اگر در چند وقت اخیر به اینتل، ای‌ام‌دی یا اپل توجه کرده‌ باشید، ممکن است از خود پرسیده باشید "NPU چیست و چرا به آن نیاز دارم؟"

برای بسیاری از مصرف‌کنندگان، یک کامپیوتر فقط یک پردازنده دارد، اما واقعیت کمی پیچیده‌تر از این است. اکنون، به لطف پیشرفت‌های جدید پردازنده از اینتل و ای‌ام‌دی، قرار است حتی پیچیده‌تر شود.

خوشبختانه، اگر در حال خرید یک لپ‌تاپ جدید اینتل یا ای‌ام‌دی با این چیپ‌های جدید هستید که ادعا می‌کنند آغازگر یک عصر جدید از کامپیوترهای هوش مصنوعی هستند، نیازی به نگرانی ندارید. این موضوع به اندازه‌ای که به نظر می‌رسد پیچیده نیست.

ما در این مقاله قصد داریم تا شما را در مورد همه چیزهایی که باید در مورد این واحدهای پردازش عصبی جدید بدانید راهنمایی کنیم و توضیح دهیم که چگونه به شما در انجام مجموعه‌ای کاملاً جدید از وظایف تسریع‌شده توسط هوش مصنوعی، از بهره‌وری تا بازی کمک خواهند کرد.

 NPU چیست؟ (Neural Processing Unit)

NPU یا واحد پردازش عصبی، یک پردازنده یا واحد پردازش اختصاصی در یک SOC بزرگتر است که به طور خاص برای تسریع عملیات شبکه‌های عصبی و وظایف هوش مصنوعی طراحی شده است. برخلاف CPUها و GPUهای عمومی، NPUها برای محاسبات موازی مبتنی بر داده بهینه‌سازی شده‌اند و به همین دلیل در پردازش داده‌های چندرسانه‌ای عظیم مانند ویدیوها و تصاویر و پردازش داده‌ها برای شبکه‌های عصبی بسیار کارآمد هستند. آنها به ویژه در انجام وظایف مرتبط با هوش مصنوعی، مانند شناسایی گفتار، محو کردن پس‌زمینه در تماس‌های ویدیویی و فرآیندهای ویرایش عکس یا ویدیو مانند شناسایی اشیاء، مهارت دارند.

(SoC یا "System on Chip" به معنای سیستم روی یک تراشه است .یعنی تمام اجزای یک کامپیوتر مثل پردازنده، حافظه و ورودی/خروجی‌ها، همه در یک تراشه کوچک قرار دارند. این طراحی باعث می‌شود که دستگاه‌ها کوچکتر و سریع‌تر شوند. معمولاً در گوشی‌های موبایل و تبلت‌ها استفاده می‌شود.)

NPUها مدارهای یکپارچه ای هستند اما با ASICهای تک‌منظوره (مدارهای یکپارچه با کاربرد خاص) متفاوتند. در حالی که ASICها برای یک هدف خاص (مانند استخراج بیت‌کوین) طراحی شده‌اند، NPUها پیچیدگی و انعطاف‌پذیری بیشتری را ارائه می‌دهند و به تقاضاهای متنوع محاسبات شبکه پاسخ می‌دهند. آنها این کار را از طریق برنامه‌نویسی تخصصی در نرم‌افزار یا سخت‌افزار، متناسب با نیازهای منحصر به فرد محاسبات شبکه‌های عصبی انجام می‌دهند.

برای اکثر محصولات مصرفی، NPU در واقع با CPU اصلی ادغام خواهد شد، مانند سری‌های Intel Core و Core Ultra یا پردازنده‌های لپ‌تاپ جدید AMD Ryzen 8040. اما در مراکز داده بزرگتر یا عملیات صنعتی تخصصی‌تر، NPU ممکن است یک پردازنده کاملاً مجزا بر روی مادربرد باشد که از هر واحد پردازش دیگری جدا است.

NPU در مقابل GPU

در حالی که بسیاری از کارهای هوش مصنوعی و یادگیری ماشین بر روی GPU ها اجرا می شوند، تفاوت مهمی بین GPU و NPU وجود دارد. در حالی که GPU ها به خاطر قابلیت های محاسبات موازی خود شناخته شده اند، اما همه GPU ها در انجام این کار فراتر از پردازش گرافیکی خوب نیستند، زیرا برای پردازش مؤثر یادگیری ماشین به مدارهای یکپارچه خاصی نیاز دارند. محبوب ترین GPU های Nvidia این مدارها را به شکل هسته های تنسور (Tensor Cores) دارند، اما AMD و Intel نیز این مدارها را به GPU های خود اضافه کرده اند، عمدتاً برای مدیریت عملیات ارتقاء رزولوشن— که کاری بسیار رایج در هوش مصنوعی است.

هسته‌های تنسور امکان محاسبات با دقت مختلط را فراهم می‌کنند و به‌طور دینامیک محاسبات را برای افزایش توان عملیاتی در حالی که دقت را حفظ می‌کنند و امنیت بهبود یافته‌ای را ارائه می‌دهند، تنظیم می‌کنند. نسل جدید هسته‌های تنسور سریع‌تر از همیشه در مجموعه‌ای گسترده از وظایف هوش مصنوعی و محاسبات با کارایی بالا (HPC= high-performance computing) عمل می‌کنند.

در عوض، NPU ها به سادگی این مدارها را از یک GPU (که کارهای دیگری نیز انجام می دهد) خارج کرده و آن را به یک واحد اختصاصی تبدیل می کنند. این امر به آن ها اجازه می دهد تا وظایف مرتبط با هوش مصنوعی را با کارایی بیشتری در سطح توان پایین تر پردازش کنند، که آن ها را برای لپ تاپ ها ایده آل می کند، اما همچنین پتانسیل آن ها را برای کارهای سنگین تر که هنوز احتمالاً به یک GPU برای اجرا نیاز دارند، محدود می کند.

نقش NPU در سیستم‌های مختلف

NPU برای تکمیل عملکردهای CPU و GPU طراحی شده‌. در حالی که CPU دامنه وسیعی از وظایف را مدیریت می‌کند و GPU در رندر کردن گرافیک‌های دقیق برتری دارد، NPU در اجرای سریع وظایف مبتنی بر هوش مصنوعی تخصص دارد. این تخصص اطمینان می‌دهد که هیچ پردازنده‌ای تحت فشار قرار نگیرد و عملیات روانی در سراسر سیستم حفظ شود.

به عنوان مثال، در تماس‌های ویدیویی، یک NPU می‌تواند به طور مؤثر وظیفه محو کردن پس‌زمینه را مدیریت کند و GPU را آزاد کند تا بر روی وظایف سنگین‌تر تمرکز کند. به طور مشابه، در ویرایش عکس یا ویدیو، NPU می‌تواند تشخیص اشیاء و سایر فرآیندهای مرتبط با هوش مصنوعی را مدیریت کند و کارایی کلی کار را افزایش دهد.

پردازنده‌های شبکه در رایانه ها:

پردازنده‌های NPU در حوزه رایانه‌های شخصی و لپ‌تاپ به طور فزاینده‌ای دارند رایج می‌شوند. پردازنده‌های Core Ultra اینتل و پردازنده‌های Snapdragon X Elite کوالکام نمونه‌هایی هستند که در آن‌ها NPUها در کنار CPUها و GPUها یکپارچه شده‌اند. این NPUها وظایف هوش مصنوعی را سریع‌تر انجام می‌دهند و بار روی سایر پردازنده‌ها را کاهش می‌دهند و منجر به عملیات رایانه‌ای کارآمدتر می‌شوند.

NPU کوالکام، به عنوان مثال، می‌تواند 75 تِرا عملیات در ثانیه را به طور چشمگیری انجام دهد و قابلیت خود را در پردازش تصاویر هوش مصنوعی تولیدی نشان می‌دهد. این گنجاندن NPUها در نسل جدید دستگاه‌ها به این معنی است که صنعت به خوبی مجهز است تا از آخرین فناوری‌های هوش مصنوعی بهره‌برداری کند و امکانات و فرآیندهای مرتبط با هوش مصنوعی بیشتری را برای کاربران ارائه دهد.

NPU در گوشی های هوشمند:

در گوشی‌های هوشمند، NPUها نقش حیاتی در محاسبات و برنامه‌های هوش مصنوعی ایفا می‌کنند. هواوی یکی از اولین شرکت‌هایی بود که NPUها را در CPUهای گوشی‌های هوشمند ادغام کرد و به طور قابل توجهی قدرت محاسباتی و بهره‌وری انرژی هوش مصنوعی را در مقایسه با CPUها و GPUهای سنتی افزایش داد. چیپ‌های موبایل بیونیک اپل از NPUها برای کارهایی مانند تثبیت ویدیو، اصلاح عکس و موارد دیگر استفاده می کنند.

NPU همچنین قابلیت‌های دستگاه‌ها را در شناسایی محتوا در عکس‌ها، تنظیم تنظیمات دوربین برای عکس‌های بهینه، ایجاد افکت در سلفی‌ها و کمک به ویژگی‌های مبتنی بر هوش مصنوعی مانند Bixby Vision در دستگاه‌های سامسونگ گلکسی تقویت می‌کند.

NPU در دستگاه‌های دیگر:

پردازنده‌های عصبی به طور فزاینده‌ای در مجموعه‌ای از دستگاه‌ها که به طور سنتی پردازنده‌های پیشرفته نداشته‌اند، مانند تلویزیون‌ها و دوربین‌ها، محبوبیت پیدا کردند. اما با تبدیل شدن هر دستگاه الکترونیکی به نوعی کامپیوتر مستقل، پردازنده‌های عصبی به شکل و انواع مختلفی از دستگاه‌ها به خانه راه پیدا می‌کنند. به عنوان مثال، در تلویزیون‌ها، NPUها برای ارتقاء وضوح محتوای قدیمی به 4K استفاده می‌شوند. در دوربین‌ها، پردازنده‌های عصبی می‌توانند برای تثبیت تصویر و بهبود کیفیت، همچنین فوکوس خودکار، شناسایی چهره و موارد دیگر استفاده شوند. دستگاه‌های هوشمند خانگی نیز از پردازنده‌های عصبی برای کمک به پردازش یادگیری ماشین در دستگاه‌ها برای شناسایی صدا یا اطلاعات امنیتی استفاده می‌کنند که بسیاری از مصرف‌کنندگان نمی‌خواهند به دلیل ماهیت حساس آن به یک سرور داده ابری برای پردازش ارسال شود.

آینده NPU

با پیشرفت بیشتر به سوی آینده‌ای که به طور فزاینده‌ای تحت تأثیر هوش مصنوعی است، رشد NPU تسریع خواهد شد. با ادغام NPU در پردازنده‌های جدیدترین شرکت‌هایی مانند اینتل، AMD و کوالکام، ما به دورانی وارد می‌شویم که پردازش هوش مصنوعی به طور فزاینده‌ای ساده‌تر، کارآمدتر و بسیار بیشتر در دسترس قرار می‌گیرد. دستگاه‌های مجهز به NPU قادر خواهند بود وظایف هوش مصنوعی را سریع‌تر انجام دهند، که منجر به زمان‌های پردازش داده سریع‌تر و راحتی بیشتر برای کاربران می‌شود. چه از طریق ویرایش ویدیو سریع‌تر، فیلترهای پیشرفته هوش مصنوعی در برنامه‌ها، یا مدیریت کارآمد وظایف هوش مصنوعی در گوشی‌های هوشمند، NPU راه را برای تجربه محاسباتی هوشمندتر و کارآمدتر هموار می‌کند.

در نهایت،NPU ها  نمایانگر یک جهش قابل توجه در دنیای هوش مصنوعی و یادگیری ماشین در سطح مصرف‌کننده هستند. با تخصص در عملیات شبکه‌های عصبی و وظایف هوش مصنوعی، NPU بار را از روی CPUها و GPUهای سنتی کاهش می‌دهد. این منجر به سیستم‌های محاسباتی کارآمدتر می‌شود، اما همچنین ابزاری آماده برای توسعه‌دهندگان فراهم می‌کند تا در نرم‌افزارهای جدید مبتنی بر هوش مصنوعی، مانند ویرایش ویدیو زنده یا تهیه مستندات، استفاده کنند. به عبارت دیگر، هر وظیفه‌ای که شما در رایانه یا دستگاه موبایل خود انجام می‌دهید، احتمالاً NPU در نهایت نقشی در نحوه پردازش آن وظایف ایفا خواهد کرد.