اینتل و ای‌ام‌دی برای تسهیل توسعه هوش مصنوعی روی تراشه‌های x86 وارد همکاری شدند

اینتل و AMD برای ساده‌ترکردن توسعه‌ی هوش مصنوعی روی پردازنده‌های x86همکاری می‌کنند. این دو شرکت قصد دارند با یکپارچه‌سازی ابزارهای نرم‌افزاری خود و توسعه‌ی قابلیت‌های پردازش ماتریسی، اجرای مدل‌های هوش مصنوعی روی پردازنده‌های هر دو شرکت را برای توسعه‌دهندگان آسان‌تر کنند.

اینتل تأیید کرده است که ابزار oneDNN خود را با ZenDNN متعلق به AMD در قالب یک رابط برنامه‌نویسی یکپارچه‌تر هماهنگ می‌کند. هدف این اقدام، ساده‌کردن مسیر پشتیبانی از پردازنده‌های دو شرکت در فریم‌ورک یادگیری ماشین پای‌تورچ (PyTorch) است؛ به‌طوری‌که توسعه‌دهندگان برای پشتیبانی از سخت‌افزارهای مختلف، کمتر به مسیرهای نرم‌افزاری جداگانه نیاز داشته باشند.

oneDNN مجموعه‌ای از کتابخانه‌های بهینه‌سازی‌شده برای اجرای عملیات یادگیری عمیق هوش مصنوعی روی پردازنده‌ها و دیگر سخت‌افزارها است. در مقابل، ZenDNN ابزارهای نرم‌افزاری AMD برای بهینه‌سازی یادگیری عمیق رویپردازنده AMDرا فراهم می‌کند. هماهنگ‌سازی این ابزارها می‌تواند از پراکندگی نرم‌افزارها بکاهد و نگهداری و توسعه‌ی برنامه‌های هوش مصنوعی را آسان‌تر کند.

همکاری دو شرکت به نرم‌افزار محدود نمی‌شود. اینتل و AMD همچنین روی توسعه‌ی ACE یا افزونه‌های ماتریسی پیشرفته کار می‌کنند؛ قابلیتی که هدف آن بهبود اجرای محاسبات ماتریسی موردنیاز هوش مصنوعی روی پردازنده‌های x86 است. چنین محاسباتی در بخش‌هایی مانند اجرای مدل‌های زبانی و شبکه‌های عصبی کاربرد دارد.

بااین‌حال، پشتیبانی سخت‌افزاری از ACE هنوز آماده نیست و طبق اطلاعات منتشرشده، انتظار می‌رود در ادامه‌ی این دهه به سخت‌افزارها راه پیدا کند. بنابراین، مزایای عملی آن به زمان عرضه‌ی پردازنده‌های سازگار و پشتیبانی نرم‌افزاری وابسته خواهد بود.

این همکاری می‌تواند برای اجرای مدل‌های هوش مصنوعی روی کامپیوترهای سازمانی و سامانه‌هایی که به پاسخ‌گویی سریع نیاز دارند، اهمیت داشته باشد. در چنین کاربردهایی، استفاده از پردازنده‌ی مرکزی به‌جای اتکا به شتاب‌دهنده‌های گران‌قیمت می‌تواند گزینه‌ی مناسبی باشد؛ به‌ویژه زمانی که تأخیر کم، مصرف منابع و هزینه‌ی سخت‌افزار اهمیت زیادی دارند.

با وجود رقابت دیرینه‌ی اینتل و AMD در بازار پردازنده‌ها، همکاری در زمینه‌ی استانداردها و ابزارهای نرم‌افزاری می‌تواند به نفع توسعه‌دهندگان تمام شود. البته میزان تأثیر این اقدام بر عملکرد واقعی مدل‌های هوش مصنوعی، به پیاده‌سازی نهایی و نتایج آزمون‌های مستقل بستگی خواهد داشت.