Yapay zekâ, daha verimli çipler tasarlayarak krizi çözebilir

Yapay zekâ sistemlerinin kullanım alanı genişledikçe, bu modelleri çalıştıran veri merkezlerinin işlem gücü ihtiyacı da büyüyor. Daha fazla sunucu ve veri merkezi kurmak kısa vadede kapasiteyi artırabilir; ancak enerji, bant genişliği, wafer ve üretim tesisi gibi kaynaklar üzerindeki baskı da aynı ölçüde artıyor. Ricursive Intelligence, bu soruna yalnızca daha fazla donanım ekleyerek değil, kullanılan çipleri daha verimli hâle getirerek yanıt vermeyi amaçlıyor.

Şirketin kurucuları Anna Goldie ve Azalia Mirhoseini, yapay zekânın çip geliştirme sürecinde daha etkin kullanılması hâlinde daha kısa sürede daha başarılı tasarımlar elde edilebileceğini düşünüyor. Goldie, önümüzdeki beş yıl içinde işlem gücüne yönelik talebin en az 10.000 kat artabileceğini belirtiyor. Bu ölçekteki bir talebi karşılamak için veri merkezi kapasitesini aynı hızda büyütmek yeterli ve sürdürülebilir olmayabilir. Bu nedenle donanımın mevcut kaynakları daha verimli kullanması, yapay zekâ altyapısının geleceği açısından kritik bir konu hâline geliyor.

Yapay zekâ tasarım sürecini nasıl değiştiriyor?

Ricursive Intelligence’ın yaklaşımı, çip tasarımını yalnızca mühendislerin belirlediği kurallarla yürütülen tek seferlik bir işlem olarak görmüyor. Sistem, farklı tasarımlar oluşturuyor, bu tasarımların sonuçlarını değerlendiriyor ve elde ettiği bilgiyi sonraki denemelerde kullanıyor. Her yeni yineleme, önceki tasarımın performansını iyileştirmek için bir veri kaynağına dönüşüyor.

Geleneksel yöntemde büyük bir çip, çok sayıda küçük bölüme ayrılıyor. Mühendisler daha sonra bu parçaları ayrı ayrı optimize ederek genel tasarımı geliştirmeye çalışıyor. Ricursive Intelligence’ın kurucuları ise yapay zekânın çipin tamamını aynı anda değerlendirmesinin farklı sonuçlar ortaya çıkarabileceğini savunuyor. Bu yaklaşım, parçalar arasındaki ilişkileri daha geniş bir çerçevede incelemeye ve alışılmışın dışındaki yerleşim seçeneklerini test etmeye imkân sağlayabiliyor.

Yapay zekânın oluşturduğu alternatifler, insanların ilk bakışta tercih etmeyeceği şekiller içerebiliyor. Dalga biçimli çizgiler, halka benzeri düzenler ve alışılmadık geometrik yerleşimler bu seçenekler arasında bulunuyor. Buradaki amaç yalnızca farklı görünen bir çip üretmek değil; bileşenleri, bağlantıları ve kaynak kullanımını belirli bir göreve göre daha verimli biçimde düzenlemek.

Goldie ve Mirhoseini’nin daha önce geliştirdiği AlphaChip sistemi de bu yaklaşımın örneklerinden birini ortaya koydu. Sistem, çip bileşenlerini dairesel ya da halka benzeri bir düzende konumlandıran bir tasarım üretti. İlk bakışta mühendisler için alışılmadık görünen bu yerleşim başarılı bir sonuç verdi. Bu örnek, yapay zekânın yalnızca insanların daha önce kullandığı kalıpları tekrar etmek zorunda olmadığını; daha az belirgin alternatifleri de değerlendirebildiğini gösteriyor.

Çip geliştirme süresi kısalırsa ne değişebilir?

Yeni bir çipin tasarlanması altı ay, bir yıl ya da iki yıl sürebiliyor. Bu süreler, şirketlerin hangi projelere yatırım yapacağını dikkatle seçmesini gerektiriyor. Geliştirme maliyeti ve zaman ihtiyacı yükseldikçe, yalnızca çok büyük bir pazara hitap edecek ürünler ekonomik açıdan daha kolay savunulabiliyor. Ricursive Intelligence ise yapay zekâ destekli bir süreçle tasarım süresini yaklaşık bir haftaya kadar indirmeyi hedefliyor.

Bu hedefe ulaşılması, daha küçük veya daha özel kullanım alanları için çip geliştirilmesini kolaylaştırabilir. Uzay teknolojileri, artırılmış gerçeklik, sanal gerçeklik ve biyolojik bilgi işlem, şirketin bu yaklaşımın kullanılabileceğini düşündüğü alanlar arasında yer alıyor. Her görev için aynı donanımı kullanmak yerine, belirli bir iş yüküne göre optimize edilen çipler daha düşük enerji tüketimi sağlayabilir. Aynı zamanda veri merkezlerinde bulunan işlem, bant genişliği ve üretim kaynaklarının daha verimli kullanılmasına yardımcı olabilir.

Yapay zekânın tasarım sürecindeki rolünün artması, mühendislerin tamamen devre dışı kalacağı anlamına gelmiyor. Kurucuların yaklaşımına göre insanlar hedefleri, tasarım ölçütlerini ve yaratıcı fikirleri belirlemeye devam edebilir. Yapay zekâ ise çok sayıda alternatifi üretme, sonuçları karşılaştırma ve uygulanabilir seçenekleri ayıklama görevlerini üstlenebilir. Böylece mühendislerin zamanını, her seçeneği elle denemek yerine sistemin hedeflerini tanımlamaya ve sonuçları değerlendirmeye ayırması mümkün olabilir.

Ricursive Intelligence’ın çalışmaları, artan işlem gücü ihtiyacına yalnızca daha fazla kapasite ekleyerek yanıt verme yaklaşımından ayrılıyor. Şirket, aynı donanım kaynaklarından daha fazla verim alınmasını sağlayacak tasarımlara odaklanıyor. Yapay zekânın ürettiği alışılmadık yerleşimlerin gerçek üretim süreçlerinde ne ölçüde yaygınlaşacağı ise çalışmalar ilerledikçe netleşecek. Yine de bu yaklaşım, çip tasarımında deneme süresini kısaltma ve daha özel donanımlar geliştirme potansiyeli nedeniyle önem taşıyor.