آیا گوشی‌های هوشمند در حال پیشبرد صنعت سیلیکون هستند؟!

هر دو شرکت بزرگ اپل و هواوی اولین محصولات تولیدی خود با فناوری 7 نانومتری را به بازار عرضه کردند و تا قبل از پایان سال 2018 نیز کوالکام خود را به این جمع می‌رساند. پردازنده‌های گوشی‌های هوشمند طی چند سال اخیر توجهات را به سوی خود جلب کرده‌اند و شرکت‌هایی نظیر AMD و اینتل با بهبود فناوری‌های نانو به سوی تولید پردازنده‌هایی با اندازه کوچک‌تر و تعداد گره پردازشی بیشتر سوق داده شده‌اند.

در حقیقت صنعت تولید گوشی‌های هوشمند، در پشت پرده این حرکت قرار دارد و محرک اصلی ساخت پردازنده‌های فعلی شده است. در ابتدا تولید تراشه‌هایی با پردازنده‌های سریع‌تر مجهز به مودم یکپارچه، سبب شد تا شرکت‌ها برای بهره‌گیری از این محصولات جدید در فضای محدود لپ‌تاپ‌ها متقاعد شوند. اما این تمام ماجرا نبود، بازار به سرعت خود را با ساخت فناوری‌ ماشین‌های یادگیرنده پیشرفته تطبیق داد و بار دیگر صنعت سیلیکون را به حرکت واداشت و به دنبال آن پای این ماده به قطعات دیگری چون CPU و GPU‌های سنتی باز شد.

در این میان بیشترین سود را تراشه‌های موبایلی بردند و توانستند از پتانسیل بالای سیلیکون به خوبی بهره‌برداری نمایند. گره‌های پردازشی کوچک‌تر، هوش مصنوعی کاملا یکپارچه و ژست‌های اصلی در قدرت پردازشی نیز از دیگر چشم‌انداز‌های پیشروی دنیای دیجیتال در آینده است.

جاکردن گره‌های پردازشی بیشتر در یک تک تراشه

اصولا می‌توان گفت که سیستم روی چیپ (SoC) کاملا یکپارچه، سبب شد ساخت گوشی‌های هوشمند امکان‌پذیر شود. به عبارت دیگر با ترکیب سخت‌افزار‌های پردازنده و مودم در یک ‌تراشه تکی، این امکان فراهم شد تا گوشی‌های هوشمند اولیه، از عهده تامین هزینه و برق مورد نیاز برای فعالیت خود برآیند و امروزه این ایده پیشرفت‌های بسیار زیادی کرده است. از طرفی افزایش میزان محاسبات ناهمگن بسیار پیچیده و از سوی دیگر تولید قطعات قدرتمند‌تر، باعث حرکت پایاپای و بهینه‌سازی این فناوری شده است.

امروزه پردازنده‌های پیشرفته گوشی‌های هوشمند، مبتنی بر سی‌پی‌یو و گرافیک و مودم‌ نیست بلکه کار پردازش تصاویر، ویدیو‌ها، مدیریت نمایشگر و سیگنال‌های دیجیتالی، همگی در یک بسته سخت‌افزاری تکی (تک تراشه) انجام می‌گیرد. این ایده بسیار ساده است و شامل بلوک‌های سخت‌افزاری مجزایی است که برای کارهای خاصی بهینه‌سازی شده‌اند. این فناوری نه تنها سبب افزایش کارایی می‌شود بلکه در مصرف انرژی صرفه‌جویی می‌گردد. در مراسم Google I/O 2018 نیز جان هنسی، در مورد مزایای رویکرد به این سبک خاص از معماری سیستم‌های محاسباتی صحبت کرد و به چگونگی عبور از مشکلات که بر سر راه این ایده وجود دارند، اشاره نمود.

از سوی دیگر شبکه‌های عصبی یا همان سخت‌افزار‌های مجهز به هوش‌مصنوعی اختصاصی، مهم‌ترین و جدید‌ترین نوع تجهیزات هستند که خود را به پارتی فناوری رسانده و امروزه تاثیر گسترده خود را در بخش‌های مختلف این صنعت به نمایش گذاشته‌اند. در حال حاضر تراکم قرارگیری سیلیکون به حدی رسیده که جای دادن چندین قطعه پیچیده بر روی یک تراشه بسیار کوچک، کار بسیار ساده‌ای است و محاسبات ناهمگن و موازی به راحتی قابل پردازش است. البته تنگناها‌ی دیگری نیز در ادامه مسیر‌ وجود دارد که باید حل شوند. از جمله بهبود حافظه و پهنای باند ارتباطی بین اجزا از این موارد است. در این زمینه نیز کار‌های فوق‌العاده‌ای انجام گرفته و بهترین معماری برای رفع این مشکلات، در حال تکامل است که حتی بیش از پیش سبب کاهش میزان نیروی مصرفی خواهد شد.

داده‌های 4G، امنیت مبتنی بر شبکه عصبی و باتری‌هایی با توانایی تامین چندین روز شارژ دستگاه از جمله دستاورد‌هایی است که فناوری‌های جدید برای کامپیوتر‌های معمولی و محصولات مصرفی دنیای دیجیتال به ارمغان خواهند آورد. به علاوه این یک فرصت فوق‌العاده برای تراشه‌های گوشی‌های هوشمند است تا بتوانند برخی از باور‌ها و بازار‌های سنتی را کنار بزنند و قدرت واقعی تراشه‌های مدرن را به نمایش بگذارند. در این بین حتی اکنون تگرا انویدا (Nvidia’s Tegra) با سوئیچ نینتندو پا به دنیای بازی‌ گذاشته است و یا امروزه تجهیزات 4G LTE لپ‌تاپ‌ها و سیستم‌های 2 در 1 به جای چیپست‌های استاندارد معمولی از چیپست‌های موبایلی استفاده می‌کنند!

شرکت آرم (Arm) پیش‌بینی کرده است که با روند روبه رشد معماری CPU‌های موبایلی، طی چند سال آینده کارایی آنها به حدی افزایش می‌یابد که به یک رقیب بی‌نظیر برای استفاده در فضای لپ‌تاپ‌ها بدل خواهند شد. البته هنوز به طور کامل برای این منظور آماده نیستند. برای مثال سیستم‌عاملی چون ویندوز 10 به اصلاحات سازمانی و تغییرات نرم‌افزاری گسترده نیاز دارد تا از تراشه‌های موبایلی Arm پشتیبانی کند و بتوان آن را نصب کرد.

با این حال تلاش‌ها و تحقیقات شرکت کوالکام برای ساخت اولین تراشه‌های اختصاصی PC با نام اسنپ‌دراگون 850 به اندازه کافی پیشرفت داشته است که بتواند سرمایه‌گذاری‌های خوبی را برای تولید انبوه آن جذب نماید. نتیجه فوق‌العاده این پیشرفت‌ها، مودم‌های 4G و 5G، سیستم‌های امنیتی تشخیص چهره مبتنی بر شبکه عصبی و باتری‌هایی با عمر چند روزه و ده‌ها دستاورد ارزشمند دیگر برای کاربران سیستم‌های کامپیوتری معمولی است.

البته نباید فراموش کرد که توانایی محاسباتی کاملا یکپارچه، در بازار جهانی گوشی‌های هوشمند و سیستم‌های 2 در 1 هنوز به یک ترند و نیاز تبدیل نشده است. در این بین افزایش بی‌سابقه معدن‌چیان ارز دیجیتال بیتکوین، سبب استقبال غیرمنتظره آنها از سیستم‌ مدارهای مجتمع با کاربرد خاص (ASIC) و SoCها شد. همچنین ساخت خودرو‌های مستقل بدون راننده، موجب طراحی CPU، کارت گرافیک و تراشه‌های منفرد با شبکه عصبی یکپارچه به منظور دست‌یابی به تجهیزاتی با بالاترین عملکرد ممکن گشته است.

حتی در این بین گوگل نیز با استفاده از TPU‌های ابری یا واحد‌های پردازشی تانسور ابری (Cloud Tensor Processing Units) البته با بهره‌گیری از سخت‌افزاری متفاوت، توانسته است خود را به توانایی محاسباتی یکپارچه، نزدیک سازد. بنابراین می‌توان با اطمینان گفت، تمام غول‌های این صنعت هم‌ اکنون در فکر شکستن مرز‌های محاسباتی هستند.

عدم توقف در فناوری 7 نانومتری!

طراحان و سازندگان موبایل دوست داشتند نتایج تست آخرین ساخته‌های خود را با فناوری 7 نانومتری بسنجند و این آرزو به یک نقطه عطف برای دنیای دیجیتال بدل شده بود ولی این رویا اکنون به واقعیت تبدیل شده است. این واقعیت که آغاز این کار در نسل‌های قبل با استفاده از تکنیک لیتوگرافی غوطه‌وری (Immersion lithography) با فناوری 193 نانومتری بود که در نسل‌های جدید به تکنیک دقیق‌تر لیتوگرافی با اشعه ماورای بنفش (EUV) ارتقا یافت.

در این راستا باید توجه داشت که EUV یک فناوری کلیدی محسوب می‌شود زیرا شرکت‌ها تمایل دارند در آینده نزدیک به فناوری 5 نانومتری برسند و با توجه به کاهش فاصله گره‌ها، می‌توان تعداد بیشتری از آنها را قرار داد و طبیعتا قدرت به طور موثری افزایش خواهد داشت. حتی پیشتازان این عرصه از جمله TSMC و سامسونگ امیدوارند هر چه زودتر این مقیاس را کوچک‌تر کنند و وارد دنیای 3 نانومتر شوند.

در این رابطه پیشرفت‌های اخیر در ساختار ترانزیستور‌های FinFet جدید، از جمله Gate-All-Around، مواد فلزی High-K و گرافین ژرمانیوم به همراه حافظه‌های ذخیره‌سازی سه بعدی برای متراکم‌تر قرار دادن قطعات مورد استفاده در سیستم پردازشی یکپارچه، سبب افزایش چشمگیر کارایی شده است. در یک کلام همانطور که مارک لویی از شرکت TSMC اعلام کرد، EUV نشان داد که لیتوگرافی یک عامل محدود کننده برای کاهش مقیاس نیست.

گذر از مرز 7 نانومتری و تراکم سیلیکون سبب افزایش یکپارچگی و ساخت تراشه‌های پیچیده و از آن مهم‌تر صرفه‌جویی در مصرف نیرو شد. بهبود کارایی مصرف انرژی باعث طولانی‌تر شدن زمان استفاده از دستگاه‌های قابل حمل و تضمین ارزشمندی کامپیوتر‌های ابری قدرتمند‌تر است. زیرا با استفاده از سیستم‌های مجهز به محاسبات مبتنی بر شبکه‌های عصبی، میلیون‌ها ساعت در مصرف برق شرکت‌ها و عمر انسان‌ها صرفه‌جویی خواهد شد و از طرف دیگر نیز توانایی انجام محاسبات پیچیده‌تر و بزرگ‌تر به کمک محققان علوم مختلف می‌آید و باعث افزایش سرعت پیشرفت دانش خواهد شد.

آرجیت مانوچا، رئیس و مدیرعامل شرکت SEMI انتظار دارد که صنعت تراشه در سال 2019 به فروش 500 میلیارد دلاری و تا سال 2030 به بیش از یک تریلیون دلار برسد. بخش عمده‌ای از این امر به دلیل شبکه‌های عصبی محاسباتی و تلفن‌ها و لپ‌تاپ‌های مجهز به پردازنده‌های SoC خواهد بود. البته این امر تنها مربوط به محصولاتی با گره‌های پردازشی فوق پیشرفته نیست بلکه بسیاری از کالاها با تجهیز به فناوری‌های 14 نانومتری و حتی 28 نانومتری غوغا به پا خواهند کرد زیرا همواره فناوری‌ها در راستای بهبود عملکرد به کار گرفته می‌شوند.

امیدوارم که هنوز از هوش مصنوعی حالتان بهم نخورده باشد!

قطعا امروزه در بازار تراشه‌ها و دیگر محصولات دیجیتال، اصطلاح AI (هوش مصنوعی) زیاد به گوش‌تان خورده است ولی با پیشرفت‌های اخیر در زمینه شبکه‌های عصبی و ماشین‌های یادگیری، باید به این سه قابلیت از این زمان به بعد به چشم یک تیم بنگریم. با پشتیبانی معماری گوشی‌های هوشمند از عملیات‌های ریاضی INT16 و INT8 و بهره‌گیری از سخت‌افزار‌های شبکه‌های عصبی پیشرفته مانند NPU درون پردازنده کایرین هواوی و ویژوال‌کور (Visual Core) که گوگل در دل پیکسل 2 قرار داده است باید اعلام نمود که گوشی‌های هوشمند در این مسیر پیشتاز هستند.

به علاوه ما هنوز در ابتدای راه استفاده از سخت‌افزار و نرم‌افزار شبکه عصبی هستیم. تشخیص پیشرفته گفتار، قابلیت امنیتی تشخیص چهره و افکت‌های دوربین مبتنی بر هوش مصنوعی (scene-based) تنها برخی از ویژگی‌هایی است که فعلا بدان رسیده‌ایم ولی اکنون نشانه‌هایی از دست‌یابی به ماشین‌های یادگیرنده باهوش‌تر در هر دو نوع تجهیزات ابری و مصرفی، دیده می‌شود. برای مثال فناوری GPU Turbo هواوی پس از استفاده از یک اپلیکیشن آموزشی خاص، می‌تواند میزان مصرف نیروی گوشی را مدیریت نماید و کارایی دستگاه را به میزان موثری افزایش دهد.

در مثالی دیگر، Deep Learning Super Sampling شرکت انویدیا یا همان DLSS با پشتیبانی از آخرین سری از کارت‌های گرافیک RTX نمونه شگفت‌انگیز دیگری از توانایی‌های یک ماشین‌ یادگیرنده را به نمایش می‌گذارد که قادر است محاسبات الگوریتمی پر‌هزینه فعلی را با انواع بسیار کارآمد‌تر جایگزین ‌کند و به این ترتیب کارت‌های گرافیک غول‌پیکر هوش مصنوعی رزولوشن بالا (AI Up-Res) و ابزار‌های تکثیر تصاویر InPainting، به مانند افکت اسلوموشن درون‌یابی شده (Interpolated Slow-Mo effect)، حیرت‌انگیز باشند. به علاوه حتی ماشین یادگیرنده، از تصاویر و قابلیت تشخیص صدا برای موارد بسیار پیشرفته‌تر سود می‌برد.

در این بین شرکت‌های سازنده نه فقط برای تراشه‌ گوشی‌های هوشمند بلکه برای انواع دیگر پردازنده‌ها نیز، به دنبال بهره‌مندی از مزایای پشتیبانی از فناوری نوظهور ماشین‌های یادگیرنده هستند تا بتوانند با تولید تراشه‌های یادگیرنده، عرضه و تقاضای جدیدی را در بازار پرسود صنعت پردازنده‌ها ایجاد کنند. به علاوه با در نظر گرفتن تولید سالانه میلیون‌ها دستگاه گوشی‌ هوشمند، احتمالا رقابت و نوآوری در مسیر پیشرفت SoC به شکل مسالمت‌آمیزی پیش خواهد رفت.

با این حال به نظر می‌رسد با توجه به شرایط کنونی بازار، تولید تراشه‌های موبایلی کم‌مصرف‌تر، نسبت به تولیدات کلاس دسکتاپی پر‌مصرف، گسترش بیشتری خواهد داشت، پس می‌توان نتیجه گرفت که در مقایسه با یک دهه قبل SoCهای گوشی‌های هوشمند هستند که بخش اصلی صنعت سیلیکون را به خود اختصاص می‌دهند و آنها هستند که جیب صنایع سیلیکونی و ساکنان دره سیلیکون را پر خواهند کرد.