آیا واقعاً کسی از توسعه هوش مصنوعی اپل در دستگاه تعجب کرده است؟

اظهار نظر تلاش‌های اپل برای افزودن هوش مصنوعی مولد به آی‌دیوایس‌هایش نباید کسی را شگفت‌زده کند، اما استفاده‌های فعلی کوپرتینویی از این فناوری و محدودیت‌های سخت‌افزار موبایل نشان می‌دهد که در آینده نزدیک این ویژگی بزرگ iOS نخواهد بود.

اپل به موج اخیر تقویت هوش مصنوعی مولد نپیوسته است، حتی به طور کلی از اصطلاحات "AI" یا "هوش مصنوعی" در سخنرانی های اصلی اخیر خود در مقایسه با بسیاری از مشاغل اجتناب می کند. با این حال، یادگیری ماشینی یک قابلیت کلیدی برای اپل بوده و همچنان وجود دارد – عمدتاً در پس‌زمینه در خدمت بهبودهای ظریف در تجربه کاربر.

استفاده اپل از هوش مصنوعی برای پردازش تصاویر یکی از نمونه های این فناوری در کار در پس زمینه است. وقتی iThings عکس می‌گیرد، الگوریتم‌های یادگیری ماشین برای شناسایی و برچسب‌گذاری سوژه‌ها، اجرای تشخیص نوری کاراکتر و افزودن پیوندها وارد کار می‌شوند.

در سال 2024 آن نوع هوش مصنوعی نامرئی آن را قطع نمی کند. رقبای اپل از هوش مصنوعی مولد به عنوان یک قابلیت ضروری برای هر دستگاه و برنامه استفاده می کنند. طبق یک اخیر فایننشال تایمز گزارش، اپل بی سر و صدا شرکت های هوش مصنوعی را می خرد و مدل های زبان بزرگ خود را توسعه می دهد تا اطمینان حاصل کند که می تواند ارائه دهد.

مزیت سخت افزاری اپل

واحدهای پردازش عصبی (NPU) در سیلیکون خانگی اپل، پیاده‌سازی‌های هوش مصنوعی موجود آن را مدیریت می‌کنند. اپل از زمان معرفی سیستم روی تراشه A2017 در سال 11 از شتاب‌دهنده‌هایی استفاده کرده است که آن‌ها را «موتورهای عصبی» می‌نامد و از آن‌ها برای مدیریت بارهای کوچک‌تر یادگیری ماشین برای آزاد کردن CPU و GPU دستگاه برای انجام کارهای دیگر استفاده می‌کند.

NPU های اپل به ویژه قدرتمند هستند. A17 Pro موجود در iPhone 15 Pro قادر به هل دادن 35 TOPS است، دو برابر نسخه قبلی خود، و حدودا دو برابر آن برخی از NPU های اینتل و AMD برای استفاده در رایانه های شخصی پیشنهاد می کنند.

آخرین تراشه‌های اسنپدراگون کوالکام از نظر عملکرد NPU دقیقاً در کنار تراشه‌های اپل قرار دارند. مانند اپل، کوالکام نیز سال ها تجربه NPU در دستگاه های تلفن همراه دارد. AMD و Intel در این زمینه نسبتاً جدید هستند.

اپل عملکرد ممیز شناور یا عدد صحیح را برای پردازنده گرافیکی تراشه به اشتراک نمی گذارد، اگرچه از بازی های در حال اجرا قدرتمند خود مانند Resident Evil 4 Remake و Assassin's Creed Mirage تبلیغ کرده است. این نشان می دهد که قدرت محاسباتی عامل محدود کننده برای اجرای مدل های هوش مصنوعی بزرگتر بر روی پلتفرم نیست.

حمایت بیشتر از این واقعیت این است که سیلیکون سری M اپل، که در خطوط مک و آیپد آن استفاده می‌شود، برای اجرای بارهای کاری استنتاج هوش مصنوعی بسیار قوی است. در آزمایش ما، با توجه به حافظه کافی - با کمتر از 16 گیگابایت به مشکل برخوردیم - M1 Macbook Air اکنون سه ساله بیش از توانایی اجرای Llama 2 7B با دقت 8 بیتی بود و حتی با یک 4 بیت سریعتر بود. نسخه کوانتیزه شده مدل به هر حال، اگر می خواهید این را روی M1 Mac خود امتحان کنید، Ollama.ai اجرای Llama 2 را آسان می کند.

جایی که ممکن است اپل مجبور به دادن امتیازات سخت افزاری شود، حافظه است.

به طور کلی، مدل‌های هوش مصنوعی به ازای هر میلیارد پارامتر، زمانی که با دقت 8 بیت کار می‌کنند، به حدود یک گیگابایت حافظه نیاز دارند. این را می توان با کاهش دقت کمتر، چیزی مانند Int-4 یا با توسعه مدل های کوچکتر و کوانتیزه به نصف کاهش داد.

Llama 2 7B به دلیل ردپای نسبتاً جزئی و الزامات محاسباتی آن هنگام اجرای اندازه‌های کوچک، به یک نقطه مرجع رایج برای رایانه‌های شخصی هوش مصنوعی و تلفن‌های هوشمند تبدیل شده است. با استفاده از کوانتیزاسیون 4 بیتی، نیازهای مدل را می توان به 3.5 گیگابایت کاهش داد.

اما حتی با 8 گیگابایت رم در آیفون 15 پرو، ما گمان می‌کنیم که نسل بعدی گوشی‌های اپل به حافظه بیشتری نیاز دارند یا مدل‌ها باید کوچک‌تر و هدفمندتر باشند. این احتمالاً یکی از دلایلی است که اپل ترجیح می دهد مدل های خود را توسعه دهد تا مدل هایی مانند Stable Diffusion یا Llama 2 را برای اجرا در Int-4، همانطور که از کوالکام دیدیم.

همچنین شواهدی وجود دارد که نشان می دهد اپل ممکن است راهی برای حل مشکل حافظه پیدا کرده باشد. همانطور که توسط فایننشال تایمز، در ماه دسامبر، محققان اپل منتشر کردند [PDF] مقاله ای که توانایی اجرای LLM ها را روی دستگاه با استفاده از حافظه فلش نشان می دهد.

منتظر رویکرد محافظه کارانه تری برای هوش مصنوعی باشید

وقتی اپل عملکرد هوش مصنوعی را در پلتفرم های دسکتاپ و موبایل خود معرفی می کند، انتظار داریم رویکردی نسبتا محافظه کارانه در پیش بگیرد.

تبدیل سیری به چیزی که مردم احساس نمی‌کنند نیازی به صحبت کردن با آن مانند یک کودک پیش‌دبستانی ندارد، به نظر می‌رسد یک نقطه شروع واضح است. انجام این کار می‌تواند به این معنی باشد که به یک LLM وظیفه تجزیه ورودی به فرمی را بدهد که سیری بتواند راحت‌تر آن را درک کند، بنابراین ربات می‌تواند پاسخ‌های بهتری ارائه دهد.

اگر یک پرس و جو را به صورت دوربرگردان بیان کنید، سیری به راحتی سردرگم می شود و در نتیجه پاسخ های موثرتری به دست می آید.

در تئوری، این باید چند مزیت داشته باشد. اولین مورد این است که اپل باید بتواند از مدلی بسیار کوچکتر از مدلی مانند Llama 2 استفاده کند.

ممکن است اشتباه کنیم، اما اپل سابقه تاخیر در پیاده‌سازی جدیدترین فناوری‌ها را دارد، اما پس از آن در جایی که دیگران شکست خورده‌اند با صرف زمان برای اصلاح و صیقل دادن ویژگی‌ها تا زمانی که واقعا مفید باشند، به موفقیت دست یافته است.

و برای آنچه ارزش دارد، هوش مصنوعی مولد هنوز موفقیت آمیز بودنش را ثابت نکرده است: شرط بندی بزرگ چت بات مایکروسافت برای جان بخشیدن به موتور جستجوی مورد علاقه هیچکس، بینگ ترجمه نکرده است به افزایش عمده سهم بازار.

در همین حال اپل تاج را به عنوان سال 2024 به دست آورد فروشنده برتر تلفن های هوشمند در حالی که فقط هوش مصنوعی نامرئی را به کار می گیرد. ®

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://go.theregister.com/feed/www.theregister.com/2024/01/25/apple_generative_ai/