گذر از مزارع سنتی به مزارع پردازنده‌های گرافیکی (GPU) در ایران

در مسیر هوش مصنوعی

در جهانی که داده‌ها چون رودخانه‌های خروشان در جریان‌اند و هر روز هزاران اندیشه تازه در ذهن انسان‌ها می‌جوشد، سخت‌افزارها مانند سدهایی مستحکم در برابر این سیل ایستاده‌اند. اگر تا دیروز «سی‌پی‌یو» را سلطان میدان محاسبات می‌دانستیم، امروز لشکری نو از هسته‌های پردازشی گرافیکی وارد کارزار شده‌اند تا بازی را دگرگون کنند. ایران نیز با رویای مهار این اسب سرکش، به‌سمت ایجاد مزارع جی‌پی‌یو پیش می‌رود؛ مزارعی که به‌جای گندم، توان محاسباتی می‌رویانند و به‌جای کارگران، فناوری‌های نوین را استخدام می‌کنند. هرچند در این راه، تحریم‌ها و چالش‌های بودجه‌ای و زیرساختی مانع‌اند، اگر این مسیر پیموده شود، آینده‌ای نوین برای هوش مصنوعی در کشور رقم خواهد خورد.

روزگاری نه چندان دور، وقتی از قدرت پردازشی رایانه‌ها صحبت می‌شد، همه بی‌هیچ چون و چرایی به سراغ CPU (واحد پردازش مرکزی) می‌رفتند و آن را قلب تپنده‌ی دنیای دیجیتال می‌دانستند. اما اکنون، در روزگاری که هوش مصنوعی به یک ابرقهرمان در عرصه‌ فناوری تبدیل شده و حجم داده‌های ما سربه‌فلک کشیده است، نیازمند یاری جادوگری تازه‌نفس با قدرتی خیره‌کننده هستیم. این جادوگر تازه‌نفس کسی نیست جز واحدهای پردازش گرافیکی یا همان
Graphics Processing Unit‌ها.

این‌طور که معاون توانمندی زیست‌بوم سازمان ملی هوش مصنوعی گفته، به‌زودی مزارع بزرگ GPU در کشورمان پا می‌گیرد و قرار است «سازمان ملی هوش مصنوعی» و متولیان حوزه‌ فناوری، این زیرساخت پردازشی را برای پژوهشگران، کسب‌وکارها و استارت‌آپ‌ها فراهم کنند.

اما چرا همین یک زیرساخت آن‌قدر مهم است و هیاهوی ساخت چنین مزارعی در ایران چه دستاوردها و چالش‌هایی به همراه دارد؟

ساخت مزارعGPU ؛ یک گام زیرساختی برای هوش مصنوعی

این‌طور که علیرضا قشقاوی گفته این زیرساخت درحال تکمیل است و در صورت اختصاص اعتبارات، آماده‌ بهره‌برداری می‌شود. بسیاری معتقدند که ساخت چنین مزارعی می‌تواند گره‌های بزرگی از توسعه‌ هوش مصنوعی کشور را بگشاید.

چرا مزرعه GPU؟

در مزارع GPU به جای محصولات کشاورزی، «توان محاسباتی» کشت می‌شود. این مزرعه نه به شخم زدن و آبیاری سنتی نیاز دارد و نه به کارگرانی که با داس و چکش محصولات را درو کنند. آنچه در این مزرعه می‌روید، هزاران هسته پردازشی گرافیکی است که وظایفشان «جوریدن» و «جویدن» انبوهی از داده‌های بزرگ و پیچیده‌ هوش مصنوعی است.

برای کشوری که سودای توسعه‌ فناوری دارد، چنین مزارعی حکم ستونی محکم را برای بنای زیرساخت‌های ملی ایفا می‌کند. «سازمان ملی هوش مصنوعی» در تدارک است تا این ستون را به‌سرعت بنا کند. در دنیای امروز، رقبای جهانی ایران (از ایالات متحده تا چین و حتی کشورهای همسایه نظیر عربستان و ترکیه) سرمایه‌های هنگفتی را خرج چنین زیرساخت‌هایی کرده‌اند. اکنون زمان آن رسیده که ایران نیز پا به این میدان بگذارد و به یاری بهره‌وری بالا و دانش متخصصان داخلی، گامی بزرگ در راستای پیشرفت بردارد.

جایگاه ایران در آمارهای جهانی و منطقه‌ای

برای درک اینکه مزارع GPU چه تغییری در فضای فناوری ایران ایجاد می‌کنند، ابتدا باید بدانیم ایران هم‌اکنون در کجای نقشه‌ هوش مصنوعی جهان ایستاده است. براساس آمار «موسسه استنادی و پایش علم و فناوری جهان اسلام (ISC)»، ایران در حوزه‌ هوش مصنوعی روی سکوی شانزدهم ایستاده است. این رتبه برای کشوری که با محدودیت‌هایی مثل تحریم‌های اقتصادی و مشکلات سیاسی دارد، شاید اندکی غرورانگیز باشد. از سویی، باید دانست کشورهای همسایه و رقبای منطقه‌ای نیز بیکار ننشسته‌اند. عربستان سعودی با سرمایه‌گذاری میلیارد دلاری در حوزه‌ هوش مصنوعی فاصله‌ خود را با ایران بیشتر کرده و ترکیه نیز برنامه‌های جدی و بودجه‌های هنگفت در این زمینه اختصاص داده است.

 رشد بازار هوش مصنوعی و افزایش توان علمی و پژوهشی

اینطور که ایمان میرعمادی، مدیر مرکز استراتژی و تحول هوش مصنوعی دانشگاه شریف گفته «ایران حدود ۱۰میلیون دلار در زمینه هوش مصنوعی سرمایه‌گذاری کرده است ولی از نظر توان پردازشی، زیرساخت‌های ایران در مقایسه با امارات و عربستان که به‌شدت در این حوزه سرمایه‌گذاری کرده‌اند، همچنان عقب‌تر است».

شاید این عدد در مقایسه با بازار جهانی اندک به نظر برسد، اما نشان‌دهنده‌ حرکت روبه‌جلو است. در چند سال اخیر، استارتاپ‌ها و شرکت‌های دانش‌بنیان ایرانی رشد داشته‌ و تلاش کرده‌اند هوش مصنوعی را به عرصه‌هایی چون پردازش زبان فارسی، بینایی رایانه‌ای، رباتیک و حتی بخش‌های صنعتی وارد کنند.

طبق گزارشی که آزمایشگاه سیاستی دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف منتشر کرده، از لحاظ علمی، ایران طی یک دهه‌ اخیر حجم بالایی از مقالات و تولیدات علمی در حوزه‌ هوش مصنوعی داشته است. طبق گزارش‌های موجود، ایران بین سال‌های ۲۰۱۰ تا ۲۰۲۳ میلادی، بیشترین سهم انتشار مقالات هوش مصنوعی را در منطقه‌ کشورهای اسلامی داشته است. همچنین در فناوری شبکه‌های عصبی، رتبه‌ ششم جهانی و رتبه‌ نخست در جهان اسلام را از آن خود کرده است. با این حال، برای ورود موفقیت‌آمیز این پژوهش‌ها به دنیای صنعت، وجود زیرساختی قوی ازجمله «قدرت پردازشی» ضروری است.

از این رو به نظر می‌رسد ظرفیت نیروی انسانی و استعداد پژوهشی در ایران بالاست و زیرساختی مانند مزرعه‌ GPU، می‌تواند این توانایی‌ها را بالفعل کند و پژوهشگران را از قید و بند کمبود قدرت محاسباتی برهاند.

مزرعه‌ GPU چیست و چگونه کار می‌کند؟

«مزرعه‌ جی‌پی‌یو» یا «GPU Farm»، در ساده‌ترین حالت، مجموعه‌ای از واحدهای پردازش گرافیکی (GPU) است که به‌طور موازی کنار هم قرار گرفته‌اند تا عملیات محاسباتی سنگین (به‌‌ویژه در حوزه‌ هوش مصنوعی، یادگیری ماشین و یادگیری عمیق) را با سرعت و کارآمدی بالاتری انجام دهند.

یک سوپرمارکت شلوغ را در نظر بگیرید که هزاران مشتری دارد. اگر تنها یک صندوق با یک صندوقدار داشته باشد، قطعا صف طویلی شکل می‌گیرد و کار مشتریان به‌کندی پیش می‌رود. اما اگر ده‌ها صندوقدار در صف‌های متعدد حضور داشته باشند، می‌توان امور پرداختی را به‌طور همزمان انجام داد و از ازدحام جلوگیری کرد. مزرعه‌ GPU نیز دقیقاً چنین نقشی ایفا می‌کند؛ به جای یک پردازنده‌ مرکزی (CPU) با هسته‌های محدود، صدها یا حتی هزاران هسته‌ پردازشی درGPU، به‌طور موازی به پردازش داده‌ها مشغول می‌شوند.

تفاوت GPU با CPU، نبرد مغز و لشکر!

برای درک اهمیت مزرعه‌ جی‌پی‌یو، ابتدا باید تفاوت سی‌پی‌یو و جی‌پی‌یو را از نزدیک ببینیم. اغلب، سی‌پی‌یو را مغز رایانه می‌دانند که هسته‌های اندک اما بسیار قدرتمندی دارد و برای انجام محاسبات ترتیبی و عمومی طراحی شده است. جی‌پی‌یو در مقابل مانند لشکری منظم و پرتعداد از هسته‌های کوچک‌تر است که می‌توانند همزمان و موازی به انجام وظایف بپردازند. این ویژگی، به‌ویژه در کارهایی که نیازمند پردازش سنگین داده هستند (مانند یادگیری عمیق یا رندرینگ گرافیکی)، جی‌پی‌یو را به قهرمانی اصلی تبدیل می‌کند. در جدول زیر می‌توانید نگاه گذرایی به تفاوت‌های عمده داشته باشید:

همین معماری متفاوت است که باعث می‌شود در رندرینگ تصاویر، محاسبات موازی پیچیده و آموزش مدل‌های هوش مصنوعی، جی‌پی‌یو به‌مراتب از سی‌پی‌یو سریع‌تر عمل کند.

حمایت از صنایع کلیدی: نفت، گاز، پتروشیمی و…

یکی از دغدغه‌های اصلی ایران، استفاده از هوش مصنوعی در صنایع کلیدی نظیر نفت و گاز است. به‌کارگیری هوش مصنوعی در این صنایع می‌تواند هزینه‌های استخراج و تولید را کاهش داده و بهره‌وری را چندین برابر افزایش دهد. اما چنین اقداماتی به مدل‌های یادگیری ماشین پیچیده و تجزیه‌وتحلیل انبوه داده‌ها نیاز دارد. مزارع جی‌پی‌یو با سرعتی بسیار بیشتر از سیستم‌های سنتی، می‌توانند داده‌های اکتشافی و مهندسی را پردازش کنند؛ در نتیجه تصمیم‌گیری درباره‌ اکتشاف مخازن جدید، مدیریت خطوط لوله، کنترل کیفیت محصولات و پیش‌بینی تعمیرات احتمالی، ساده‌تر و هوشمندانه‌تر خواهد شد.

اما یکی از طبیعی‌ترین دغدغه‌ها در چنین شرایطی، موضوع امنیت و استقلال داده‌هاست. این موضوع همواره برای توسعه‌ زیرساخت‌های محاسباتی مطرح می‌شود. ایران سال‌هاست با محدودیت‌های خارجی دست‌وپنجه نرم می‌کند و شاید نتواند به‌راحتی از زیرساخت‌های ابری شرکت‌های خارجی مثل آمازون (AWS) یا مایکروسافت (Azure) استفاده کند. راه‌اندازی مزارع جی‌پی‌یو ملی، امکان پردازش بومی و داخلی را میسر می‌‌‌کند و از وابستگی به منابع خارجی می‌کاهد.

این مساله در مواقع حساس، مثلاً زمانی که شرکت‌های خارجی تصمیم به قطع دسترسی یا تحریم کاربران ایرانی می‌گیرند، نقش حیاتی خود را نشان می‌دهد. درواقع، توسعه‌ مزارع جی‌پی‌یو داخل مرزهای کشور، گامی در جهت خودکفایی و تاب‌آوری دیجیتال محسوب می‌شود.

اشتغال‌زایی و تربیت نیروی متخصص

با تأسیس و راه‌اندازی این مزارع، فرصت‌های شغلی تازه‌ای در زمینه‌های مرتبط با زیرساخت‌های سخت‌افزاری، نرم‌افزاری و مدیریتی ایجاد می‌شود. ایران می‌تواند متخصصانی در حوزه‌ طراحی و مدیریت دیتاسنتر، معماری جی‌پی‌یو، بهینه‌سازی مصرف انرژی در مزارع پردازشی و امنیت سایبری تربیت کند.

همچنین، ارتباط صنعت و دانشگاه نیز تقویت می‌شود؛ چراکه دانشجویان و پژوهشگران می‌توانند از امکانات این مزارع برای پایان‌نامه‌ها، پروژه‌های پژوهشی و کارهای آزمایشگاهی استفاده کنند و دانش عملی را با نیازهای بازار تطبیق دهند.

و چالش‌هایی که همیشه هست

با همه‌ جذابیت‌ها و مزایایی که برشمردیم، راه‌اندازی و نگهداری مزارع جی‌پی‌یو در ابعاد ملی هم خالی از دردسر نیست و اگر از امروز به این چالش‌ها فکر نکنیم، ممکن است در مواجهه با این پدیده دچار سوءتفاهم‌های فرهنگی شویم. اینجاست که باید گفت بحث سرمایه‌گذار، تحریم‌های اقتصادی و علمی، انرژی و آموزش را باید جدی بگیریم.

چالش تامین سرمایه و اعتبار

نخستین چالش در این راه موضوع پول است. ولو اینکه تا به امروز قرار بوده ۱۰۰میلیون دلار در این حوزه سرمایه‌گذاری شود و فعلا‍ یک‌دهم آن محقق شده است. با این همه این ایجاد این مزارع پول می‌خواهد. سخت‌افزارهای جی‌پی‌یو به‌ویژه مدل‌های تخصصی برای هوش مصنوعی (مثل سری NVIDIA Tesla یا A100) قیمت‌های نجومی دارند. معاون سازمان ملی هوش مصنوعی ایران هم اشاره کرده است که این زیرساخت‌ها در صورت تامین اعتبارات به بهره‌برداری خواهند رسید؛ بنابراین، نخستین و مهم‌ترین پیش‌نیاز، اختصاص بودجه‌های کلان دولتی و نیز جذب سرمایه‌ بخش خصوصی است.

مشکل دیگر این است که فناوری با سرعتی سرسام‌آور پیشرفت می‌کند. امروز اگر برترین کارت‌های گرافیکی با معماری روز را تهیه کنیم، شاید چند ماه بعد سری جدیدتری از جی‌پی‌پوها راهی بازار شوند که قدرتی چند برابر داشته باشند؛ بنابراین، نگهداری و به‌روزرسانی این مزارع برای عقب نماندن از رقبا، یک فرآیند مداوم است. باید بودجه‌ ارتقای سالانه در نظر گرفته شود و ساختار مدیریتی منعطفی را پیاده کرد.

تحریم و واردات سخت‌افزار

از طرف دیگر، شرکت‌هایی مثل ان‌ویدئا دارند برای سال‌های ۲۰۲۹ و ۲۰۳۰ سفارش قبول می‌کنند، یعنی اگر حتی پول هم داشته باشیم مثل عربستان، باز هم می‌بایست در صف دریافت محصول بمانیم، چه رسد به اینکه امروز درگیر تحریم‌های علمی و اقتصادی هم هستیم.  حتی اگر بودجه فراهم شود، تهیه و انتقال فیزیکی‌ای جی‌پی‌یوهای قدرتمند ممکن است با موانع جدی روبه‌رو باشد. از مسیرهای غیردولتی هم، خطر ریسک قیمت‌های سرسام‌آور و محدودیت عرضه وجود دارد؛ لذا تیم‌های مسئول باید راهکارهای خلاقانه‌ای برای دورزدن یا حل این موانع بیابند. شاید تولید مشترک با کشورهای همسو یا استفاده از مدل‌های رسمی موازی برای تراشه‌ها، راهگشا باشد.

مزارع جی‌پی‌یو، هیولاهای برق‌دزد

مزارع جی‌پی‌یو به‌شدت برق مصرف می‌کنند و تولید گرمای قابل‌توجهی هم دارند. این مطلب در حالی نوشته می‌شود که در خانه‌ نگارنده برق وصل نیست. چون کشور ما با مشکل تامین برق صنایع مواجه می‌شود و اگر قرار باشد مزارع جی‌پی‌یو مانند هیولاهای همیشه‌گرسنه، انرژی را ببلعند، باید تدابیر ویژه‌ای اندیشید. راهکارهایی نظیر خنک‌سازی مداوم، سیستم‌های مدیریت هوشمند توزیع برق و استفاده از منابع تجدیدپذیر (مثلاً انرژی خورشیدی یا بادی) می‌تواند بخشی از مشکل را حل کند. مثل دیتاسنتر سیتی‌گراپ در فرانکفورت که با انرژی‌های پاک کار می‌کند.

آموزش نیروهای متخصص

مزرعه‌ جی‌پی‌یو فقط یک ابزار است و تنها زمانی مفید خواهد بود که نیروهای متخصص بتوانند از آن بهره‌ درست ببرند. پس، صِرف خرید سخت‌افزار کافی نیست. نیاز به آموزش برنامه‌نویسان، متخصصان داده، مهندسان یادگیری ماشین و حتی کارشناسان نگهداری دیتاسنتر وجود دارد. اگر این ظرفیت علمی-فنی در کشور شکل نگیرد، حتی بهترین زیرساخت‌ها هم به‌درستی استفاده نخواهند شد.

سرک کشیدن به مزارع همسایه

برای اینکه بدانیم چگونه می‌توان یک مزرعه‌ جی‌پی‌یو موفق ساخت و از آن بهره برد، خوب است نگاهی به برخی نمونه‌های موفق جهانی بیندازیم.

متا (فیسبوک سابق) از دیتاسنترهای ویژه‌ای برای پردازش پروژه‌های هوش مصنوعی‌اش استفاده می‌کند که مجهز به هزاران واحد GPU پیشرفته است. این شرکت برای کارهایی مانند شناسایی چهره، ترجمه‌ ماشینی و پیشنهاد محتوا از این مزارع بهره می‌گیرند.

گوگل نیز به‌صورت همزمان از TPU (واحد پردازش تنسور) و GPUهای قدرتمند استفاده می‌کند و زیرساخت ابری (Google Cloud)  را به مشتریانش ارایه می‌دهد. TPU یا واحد پردازش تنسور (Tensor Processing Unit) یک نوع مدار مجتمع با کاربرد خاص (ASIC) است که شرکت گوگل آن را به‌طور ویژه طراحی کرده برای تسریع در پردازش‌های مرتبط با یادگیری ماشین و یادگیری عمیق. این واحدها برای بهینه‌سازی عملیات پیچیده‌ای مانند ضرب ماتریسی ساخته شده‌اند که در شبکه‌های عصبی و الگوریتم‌های یادگیری عمیق اهمیت زیادی دارد.

شرکت ایکس (متعلق به ایلان ماسک) با هدف توسعه‌ هوش مصنوعی چندین مزرعه‌ جی‌پی‌یو ساخته و سرمایه‌گذاری‌های کلانی در این بخش انجام داده است.

آمازون(AWS)، مایکروسافت (Azure) وIBM، خدمات اجاره‌ GPU از راه دور ارایه می‌دهند. کاربران با پرداخت هزینه‌ ساعتی