شرکت آمریکایی تولیدکننده تراشه، تعداد زیادی از مشتریان آسیایی را از فهرست خریداران حذف کرد

شهرآرانیوز؛ گوگل در توافقی تازه با شرکت ماروِل، امکان خرید حدود ۱۲.۲ میلیارد دلار از سهام این شرکت را به دست آورده است؛ قراردادی که توسعه نسل جدید تراشه‌های اختصاصی هوش مصنوعی گوگل را تقویت می‌کند و می‌تواند رقابت در بازار تراشه‌های AI را وارد مرحله تازه‌ای کند.

شرکت Marvell Technology اعلام کرده است با گوگل وارد یک همکاری تجاری برای توسعه مجموعه‌ای از تراشه‌های نیمه‌رسانای اختصاصی شده است. در چارچوب این توافق، Marvell به شرکت مادر گوگل، یعنی Alphabet، یک حق خرید (Warrant) برای خرید حداکثر حدود ۵۸.۹۷ میلیون سهم ماروِل به قیمت ۲۰۶.۵۸ دلار برای هر سهم داده است. ارزش بالقوه این سهام حدود ۱۲.۱۸ میلیارد دلار است.

نکته مهم این است که گوگل فعلاً ۱۲.۲ میلیارد دلار به ماروِل پرداخت نکرده است؛ بلکه این رقم ارزش بالقوه سهامی است که گوگل براساس شرایط توافق می‌تواند در آینده خریداری کند. گوگل به دنبال ساخت تراشه‌های اختصاصی‌تر برای هوش مصنوعی است

محور اصلی همکاری جدید، توسعه تراشه‌های سفارشی برای زیرساخت هوش مصنوعی گوگل است. ماروِل اعلام کرده است که در این پروژه روی مجموعه‌ای از فناوری‌ها از جمله شتاب‌دهنده‌های استنتاج هوش مصنوعی، کنترلر‌های ذخیره‌سازی، کنترلر‌های شبکه، کنترلر‌های رابط حافظه و فناوری‌های محاسبات نزدیک به حافظه کار خواهد کرد.

این تراشه‌ها قرار است با اکوسیستم Tensor Processing Unit یا TPU گوگل سازگار باشند؛ پردازنده‌های اختصاصی که گوگل سال‌هاست برای آموزش و اجرای مدل‌های هوش مصنوعی خود توسعه می‌دهد.

در ادامه حتما بخوانید انویدیا برای دیتاسنتر عظیم OpenAI در اوهایو تا ۱۰۵ میلیارد دلار ضمانت می‌کند چرا گوگل به تراشه‌های اختصاصی نیاز دارد؟

یکی از بزرگ‌ترین چالش‌های شرکت‌های فناوری در عصر هوش مصنوعی، تأمین توان محاسباتی کافی برای آموزش و اجرای مدل‌های بزرگ است.

پردازنده‌های گرافیکی انویدیا همچنان بخش مهمی از این بازار را در اختیار دارند، اما شرکت‌هایی مانند گوگل، آمازون و متا در سال‌های اخیر تلاش کرده‌اند بخشی از نیاز خود را با تراشه‌های اختصاصی یا ASIC تأمین کنند.

تراشه اختصاصی می‌تواند برای یک نوع کار مشخص بهینه شود و در برخی کاربردها، مصرف انرژی و هزینه عملیاتی پایین‌تری نسبت به استفاده از پردازنده‌های عمومی داشته باشد.

به همین دلیل، گوگل قصد دارد علاوه بر توسعه TPU‌های خود، زنجیره‌ای از تراشه‌ها و اجزای اختصاصی پیرامون این پردازنده‌ها ایجاد کند. ماروِل می‌تواند به یکی از شرکای مهم گوگل در حوزه AI تبدیل شود

این قرارداد برای ماروِل نیز اهمیت زیادی دارد. سهام این شرکت پس از انتشار خبر در معاملات پیش از بازگشایی بازار آمریکا بیش از ۱۱ درصد افزایش یافت. در مقابل، سهام Broadcom، یکی دیگر از شرکای مهم گوگل در زمینه تراشه‌های اختصاصی، با کاهش مواجه شد.

ماروِل در سال‌های اخیر تلاش کرده است جایگاه خود را در بازار تراشه‌های سفارشی برای دیتاسنتر‌های هوش مصنوعی تقویت کند.

ورود جدی‌تر این شرکت به زیرساخت TPU‌های گوگل می‌تواند درآمد بلندمدتی برای Marvell ایجاد کند و هم‌زمان وابستگی گوگل به یک تأمین‌کننده واحد را کاهش دهد. رقابت با انویدیا وارد مرحله جدیدی می‌شود

توافق گوگل و ماروِل را باید بخشی از روند بزرگ‌تری در صنعت تراشه دانست. انویدیا همچنان یکی از قدرتمندترین بازیگران بازار پردازنده‌های هوش مصنوعی است، اما شرکت‌های بزرگ فناوری نمی‌خواهند تمام زیرساخت AI خود را به یک تأمین‌کننده وابسته کنند.

گوگل از مدت‌ها قبل با توسعه TPU تلاش کرده است بخشی از این نیاز را در داخل اکوسیستم خود تأمین کند. همکاری با Marvell نیز می‌تواند این استراتژی را تقویت کند.

از سوی دیگر، افزایش استفاده از تراشه‌های اختصاصی به معنای ایجاد بازار بزرگی برای شرکت‌هایی است که توانایی طراحی و تولید ASIC‌های سفارشی و اجزای مرتبط با آنها را دارند.

به گزارش گروه دانشگاه خبرگزاری دانشجو؛ از ستاد ویژه توسعه فناوری نانو، پژوهشگران آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده آمریکا (Argonne National Laboratory) با توسعه یک ابزار جدید مبتنی بر یادگیری ماشین، گام مهمی در جهت تغییر شیوه انجام آزمایش‌های مواد در مقیاس نانومتری برداشته‌اند.

این ابزار که «دونات» (DONUT) نام دارد، می‌تواند داده‌های پیچیده حاصل از آزمایش‌های پراش پرتو ایکس را تقریباً در لحظه تحلیل کند؛ قابلیتی که به دانشمندان اجازه می‌دهد به‌جای هفته‌ها یا ماه‌ها انتظار برای دریافت نتایج، در همان زمان انجام آزمایش درباره ادامه مسیر پژوهش تصمیم بگیرند.

این فناوری در منبع فوتونی پیشرفته (Advanced Photon Source) یا APS، یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا، توسعه و آزمایش شده است. «دونات» با ارائه نتایج در زمان واقعی، نه‌تنها سرعت پژوهش‌های علمی را افزایش می‌دهد، بلکه امکان اصلاح و تنظیم آزمایش‌ها در حین اجرا را نیز فراهم می‌کند.

به این ترتیب، پژوهشگر می‌تواند متوجه شود آزمایش به نتیجه مطلوب نزدیک شده یا نیاز دارد مسیر دیگری را دنبال کند؛ اتفاقی که در روش‌های سنتی معمولاً پس از پایان آزمایش و طی فرایند طولانی تحلیل داده مشخص می‌شود.

نام DONUT مخفف عبارت «Diffraction with Optics for Nanobeam by Unsupervised Training» است و به یک شبکه عصبی آگاه از فیزیک اشاره دارد. ویژگی مهم این سامانه آن است که صرفاً بر اساس الگو‌های آماری داده‌ها آموزش نمی‌بیند، بلکه قوانین فیزیکی حاکم بر برهم‌کنش پرتو‌های ایکس متمرکز با مواد را نیز در فرایند تحلیل در نظر می‌گیرد.

این فناوری با استفاده از داده‌های خط پرتو «نانومسبار پرتو ایکس سخت» (Hard X-ray Nanoprobe) که به‌صورت مشترک در اختیار منبع فوتونی پیشرفته و مرکز مواد نانومقیاس (Center for Nanoscale Materials) قرار دارد، توسعه یافته است. مرکز مواد نانومقیاس نیز یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا در آزمایشگاه ملی آرگون است.

«دونات» برای تفسیر سریع تصاویر پیچیده‌ای طراحی شده است که در روش «میکروسکوپی نانودیفراکشن پرتو ایکس پیمایشی» (Scanning X-ray Nanodiffraction Microscopy یا SXDM) تولید می‌شوند. این روش با استفاده از یک پرتو بسیار متمرکز پرتو ایکس، سطح نمونه را پیمایش می‌کند و اطلاعات ارزشمندی درباره ساختار بلوری مواد در اختیار پژوهشگران قرار می‌دهد.

چنین اطلاعاتی برای درک رفتار موادی که در فناوری‌هایی مانند باتری‌ها، کاتالیست‌ها، تجهیزات الکترونیکی پیشرفته و ادوات مغناطیسی مورد استفاده قرار می‌گیرند، اهمیت زیادی دارد.

با وجود قدرت بالای SXDM، داده‌های تولیدشده در این روش بسیار پیچیده‌اند و چندین لایه و بُعد اطلاعاتی را در خود جای می‌دهند. همین مسئله تحلیل و تفسیر آنها را به کاری زمان‌بر و دشوار تبدیل کرده است.

تا پیش از این، پژوهشگران در بسیاری از موارد مجبور بودند الگو‌های پراش پرتو ایکس اندازه‌گیری‌شده را به‌صورت دستی با الگو‌های شبیه‌سازی‌شده مقایسه کنند تا بتوانند ساختار و ویژگی‌های ماده را تشخیص دهند. این فرایند علاوه بر زمان‌بر بودن، احتمال بروز خطای انسانی را نیز افزایش می‌داد.

«دونات» با ترکیب هوش مصنوعی و یک مدل فیزیکی داخلی، رویکرد متفاوتی را ارائه می‌کند. این سامانه می‌تواند مستقیماً از داده‌های تجربی جمع‌آوری‌شده یاد بگیرد و برای آموزش به مجموعه‌داده‌هایی نیاز نداشته باشد که از پیش توسط متخصصان برچسب‌گذاری شده‌اند. در روش‌های متداول، متخصص باید هر الگوی پرتو ایکس را با پاسخ درست تطبیق دهد یا داده‌های مناسب را با شبیه‌سازی تولید کند تا الگوریتم بتواند از آنها بیاموزد. حذف یا کاهش این مرحله، مزیت مهمی برای پژوهشگرانی محسوب می‌شود که در تأسیسات تحقیقاتی پرتراکم مانند APS فعالیت می‌کنند.

آیلین لو، دانشمند محاسباتی دستیار در آزمایشگاه آرگون و دانشگاه کرنل، درباره این فناوری می‌گوید «دونات» به دانشمندان اجازه می‌دهد هم‌زمان با پیشرفت آزمایش، آنچه را درون ماده اتفاق می‌افتد مشاهده کنند. به گفته او، در گذشته ممکن بود پژوهشگر هفته‌ها منتظر بماند تا مشخص شود آزمایش موفق بوده است یا خیر، اما اکنون می‌توان پاسخ را تقریباً در همان لحظه دریافت کرد. نتیجه چنین تغییری، آزمایش‌های پربازده‌تر و فرصت‌های بیشتر برای کشف پدیده‌های جدید خواهد بود.

متئو چروکارا، دانشمند محاسباتی و سرپرست گروه در آزمایشگاه آرگون نیز بر انعطاف‌پذیری این سامانه تأکید کرده است. به گفته او، پژوهشگران می‌توانند «دونات» را با داده‌هایی که در ابتدای آزمایش جمع‌آوری می‌کنند آموزش دهند و حتی در طول آزمایش مشخص کنند که سامانه باید چه کمیتی را پیش‌بینی کند. به بیان ساده‌تر، هوش مصنوعی می‌تواند خود را با پرسش علمی جدیدی که پژوهشگر در جریان آزمایش مطرح می‌کند، تطبیق دهد.

سرعت و دقت «دونات» همچنین زمینه را برای شکل‌گیری نسل جدیدی از آزمایش‌های موسوم به «پژوهش خودران» یا «آزمایش‌های خودران» فراهم می‌کند. در چنین رویکردی، هوش مصنوعی می‌تواند بر اساس نتایج تازه به‌دست‌آمده، مرحله بعدی آزمایش را پیشنهاد یا حتی به‌صورت خودکار انتخاب کند.

این قابلیت به‌ویژه برای آزمایش‌هایی اهمیت دارد که در شرایط واقعی انجام می‌شوند و ویژگی‌های ماده در طول زمان تغییر می‌کند. در چنین شرایطی، تصمیم‌گیری سریع می‌تواند تفاوت میان یک آزمایش موفق و ساعت‌ها جمع‌آوری داده کم‌فایده باشد؛ بشر بالاخره پذیرفته است که لازم نیست همیشه بعد از تمام شدن کار بفهمد چه اشتباهی کرده است.

این فناوری همچنین می‌تواند ورود کاربران جدید به تأسیسات تحقیقاتی APS و مرکز مواد نانومقیاس را آسان‌تر کند. دانشجویان تحصیلات تکمیلی و پژوهشگران مهمان دیگر الزاماً برای شروع کار به مجموعه‌های بزرگی از داده‌های برچسب‌گذاری‌شده یا تخصص عمیق در تفسیر همه انواع داده‌های تولیدشده نیاز نخواهند داشت. در روش سنتی، تهیه چنین داده‌هایی مستلزم زمان و دانش تخصصی قابل‌توجهی است؛ زیرا متخصصان باید هر مجموعه داده را با دقت تحلیل یا شبیه‌سازی کرده و پاسخ صحیح را برای آن تعیین کنند.

اهمیت این قابلیت با ارتقای منبع فوتونی پیشرفته بیشتر می‌شود. نسخه ارتقایافته APS قادر است پرتو‌های ایکس پرشدت‌تری تولید کند و داده‌ها را با سرعت بسیار بالاتری نسبت به گذشته جمع‌آوری کند. بنابراین، سرعت تحلیل داده نیز باید هم‌پای سرعت تولید آن افزایش یابد. «دونات» می‌تواند این شکاف را کاهش دهد و به پژوهشگران اجازه دهد هم‌زمان با تولید داده، آنها را تحلیل کرده و درباره ادامه آزمایش تصمیم بگیرند.

پژوهشگران در گام بعدی قصد دارند دامنه استفاده از «دونات» را از تحلیل بلادرنگ داده‌ها به سمت خودکارسازی آزمایش‌ها گسترش دهند. یکی از مسیر‌های مورد بررسی، توسعه نسخه‌های جدید این فناوری برای میکروسکوپی خودران است؛ رویکردی که در آن ابزار‌های هوش مصنوعی می‌توانند بخشی از مراحل آزمایش را بدون نیاز به دخالت دائمی انسان هدایت کنند.

گروه پژوهشی همچنین در حال بررسی این موضوع است که آیا رویکرد «آگاه از فیزیک» به‌کاررفته در «دونات» می‌تواند برای سایر روش‌های تصویربرداری پیشرفته نیز مورد استفاده قرار گیرد یا خیر؛ روش‌هایی که آنها نیز حجم عظیمی از داده‌های پیچیده تولید می‌کنند و تحلیل آنها به ابزار‌های محاسباتی پیشرفته نیاز دارد.

پژوهشگران معتقدند چارچوب آموزشی مبتنی بر فیزیک این سامانه می‌تواند در طرح‌های بزرگ‌تر وزارت انرژی آمریکا، از جمله «ماموریت جنسیس» (Genesis Mission)، نیز نقش داشته باشد. این طرح ملی با هدف افزایش بهره‌وری علمی و سرعت‌بخشیدن به نوآوری از طریق استفاده گسترده از هوش مصنوعی در زیرساخت‌های علمی نسل آینده دنبال می‌شود.

«دونات» می‌تواند یکی از پایه‌های پروژه‌های مرتبط با منابع نور و نوترون در این طرح باشد و به پژوهشگران رشته‌های مختلف کمک کند پرسش‌های علمی جدیدی را با سرعت بیشتری بررسی کنند.

نتایج این پژوهش در نشریه «npj Computational Materials» منتشر شده است. تائو ژو، مینگ دو و مارتین هولت از آزمایشگاه ملی آرگون و آندری زینگر از دانشگاه کرنل نیز در انجام این مطالعه مشارکت داشته‌اند. این پژوهش با حمایت دفتر علوم وزارت انرژی آمریکا، برنامه‌های «پژوهش پیشرفته محاسبات علمی» و «علوم پایه انرژی» و همچنین دفتر توسعه نیروی انسانی برای معلمان و دانشمندان این وزارتخانه انجام شده است.

در این میان، نام «دونات» نیز عمداً با حال‌وهوایی غیررسمی انتخاب شده است و پژوهشگران در پایان گزارش خود با شوخی نوشته‌اند که در جریان انجام این پژوهش هیچ دوناتی آسیب ندیده است؛ هرچند نتایج به‌دست‌آمده احتمالاً اشتهای دانشمندان برای کشف‌های تازه را حسابی بیشتر خواهد کرد.

به گزارش گروه دانشگاه خبرگزاری دانشجو، درمراسم گشایش این نمایشگاه که ۲۵ مردادماه و با استقبال کم‌نظیر استادان و دانشجویان و شرکت‌های سرمایه‌گذار، در دانشکده مهندسی برق و کامپیوتر دانشکدگان فنی دانشگاه تهران برگزار شد، منوچهر مرادی سبزوار، معاون پژوهش و فناوری دانشگاه تهران، با ارائه گزارشی از فعالیت‌های مرکز انتقال تکنولوژی دانشگاه گفت: «محصولات تولیدشده در این مرکز نشان می‌دهد سرمایه‌گذاری هدفمند در زیست‌بوم نوآوری دانشگاه، بازدهی ملموس و ارزش‌آفرینی اقتصادی به همراه دارد.»

وی با اشاره به عملکرد شرکت‌های دانش‌بنیان دانشگاهی تأکید کرد: «چنانچه از دانشجویان و اعضای هیأت علمی حمایت مناسب صورت گیرد و زمینه ماندگاری نخبگان در کشور فراهم شود، می‌توان به نتایج قابل اتکایی در تولید محصولات فناورانه دست یافت.»

مرادی سبزوار همچنین با بیان تجربه‌های موفق از Reverse Pitch در دانشگاه تهران تصریح کرد: «توجه به این رویکرد که در آن نیاز‌های واقعی صنعت به جامعه دانشگاهی عرضه می‌شود، می‌تواند به تولید محصولات منطبق با نیاز بازار منجر شود و امیدواریم این نگاه در کشور و دانشگاه بیش از پیش تقویت شود.»

 محمودرضا هاشمی، مدیر اجرایی طرح هاتف در دانشگاه تهران و دبیر علمی این نمایشگاه نیز، با اشاره به برگزاری این نمایشگاه گفت: «این نمایشگاه در راستای فرایند اجرای طرح هاتف است که در چارچوب تفاهم‌نامه‌ای میان معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست جمهوری و معاونت پژوهش و فناوری دانشگاه تهران منعقد شده است.»

هاشمی افزود: «پس از امضای این تفاهم‌نامه دراسفندماه ۱۴۰۳، فراخوانی در اردیبهشت‌ماه ۱۴۰۴، در مجموع ۱۷۴ طرح و پیشنهاد از ۵۰ دانشکده مختلف دانشگاه تهران دریافت شد که پس از طی فرایند داوری دقیق، ۲۰ طرح به عنوان طرح‌های برگزیده انتخاب و وارد مرحله حمایتی شدند.»

وی طرح هاتف را گامی مؤثر در تکمیل زنجیره ارزش پژوهش و فناوری توصیف کرد و اظهار داشت: «تمامی طرح‌های منتخب، برونداد ظرفیت علمی دانشگاه تهران هستند و در هر یک از آنها، اعضای هیأت علمی به همراه تیم‌هایی از دانشجویان و دانش‌آموختگان مشارکت فعال داشته‌اند.»

وی هدف اصلی این برنامه را تبدیل طرح‌های پژوهشی به شرکت‌های دانش‌بنیان از طریق تزریق هدفمند منابع مالی، ارائه خدمات توانمندسازی و ایجاد زیرساخت‌های کسب‌وکاری عنوان کرد و افزود: «این رویکرد به تجاری‌سازی ایده‌های دانشگاهی و به‌کارگیری آنها در حل مسائل کشور کمک مؤثری خواهد کرد.»

هاشمی با اشاره به مشارکت گسترده واحد‌های دانشگاه تهران در ارسال طرح‌های فناورانه به این نمایشگاه، گفت: «طرح‌های دریافتی از دانشکدگان و دانشکده‌های مختلف دانشگاه تهران ارائه شده است که این تنوع، نشان‌دهنده ظرفیت بالای هوش مصنوعی در دانشگاه تهران در حوزه‌های گوناگون علمی است.»

وی هدف از برگزاری این نمایشگاه را فراهم‌سازی بستر تعامل میان هسته‌های فناور با مشتریان، بهره‌برداران و شرکت‌های سرمایه‌گذاری خطرپذیر (VC) برشمرد تا زمینه تبدیل این هسته‌ها به شرکت‌های فناور و رشد یافته فراهم شود.

 اسفندیار اختیاری، معاون سیاستگذاری و توسعه و دبیر شورای راهبری فناوری‌ها و تولیدات دانش‌بنیان معاونت علمی ریاست جمهوری نیز ضمن بازدید از بخش‌های مختلف این نمایشگاه، با تبیین جایگاه راهبردی فناوری در اقتدار ملی گفت: «تجربه‌های اخیر نشان داد که فناوری صرفاً یک عامل توسعه‌ای نیست؛ بلکه مؤلفه‌ای تعیین‌کننده در ایجاد اقتدار و امنیت ملی است. هر جا از توانمندی فناورانه بالاتری برخوردار بوده‌ایم، نقطه قوت ما بوده و هر جا کمتر به آن پرداخته‌ایم، آسیب‌پذیر ظاهر شده‌ایم.»

وی با تأکید بر اینکه سرآغاز این توانمندی‌ها دانشگاه است، خاطرنشان کرد: «دولت وظیفه حمایت از علم و فناوری را بر عهده دارد، اما توسعه فناوری صرفاً از مسیر دانشگاه‌ها و جامعه دانشگاهی محقق می‌شود. دانشگاه علاوه بر رسالت ذاتی خود در تولید علم، باید دغدغه تبدیل دانش به قدرت و حل مسائل جامعه را نیز داشته باشد؛ این دقیقاً همان مأموریتی است که طرح هاتف دنبال می‌کند.»

اختیاری با تاکید بر اهمیت تداوم شرکت‌های نوپای دانشگاهی افزود: «پایداری و تداوم شرکت‌هایی که توسط اساتید و دانشجویان تأسیس می‌شوند، برای ما اولویت دارد و معاونت علمی و فناوری با تمام ظرفیت خود از این مسیر حمایت می‌کند.»

وی همچنین به ظرفیت قانون جهش تولید دانش‌بنیان اشاره کرد و گفت: «ماده یک این قانون بر اقلام راهبردی و فناوری‌های اقتدارآفرین تأکید دارد و طرح‌هایی که در این چارچوب قرار گیرند، به‌صورت خودکار از کلیه حمایت‌های قانونی و مزایای معاونت علمی بهره‌مند خواهند شد.»

گفتنی است محمدحسین امید، رئیس دانشگاه تهران نیز، با حضور در این نمایشگاه از طرح‌های ارائه شده در نمایشگاه بازدید و از نزدیک با استادان و دانشجویان درباره این طرح‌ها گفت‌و‌گو کرد.