تراشه هوش مصنوعی گوگل با معرفی دو سیستم پردازشی جدید TPU 8tx و TPU 8i Max وارد مرحله تازه‌ای شده است. گوگل در تاریخ ۹ نوامبر ۲۰۲۶ از این دو سیستم رونمایی کرد تا دو نیاز مهم صنعت هوش مصنوعی را هدف بگیرد: پردازش امن اطلاعات حساس و اجرای مدل‌هایی که به حافظه و توان محاسباتی بسیار زیادی نیاز دارند. امین وحدت، مدیر ارشد فناوری و معاون ارشد بخش هوش مصنوعی و زیرساخت گوگل، جزئیات این معماری‌ها را در وبلاگ رسمی Google Cloud توضیح داده است.

این معرفی فقط به معنای افزایش قدرت پردازشی نیست. گوگل با توسعه خانواده نسل هشتم TPU تلاش می‌کند زیرساختی بسازد که بتواند مدل‌های پیشرفته، عامل‌های هوشمند و حجم گسترده‌ای از اطلاعات را با سرعت و امنیت بیشتری مدیریت کند. TPU 8tx روی پردازش محرمانه داده‌ها تمرکز دارد و TPU 8i Max ظرفیت پردازش و حافظه را برای مدل‌های دارای پنجره زمینه بزرگ افزایش می‌دهد.

البته یک نکته فنی مهم وجود دارد: گوگل این محصولات را دو سیستم پردازشی جدید معرفی کرده است، نه لزوماً دو تراشه کاملاً جدید که از ابتدا طراحی شده باشند. هر دو محصول از معماری‌های قبلی خانواده TPU استفاده می‌کنند، اما گوگل پیکربندی سخت‌افزاری و قابلیت‌های آن‌ها را برای کاربردهای متفاوت توسعه داده است.

🧠 تراشه هوش مصنوعی گوگل چیست و چرا دو سیستم جدید معرفی شدند؟

گوگل سال‌هاست روی طراحی پردازنده‌های اختصاصی برای هوش مصنوعی سرمایه‌گذاری می‌کند. این پردازنده‌ها با نام TPU یا Tensor Processing Unit شناخته می‌شوند و وظیفه اصلی آن‌ها شتاب‌دادن به محاسبات موردنیاز مدل‌های یادگیری ماشین است.

پردازنده‌های عمومی مانند CPU برای اجرای طیف گسترده‌ای از وظایف طراحی شده‌اند. در مقابل، شتاب‌دهنده‌های هوش مصنوعی مانند TPU روی عملیات محاسباتی موردنیاز شبکه‌های عصبی تمرکز می‌کنند. این تخصصی‌بودن به شرکت‌ها کمک می‌کند مدل‌های بزرگ را با کارایی بیشتری آموزش دهند یا اجرا کنند.

گوگل پیش‌تر دو سیستم TPU 8t و TPU 8i را معرفی کرده بود. TPU 8t برای آموزش مدل‌های بزرگ در مقیاس گسترده کاربرد دارد و TPU 8i وظایف استدلال و استنتاج سریع را هدف می‌گیرد.

حالا دو عضو دیگر به این خانواده اضافه شده‌اند. گوگل با معرفی TPU 8tx و TPU 8i Max می‌خواهد نیازهای متفاوت سازمان‌ها را پوشش دهد. یکی از این نیازها، اجرای مدل‌های هوش مصنوعی در کنار داده‌های محرمانه است. نیاز دیگر، پردازش حجم بسیار زیادی از اطلاعات در یک پنجره زمینه گسترده است.

به همین دلیل، تراشه هوش مصنوعی گوگل را باید بخشی از یک زیرساخت کامل در نظر گرفت؛ زیرساختی که پردازنده، حافظه، شبکه ارتباطی و فناوری‌های امنیتی را کنار هم قرار می‌دهد.

تفاوت TPU 8tx و TPU 8i Max در چیست؟

این دو سیستم با وجود قرارگرفتن در خانواده نسل هشتم TPU، کاربرد یکسانی ندارند.

TPU 8tx برای پردازش محرمانه طراحی شده است. این سیستم به سازمان‌ها کمک می‌کند مدل‌های هوش مصنوعی را در کنار اطلاعات حساس اجرا کنند و از داده‌ها هنگام پردازش محافظت بیشتری داشته باشند.

در مقابل، TPU 8i Max برای بارهای کاری سنگین و مدل‌هایی مناسب است که باید حجم زیادی از اطلاعات را در حافظه نگه دارند. این سیستم با ترکیب دو تراشه TPU 8i در یک بسته، توان محاسباتی و ظرفیت حافظه را افزایش می‌دهد.

بنابراین، انتخاب میان این دو محصول به نوع فعالیت سازمان بستگی دارد. مجموعه‌ای که امنیت داده‌ها را در اولویت قرار می‌دهد، ممکن است به TPU 8tx نیاز داشته باشد؛ اما شرکتی که مدل‌های بزرگ، دستیارهای برنامه‌نویسی یا عامل‌های هوشمند را اجرا می‌کند، می‌تواند از ظرفیت TPU 8i Max بهره ببرد.

🔐 تراشه هوش مصنوعی گوگل TPU 8tx چگونه از داده‌های حساس محافظت می‌کند؟

مهم‌ترین ویژگی TPU 8tx تمرکز بر پردازش محرمانه یا Confidential Computing است. این فناوری به سیستم‌ها کمک می‌کند هنگام اجرای محاسبات نیز از اطلاعات حساس محافظت کنند.

در بسیاری از زیرساخت‌های پردازشی، شرکت‌ها داده‌ها را هنگام ذخیره‌سازی و انتقال رمزنگاری می‌کنند. بااین‌حال، زمانی که پردازنده باید روی اطلاعات عملیات انجام دهد، به داده‌های قابل‌خواندن نیاز دارد. همین مرحله می‌تواند یک نقطه حساس امنیتی ایجاد کند.

TPU 8tx این چالش را هدف می‌گیرد. گوگل قابلیت‌های امنیتی را در سطح سخت‌افزار و معماری سیستم قرار داده تا اطلاعات و وزن‌های مدل در زمان پردازش نیز در محیطی محافظت‌شده قرار بگیرند.

این ویژگی برای سازمان‌هایی اهمیت دارد که می‌خواهند از مدل‌های هوش مصنوعی پیشرفته استفاده کنند، اما نمی‌توانند اطلاعات اختصاصی خود را بدون کنترل در اختیار محیط‌های پردازشی قرار دهند.

فناوری Confidential Computing در تراشه هوش مصنوعی گوگل چه نقشی دارد؟

برای درک بهتر عملکرد TPU 8tx، باید سه وضعیت اصلی داده‌ها را بشناسیم:

• Data at Rest: داده‌هایی که روی دیسک، فضای ذخیره‌سازی یا سرور قرار دارند.
• Data in Transit: اطلاعاتی که میان دستگاه‌ها، سرورها یا سرویس‌های مختلف انتقال پیدا می‌کنند.
• Data in Use: داده‌هایی که پردازنده در حال خواندن و پردازش آن‌هاست.

رمزنگاری در دو وضعیت اول کاربرد گسترده‌ای دارد. برای مثال، سرویس‌های ابری می‌توانند اطلاعات ذخیره‌شده را رمزنگاری کنند یا هنگام انتقال از ارتباطات امن استفاده کنند.

اما وضعیت سوم پیچیدگی بیشتری دارد. پردازنده برای اجرای محاسبات باید به داده‌ها دسترسی داشته باشد و همین مسئله محافظت از اطلاعات را دشوارتر می‌کند.

Confidential Computing با استفاده از قابلیت‌های سخت‌افزاری و محیط‌های اجرای قابل‌اعتماد، دسترسی غیرمجاز به داده‌ها را محدود می‌کند. یکی از مفاهیم مهم در این حوزه Trusted Execution Environment یا محیط اجرای قابل‌اعتماد است.

این محیط بخش مشخصی از پردازش را از سایر بخش‌های سیستم جدا می‌کند. در نتیجه، احتمال دسترسی غیرمجاز به اطلاعات حساس کاهش می‌یابد.

البته این فناوری امنیت مطلق ایجاد نمی‌کند. سازمان‌ها همچنان باید مدیریت دسترسی، رمزنگاری، امنیت نرم‌افزار، نظارت بر فعالیت‌ها و پیکربندی صحیح زیرساخت را جدی بگیرند.

پردازش محرمانه با TPU 8tx برای چه سازمان‌هایی کاربرد دارد؟

گوگل در معرفی این سیستم به سازمان‌های دولتی و مجموعه‌هایی اشاره می‌کند که تحت قوانین سخت‌گیرانه حفاظت از اطلاعات فعالیت دارند.

بانک‌ها، مؤسسات مالی، مراکز درمانی و شرکت‌های دارای اطلاعات اختصاصی می‌توانند از زیرساخت پردازش محرمانه بهره ببرند.

برای مثال، یک بانک ممکن است بخواهد از مدل هوش مصنوعی برای شناسایی تراکنش‌های مشکوک یا تحلیل رفتار مشتریان استفاده کند. این مدل برای ارائه نتیجه دقیق به داده‌های مالی نیاز دارد. بانک نیز باید اطمینان پیدا کند که اطلاعات مشتریان در زمان پردازش در معرض دسترسی غیرمجاز قرار نمی‌گیرند.

در حوزه درمان، مدل‌های هوش مصنوعی می‌توانند پرونده‌های پزشکی یا تصاویر تشخیصی را تحلیل کنند. حفاظت از اطلاعات بیماران در چنین کاربردهایی اهمیت زیادی دارد.

سازمان‌های دولتی نیز می‌توانند برای تحلیل اسناد محرمانه، اجرای دستیارهای داخلی و مدیریت اطلاعات حساس از چنین معماری‌هایی استفاده کنند.

تراشه هوش مصنوعی گوگل در قالب TPU 8tx به این سازمان‌ها کمک می‌کند میان استفاده از قابلیت‌های پیشرفته هوش مصنوعی و حفاظت از داده‌های محرمانه تعادل برقرار کنند.

⚙️ نقش پردازنده AMD EPYC در سیستم TPU 8tx گوگل چیست؟

یکی از جزئیات فنی مهم در معرفی TPU 8tx، همکاری گوگل با AMD است. این سیستم از پردازنده‌های میزبان نسل پنجم AMD EPYC استفاده می‌کند.

برای درک نقش این پردازنده‌ها باید تفاوت CPU و TPU را بدانیم. CPU وظایف عمومی سیستم، مدیریت فرایندها و هماهنگی بخش‌های مختلف را انجام می‌دهد. TPU نیز بخش اصلی محاسبات تخصصی هوش مصنوعی را برعهده می‌گیرد.

در معماری TPU 8tx، پردازنده AMD EPYC نقش میزبان را ایفا می‌کند و در کنار شتاب‌دهنده اختصاصی گوگل قرار می‌گیرد. این ترکیب به مدیریت بهتر وظایف و اجرای قابلیت‌های امنیتی کمک می‌کند.

AMD در اطلاعیه رسمی خود به استفاده از پردازنده‌های نسل پنجم EPYC در زیرساخت TPU 8tx اشاره کرده است. فناوری‌های امنیتی سخت‌افزاری AMD، از جمله قابلیت‌های خانواده Infinity Guard و SEV، نیز در این همکاری اهمیت دارند.

البته این همکاری به معنای جایگزینی TPU با پردازنده AMD نیست. گوگل همچنان از سیلیکون اختصاصی خود برای انجام محاسبات هوش مصنوعی استفاده می‌کند و AMD بخشی از زیرساخت میزبان را تأمین می‌کند.

شبکه Boardfly چگونه تأخیر TPU 8tx را کاهش می‌دهد؟

امنیت بیشتر نباید باعث افت شدید سرعت پردازش شود. به همین دلیل، گوگل در معماری TPU 8tx از شبکه کم‌تأخیر Boardfly استفاده کرده است.

شبکه ارتباطی در سیستم‌های هوش مصنوعی اهمیت زیادی دارد. زمانی که چند پردازنده یا شتاب‌دهنده با یکدیگر کار می‌کنند، باید اطلاعات را با سرعت بالا جابه‌جا کنند. هرگونه تأخیر در ارتباط میان بخش‌ها می‌تواند زمان اجرای یک وظیفه را افزایش دهد.

این موضوع در عامل‌های هوش مصنوعی اهمیت بیشتری دارد؛ زیرا چنین سامانه‌هایی معمولاً چندین مرحله پردازش و ارتباط با ابزارهای مختلف را پشت سر می‌گذارند.

گوگل ادعا می‌کند TPU 8tx در مقایسه با TPU 8t تا دو برابر تأخیر کمتری ارائه می‌دهد و این بهبود را با جریمه عملکردی نزدیک به صفر همراه می‌کند.

این اعداد به اعلام رسمی گوگل تعلق دارند و نباید آن‌ها را نتیجه یک آزمایش مستقل در تمام شرایط دانست. عملکرد واقعی هر سیستم به نوع مدل، حجم داده، نرم‌افزار و نحوه استفاده از زیرساخت نیز بستگی دارد.

🚀 تراشه هوش مصنوعی گوگل TPU 8i Max چه قابلیت‌هایی دارد؟

در کنار امنیت، گوگل یک چالش دیگر را نیز هدف قرار داده است: افزایش ظرفیت پردازش و حافظه برای مدل‌های هوش مصنوعی بزرگ.

مدل‌های جدید فقط به قدرت محاسباتی بالا نیاز ندارند. آن‌ها باید بتوانند اطلاعات زیادی را در حافظه نگه دارند و در زمان مناسب به آن‌ها دسترسی پیدا کنند.

این نیاز در کاربردهایی مانند تحلیل اسناد طولانی، بررسی کدهای یک پروژه بزرگ، پردازش ویدئو و اجرای هم‌زمان چند عامل هوشمند بیشتر دیده می‌شود.

TPU 8i Max برای چنین وظایفی طراحی شده است. گوگل دو تراشه کم‌تأخیر TPU 8i را در یک بسته واحد ترکیب کرده تا توان محاسباتی و ظرفیت حافظه سیستم را افزایش دهد.

این تغییر فقط به افزایش تعداد واحدهای پردازشی محدود نمی‌شود. گوگل ظرفیت حافظه SRAM و پهنای باند حافظه HBM را نیز دو برابر کرده است.

دو برابر شدن توان پردازشی در TPU 8i Max

طبق اطلاعات رسمی گوگل، TPU 8i Max در مقایسه با TPU 8i این قابلیت‌ها را ارائه می‌دهد:

• دو برابر توان محاسباتی
• دو برابر ظرفیت حافظه SRAM
• دو برابر پهنای باند حافظه HBM

این سه ویژگی در کنار یکدیگر اهمیت دارند. اگر پردازنده توان محاسباتی بالایی داشته باشد، اما حافظه نتواند داده‌ها را با سرعت کافی در اختیار آن قرار دهد، بخشی از ظرفیت سخت‌افزار بدون استفاده می‌ماند.

گوگل با افزایش هم‌زمان قدرت محاسباتی و ظرفیت انتقال داده تلاش می‌کند این گلوگاه را کاهش دهد.

طراحی TPU 8i Max همچنین امکان قرار دادن دو برابر سیلیکون را در همان فضای رک فراهم می‌کند. این ویژگی به مراکز داده اجازه می‌دهد در فضای فیزیکی مشابه، توان پردازشی بیشتری در اختیار داشته باشند.

حافظه SRAM و HBM در تراشه هوش مصنوعی گوگل چه کاربردی دارند؟

برای فهم بهتر مزیت TPU 8i Max باید با دو نوع حافظه مهم در شتاب‌دهنده‌های هوش مصنوعی آشنا شویم.

SRAM نوعی حافظه بسیار سریع است که پردازنده برای دسترسی سریع به داده‌های موردنیاز خود از آن استفاده می‌کند. این حافظه معمولاً ظرفیت کمتری نسبت به حافظه‌های اصلی دارد، اما سرعت دسترسی به آن بالاست.

HBM یا High Bandwidth Memory نوعی حافظه با پهنای باند بالا است. این فناوری در شتاب‌دهنده‌های پردازشی کاربرد دارد و حجم زیادی از اطلاعات را با سرعت بالا میان حافظه و واحدهای محاسباتی جابه‌جا می‌کند.

مدل‌های هوش مصنوعی برای اجرا به داده‌های مختلفی نیاز دارند. وزن‌های مدل، اطلاعات میانی و داده‌های مربوط به درخواست کاربر باید در بخش‌های مختلف حافظه مدیریت شوند.

وقتی مدل باید حجم بزرگی از اطلاعات را بررسی کند، ظرفیت حافظه و سرعت انتقال داده اهمیت بیشتری پیدا می‌کند. به همین دلیل، افزایش دوبرابری SRAM و پهنای باند HBM در TPU 8i Max می‌تواند برای بارهای کاری سنگین مفید باشد.

📚 پنجره زمینه بزرگ در TPU 8i Max چه معنایی دارد؟

یکی از مفاهیم مهم در معرفی سیستم جدید گوگل، Massive Context Windows یا پنجره‌های زمینه بسیار بزرگ است.

پنجره زمینه به میزان اطلاعاتی اشاره می‌کند که مدل هوش مصنوعی می‌تواند در یک فرایند مشخص در نظر بگیرد. این اطلاعات ممکن است شامل متن، کد، اسناد، مکالمات قبلی یا محتوای چندرسانه‌ای باشد.

هرچه پنجره زمینه بزرگ‌تر باشد، مدل می‌تواند اطلاعات بیشتری را در یک تعامل بررسی کند. البته افزایش این ظرفیت به‌تنهایی تضمین نمی‌کند که مدل تمام جزئیات را با دقت یکسان درک کند. کیفیت مدل و روش مدیریت اطلاعات نیز اهمیت دارند.

برای مثال، یک دستیار برنامه‌نویسی را تصور کنید که باید ساختار یک پروژه بزرگ را بررسی کند. اگر سیستم بتواند فایل‌های بیشتری را هم‌زمان در اختیار مدل قرار دهد، مدل فرصت بهتری برای درک ارتباط میان بخش‌های مختلف پروژه خواهد داشت.

این قابلیت در تحلیل اسناد حقوقی طولانی، بررسی گزارش‌های مالی، پردازش ویدئو و پژوهش علمی نیز کاربرد دارد.

تراشه هوش مصنوعی گوگل در نسخه TPU 8i Max با افزایش حافظه و پهنای باند، برای مدیریت چنین بارهای کاری آماده‌تر می‌شود.

🤖 کاربرد TPU 8i Max در عامل‌های هوش مصنوعی چیست؟

گوگل در معرفی سیستم‌های جدید خود به مفهوم Agentic AI یا هوش مصنوعی عامل‌محور نیز توجه کرده است.

مدل‌های هوش مصنوعی نسل جدید فقط به پرسش‌های کاربران پاسخ نمی‌دهند. آن‌ها می‌توانند یک درخواست را به چند مرحله تقسیم کنند، ابزارهای مختلف را به کار بگیرند و برای رسیدن به نتیجه نهایی چندین عملیات انجام دهند.

به چنین سامانه‌هایی عامل هوش مصنوعی می‌گویند. این عامل‌ها ممکن است به پایگاه داده، فایل‌های سازمانی، ابزارهای برنامه‌نویسی یا سرویس‌های دیگر دسترسی داشته باشند.

اجرای چند عامل به‌صورت هم‌زمان به حافظه و توان محاسباتی زیادی نیاز دارد. TPU 8i Max با افزایش ظرفیت حافظه و قدرت پردازش می‌تواند زیرساخت مناسبی برای چنین کاربردهایی فراهم کند.

دستیارهای برنامه‌نویسی پیشرفته

دستیارهای برنامه‌نویسی فقط یک قطعه کد را بررسی نمی‌کنند. ابزارهای پیشرفته باید بتوانند ساختار پروژه، وابستگی فایل‌ها، مستندات و خطاهای احتمالی را درک کنند.

اگر چند عامل هوش مصنوعی به‌صورت هم‌زمان روی بخش‌های مختلف یک پروژه کار کنند، سیستم به حافظه و پهنای باند بالایی نیاز خواهد داشت.

TPU 8i Max می‌تواند به اجرای چنین وظایفی کمک کند؛ زیرا ظرفیت بیشتری برای مدیریت اطلاعات در اختیار مدل قرار می‌دهد.

تحلیل ویدئوهای طولانی

پردازش ویدئوهای طولانی یکی دیگر از کاربردهای مدل‌های چندرسانه‌ای است. یک سامانه هوشمند ممکن است بخواهد چند ساعت ویدئو را بررسی کند، رویدادهای مهم را تشخیص دهد یا بخش‌های مرتبط را پیدا کند.

این کار حجم زیادی از اطلاعات تصویری و زمانی را درگیر می‌کند. افزایش ظرفیت حافظه می‌تواند مدیریت چنین وظایفی را آسان‌تر کند.

استدلال ریاضی و تحلیل علمی

مدل‌های هوش مصنوعی در حوزه‌هایی مانند ریاضیات، شبیه‌سازی و پژوهش علمی به محاسبات پیچیده نیاز دارند. بعضی از این وظایف به بررسی مراحل متعدد و نگهداری اطلاعات میانی وابسته‌اند.

زیرساختی با حافظه سریع‌تر و توان محاسباتی بالاتر می‌تواند اجرای این فرایندها را بهبود دهد.

کشف دارو و پژوهش زیستی

پژوهشگران می‌توانند از مدل‌های هوش مصنوعی برای تحلیل داده‌های زیستی، بررسی ساختار مولکول‌ها و شناسایی الگوهای احتمالی استفاده کنند.

این پژوهش‌ها اغلب حجم زیادی از داده را درگیر می‌کنند. سیستم‌هایی مانند TPU 8i Max می‌توانند بخشی از زیرساخت محاسباتی موردنیاز این فعالیت‌ها را تأمین کنند.

البته سخت‌افزار به‌تنهایی نتیجه علمی تولید نمی‌کند. کیفیت داده، الگوریتم، اعتبارسنجی پژوهش و تخصص محققان همچنان نقش اصلی را دارند.

📊 مقایسه تراشه‌های هوش مصنوعی گوگل؛ TPU 8tx در برابر TPU 8i Max

هر دو محصول جدید گوگل در خانواده نسل هشتم TPU قرار می‌گیرند، اما نیازهای متفاوتی را دنبال می‌کنند. TPU 8tx بر امنیت داده‌ها و پردازش محرمانه تمرکز دارد؛ در مقابل، TPU 8i Max توان پردازشی و حافظه را برای اجرای بارهای کاری سنگین افزایش می‌دهد.

این مقایسه نشان می‌دهد که گوگل قصد ندارد یک محصول واحد را برای تمام کاربردهای هوش مصنوعی بهینه کند. این شرکت به‌جای چنین رویکردی، سیستم‌های تخصصی‌تری ارائه می‌دهد تا سازمان‌ها متناسب با نوع فعالیت خود زیرساخت مناسب را انتخاب کنند.

برای نمونه، یک بانک ممکن است امنیت اطلاعات را در اولویت قرار دهد و به TPU 8tx علاقه‌مند باشد. در مقابل، یک شرکت فعال در توسعه دستیارهای برنامه‌نویسی ممکن است ظرفیت حافظه و توان پردازش TPU 8i Max را مهم‌تر بداند.

🧩 جایگاه تراشه هوش مصنوعی گوگل در نسل هشتم TPU

با معرفی دو سیستم جدید، خانواده نسل هشتم TPU چهار عضو اصلی دارد. هرکدام از این محصولات بخشی از چرخه توسعه و اجرای هوش مصنوعی را پوشش می‌دهند.

TPU 8t؛ آموزش مدل‌های بزرگ

این سیستم برای آموزش مدل‌های پایه و پردازش در مقیاس بالا طراحی شده است. آموزش مدل‌های بزرگ به توان محاسباتی گسترده و ارتباط سریع میان شتاب‌دهنده‌ها نیاز دارد.

TPU 8i؛ استدلال و پاسخ‌گویی بلادرنگ

TPU 8i برای اجرای وظایف استدلالی و پردازش‌هایی طراحی شده که به پاسخ سریع نیاز دارند. این سیستم روی کاهش تأخیر در اجرای مدل‌ها تمرکز می‌کند.

TPU 8tx؛ پردازش محرمانه

این نسخه با تمرکز بر امنیت سخت‌افزاری، اجرای مدل‌ها در کنار داده‌های حساس را هدف می‌گیرد. سازمان‌های قانون‌مند و نهادهای دولتی از مخاطبان اصلی آن هستند.

TPU 8i Max؛ حافظه و توان پردازشی بیشتر

این سیستم با ترکیب دو تراشه TPU 8i در یک بسته، ظرفیت پردازشی و حافظه را افزایش می‌دهد. کاربردهای دارای پنجره زمینه بزرگ و بارهای کاری سنگین از اهداف اصلی آن هستند.

گوگل می‌گوید TPU 8t و TPU 8i در مقایسه با نسل قبلی خود به‌ترتیب تا ۲.۷ برابر عملکرد بهتر در آموزش و ۸۰ درصد عملکرد قیمتی بهتر در استنتاج ارائه می‌دهند. این اعداد به ادعاهای رسمی گوگل مربوط‌اند و باید آن‌ها را در همین چارچوب بررسی کرد.

🏢 چرا گوگل سیستم‌های TPU را توسعه می‌دهد و نه فقط تراشه‌های جدید؟

یکی از نکات قابل‌توجه در معرفی TPU 8tx و TPU 8i Max، تفاوت میان طراحی تراشه و طراحی سیستم است.

طراحی یک تراشه جدید به فرایندی پیچیده و زمان‌بر نیاز دارد. مهندسان باید میلیاردها ترانزیستور را روی یک قطعه سیلیکونی طراحی کنند و مراحل تولید و آزمایش را پشت سر بگذارند.

اما توسعه یک سیستم پردازشی فقط به تغییر خود تراشه محدود نمی‌شود. مهندسان می‌توانند با تغییر نحوه اتصال پردازنده‌ها، نوع حافظه، شبکه ارتباطی، بسته‌بندی و لایه امنیتی، یک سیستم را برای نیاز تازه‌ای آماده کنند.

گوگل از این رویکرد استفاده می‌کند. این شرکت می‌تواند سیلیکون پایه را حفظ کند و در عین حال پیکربندی‌های تازه‌ای برای کاربردهای متفاوت بسازد.

برای مثال، TPU 8tx از همان سیلیکون TPU 8t بهره می‌برد، اما پردازنده میزبان، شبکه و قابلیت‌های امنیتی آن با هدف پردازش محرمانه تنظیم شده‌اند.

در طرف دیگر، TPU 8i Max دو تراشه TPU 8i را در یک بسته قرار می‌دهد تا توان پردازشی و ظرفیت حافظه را افزایش دهد.

این رویکرد به گوگل کمک می‌کند سریع‌تر به نیازهای متغیر بازار پاسخ دهد. البته طراحی سیستم جدید همچنان به مهندسی پیچیده، آزمایش و هماهنگی میان بخش‌های مختلف سخت‌افزار و نرم‌افزار نیاز دارد.

🥊 رقابت گوگل و انویدیا در بازار تراشه‌های هوش مصنوعی

بازار سخت‌افزار هوش مصنوعی در سال‌های اخیر به یکی از مهم‌ترین میدان‌های رقابت شرکت‌های فناوری تبدیل شده است. انویدیا با پردازنده‌های گرافیکی و اکوسیستم نرم‌افزاری خود جایگاه قدرتمندی در این بازار دارد.

گوگل نیز با توسعه تراشه‌های اختصاصی TPU تلاش می‌کند وابستگی خود به شتاب‌دهنده‌های عمومی را کاهش دهد و زیرساخت پردازشی مستقلی برای محصولات هوش مصنوعی خود بسازد.

این شرکت سال‌ها از TPU در سرویس‌های داخلی مانند جست‌وجو، یوتیوب و مدل‌های Gemini استفاده کرده است. اکنون گوگل می‌خواهد دسترسی مشتریان سازمانی به این سخت‌افزارها را نیز گسترش دهد.

خبرگزاری رویترز گزارش داده است که معرفی TPU 8tx و TPU 8i Max رقابت گوگل با انویدیا را در بازار شتاب‌دهنده‌های هوش مصنوعی تشدید می‌کند.

این رقابت فقط به قدرت پردازشی مربوط نیست. قیمت، دسترسی، مصرف انرژی، نرم‌افزار و سهولت استفاده نیز نقش مهمی دارند.

گوگل اعلام کرده است که نزدیک به ۱۰۰ مشتری از زیرساخت TPU استفاده می‌کنند. این مشتریان در حوزه‌هایی مانند پژوهش هوش مصنوعی، خدمات مالی، خرده‌فروشی و دانشگاه‌ها فعالیت دارند.

آیا تراشه‌های TPU گوگل می‌توانند جایگزین GPUهای انویدیا شوند؟

پاسخ این پرسش به نوع کاربرد بستگی دارد. TPUهای گوگل برای بارهای کاری هوش مصنوعی طراحی شده‌اند و می‌توانند در برخی سناریوها گزینه مناسبی برای سازمان‌ها باشند.

بااین‌حال، بازار GPU فقط به سخت‌افزار محدود نمی‌شود. ابزارهای توسعه، کتابخانه‌ها، پشتیبانی نرم‌افزاری و تجربه برنامه‌نویسان نیز در انتخاب زیرساخت نقش دارند.

انویدیا اکوسیستم گسترده‌ای از ابزارها و نرم‌افزارها دارد. گوگل برای رقابت مؤثرتر باید استفاده از TPU را برای توسعه‌دهندگان ساده‌تر کند و سازگاری آن را با چارچوب‌های رایج افزایش دهد.

این شرکت در همین مسیر روی پشتیبانی از PyTorch، ابزارهای متن‌باز و زیرساخت اجرای مدل‌ها سرمایه‌گذاری کرده است.

بنابراین، رقابت آینده فقط میان دو نوع تراشه نخواهد بود؛ بلکه دو اکوسیستم سخت‌افزاری و نرم‌افزاری نیز با یکدیگر رقابت می‌کنند.

🛠️ نرم‌افزار چگونه عملکرد تراشه هوش مصنوعی گوگل را تکمیل می‌کند؟

قدرت سخت‌افزاری بدون نرم‌افزار مناسب نمی‌تواند تمام ظرفیت خود را نشان دهد. توسعه‌دهندگان باید بتوانند مدل‌ها و برنامه‌های خود را با کمترین تغییر روی زیرساخت جدید اجرا کنند.

گوگل برای کاهش این مانع، مجموعه‌ای از ابزارهای نرم‌افزاری را توسعه داده است. یکی از این اقدامات، متن‌باز کردن TorchTPU است که امکان اجرای کدهای PyTorch روی TPU را ساده‌تر می‌کند.

این موضوع اهمیت زیادی دارد؛ زیرا PyTorch یکی از چارچوب‌های پرکاربرد در توسعه مدل‌های یادگیری ماشین است. هرچه انتقال پروژه‌ها به TPU ساده‌تر باشد، احتمال استفاده شرکت‌ها و توسعه‌دهندگان از این سخت‌افزار افزایش پیدا می‌کند.

گوگل همچنین به پشتیبانی از ابزارهای اجرای مدل مانند vLLM و SGLang اشاره کرده است. این ابزارها به توسعه‌دهندگان کمک می‌کنند مدل‌های هوش مصنوعی را در محیط‌های عملیاتی اجرا و مدیریت کنند.

در کنار این موارد، گوگل ابزارهایی برای بهینه‌سازی عملکرد، مدیریت خوشه‌های TPU و کاهش اتلاف منابع پردازشی معرفی کرده است.

این اقدامات نشان می‌دهند که تراشه هوش مصنوعی گوگل فقط یک محصول سخت‌افزاری نیست. این شرکت می‌خواهد مجموعه‌ای از سخت‌افزار، نرم‌افزار و خدمات ابری را در اختیار مشتریان قرار دهد.

☁️ دسترسی کسب‌وکارها به تراشه هوش مصنوعی گوگل چگونه خواهد بود؟

گوگل در سال‌های گذشته بیشتر از TPU برای پردازش‌های داخلی خود استفاده می‌کرد. اما اکنون این شرکت به دنبال گسترش دسترسی مشتریان سازمانی به این زیرساخت است.

Google Cloud یکی از مسیرهای اصلی ارائه خدمات مبتنی بر TPU محسوب می‌شود. کسب‌وکارها می‌توانند برای اجرای مدل‌های هوش مصنوعی از منابع پردازشی ابری استفاده کنند و بدون خرید مستقیم تجهیزات، بخشی از توان سخت‌افزاری گوگل را در اختیار بگیرند.

گوگل همچنین به امکان استفاده مستقیم از TPU در مراکز داده مشتریان اشاره کرده است. این رویکرد برای سازمان‌هایی اهمیت دارد که می‌خواهند کنترل بیشتری بر زیرساخت فیزیکی و محل نگهداری اطلاعات داشته باشند.

بااین‌حال، جزئیات کامل قیمت‌گذاری و زمان دسترسی عمومی به دو سیستم TPU 8tx و TPU 8i Max در اطلاعیه معرفی مشخص نشده است. بنابراین، نمی‌توان درباره هزینه نهایی یا زمان عرضه گسترده آن‌ها عدد دقیقی اعلام کرد.

سازمان‌های علاقه‌مند باید اطلاعیه‌های رسمی Google Cloud را برای جزئیات دسترسی، شرایط استفاده و مشخصات تجاری دنبال کنند.

🔭 آینده تراشه‌های هوش مصنوعی؛ حرکت از پردازش ساده به عصر عامل‌ها

معرفی TPU 8tx و TPU 8i Max بخشی از تغییر بزرگ‌تری در صنعت هوش مصنوعی است. مدل‌های جدید دیگر فقط به پرسش‌های کاربران پاسخ نمی‌دهند؛ آن‌ها می‌توانند وظایف چندمرحله‌ای انجام دهند، ابزارهای مختلف را به کار بگیرند و با عامل‌های دیگر همکاری کنند.

این تغییر، نیازهای سخت‌افزاری را نیز دگرگون می‌کند. سیستم‌های آینده باید علاوه بر توان محاسباتی بالا، حافظه کافی، ارتباط سریع، امنیت و مدیریت هوشمند منابع را فراهم کنند.

برای مثال، یک عامل سازمانی ممکن است به‌صورت هم‌زمان به پایگاه داده، اسناد داخلی، ابزارهای برنامه‌نویسی و سرویس‌های خارجی متصل شود. چنین فرایندی به زیرساختی نیاز دارد که بتواند حجم زیادی از اطلاعات را با تأخیر کم پردازش کند.

در همین حال، شرکت‌ها نمی‌خواهند اطلاعات محرمانه خود را بدون کنترل در اختیار مدل‌های عمومی قرار دهند. بنابراین، امنیت داده هنگام پردازش به یکی از نیازهای مهم بازار تبدیل می‌شود.

گوگل با ارائه دو سیستم متفاوت تلاش می‌کند به هر دو نیاز پاسخ دهد: TPU 8tx برای پردازش محرمانه و TPU 8i Max برای بارهای کاری سنگین و دارای زمینه گسترده.

این مسیر نشان می‌دهد که آینده رقابت در بازار هوش مصنوعی فقط به ساخت تراشه‌های سریع‌تر وابسته نیست. شرکت‌ها باید کل زیرساخت اجرای مدل‌ها را بهینه کنند؛ از حافظه و شبکه گرفته تا امنیت و ابزارهای توسعه.

❓ پرسش‌های متداول درباره تراشه هوش مصنوعی گوگل

۱. گوگل چه سیستم‌های پردازشی جدیدی معرفی کرده است؟

گوگل در ۹ نوامبر ۲۰۲۶ دو سیستم TPU 8tx و TPU 8i Max را معرفی کرد. اولی بر پردازش محرمانه و حفاظت از داده‌های حساس تمرکز دارد و دومی برای افزایش توان محاسباتی و مدیریت پنجره‌های زمینه بزرگ طراحی شده است.

۲. آیا TPU 8tx یک تراشه کاملاً جدید است؟

خیر. گوگل توضیح داده است که TPU 8tx از همان سیلیکون TPU 8t استفاده می‌کند. این شرکت با تغییر پیکربندی سیستم، پردازنده میزبان، شبکه و قابلیت‌های امنیتی، آن را برای پردازش محرمانه بهینه کرده است.

۳. تفاوت TPU 8tx و TPU 8i Max چیست؟

TPU 8tx امنیت داده‌ها هنگام پردازش را هدف می‌گیرد و برای سازمان‌های دارای اطلاعات حساس مناسب است. TPU 8i Max دو تراشه TPU 8i را در یک بسته ترکیب می‌کند و توان محاسباتی، حافظه SRAM و پهنای باند HBM را دو برابر افزایش می‌دهد.

۴. فناوری Confidential Computing چه کاربردی دارد؟

این فناوری از اطلاعات در زمان پردازش محافظت می‌کند. رمزنگاری معمولی بیشتر روی داده‌های ذخیره‌شده و اطلاعات در حال انتقال تمرکز دارد؛ اما Confidential Computing با استفاده از قابلیت‌های سخت‌افزاری و محیط‌های اجرای امن، دسترسی غیرمجاز به داده‌ها را هنگام استفاده محدود می‌کند.

۵. آیا TPU 8i Max برای اجرای مدل‌های زبانی بزرگ مناسب است؟

گوگل این سیستم را برای بارهای کاری دارای پنجره زمینه بسیار بزرگ طراحی کرده است. افزایش توان محاسباتی و حافظه می‌تواند به اجرای مدل‌هایی کمک کند که باید حجم زیادی از متن، کد یا اطلاعات چندرسانه‌ای را تحلیل کنند.

۶. نقش AMD در سیستم TPU 8tx چیست؟

گوگل در معماری TPU 8tx از پردازنده‌های میزبان نسل پنجم AMD EPYC استفاده می‌کند. این پردازنده‌ها در کنار شتاب‌دهنده TPU و قابلیت‌های امنیتی سخت‌افزاری AMD، بخشی از زیرساخت سیستم را تشکیل می‌دهند.

۷. آیا گوگل قیمت TPU 8tx و TPU 8i Max را اعلام کرده است؟

در اطلاعیه معرفی این دو سیستم، قیمت نهایی و جزئیات کامل عرضه عمومی مشخص نشده است. برای دریافت اطلاعات تجاری باید اطلاعیه‌های بعدی Google Cloud را دنبال کرد.

۸. آیا تراشه‌های TPU گوگل رقیب محصولات انویدیا هستند؟

بله. گوگل با توسعه TPU و گسترش دسترسی مشتریان به آن‌ها از طریق Google Cloud، در بازار شتاب‌دهنده‌های هوش مصنوعی با شرکت‌هایی مانند انویدیا رقابت می‌کند. بااین‌حال، انتخاب میان این زیرساخت‌ها به نوع مدل، نرم‌افزار، هزینه و نیازهای هر سازمان بستگی دارد.

جمع‌بندی؛ گوگل به‌دنبال زیرساختی امن‌تر و قدرتمندتر برای هوش مصنوعی است

معرفی TPU 8tx و TPU 8i Max نشان می‌دهد گوگل برای نسل جدید هوش مصنوعی دو نیاز مهم را در اولویت قرار داده است: امنیت اطلاعات و مدیریت حجم عظیم داده‌ها.

TPU 8tx با تمرکز بر پردازش محرمانه، سازمان‌های دولتی و کسب‌وکارهای قانون‌مند را هدف می‌گیرد. در مقابل، TPU 8i Max با دو برابر کردن توان محاسباتی و ظرفیت حافظه نسبت به TPU 8i، اجرای مدل‌های دارای پنجره زمینه بزرگ و عامل‌های هوشمند را تسهیل می‌کند.

اهمیت این خبر فقط به مشخصات فنی دو محصول محدود نمی‌شود. گوگل با توسعه معماری ماژولار TPU نشان می‌دهد که برای پاسخ به نیازهای تازه بازار، لزوماً به طراحی یک تراشه کاملاً جدید نیاز ندارد. این شرکت می‌تواند با ترکیب متفاوت پردازنده، حافظه، شبکه و قابلیت‌های امنیتی، سیستم‌های تخصصی‌تری بسازد.

با گسترش عامل‌های هوشمند و افزایش استفاده سازمان‌ها از مدل‌های اختصاصی، رقابت شرکت‌های فناوری بر سر زیرساخت پردازش هوش مصنوعی جدی‌تر خواهد شد. باید دید گوگل در ادامه چگونه دسترسی به این سیستم‌ها را گسترش می‌دهد و عملکرد آن‌ها در کاربردهای واقعی چه نتایجی به همراه خواهد داشت.

برای مطالعه مطالب بیشتر درباره هوش مصنوعی، به صفحه هوش مصنوعی مراجعه کنید.

جدیدترین اخبار فناوری را دنبال کنید.

برای مشاهده مطالب بیشتر کلیک کنید…