जा दक्षता कम अपशिष्ट गर्मी का मतलब है, जो अस्थायी रूप से ओवरहीटिंग समस्या को भी हल करता है।
स्रोत: Nvidia
वर्तमान में, CoreWeave पहला क्लाउड प्रदाता बन गया है जिसके पास सामान्य रूप से उपलब्ध Nvidia GB200 NLV72 इंस्टेंस हैं (CRWV ).
(आप CoreWeave और AI समाधान विकसित करने वाली कंपनियों को AI क्लाउड कंप्यूटिंग प्रदान करने के बारे में अधिक पढ़ सकते हैं “CoreWeave: The Cloud AI Hyperscaler”)।
गैर-GPU AI हार्डवेयर
फ़ील्ड प्रोग्रामेबल गेट एरेज़ (FPGAs)
AI विकास में उपयोग किया जाने वाला एक अन्य प्रकार का हार्डवेयर फ़ील्ड-प्रोग्रामेबल गेट एरेज़ (FPGAs) है। FPGA ऐसे इंटीग्रेटेड सर्किट हैं जिन्हें विशिष्ट कार्यों को अधिक कुशलता से करने के लिए पुनः प्रोग्राम किया जा सकता है। वे अपने घटकों के बीच कॉन्फ़िगरेबल इंटरकनेक्ट्स द्वारा कार्य करते हैं।
स्रोत: Microcontrollers Labs
यह FPGA को GPUs से अधिक लचीला बना सकता है और विशिष्ट प्रकार की गणनाओं में अनुकूलन की अधिक संभावना प्रदान करता है।
FPGA GPUs की तुलना में अधिक पावर-कुशल भी होते हैं। उनकी कम लेटेंसी (तेज़ प्रतिक्रिया समय) उन्हें वास्तविक जीवन के उन अनुप्रयोगों के लिए बहुत कुशल बनाती है जिन्हें तेज़ प्रतिक्रिया की आवश्यकता होती है।
हालांकि, FPGA बहुत अधिक शक्ति की आवश्यकता वाले अत्यधिक मांग वाले गणनाओं को संभालने में कम सक्षम होते हैं।
एक और समस्या यह है कि जबकि FPGA पुनः-प्रोग्रामेबल होते हैं, यह प्रक्रिया समय और श्रम-गहन हो सकती है। इसलिए उन्हें डिजाइन, निर्माण और प्रोग्राम करने में काफी समय लग सकता है। यह एक गंभीर समस्या हो सकती है एक ऐसे क्षेत्र में जो हर 6 महीने में क्रांतिकारी प्रगति कर रहा है।
इसका मतलब है कि अब तक, FPGA के उपयोग मामलों को AI के कुछ विशिष्ट अनुप्रयोगों पर केंद्रित किया गया है, जबकि सामान्य विकास अभी भी कम कुशल, लेकिन सर्व-उद्देश्यीय GPUs पर निर्भर है:
- रियल-टाइम प्रोसेसिंग: जब आने वाले डेटा को जल्दी से प्रोसेस करना आवश्यक हो, जैसे डिजिटल सिग्नल प्रोसेसिंग, रडार सिस्टम, स्वायत्त वाहन, और टेलीकॉम्युनिकेशन्स।
- कस्टमाइज़्ड हार्डवेयर एक्सेलेरेशन: कॉन्फ़िगरेबल FPGA को विशिष्ट डीप लर्निंग कार्यों और HPC क्लस्टर्स को तेज़ करने के लिए विशिष्ट डेटा प्रकार या एल्गोरिदम के लिए अनुकूलित किया जा सकता है।
- इसलिए आधुनिक AI डेटा सेंटर धीरे-धीरे GPUs और FPGA का मिश्रण बन सकते हैं, जहाँ प्रत्येक हार्डवेयर को उन उप-कार्य के लिए समर्पित किया जाएगा जिन्हें वह सबसे बेहतर कर सकता है।
- एज कंप्यूटिंग: यह कंप्यूट और स्टोरेज क्षमताओं को स्थानीय स्तर पर अंतिम उपयोगकर्ता के करीब ले जाता है, उदाहरण के लिए, सीधे कार या ड्रोन में। इन मामलों में, FPGA की कम पावर खपत और कॉम्पैक्ट आकार लाभदायक होते हैं।
एप्लिकेशन-विशिष्ट इंटीग्रेटेड सर्किट (ASICs)
ASIC सिस्टम विशिष्ट गणना प्रकारों के लिए बनाए जाते हैं और केवल वही कर सकते हैं। इसलिए यह कंप्यूटर चिप नहीं बल्कि एक शुद्ध इंटीग्रेटेड सर्किट है; FPGA को कभी-कभी प्रोग्रामेबल ASICs भी कहा जाता है।
FPGAs या GPUs के बजाय ASICs का उपयोग करने का कारण यह है कि ASICs किसी भी अन्य लॉजिक डिवाइस से बहुत तेज़ होते हैं। वे अधिक ऊर्जा-कुशल और आकार में छोटे भी होते हैं।
इसी कारण, उदाहरण के लिए, ASIC माइनर्स को क्रिप्टोकरेंसी माइनिंग में उपयोग किया जाता है, जहाँ डिजाइन को आवश्यक विशिष्ट प्रकार की गणना को करने के लिए अनुकूलित किया जाता है।
स्रोत: Wevolver
हालांकि, ASICs को डिजाइन करना बहुत अधिक जटिल होता है, इसलिए केवल तब ही इसे विकसित करना समझदारी है जब कार्य को पर्याप्त बार दोहराया जाएगा ताकि डिजाइन लागत को कवर किया जा सके। कुल मिलाकर, ASICs केवल बड़े पैमाने पर उत्पादन के लिए ही आर्थिक रूप से समझदारी रखते हैं।
कस्टम डिज़ाइन को विशेषज्ञ ज्ञान की आवश्यकता होती है, और व्यापक रूप से उपयोग की जाने वाली प्रोग्रामिंग भाषाएँ और लाइब्रेरी संभावित रूप से उपयोगी नहीं होतीं।
हालांकि, इस कस्टम डिज़ाइन की आवश्यकता एक लाभ भी हो सकती है, क्योंकि यह अतिरिक्त बौद्धिक संपदा (IP) सुरक्षा बनाती है।
ASICs के उपयोग मामलों में FPGAs के समान हैं: एज कंप्यूटिंग, इमेज रिकग्निशन, टेलीकॉम्युनिकेशन्स, और सिग्नल प्रोसेसिंग, लेकिन FPGAs से भी अधिक बार दोहराए जाने वाले गणनाओं की आवश्यकता होती है।
क्योंकि वे लचीले नहीं हैं, इसलिए वे किसी भी जटिल AI कार्य के लिए अकेले पर्याप्त होने की संभावना नहीं रखते। हालांकि, उन्हें AI हार्डवेयर सिस्टम में एकीकृत किया जा सकता है ताकि अधिक दक्षता और गति मिल सके।
विशेष रूप से, Etched जैसी कंपनियां ट्रांसफ़ॉर्मर गणनाओं (chatGPT में “T”) को करने के लिए विशेष रूप से डिज़ाइन किए गए ASICs विकसित कर रही हैं।
स्रोत: Etched
न्यूरोमोर्फिक चिप्स
केवल GPUs को सुधारने या अधिक कुशल ASICs बनाने से आगे, अन्य अवधारणाएँ कंप्यूटिंग के प्रदर्शन के तरीके को पूरी तरह बदलने की कोशिश कर रही हैं।
एक विचार यह है कि यदि हम न्यूरल नेटवर्क डिजाइन कर रहे हैं, तो हमें ऐसी चिप आर्किटेक्चर होनी चाहिए जो उसे प्रतिबिंबित करे।
यह न्यूरोमोर्फिक चिप्स का विचार है, जो हार्डवेयर स्तर पर जुड़े हुए न्यूरॉन्स की तरह काम करते हैं, बजाय इसके कि जटिल गणितीय समीकरणों और लाखों समानांतर गणनाओं के माध्यम से इसे सिमुलेट किया जाए।
इन उपकरणों को कभी-कभी NPU (Neural Processing Unit) भी कहा जाता है, जो आमतौर पर कई विभिन्न प्रकार के घटकों को एक इकाई में संयोजित करता है।
न्यूरोमोर्फिक चिप्स अक्सर जटिल विद्युत संकेतों का उपयोग करती हैं, जो एनालॉग डेटा के करीब होते हैं। यह “सामान्य” कंप्यूटरों से अलग है जो बाइनरी संकेतों (0 और 1) के साथ वॉन न्यूमन डिज़ाइन का उपयोग करते हैं।
स्रोत: Tech Target
वर्तमान में न्यूरोमोर्फिक चिप्स बनाने के कई तरीकों का अन्वेषण किया जा रहा है:
- प्रारंभिक फेरोइलेक्ट्रिसिटी का उपयोग करें, एक अभी भी कम समझा गया घटना।
- वैनाडियम या टाइटेनियम का उपयोग करके सक्रिय सब्सट्रेट।
- मेम्रिस्टर्स का उपयोग, एक नया प्रकार का इलेक्ट्रॉनिक घटक, जो सामान्य पावर खपत के 1/800वें हिस्से पर AI कार्यों को निष्पादित करता है।
फोटॉनिक्स चिप्स
सिलिकॉन हार्डवेयर की कई वर्तमान सीमाओं को पार करने का एक और विकल्प फोटॉनिक्स कंप्यूटर्स की ओर स्विच करना है। इलेक्ट्रॉनों के बजाय, जानकारी लेज़र के फोटॉन्स ले जाते हैं।
यह विधि ओवरहीटिंग के प्रति कम संवेदनशील होने और प्रकाश को ब्रह्मांड में सबसे तेज़ गति वाली चीज़ होने का लाभ देती है।
वर्तमान में, फोटॉनिक्स घटकों, विशेषकर मेमोरी, की टिकाऊपन एक समस्या रही है, लेकिन यह तेजी से बदल रहा है।
