- વર્ષોથી આપણે સીપીયુ સાથે જોડાયેલા છીયે
- પ્રસંગપટ
- ગુગલનું TPU એ એક મહત્વનું ઉદાહરણ છે તે ક્લાઉડ જાયન્ટ્સ અને ક્ષમતા માટે ઉપયોગી બન્યું છે
કોમ્પ્યુટરનો ઉપયોગ શરૂ થયો ત્યાથી આપણે સીપૂયુના નામથી માહિતગાર છીયે. એટલેકે આપણે તેમને કોમ્પ્યુટરનું હાર્ટ કહેતા હતા. જો કે, હવે AI એપ્લિકેશન્સનમાં એકસાથે વિશાળ માત્રામાં ડેટા પ્રોસેસ કરવાની જરૂર પડે છે, જેણે વિશિષ્ટ પ્રોસેસર્સની માંગ ઊભી કરી છે.
કોઈ એક જ પ્રકારની ચિપ પર આધાર રાખવાને બદલે, આધુનિક સિસ્ટમો અવારનવાર બહુવિધ પ્રોસેસર્સને જોડે છે, જેમાં દરેક પ્રોસેસર તે કાર્યો સંભાળે છે જે તે શ્રેષ્ઠ રીતે કરી શકે છે.
CPU સર્વ-હેતુય (all-purpose) પ્રોસેસર કહેવાય છે. તે દરેક કમ્પ્યુટર, સ્માર્ટફોન અને સર્વરમાં જોવા મળે છે.
તે ઓપરેટિંગ સિસ્ટમ્સ, એપ્લિકેશન્સ, વેબ બ્રાઉઝિંગ અને બિઝનેસ સોફ્ટવેર સહિત વિવિધ પ્રકારના કાર્યોને સંભાળવા માટે ડિઝાઇન કરવામાં આવ્યું છે.
CPUની મુખ્ય ક્ષમતાઓમાં સમગ્ર સિસ્ટમની કામગીરીનું સંચાલન કરવું, સામાન્ય સોફ્ટવેર એપ્લિકેશન્સ ચલાવવી
સિસ્ટમમાં અન્ય પ્રોસેસર્સનું સંકલન કરવું વગેરેનો સમાવેશ થાય છે. CPUજ થી વિપરીત, જે થોડા શક્તિશાળી પ્રોસેસિંગ સિસ્ટમ પર ધ્યાન કેન્દ્રિત કરે છે, GPUજ હજારો નાના ડેટા પર ધ્યાન આપે છે. જે સમાંતર મોટી માત્રામાં ડેટા પ્રોસેસ કરી શકે છે.
GPU પછી TPU ની વાત આવે છે. જે ગુગલનું AI સ્પેશિયાલિસ્ટ ટેન્સર પ્રોસેસિંગ યુનિટ કહેવાય છે. ગુગલ દ્વારા વિકસાવવામાં આવેલ એક વિશિષ્ટ AI એક્સિલરેટર છે. GPUજ થી વિપરીત, જે બહુવિધ હેતુઓ પૂરા પાડે છે, TPUs ખાસ કરીને ન્યુરલ નેટવર્ક્સ અને ટેન્સર ગણતરીઓ સાથે સંકળાયેલા મશીન લનગ ઓપરેશન્સ માટે ડિઝાઇન કરવામાં આવ્યા છે. આ કેન્દ્રિત ડિઝાઇન તેમને AI ટ્રેનિંગ અને ઇન્ફરન્સ વર્કલોડ માટે ઉચ્ચ કાર્યક્ષમતા પ્રદાન કરવા સક્ષમ બનાવે છે.
TPUજનો પ્રાથમિક ઉપયોગ ગુગલની ક્લાઉડ ઇકોસિસ્ટમમાં થાય છે અને તે કંપનીની ઘણી AI સેવાઓને પાવર આપે છે. તાજેતરની જનરેશન્સ પર્ફોર્મન્સ અને ઉર્જા કાર્યક્ષમતામાં સુધારો કરવાની સાથે વધુને વધુ મોટા AI મોડલ્સને સપોર્ટ કરવા માટે બનાવવામાં આવી છે. TPU પછી હવે NPU પણ ચર્ચામાં છે.
પ્રોસેસર ફેમિલીનું સૌથી નવું સભ્ય એટલે NPU, અથવા ન્યુરલ પ્રોસેસિંગ યુનિટ છે. NPUજ ખાસ કરીને AI કાર્યો માટે ડિઝાઇન કરવામાં આવ્યા છે અને તે સ્માર્ટફોન, પર્સનલ કમ્પ્યુટર્સમાં વધુને વધુ જોવા મળી રહ્યા છે, જે દરેક કાર્યને રિમોટ ડેટા સેન્ટરોમાં મોકલવાને બદલે AI ક્ષમતાઓને સીધી ઉપકરણો પર લાવે છે.
તેમનો પ્રાથમિક ફાયદો કાર્યક્ષમતા છે, કારણ કે તેઓ CPUજ અથવા GPUજ કરતાં નોંધપાત્ર રીતે ઓછી પાવરનો વપરાશ કરીને AI ગણતરીઓ કરી શકે છે.
સામાન્ય NPU-સંચાલિત કાર્યોમાં શામેલ છે. જેમકે રિયલ-ટાઇમ ભાષા અનુવાદ, AI ફોટો અને વીડિયો એન્હાન્સમેન્ટ્સ (સુધારાઓ)વોઇસ રેકગ્નિશન (અવાજ ઓળખવો) વગેરેમાં બહુ ઉપયોગી છે.
AI પ્રોસેસિંગ સ્થાનિક રીતે (લોકલી) થઈ શકતું હોવાથી, NPUજ પ્રાઇવસીમાં સુધારો કરી શકે છે, લેટન્સી (વિલંબ) ઘટાડી શકે છે અને ક્લાઉડ સેવાઓ પરની નિર્ભરતા ઓછી કરી શકે છે.
AIની શરૂઆત કરાઇ ત્યારે હાઇપરસ્કેલર્સનું મહત્વ પણ વધાર્યું છે, જે એવી ક્લાઉડ કંપનીઓ છે જે વૈશ્વિક સ્તરે કમ્પ્યુટિંગ સંસાધનોને સ્કેલ કરવા માટે સક્ષમ વિશાળ ડેટા સેન્ટર્સ ચલાવે છે.
એમેઝોન વેબ સર્વિસીસ (AWS), માઇક્રોસોફ્ટ અઝયુર (Azure), અને ગુગલ ક્લાઉડ જેવા મોટા હાઇપરસ્કેલર્સ મોટા પાયે ક્લાઉડ કમ્પ્યુટિંગ અને AI સેવાઓ પ્રદાન કરવા માટે CPUજ, GPUજ, TPUજ અને અન્ય વિશિષ્ટ એક્સિલરેટર્સના મિશ્રણ પર આધાર રાખે છે.
જેમ જેમ AI ની માંગ વધી રહી છે, તેમ તેમ હાઇપરસ્કેલર્સ પર્ફોર્મન્સ સુધારવા અને ખર્ચનું સંચાલન કરવા માટે તેમની પોતાની વિશિષ્ટ ચિપ્સમાં રોકાણ કરી રહ્યા છે. ગુગલનું TPU એ એક મહત્વનું ઉદાહરણ છે કે કેવી રીતે ક્લાઉડ જાયન્ટ્સ તેમની AI ક્ષમતાઓને મજબૂત કરવા માટે કસ્ટમ હાર્ડવેર બનાવી રહ્યા છે.
