هوش مصنوعی و یادگیری عمیق، نگاه انویدیا به آینده‌ی تکنولوژی

پنج‌شنبه ۱۰ تیر ۱۳۹۵ - ۲۲:۰۰
مطالعه 5 دقیقه
هوش مصنوعی (AI) و یادگیری عمیق (deep-learning) به تمرکز اصلی شرکت‌های بزرگ تبدیل شده‌اند. این مقاله جدیدترین نوآوری‌های شرکت انویدیا در این زمینه را که در نمایشگاه GTC ارائه شده‌اند؛ تحلیل خواهد کرد.
تبلیغات

علاقه‌ی دانشمندان کامپیوتر و سرشناسان صنعت تکنولوژی به هوش مصنوعی برپایه‌ی یادگیری عمیق را نمی‌شود با کلمات توصیف کرد. در صحبت‌های پروفسورهای کامپیوتر می‌توان شنید که تقریبا هر مشکلی با این دستاورد قابل حل است. به زودی هر وظیفه‌ای را می‌شود با هوش مصنوعی اتوماسیون کرد. با رشد سریع ماشین‌های خودران (self-driving cars)، ربات‌های قابل استفاده در انبارها، دستیارهایی برای تشخیص مشکلات ماشین و نرم‌افزارهای تشخیص چهره و صدا؛ به نظر دانشمندان دلایل زیادی برای خوش‌بین بودن به آینده‌ی این تکنولوژی دارند.

یکی از افراد خوش‌بین به آینده‌ی هوش مصنوعی، «ژن‌سان هوانگ»، مدیرعامل انویدیا است. کسی که بر روی صحنه‌ بهترین نمایش‌ها را دارد و در کنفرانس GTC با معرفی محصولات جدید شرکت خود بسیاری را به یاد استیو جابز در زمان معرفی یک گجت جدید از شرکت اپل می‌انداخت. هرچند انویدیا امسال بسیار بیشتر از یک محصول برای ارائه داشت. این شرکت درحال ارائه‌ی پشت سر هم محصولات خود بر پایه‌ی هوش مصنوعی است؛ از سخت‌افزار و نرم‌افزار گرفته تا سیستم‌های عیب‌یاب. در ادامه جمع‌بندی کوتاهی از محصولات ارائه شده‌ی این شرکت و کنفرانس GTC امسال را خواهید دید: 

سخت‌افزارها: Tesla P100 GPU و ابررایانه‌ی DGX-1

DGX-1 نظر تمام کسانی که به انویدیا به عنوان تولیدکننده‌ی کارت‌های گرافیک مصرفی نگاه می‌کنند را تغییر خواهد داد. این محصول یک کامپیوتر ۱۲۹ هزار دلاری با ۸ پردازنده‌ی گرافیکی از آخرین محصولات این شرکت؛ و با معماریِ پاسکال است. این ابررایانه در «یادگیریِ تحت نظارت»، نزدیک به ۱۰ برابر سریع‌تر از پرچمدار قبلی این شرکت است. برای کسانی که به دنبال محصولی کمتر آوانگارد اما بسیار ارزان‌تر هستند؛ این شرکت M40 را برای آموزش سطح بالا؛ و M4 را برای پروسه‌های هوش مصنوعی با عملکرد عالی و قدرت پایین پیشنهاد می‌کند.

AI hardware

ابزارهای گسترش: ComputeWorks، Deep Learning SDK، cuDNN 5

انویدیا هوش مصنوعی و به طور خاص گسترش‌دهنده‌های شبکه‌های عصبی (neural net) را برای مدتی با SDK یادگیری عمیق خود پشتیبانی کرده است. در GTC این شرکت نسخه‌ی ۵ کتابخانه‌ی نورال نت خود (cuDNN)‌ را معرفی کرد. این نسخه با پشتیبانی از «Tesla P100 GPU»، عملکردی سریع‌تر و مصرف حافظه‌ی پایین‌تری خواهد داشت.انویدیا همچنین پشتیبانی از شبکه‌های بازگشتی (RNNs) را به این نرم‌افزار اضافه کرده است که به طور خاص برای برنامه‌هایی که با دیتاهای «time series» کار می‌کنند مناسب است (مانند سیگنال‌ها در نرم‌افزارهای تشخیص صدا).

با این وجود CuDNN رقیبی برای ابزارهای گسترش بزرگ neural net نیست. در عوض به عنوان لایه‌ای زیربنایی برای پیاده‌سازی‌ سریع‌تر ابزارهای محبوبی مانند «Google TensorFlow»، «UC Berkeley’s Caffe»، «University of Montreal’s Theano» و «NYU’s Torch» کار می‌کند. هرچند انویدیا پیشنهاد خود را نیز برای ران‌تایم شبکه‌های عصبی ارائه می‌کند. محصولی به نام «انویدیا GPU Inference Engine». این شرکت قدرتی تا اندازه‌ی ۲۰ تصویر در ثانیه در وات را برای این ابزار بر روی مدل‌های Tesla M4 و Jetson Tx1 پیش‌بینی می‌کند. CuDNN 5، GIE و SDK جدید این شرکت همگی به عنوان بخشی از آپدیت «ComputeWorks» در دسترس عموم خواهند بود.

Berkeley brett

هوانگ در سخنرانی خود به ابزار گسترش شرکت گوگل، TensorFlow، به شکل خاص ادای احترام کرد. او به متن‌باز بودنِ این ابزار اشاره کرد و آن را قدمی در راه دموکراتایز کردنِ هوش مصنوعی خواند. به دلیل در دسترس بودن منابع، انویدیا یک نسخه‌ی هماهنگ شده از TensorFlow را برای DGX-1 ارائه کرد. این نسخه با حضور سرپرست TensorFlow، «رجعت مونگا» ارائه شد؛ و کاربردهای آن بر روی مانیتور سالن به نمایش درآمد.

انویدیا همچنین در نمایشگاه پوستر در لابی GTC (که همیشه از بخش‌های جذاب کنفرانس است) چندین و چند پژوهش مختلف بر پایه‌ی GPUها را به نمایش گذاشت. این شرکت یک ماشین یادگیری عمیق را نیز برای حل مسائل علمی به مخاطبان ارائه کرد. امسال برنده‌ی بخش محبوب «شرکت‌های نو پا» این نمایشگاه نیز یک اپلیکیشنِ یادگیری عمیق بود. نرم‌افزاری به نام «Startup Sadako» که توسط شبکه‌های یادگیری به ربات‌ها یاد می‌دهد که چگونه در بین پسماندها آن‌هایی که قابل بازیافت هستند را تشخیص دهند و جدا سازی کنند. «BriSky» نیز یکی دیگر از شرکت‌های محبوب نمایشگاه بود. یک شرکت تولید پهپاد که در ساخت محصولاتش از یادگیری عمیق کمک می‌گیرد. این پهپادها می‌توانند وظایف پیچیده‌ای مانند بازرسی و نظارت را به شکل خودکار و بدون هدایت انسان انجام دهند.

JetPack به ساختن ابزار فیزیکی هوش مصنوعی کمک می‌کند

پس از برنامه‌نویسی نرم‌افزارهای هوش مصنوعی؛ بسیاری از اپلیکیشن‌ها به محصولی مانند یک وسیله‌ی نقلیه‌ی فیزیکی یا ربات تبدیل می‌شوند. JetPack SDK شرکت انویدیا،‌ که موتورِ اصلی کیت گسترش Jetson TX1 است، نه تنها کتاب‌خانه‌ای از  ابزار برنامه‌نویسی را بر پایه «اوبونتو» ارائه می‌دهد؛ بلکه کتابخانه‌ای را برای یکپارچه‌سازیِ «ویژن کامپیوتر» (انویدیا VisionWorks و OpenCV4Tegra) به همراه انویدیا GameWorks، cuDNN و CUDA عرضه می‌کند. این شرکت همچنین در نمایشگاه چند پروژه جالب را به نمایش گذاشت که با ترکیب کردن JerPack SDK و Jetson TX1 تهیه می‌شوند. از جمله یک ماشین مسابقه با رانش خودکار که در ابعاد مینیاتور ارائه شد و یک ماشین ۳ چرخ خودران در ابعاد واقعی. هردوی این محصولات از پروژه‌های دانشگاه MIT ایالات متحده هستند.

فراتر از مرزهای رایانش

هوانگ همچنین به این مسئله اشاره کرد که نمونه‌های امروزی یادگیری عمیق، که با پیشرفت‌های الگوریتم و قدرت GPUها ممکن شده‌اند، نگاه ما به توانایی‌های کامپیوتر را کاملا دگرگون کرده‌اند. به عنوان مثال، رباتِ Berkeley’s Brett (تصویر بالا) می‌تواند وظایفی مانند تا کردن لباس‌ها، سر هم کردن مدل‌های پیش‌ساخته یا بستن درِ یک بطری را با آزمون و خطا بیاموزد. به این ترتیب نیازی به برنامه‌نویسی مجزا برای هرکدام از وظایف یک ربات نخواهید داشت. سیستم تشخیص چهره‌ی شرکت مایکروسافت نیز اخیرا به دقتی چندین برابر دقت تشخیص انسان رسیده است. تا یک سال پیش دقت تشخیص چهره‌ی انسان به عنوان استاندارد طلایی و هدف نهایی شرکت‌های طراحی نرم‌افزار شناخته می‌شد. همچنین نرم‌افزارِ AlphaGo با تسلط بر یکی از پیچیده‌ترین بازی‌های ریاضی (بازی تخته‌ایِ Go)  سر و صدای زیادی (حتی در بین کسانی که با هوش مصنوعی آشنا نیستند) به پا کرد.

آیا انویدیا یک ابرانسان تولید کرده است؟

بنرهای بزرگی که سرتاسر نمایشگاه GTC را پوشش داده‌اند ادعا می‌کنند که نرم‌افزار رانندگی خودکار شرکت انویدیا در ساعات طولانی راننده‌ی بهتری از انسان‌ها خواهد بود. این شعار تبلیغاتی، به تمرینی ۴۸۰۰ کیلومتری اشاره می‌کند که DAVENET (نرم‌افزار انویدیا) به خود دیده‌است تا ویدیوی دمویی را به وجود آورد که در GTC به نمایش در آمد. این ادعا تا حد زیادی یک فعالیت تبلیغاتی است و در ویدیوی پخش شده؛ این نرم‌افزار کار خارق‌العاده‌ای انجام نمی‌دهد و از حادثه‌ی چندان مهمی جان سالم به در نمی‌برد. هرچند به نظر می‌رسد که این برنامه می‌تواند راه خود را در مسیرهای جاده‌ای و حتی خارج از جاده به راحتی پیدا کند. اگر DAVENET تمام این راه‌ها را در حین رانندگی (و طبق گفته‌ی ویدیو در طول ۶ ماه) آموخته باشد؛ همین مسئله به تنهایی دستاوردی بزرگ خواهد بود. تمام این پیشرفت‌ها در هوش مصنوعی تنها بخش بسیار کوچکی از آینده هستند. آینده‌ای که انویدیا قصد دارد یکی از بازیگرانِ مهم آن باشد.

تبلیغات
داغ‌ترین مطالب روز

نظرات

تبلیغات