Το φωτονικό υλικό AI της Lightmatter είναι έτοιμο να λάμψει με νέα χρηματοδότηση 154 εκατομμυρίων δολαρίων

Εκκίνηση φωτονικών υπολογιστών

Η ελαφριά ύλη

βάζει τα δυνατά του στην ταχέως αναπτυσσόμενη αγορά υπολογιστών τεχνητής νοημοσύνης με έναν συνδυασμό υλικού-λογισμικού που υποστηρίζει ότι θα βοηθήσει τη βιομηχανία να ανέβει επίπεδο — και θα εξοικονομήσει πολύ ηλεκτρική ενέργεια για την εκκίνηση.

Τα τσιπ της Lightmatter βασικά χρησιμοποιούν οπτική ροή για την επίλυση υπολογιστικών διαδικασιών όπως τα διανυσματικά προϊόντα μήτρας. Αυτά τα μαθηματικά βρίσκονται στο επίκεντρο πολλών εργασιών τεχνητής νοημοσύνης και εκτελούνται επί του παρόντος από GPU και TPU που ειδικεύονται σε αυτά, αλλά χρησιμοποιούν παραδοσιακές πύλες πυριτίου και τρανζίστορ.

Το θέμα με αυτά είναι ότι πλησιάζουμε τα όρια της πυκνότητας και επομένως της ταχύτητας για μια δεδομένη ισχύ ή μέγεθος. Εξακολουθούν να γίνονται πρόοδοι, αλλά με μεγάλο κόστος και ωθώντας τα άκρα της κλασικής φυσικής. Οι υπερυπολογιστές που καθιστούν δυνατά μοντέλα εκπαίδευσης όπως το GPT-4 είναι τεράστιοι, καταναλώνουν τεράστια ποσά ενέργειας και παράγουν πολλή σπατάλη θερμότητας.

«Οι μεγαλύτερες εταιρείες στον κόσμο χτυπούν ένα τείχος ενεργειακής ισχύος και αντιμετωπίζουν τεράστιες προκλήσεις με την επεκτασιμότητα της τεχνητής νοημοσύνης.

Τα παραδοσιακά τσιπ ξεπερνούν τα όρια του δυνατού ψύξης και τα κέντρα δεδομένων παράγουν όλο και πιο μεγάλα ενεργειακά αποτυπώματα. Η πρόοδος της τεχνητής νοημοσύνης θα επιβραδυνθεί σημαντικά, εκτός εάν αναπτύξουμε μια νέα λύση στα κέντρα δεδομένων», δήλωσε ο Διευθύνων Σύμβουλος και ιδρυτής του Lightmatter, Nick Harris.

“

Κάποιοι έχουν προβλέψει ότι η εκπαίδευση ενός μοντέλου μεγάλης γλώσσας μπορεί να πάρει περισσότερη ενέργεια από ό,τι καταναλώνουν 100 σπίτια στις ΗΠΑ σε ένα χρόνο. Επιπλέον, υπάρχουν εκτιμήσεις ότι το 10%-20% της συνολικής παγκόσμιας ισχύος θα πάει σε συμπέρασμα τεχνητής νοημοσύνης μέχρι το τέλος της δεκαετίας, εκτός εάν δημιουργηθούν νέα υπολογιστικά πρότυπα.

Το Lightmatter, φυσικά, σκοπεύει να είναι ένα από αυτά τα νέα παραδείγματα. Η προσέγγισή του είναι, τουλάχιστον δυνητικά, ταχύτερη και πιο αποτελεσματική, χρησιμοποιώντας συστοιχίες μικροσκοπικών οπτικών κυματοδηγών για να αφήσει το φως να εκτελεί ουσιαστικά λογικές πράξεις απλώς περνώντας μέσα από αυτούς: ένα είδος αναλογικού-ψηφιακού υβριδίου. Δεδομένου ότι οι κυματοδηγοί είναι παθητικοί, η κύρια τροφοδοσία ρεύματος δημιουργεί το ίδιο το φως και, στη συνέχεια, διαβάζει και χειρίζεται την έξοδο.

Μια πραγματικά ενδιαφέρουσα πτυχή αυτής της μορφής οπτικού υπολογισμού είναι ότι μπορείτε να αυξήσετε την ισχύ του τσιπ απλώς χρησιμοποιώντας περισσότερα από ένα χρώματα ταυτόχρονα. Το μπλε κάνει μια λειτουργία ενώ το κόκκινο κάνει μια άλλη — αν και στην πράξη είναι περισσότερο σαν το μήκος κύματος 800 νανόμετρα να κάνει μια, τα 820 να κάνουν μια άλλη. Δεν είναι ασήμαντο να το κάνουμε, φυσικά, αλλά αυτά τα “εικονικά τσιπ” μπορούν να αυξήσουν κατά πολύ τον όγκο των υπολογισμών που γίνονται στη συστοιχία. Διπλάσια χρώματα, διπλάσια δύναμη.

Ο Χάρις ξεκίνησε την εταιρεία με βάση την εργασία οπτικών υπολογιστών που έκανε ο ίδιος και η ομάδα του στο MIT (το οποίο αδειοδοτεί τα σχετικά διπλώματα ευρεσιτεχνίας σε αυτούς) και κατάφερε να τσακώσει έναν κύκλο 11 εκατομμυρίων δολαρίων το 2018. Ένας επενδυτής είπε τότε ότι «αυτό δεν είναι επιστημονικό έργο», αλλά ο Χάρις παραδέχτηκε το 2021 ότι ενώ γνώριζαν ότι «κατ’ αρχήν» η τεχνολογία θα έπρεπε να λειτουργεί, έπρεπε να γίνουν πολλά για να γίνει λειτουργική. Ευτυχώς, μου έλεγε ότι στο πλαίσιο των επενδυτών που έριξαν άλλα 80 εκατομμύρια δολάρια στην εταιρεία.

Τώρα το Lightmatter έχει συγκεντρώσει έναν κύκλο 154 εκατομμυρίων δολαρίων C και ετοιμάζεται για το πραγματικό του ντεμπούτο. Διαθέτει αρκετούς πιλότους με την πλήρη στοίβα Envise (υπολογιστικό υλικό), Passage (διασύνδεση, ζωτικής σημασίας για μεγάλες υπολογιστικές λειτουργίες) και Idiom, μια πλατφόρμα λογισμικού που λέει ο Harris θα πρέπει να επιτρέπει στους προγραμματιστές μηχανικής μάθησης να προσαρμοστούν γρήγορα.

«Έχουμε δημιουργήσει μια στοίβα λογισμικού που ενσωματώνεται άψογα με τα PyTorch και TensorFlow. Η ροή εργασίας για τους προγραμματιστές μηχανικής μάθησης είναι η ίδια από εκεί — παίρνουμε τα νευρωνικά δίκτυα που είναι ενσωματωμένα σε αυτές τις τυπικές εφαρμογές του κλάδου και εισάγουμε τις βιβλιοθήκες μας, έτσι όλος ο κώδικας εκτελείται στο Envise», εξήγησε.

Η εταιρεία αρνήθηκε να κάνει συγκεκριμένους ισχυρισμούς σχετικά με επιταχύνσεις ή βελτιώσεις απόδοσης και επειδή είναι διαφορετική αρχιτεκτονική και μέθοδος υπολογισμού, είναι δύσκολο να γίνουν συγκρίσεις μεταξύ μήλων και μήλων. Αλλά σίγουρα μιλάμε για μια τάξη μεγέθους, όχι για 10% ή 15%. Η διασύνδεση έχει αναβαθμιστεί παρομοίως, καθώς είναι άχρηστο αυτό το επίπεδο επεξεργασίας να είναι απομονωμένο σε μία πλακέτα.

Φυσικά, αυτό δεν είναι το είδος του τσιπ γενικής χρήσης που θα μπορούσατε να χρησιμοποιήσετε στον φορητό υπολογιστή σας. είναι πολύ συγκεκριμένο για αυτό το έργο. Αλλά είναι η έλλειψη εξειδίκευσης των εργασιών σε αυτήν την κλίμακα που φαίνεται να εμποδίζει την ανάπτυξη της τεχνητής νοημοσύνης — αν και το «κρατάω» είναι ο λάθος όρος, καθώς κινείται με μεγάλη ταχύτητα. Αλλά αυτή η ανάπτυξη είναι εξαιρετικά δαπανηρή και δυσκίνητη.

Τα πιλοτικά είναι σε beta και η μαζική παραγωγή έχει προγραμματιστεί για το 2024, οπότε πιθανώς θα πρέπει να έχουν επαρκή ανατροφοδότηση και ωριμότητα για να αναπτυχθούν σε κέντρα δεδομένων.

Η χρηματοδότηση για αυτόν τον γύρο προήλθε από τη SIP Global, την Fidelity Management & Research Company, τη Viking Global Investors, την GV, την HPE Pathfinder και υπάρχοντες επενδυτές.