Tác giả: Dr. Tehseen Zia
Cập nhật vào ngày 28 tháng 5, 2024
Trí tuệ nhân tạo, giống như bất kỳ phần mềm nào, dựa trên hai thành phần cơ bản: các chương trình AI, thường được gọi là các mô hình, và phần cứng tính toán, hay chip, điều khiển các chương trình này. Cho đến nay, trọng tâm trong phát triển AI đã là việc tinh chỉnh các mô hình, trong khi phần cứng thường được xem là một thành phần tiêu chuẩn do các nhà cung cấp bên thứ ba cung cấp. Tuy nhiên, gần đây, cách tiếp cận này đã bắt đầu thay đổi. Các công ty AI lớn như Google, Meta và Amazon đã bắt đầu phát triển các chip AI của riêng mình. Việc phát triển nội bộ các chip AI tùy chỉnh đang đánh dấu một kỷ nguyên mới trong sự phát triển của AI. Bài viết này sẽ khám phá các lý do đằng sau sự thay đổi trong cách tiếp cận này và sẽ nêu bật các phát triển mới nhất trong lĩnh vực đang tiến hóa này.
Tại Sao Phát Triển Chip AI Nội Bộ?
Sự chuyển đổi sang phát triển các chip AI tùy chỉnh nội bộ đang được thúc đẩy bởi một số yếu tố quan trọng, bao gồm:
Nhu Cầu Gia Tăng Về Chip AI
Việc tạo ra và sử dụng các mô hình AI đòi hỏi nguồn tài nguyên tính toán đáng kể để xử lý hiệu quả khối lượng dữ liệu lớn và tạo ra các dự đoán hoặc thông tin chi tiết chính xác. Các chip máy tính truyền thống không thể xử lý các yêu cầu tính toán khi huấn luyện trên hàng nghìn tỷ điểm dữ liệu. Hạn chế này đã dẫn đến việc tạo ra các chip AI tiên tiến được thiết kế đặc biệt để đáp ứng các yêu cầu về hiệu suất cao và hiệu quả của các ứng dụng AI hiện đại. Khi nghiên cứu và phát triển AI tiếp tục tăng trưởng, nhu cầu về các chip chuyên dụng này cũng tăng theo.
Nvidia, một nhà lãnh đạo trong việc sản xuất các chip AI tiên tiến và vượt xa các đối thủ cạnh tranh, đang đối mặt với thách thức khi nhu cầu vượt quá khả năng sản xuất của họ. Tình trạng này đã dẫn đến việc danh sách chờ đợi cho các chip AI của Nvidia kéo dài đến vài tháng, và sự chậm trễ này tiếp tục tăng khi nhu cầu về chip AI của họ bùng nổ. Hơn nữa, thị trường chip, bao gồm các công ty lớn như Nvidia và Intel, gặp phải thách thức trong việc sản xuất chip. Vấn đề này bắt nguồn từ sự phụ thuộc của họ vào nhà sản xuất Đài Loan TSMC để lắp ráp chip. Sự phụ thuộc này dẫn đến thời gian chờ đợi kéo dài cho việc sản xuất các chip tiên tiến này.
Làm Cho Tính Toán AI Hiệu Quả Về Năng Lượng và Bền Vững
Thế hệ chip AI hiện tại, được thiết kế cho các tác vụ tính toán nặng, thường tiêu thụ nhiều năng lượng và tạo ra lượng nhiệt đáng kể. Điều này đã dẫn đến các tác động môi trường đáng kể trong việc huấn luyện và sử dụng các mô hình AI. Các nhà nghiên cứu của OpenAI lưu ý rằng: kể từ năm 2012, sức mạnh tính toán cần thiết để huấn luyện các mô hình AI tiên tiến đã tăng gấp đôi mỗi 3,4 tháng, cho thấy rằng đến năm 2040, lượng khí thải từ ngành Công nghệ Thông tin và Truyền thông (ICT) có thể chiếm 14% tổng lượng khí thải toàn cầu. Một nghiên cứu khác cho thấy việc huấn luyện một mô hình ngôn ngữ quy mô lớn có thể phát thải tới 284.000 kg CO2, tương đương với mức tiêu thụ năng lượng của năm chiếc xe trong suốt vòng đời của chúng. Hơn nữa, ước tính rằng mức tiêu thụ năng lượng của các trung tâm dữ liệu sẽ tăng 28% vào năm 2030. Những phát hiện này nhấn mạnh sự cần thiết phải cân bằng giữa phát triển AI và trách nhiệm môi trường. Để đáp ứng, nhiều công ty AI hiện đang đầu tư vào phát triển các chip hiệu quả năng lượng hơn, nhằm làm cho việc huấn luyện và vận hành AI trở nên bền vững và thân thiện với môi trường hơn.
Tùy Chỉnh Chip Cho Các Nhiệm Vụ Chuyên Biệt
Các quy trình AI khác nhau có nhu cầu tính toán khác nhau. Ví dụ, việc huấn luyện các mô hình học sâu đòi hỏi sức mạnh tính toán lớn và thông lượng cao để xử lý các tập dữ liệu lớn và thực hiện các phép tính phức tạp nhanh chóng. Các chip được thiết kế cho việc huấn luyện được tối ưu hóa để cải thiện các hoạt động này, nâng cao tốc độ và hiệu suất. Ngược lại, quá trình suy luận, nơi mà mô hình áp dụng kiến thức đã học để đưa ra dự đoán, đòi hỏi xử lý nhanh chóng với mức tiêu thụ năng lượng tối thiểu, đặc biệt là trong các thiết bị biên như điện thoại thông minh và thiết bị IoT. Các chip cho suy luận được thiết kế để tối ưu hóa hiệu suất theo watt, đảm bảo phản hồi nhanh chóng và tiết kiệm pin. Việc tùy chỉnh cụ thể này của các thiết kế chip cho các nhiệm vụ huấn luyện và suy luận cho phép mỗi chip được điều chỉnh chính xác cho vai trò dự định của nó, nâng cao hiệu suất trên các thiết bị và ứng dụng khác nhau. Sự chuyên biệt này không chỉ hỗ trợ các chức năng AI mạnh mẽ hơn mà còn thúc đẩy hiệu quả năng lượng và tính kinh tế rộng rãi hơn.
Giảm Gánh Nặng Tài Chính
Gánh nặng tài chính của việc tính toán cho huấn luyện và vận hành mô hình AI vẫn rất lớn. Ví dụ, OpenAI sử dụng một siêu máy tính rộng lớn được tạo ra bởi Microsoft cho cả huấn luyện và suy luận từ năm 2020. Chi phí cho OpenAI để huấn luyện mô hình GPT-3 là khoảng 12 triệu đô la, và chi phí này tăng vọt lên 100 triệu đô la để huấn luyện GPT-4. Theo một báo cáo của SemiAnalysis, OpenAI cần khoảng 3.617 máy chủ HGX A100, tổng cộng 28.936 GPU, để hỗ trợ ChatGPT, đưa chi phí trung bình cho mỗi truy vấn lên khoảng 0,36 đô la. Với những chi phí cao này, Sam Altman, CEO của OpenAI, được cho là đang tìm kiếm các khoản đầu tư lớn để xây dựng một mạng lưới toàn cầu các cơ sở sản xuất chip AI, theo một báo cáo của Bloomberg.
Tận Dụng Kiểm Soát và Đổi Mới
Các chip AI của bên thứ ba thường đi kèm với những hạn chế. Các công ty dựa vào các chip này có thể bị giới hạn bởi các giải pháp có sẵn mà không hoàn toàn phù hợp với các mô hình hoặc ứng dụng AI độc đáo của họ. Phát triển chip nội bộ cho phép tùy chỉnh theo các trường hợp sử dụng cụ thể. Dù là cho xe tự hành hay thiết bị di động, việc kiểm soát phần cứng cho phép các công ty tận dụng tối đa các thuật toán AI của họ. Các chip tùy chỉnh có thể nâng cao các nhiệm vụ cụ thể, giảm độ trễ và cải thiện hiệu suất tổng thể.
Các Tiến Bộ Mới Nhất Trong Phát Triển Chip AI
Phần này đi sâu vào những tiến bộ mới nhất mà Google, Meta và Amazon đã đạt được trong công nghệ chip AI.
Bộ Xử Lý Axion của Google
Google đã liên tục tiến bộ trong lĩnh vực công nghệ chip AI kể từ khi giới thiệu Đơn Vị Xử Lý Tensor (TPU) vào năm 2015. Dựa trên nền tảng này, Google gần đây đã ra mắt Bộ Xử Lý Axion, các CPU tùy chỉnh đầu tiên được thiết kế đặc biệt cho các trung tâm dữ liệu và khối lượng công việc AI. Các bộ xử lý này dựa trên kiến trúc Arm, nổi tiếng với hiệu quả và thiết kế nhỏ gọn. Bộ Xử Lý Axion nhằm nâng cao hiệu quả của việc huấn luyện và suy luận AI dựa trên CPU trong khi duy trì hiệu suất năng lượng. Tiến bộ này cũng đánh dấu sự cải thiện đáng kể về hiệu suất cho các khối lượng công việc đa mục đích khác nhau, bao gồm các máy chủ web và ứng dụng, các dịch vụ vi mô trong container, các cơ sở dữ liệu mã nguồn mở, các bộ nhớ đệm trong bộ nhớ, các công cụ phân tích dữ liệu, xử lý phương tiện và nhiều hơn nữa.
MTIA của Meta
Meta đang tiến xa trong công nghệ chip AI với Bộ Tăng Tốc Huấn Luyện và Suy Luận Meta (MTIA). Công cụ này được thiết kế để tăng cường hiệu quả của các quá trình huấn luyện và suy luận, đặc biệt là đối với các thuật toán xếp hạng và đề xuất. Gần đây, Meta đã nêu rõ rằng MTIA là một phần quan trọng trong chiến lược của họ để củng cố cơ sở hạ tầng AI vượt ra ngoài GPU. Ban đầu dự kiến ra mắt vào năm 2025, Meta đã đưa cả hai phiên bản của MTIA vào sản xuất, cho thấy tốc độ nhanh chóng trong kế hoạch phát triển chip của họ. Trong khi MTIA hiện tại tập trung vào huấn luyện các loại thuật toán nhất định, Meta có kế hoạch mở rộng việc sử dụng nó để bao gồm huấn luyện cho AI sinh tạo, như các mô hình ngôn ngữ Llama của họ.
Trainium và Inferentia của Amazon
Kể từ khi giới thiệu chip Nitro tùy chỉnh vào năm 2013, Amazon đã mở rộng đáng kể phát triển chip AI của mình. Công ty gần đây đã công bố hai chip AI sáng tạo, Trainium và Inferentia. Trainium được thiết kế đặc biệt để nâng cao quá trình huấn luyện mô hình AI và sẽ được tích hợp vào các EC2 UltraClusters. Các cụm này, có khả năng chứa tới 100.000 chip, được tối ưu hóa để huấn luyện các mô hình nền tảng và mô hình ngôn ngữ lớn một cách hiệu quả về năng lượng. Ngược lại, Inferentia được thiết kế cho các nhiệm vụ suy luận, nơi các mô hình AI được áp dụng thực tế, tập trung vào việc giảm độ trễ và chi phí trong quá trình suy luận để phục vụ tốt hơn nhu cầu của hàng triệu người dùng tương tác với các dịch vụ được trang bị AI.
Kết Luận
Xu hướng phát triển chip AI tùy chỉnh nội bộ bởi các công ty lớn như Google, Microsoft và Amazon phản ánh một sự thay đổi chiến lược để đáp ứng nhu cầu tính toán ngày càng tăng của các công nghệ AI. Xu hướng này nhấn mạnh sự cần thiết của các giải pháp được thiết kế riêng để hỗ trợ hiệu quả các mô hình AI, đáp ứng những yêu cầu đặc thù của các hệ thống tiên tiến này. Khi nhu cầu về chip AI tiếp tục tăng, các công ty dẫn đầu ngành như Nvidia có khả năng sẽ chứng kiến sự gia tăng đáng kể trong giá trị thị trường, nhấn mạnh vai trò quan trọng của các chip tùy chỉnh trong việc thúc đẩy đổi mới AI. Bằng cách tạo ra các chip của riêng mình, những gã khổng lồ công nghệ này không chỉ nâng cao hiệu suất và hiệu quả của các hệ thống AI của họ mà còn thúc đẩy một tương lai bền vững và tiết kiệm chi phí hơn. Sự phát triển này đang đặt ra những tiêu chuẩn mới trong ngành, thúc đẩy tiến bộ công nghệ và lợi thế cạnh tranh trong một thị trường toàn cầu đang thay đổi nhanh chóng.
