سخت افزار هوش مصنوعی فوتونیکی Lightmatter با بودجه جدید 154 میلیون دلاری آماده درخشش است

استارت‌آپ محاسبات فوتونیک Lightmatter با ترکیب سخت‌افزاری-نرم‌افزاری که ادعا می‌کند به ارتقای سطح صنعت کمک می‌کند – و صرفه‌جویی زیادی در مصرف برق برای راه‌اندازی خواهد کرد، به بازار محاسبات هوش مصنوعی که به سرعت در حال رشد است، ضربه بزرگی می‌زند.

تراشه های Lightmatter اساساً از جریان نوری برای حل فرآیندهای محاسباتی مانند محصولات بردار ماتریس استفاده می کنند. این ریاضی در قلب بسیاری از کارهای هوش مصنوعی قرار دارد و در حال حاضر توسط GPU ها و TPU هایی که در آن تخصص دارند، اما از گیت ها و ترانزیستورهای سیلیکونی سنتی استفاده می کنند، انجام می شود.

مشکل آن ها این است که ما به محدودیت های چگالی و بنابراین سرعت برای یک وات یا اندازه معین نزدیک می شویم. پیشرفت‌هایی هنوز در حال انجام است، اما با هزینه‌های گزاف و پیش‌بردن لبه‌های فیزیک کلاسیک. ابررایانه‌هایی که مدل‌های آموزشی مانند GPT-4 را ممکن می‌سازند، بسیار زیاد هستند، انرژی زیادی مصرف می‌کنند و گرمای اتلاف زیادی تولید می‌کنند.

«بزرگ‌ترین شرکت‌های جهان در حال برخورد با دیوار قدرت انرژی هستند و چالش‌های بزرگی را با مقیاس‌پذیری هوش مصنوعی تجربه می‌کنند. تراشه‌های سنتی مرزهای خنک‌سازی ممکن را جابجا می‌کنند و مراکز داده ردپای انرژی بزرگ‌تری تولید می‌کنند. نیک هریس، مدیرعامل و موسس Lightmatter، گفت: پیشرفت‌های هوش مصنوعی به میزان قابل توجهی کند می‌شود مگر اینکه راه‌حل جدیدی را در مراکز داده مستقر کنیم.

برخی پیش‌بینی کرده‌اند که آموزش یک مدل زبان بزرگ می‌تواند انرژی بیشتری نسبت به مصرف ۱۰۰ خانه آمریکایی در سال مصرف کند. علاوه بر این، تخمین‌ها وجود دارد که 10 تا 20 درصد از کل انرژی جهان تا پایان دهه به استنباط هوش مصنوعی اختصاص خواهد یافت، مگر اینکه پارادایم‌های محاسباتی جدیدی ایجاد شود.

البته Lightmatter قصد دارد یکی از آن پارادایم های جدید باشد. رویکرد آن حداقل به طور بالقوه سریع‌تر و کارآمدتر است و با استفاده از آرایه‌هایی از موجبرهای نوری میکروسکوپی به نور اجازه می‌دهد که اساساً عملیات منطقی را فقط با عبور از آنها انجام دهد: نوعی ترکیبی آنالوگ-دیجیتال. از آنجایی که موجبرها غیرفعال هستند، منبع تغذیه اصلی خود نور را ایجاد می کند، سپس خروجی را می خواند و مدیریت می کند.

یکی از جنبه های واقعا جالب این شکل از محاسبات نوری این است که می توانید قدرت تراشه را فقط با استفاده از بیش از یک رنگ در یک زمان افزایش دهید. آبی یک عملیات را انجام می دهد در حالی که قرمز یک عمل دیگر را انجام می دهد – اگرچه در عمل بیشتر شبیه به طول موج 800 نانومتر است که یک عمل را انجام می دهد، 820 یک عمل دیگر را انجام می دهد. البته انجام این کار بی اهمیت نیست، اما این “تراشه های مجازی” می توانند میزان محاسبات انجام شده در آرایه را به میزان زیادی افزایش دهند. دو برابر رنگ، دو برابر قدرت.

هریس شرکت را بر اساس کارهای محاسباتی نوری که او و تیمش در MIT انجام دادند (که مجوز ثبت اختراعات مربوطه را به آنها می دهد) راه اندازی کرد و در سال 2018 موفق شد مبلغ 11 میلیون دلاری را به چالش بکشد. یکی از سرمایه گذاران در آن زمان گفت: “این کار نیست. یک پروژه علمی»، اما هریس در سال 2021 اعتراف کرد که در حالی که می‌دانستند «در اصل» این فناوری باید کار کند، اما کارهای جهنمی زیادی برای عملیاتی کردن آن وجود دارد. خوشبختانه، او به من می گفت که در شرایطی که سرمایه گذاران 80 میلیون دلار دیگر بر روی شرکت کم می کنند.

اکنون Lightmatter یک دور C 154 میلیون دلاری جمع آوری کرده است و برای اولین نمایش واقعی خود آماده می شود. چندین پایلوت با مجموعه کامل Envise (سخت‌افزار محاسباتی)، Passage (ارتباط متقابل، حیاتی برای عملیات‌های محاسباتی بزرگ) و Idiom، یک پلت‌فرم نرم‌افزاری که هریس می‌گوید باید به توسعه‌دهندگان یادگیری ماشین اجازه دهد تا سریعاً سازگار شوند، دارد.

یک Lightmatter واحدی را در اسارت مجسم کنید.

ما یک پشته نرم افزاری ساخته ایم که به طور یکپارچه با PyTorch و TensorFlow ادغام می شود. گردش کار برای توسعه دهندگان یادگیری ماشین از آنجا یکسان است – ما شبکه های عصبی ساخته شده در این برنامه های کاربردی استاندارد صنعتی را می گیریم و کتابخانه های خود را وارد می کنیم، بنابراین همه کدها روی Envise اجرا می شوند.

این شرکت از ارائه هر گونه ادعای خاصی در مورد افزایش سرعت یا بهبود کارایی خودداری کرد و به دلیل اینکه این یک روش معماری و محاسباتی متفاوت است، مقایسه سیب به سیب دشوار است. اما ما قطعاً در امتداد خطوطی از قدر صحبت می کنیم، نه 10 یا 15 درصد. اتصال به طور مشابه ارتقا یافته است، زیرا بی فایده است که آن سطح از پردازش را روی یک برد جدا کنید.

البته این چیپ همه منظوره ای نیست که بتوانید در لپ تاپ خود استفاده کنید. این کار بسیار خاص است. اما به نظر می‌رسد که فقدان ویژگی‌های کار در این مقیاس است که مانع توسعه هوش مصنوعی می‌شود – هر چند «بازداشتن» اصطلاح اشتباهی است زیرا با سرعت زیادی در حال حرکت است. اما این توسعه بسیار پرهزینه و سخت است.

آزمایش‌ها در مرحله بتا هستند و تولید انبوه برای سال 2024 برنامه‌ریزی شده است، در این مرحله احتمالاً باید بازخورد و بلوغ کافی برای استقرار در مراکز داده داشته باشند.

بودجه این دور از سوی SIP Global، Fidelity Management & Research Company، Viking Global Investors، GV، HPE Pathfinder و سرمایه گذاران موجود تامین شد.