كشفت شركة إنتل عما تسميه معالج الشبكة العصبية Nervana (NNP)؛ أول شريحة متاحة تجاريًا للشركة مصممة من الألف إلى الياء لتطبيقات التعلم العميق. جاء الكشف أيضًا بمفاجأة: تعمل Intel مع Facebook لتصنيع أجهزتها المخصصة للذكاء الاصطناعي.
انظر ذات الصلة
تعد مجموعة Nervana NNP، والمعروفة رسميًا باسم "Lake Crest"، بمثابة استجابة إنتل للاستخدام المتزايد للآلات تقنيات التعلم، ودحض الاهتمام المتزايد بسيليكون Nvidia لأحمال عمل الذكاء الاصطناعي (والتي قد راى ارتفعت إيرادات تلك الشركة في العام الماضي).
من خلال مجموعة شرائح مخصصة للتعلم العميق، تأمل إنتل أن تتمكن من الاستيلاء على سوق مراكز بيانات الذكاء الاصطناعي مثلما استحوذت على مجموعات مراكز البيانات التقليدية. الحافةعلى سبيل المثال، يشير إلى أن شركة إنتل تمتلك حصة سوقية تبلغ 96% في مراكز البيانات. إذا كان التعلم الآلي هو المستقبل، فإن إنتل تريد شريحة من تلك الكعكة ذاتية التطور.
لست متأكدا من الفرق بين التعلم الآلي والذكاء الاصطناعي؟ لدينا كتاب تمهيدي مفيد هنا.
أدخل Nervana NNP، الذي يعزز استحواذ الشركة في أغسطس 2016 على شركة التعلم العميق أنظمة نيرفانا. في العام الماضي، دفعت الشركة أكثر من 400 مليون دولار (303 مليون جنيه إسترليني) لشركة ناشئة للتعلم العميق مكونة من 48 شخصًا، وكان من المتوقع على نطاق واسع أن تقوم إنتل بدفعة نحو التعلم العميق لمراكز البيانات.
لكن الأمر الأكثر إثارة للدهشة هو الكشف عن أن فيسبوك كان له دور مركزي في إنشاء Nvana NNP. "يسعدنا أن يكون لدى Facebook تعاون وثيق لمشاركة رؤاهم التقنية بينما نأتي بهذا الجيل الجديد "من أجهزة الذكاء الاصطناعي إلى السوق"، كتب الرئيس التنفيذي لشركة إنتل، بريان كرزانيتش، في منشور بالمدونة، تم نشره جنبًا إلى جنب مع الإعلان يوم الثلاثاء.
إن إنتل غامضة بعض الشيء بشأن ما قدمه فيسبوك على وجه التحديد في طريق "البصيرة التقنية"، ولكن من المؤكد أن قوى التعلم العميق الأكبر هي في صالح الشبكة الاجتماعية. المزيد من إمكانات التعلم الآلي تعني أنها تستطيع فعل المزيد في طريقة تقديم صفحات مخصصة وتنبؤية للمستخدمين. وهذا يعني المزيد من الاستهداف المنعزل للمعلنين.
Intel أيضًا غامضة بشأن السرعات الدقيقة لمجموعة Nervana NNP الخاصة بها. الشركة حتى الآن فقط قائلا إنها "تهدف إلى تقليل الوقت اللازم لتدريب نموذج التعلم العميق على مدى السنوات الثلاث القادمة بمقدار يصل إلى 100 مرة مقارنة بحلول GPU". تم تحديد الهدف المتمثل في تحقيق سرعة 100 ضعف في التدريب حاليًا لعام 2020.
