گوگل دو تراشه جدید TPU برای پردازش امن هوش مصنوعی معرفی کرد

گوگل دو سیستم پردازشی جدیدTPU 8txوTPU 8i Maxرا با تمرکز بر امنیت داده‌های حساس و افزایش توان پردازش مدل‌های بزرگ هوش مصنوعی معرفی کرد.

تک‌ناکگوگل در ماه آوریل خانواده هشتم پردازنده‌های TPU را با دو مدل TPU 8t و TPU 8i معرفی کرده بود. این دو محصول به‌ترتیب برای آموزش مدل‌های بزرگ هوش مصنوعی در مقیاس گسترده و اجرای استنتاج با تأخیر کم طراحی شده بودند.

گوگل در آن زمان ادعا کرد نسل جدید در مقایسه با نسل قبلی، عملکرد بهتری در برابر هزینه پرداختی ارائه می‌دهد. به گفته این شرکت، نسبت عملکرد به هزینه در فرایند آموزش مدل‌ها تا ۲٫۷ برابر و در فرایند استنتاج تا ۸۰ درصد بهبود یافته بود.

گوگل اکنون دو سیستم جدید TPU 8tx و TPU 8i Max را به این خانواده اضافه کرده است. این محصولات معماری کاملاً جدیدی ندارند و در واقع از سیلیکون پردازشی موجود در نسل هشتم TPU استفاده می‌کنند. تفاوت اصلی آن‌ها در پیکربندی سخت‌افزاری و بهینه‌سازی برای کاربردهای مشخص است. با معرفی این دو محصول، خانواده نسل هشتم TPU اکنون چهار سیستم مختلف دارد.

TPU 8tx؛ پردازش امن داده‌های حساس

سیستم TPU 8tx برای سازمان‌هایی طراحی شده است که به اجرای مدل‌های هوش مصنوعی روی داده‌های حساس نیاز دارند. این محصول از همان سیلیکون TPU 8t استفاده می‌کند و در کنار پردازنده‌های نسل پنجم AMD EPYC قرار می‌گیرد.

این سیستم از قابلیت‌های امنیتی در سطح سخت‌افزار بهره می‌برد تا از داده‌ها و وزن‌های مدل هوش مصنوعی حتی هنگام پردازش محافظت کند. چنین قابلیتی می‌تواند برای سازمان‌های دولتی، مؤسسات مالی و شرکت‌هایی که تحت مقررات سخت‌گیرانه فعالیت می‌کنند، کاربرد داشته باشد. این سازمان‌ها می‌توانند عامل‌های هوش مصنوعی را بدون افشای اطلاعات محرمانه خود اجرا کنند.

گوگل همچنین شبکه Boardfly با تأخیر کم را در TPU 8tx به کار گرفته است. به گفته شرکت، این شبکه می‌تواند تأخیر را در مقایسه با TPU 8t تا دو برابر کاهش دهد، بدون آنکه افت عملکرد قابل‌توجهی ایجاد کند.

TPU 8tx از استنتاج، تنظیم دقیق مدل، تقطیر مدل و یادگیری تقویتی پشتیبانی می‌کند. این قابلیت‌ها به شرکت‌ها اجازه می‌دهند مدل‌های خود را شخصی‌سازی و اجرا کنند، بدون اینکه برای انجام این فرایندها مجبور باشند داده‌های خصوصی را میان خوشه‌های پردازشی جداگانه جابه‌جا کنند.

بیشتر بخوانیدنقشه راه تراشه‌های هوش مصنوعی تسلا معرفی شد

TPU 8i Max؛ حافظه بیشتر برای پردازش‌های سنگین هوش مصنوعی

گوگل مدل TPU 8i Max را برای بارهای کاری هوش مصنوعی با پنجره‌های متنی بسیار بزرگ طراحی کرده است. این شرکت دو تراشه TPU 8i را در یک بسته سخت‌افزاری ترکیب کرده و به این ترتیب، توان پردازشی، حافظه SRAM داخلی تراشه و پهنای باند حافظه با سرعت بالا را در مقایسه با یک TPU 8i استاندارد دو برابر کرده است.

این طراحی امکان استفاده از دو برابر سیلیکون را در همان فضای رک فراهم می‌کند و تراکم پردازشی مراکز داده را افزایش می‌دهد. پهنای باند بیشتر حافظه نیز می‌تواند به عامل‌های هوش مصنوعی کمک کند تا با پایگاه‌های کد بزرگ و وظایفی که به حافظه زیادی نیاز دارند، سریع‌تر کار کنند. در چنین شرایطی، سیستم زمان کمتری را برای انتقال داده‌ها منتظر می‌ماند.

بیشتر بخوانیدخالق ChatGPT به دنبال خرید تراشه‌های هوش مصنوعی گوگل

گوگل هم‌زمان با معرفی این دو سیستم، از گسترش اکوسیستم نرم‌افزاری TPU نیز خبر داده است. یکی از تازه‌ترین اقدامات این شرکت، معرفی TorchTPU به‌صورت متن‌باز است. این ابزار به برنامه‌های مبتنی‌بر PyTorch و مدل‌های Hugging Face اجازه می‌دهد بدون نیاز به بازنویسی کد، به‌صورت بومی روی پردازنده‌های TPU اجرا شوند.

گوگل همچنین مجموعه ابزارهای TPU Agent را معرفی کرده که درحال‌حاضر در مرحله پیش‌نمایش قرار دارد. این مجموعه با ابزارهای برنامه‌نویسی مانند Claude Code، Cursor و Google Antigravity یکپارچه می‌شود تا فرایند بهینه‌سازی سخت‌افزار را خودکار کند.

از دیگر به‌روزرسانی‌های این اکوسیستم می‌توان به سیستم مدیریت حافظه متن‌باز TPU Sync و عرضه عمومی Cloud Pathways و قابلیت Dynamic Slicing در پلتفرم Google Kubernetes Engine اشاره کرد.

با وجود این پیشرفت‌ها، گوگل هنوز اطلاعات کافی درباره معیارهای عملکرد اختصاصی TPU 8i Max، میزان مصرف انرژی و قیمت آن منتشر نکرده است. به همین دلیل، در حال حاضر مقایسه مستقیم این محصول با سیستم‌های Rubin انویدیا از نظر بهره‌وری و هزینه امکان‌پذیر نیست.

بیشتر بخوانیداین تراشه انعطاف‌پذیر در ۶ دقیقه تجزیه می شود

نوشتهگوگل دو تراشه جدید TPU برای پردازش امن هوش مصنوعی معرفی کرداولین بار درTechnoc. پدیدار شد.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.