آمازون با معرفی TorchNeuron انتقال اپلیکیشن‌های PyTorch به تراشه‌های Trainium را آسان و به‌دنبال کاهش وابستگی هوش مصنوعی به انویدیا است.
فهرست مطالب
آمازون با معرفی TorchNeuron انتقال اپلیکیشن‌های PyTorch به تراشه‌های Trainium را آسان می‌کند و به‌دنبال کاهش وابستگی هوش مصنوعی به انویدیا است.
به گزارش سرویس هوش مصنوعی تک‌ناک، سرویس ابری آمازون (AWS) روز دوشنبه ابزار TorchNeuron را معرفی کرد؛ ابزاری که به توسعه‌دهندگان اجازه می‌دهد اپلیکیشن‌های هوش مصنوعی مبتنی‌بر PyTorch را بدون بازنویسی کد، روی تراشه‌های Trainium اجرا کنند. به گفته آمازون، برای انجام این کار تنها تغییر یک خط در تنظیمات کافی است.
PyTorch یک چارچوب متن‌باز برای ساخت، آموزش و اجرای مدل‌های هوش مصنوعی است. آمازون می‌گوید حدود ۸۵ درصد اپلیکیشن‌های هوش مصنوعی با این ابزار توسعه داده شده‌اند. فیس‌بوک در ابتدا PyTorch را ایجاد کرد، اما از سال ۲۰۲۲ نگهداری آن بر عهده بنیاد لینوکس قرار گرفته است.
رقابت با سلطه نرم‌افزاری انویدیا
یکی از عوامل مهم موفقیت انویدیا، اکوسیستم نرم‌افزاری CUDA است؛ زیرساختی که اجرای اپلیکیشن‌ها روی پردازنده‌های گرافیکی و دیگر سخت‌افزارهای این شرکت را ممکن می‌کند. انویدیا طی سال‌ها تلاش کرده است پشتیبانی CUDA از اپلیکیشن‌های مبتنی‌بر PyTorch را تا حد امکان یکپارچه کند. در نتیجه، سخت‌افزار این شرکت به گزینه‌ای پیش‌فرض برای بسیاری از توسعه‌دهندگان هوش مصنوعی تبدیل شده است.
TorchNeuron بر پایه PyTorch توسعه یافته و آمازون می‌گوید کار با آن برای توسعه‌دهندگانی که با این چارچوب آشنایی دارند، دشوار نخواهد بود.
البته آمازون نخستین شرکتی نیست که تلاش می‌کند اجرای برنامه‌های PyTorch روی سخت‌افزارهای رقیب انویدیا را آسان کند؛ توسعه‌دهندگان می‌توانند با تغییر تنظیمات، برنامه‌های خود را روی پردازنده‌های گرافیکی AMD و حتی تراشه‌های اپل نیز اجرا کنند.
با این حال، آمازون معتقد است انتقال برنامه‌ها به Trainium مزیتی فراتر از سازگاری سخت‌افزاری دارد: دسترسی به مجموعه کامل خدمات ابری AWS. این شرکت استدلال می‌کند استارتاپ‌ها با انتخاب AWS مجبور نیستند برای تأمین سایر زیرساخت‌های مورد نیاز خود، به‌سراغ ارائه‌دهندگان تخصصی محاسبات هوش مصنوعی بروند؛ شرکت‌هایی مانند CoreWeave، Nebius و Firmus که بسیاری از آن‌ها به سخت‌افزار انویدیا وابسته‌اند.
کالین بریس، معاون نرم‌افزار فناوری در واحد Annapurna Labs آمازون که مسئول توسعه تراشه‌های اختصاصی این شرکت است، در گفت‌وگو با تک‌کرانچ توضیح داد که AWS زیرساخت لازم برای تبدیل نمونه اولیه یک محصول به سرویس آماده عرضه و توسعه آن در مقیاس بزرگ را فراهم می‌کند.
آمازون روی کاهش هزینه اجرای مدل‌ها حساب می‌کند
AWS همچنین می‌گوید استفاده از یک تراشه برای آموزش مدل‌های هوش مصنوعی و اجرای آن‌ها پس از آموزش می‌تواند هزینه کل پردازش را کاهش دهد. این مزیت در کنار یکپارچگی Trainium با زیرساخت ابری آمازون قرار می‌گیرد؛ هرچند AWS لزوماً ارزان‌ترین قیمت را برای هر توکن ارائه نمی‌کند.
بریس برای توضیح این مزیت به شرکت Deepgram اشاره کرد؛ ارائه‌دهنده خدمات هوش مصنوعی صوتی که در بازاری مشابه ElevenLabs فعالیت می‌کند. به گفته او، Deepgram با انتقال سیستم خود به Trainium و استفاده از پشتیبانی بومی PyTorch توانسته است به‌ازای هر دلار، ۷۰ درصد پردازش صوتی بیشتری انجام دهد و در عین حال دقت مورد نیاز برای استفاده عملیاتی را حفظ کند.
هدف فراتر از تراشه‌های اختصاصی آمازون است
آمازون قصد ندارد تنها با ساده‌کردن انتقال اپلیکیشن‌ها به Trainium به رقابت با انویدیا بپردازد. این شرکت اعلام کرده است که تغییراتی را نیز به پروژه اصلی PyTorch پیشنهاد می‌دهد تا وابستگی این چارچوب به تراشه‌های خاص کاهش یابد.
هدف آمازون، همکاری با جامعه توسعه‌دهندگان PyTorch برای حذف بخش‌هایی از کد است که چارچوب را به سخت‌افزار مشخصی گره می‌زنند. این رویکرد می‌تواند PyTorch را به بستری مستقل‌تر از سخت‌افزار تبدیل کند و انتخاب‌های بیشتری در اختیار توسعه‌دهندگان قرار دهد؛ تغییری که به نفع شرکت‌های رقیب انویدیا در بازار تراشه و خدمات ابری خواهد بود.
با این حال، هنوز مشخص نیست این تغییرات تا چه اندازه به کاهش هزینه‌ها و افزایش آزادی عمل توسعه‌دهندگان منجر می‌شوند. یکی از اهداف اصلی PyTorch پنهان‌کردن پیچیدگی‌های اجرای کد هوش مصنوعی روی سخت‌افزارهای مختلف است؛ بنابراین کاهش وابستگی به انویدیا ممکن است در کنار مزایای خود، نیاز به تنظیمات بیشتر و دشواری‌های فنی تازه‌ای ایجاد کند.
اگر آمازون بتواند PyTorch را به‌طور جدی از اکوسیستم انویدیا مستقل کند، پیامدهای این اقدام ممکن است بسیار فراتر از رقابت میان تولیدکنندگان تراشه باشد. در چنین شرایطی، انویدیا نه‌تنها با رقبای سخت‌افزاری بیشتری مواجه می‌شود، بلکه بخشی از مزیت نرم‌افزاری‌ای را که توسعه‌دهندگان را به استفاده از محصولاتش ترغیب می‌کند نیز از دست می‌دهد.
به گفته بریس، هدف اصلی این تغییرات، از بین بردن وابستگی‌ای است که تاکنون مانع انتخاب آزادانه توسعه‌دهندگان می‌شد. باید دید آیا TorchNeuron می‌تواند این وعده را محقق کند یا خیر.