به گزارش ایسنا، هوش مصنوعی به عنوان یکی از موتورهای محرکه اصلی نوآوری و پیشرفت در تمامی عرصه‌های علمی، اقتصادی و اجتماعی شناخته می‌شود. توسعه و به‌کارگیری الگوریتم‌های پیشرفته هوش مصنوعی، از تشخیص الگوهای پیچیده در داده‌های حجیم گرفته تا توانایی انجام محاسبات فوق‌العاده پیچیده در کسری از ثانیه، مستلزم زیرساخت‌های پردازشی قدرتمند و تخصصی است. مراکز پردازش سریع هوش مصنوعی، با فراهم آوردن توان محاسباتی لازم، نقشی حیاتی در این زمینه ایفا می‌کنند.

این مراکز که اغلب مجهز به تعداد زیادی واحد پردازش گرافیکی (GPU) یا واحدهای پردازش تنسور (TPU) هستند، وظایف سنگینی چون آموزش مدل‌های یادگیری عمیق (Deep Learning) بر روی مجموعه‌داده‌های عظیم و اجرای سریع الگوریتم‌های استنتاج (Inference) را بر عهده دارند. این توانایی‌ها، سرعت تحقیق و توسعه در حوزه‌هایی نظیر پردازش زبان طبیعی، بینایی ماشین، رباتیک، کشف دارو و علوم مواد را به شدت افزایش داده و امکان دستیابی به نوآوری‌های پیشگامانه را فراهم می‌سازند.

دانشگاه صنعتی شریف، به عنوان یکی از قطب‌های علمی برجسته در منطقه، همواره در خط مقدم پژوهش و توسعه فناوری‌های نوین، از جمله هوش مصنوعی، قرار داشته است. مرکز پردازش سریع هوش مصنوعی این دانشگاه، به عنوان یک زیرساخت کلیدی، بستری را برای پژوهشگران فراهم می‌آورد تا بتوانند مرزهای دانش را جابجا کرده و به دستاوردهای فناورانه نائل آیند. اهمیت این مرکز نه تنها در توانایی پردازشی آن، بلکه در نقشی است که در پرورش نسل جدیدی از متخصصان هوش مصنوعی و پیشبرد پروژه‌های تحقیقاتی تأثیرگذار ایفا می‌کند. بنابراین، هرگونه اختلال یا تعرض به چنین مراکزی، نه تنها سرمایه‌های فیزیکی، بلکه روند پیشرفت علمی و استقلال فناورانه یک کشور را نیز مورد تهدید قرار می‌دهد.

در همین راستا، این مرکز حیاتی از سوی رژیم صهیونستی مورد حمله قرار گرفت که این اقدام، نه‌تنها ضربه‌ای فنی به زیرساخت‌های پژوهشی، بلکه تهاجمی مستقیم به آینده علمی و استقلال فناورانه کشور محسوب می‌شود.

کارکردهای مرکز پردازش

این نوع مراکز، یکی از زیرساخت‌های سخت‌افزاری و نرم‌افزاری پیشرفته‌ای هستند که برای اجرای سریع و کارآمد مدل‌ها و الگوریتم‌های هوش مصنوعی طراحی شده‌اند. از جمله کارکردهای این مراکز شامل این موارد می شود:

آموزش مدل‌های هوش مصنوعی (AI Model Training):

آموزش مدل‌های پیچیده هوش مصنوعی، به خصوص شبکه‌های عصبی عمیق (Deep Neural Networks)، نیازمند پردازش حجم عظیمی از داده‌ها و انجام محاسبات ریاضی بسیار سنگین است.

مراکز پردازش سریع با استفاده از واحدهای پردازش گرافیکی (GPU) یا واحدهای پردازش تنسور (TPU) قدرتمند، این فرآیند را به شدت تسریع می‌کنند. این امر زمان لازم برای آموزش یک مدل را از هفته‌ها یا ماه‌ها به روزها یا حتی ساعت‌ها کاهش می‌دهد.

استنتاج (Inference) یا اجرای مدل‌های هوش مصنوعی

پس از آموزش، مدل‌ها باید بتوانند بر روی داده‌های جدید برای پیش‌بینی، طبقه‌بندی یا تولید محتوا عمل کنند. این مرحله «استنتاج» نام دارد. مراکز پردازش سریع، استنتاج را با تأخیر (Latency) بسیار کم انجام می‌دهند. این فرآیند برای کاربردهایی که نیاز به پاسخ‌دهی آنی دارند، حیاتی است که از جمله آن می‌توان به این موارد اشاره کرد:

خودروهای خودران: نیاز به پردازش لحظه‌ای داده‌های سنسورها برای تصمیم‌گیری
پردازش زبان طبیعی: پاسخ‌دهی سریع به پرسش‌های کاربران در دستیارهای صوتی یا چت‌بات‌ها
تشخیص تصویر و ویدئو: شناسایی اشیاء، چهره‌ها یا رویدادها در زمان واقعی
بازی‌های ویدئویی: رندرینگ و پردازش گرافیکی با سرعت بالا

بهینه‌سازی و توسعه الگوریتم‌ها

توسعه‌دهندگان هوش مصنوعی می‌توانند با استفاده از این مراکز، ایده‌ها و الگوریتم‌های جدید خود را به سرعت آزمایش و ارزیابی کرده و بهبود بخشند، بدون اینکه منتظر زمان طولانی برای اجرای آزمایشی بمانند.

اجزای کلیدی این مراکز معمولاً شامل این موارد است:

سخت‌افزار قدرتمند: تعداد زیادی GPU مانند NVIDIA A100 یا H100 یا TPU، پردازنده‌های مرکزی (CPU) با هسته‌های زیاد، حافظه RAM بالا و شبکه‌های ارتباطی بسیار پرسرعت

ذخیره‌سازی داده با سرعت بالا: سیستم‌های ذخیره‌سازی SSD یا NVMe که امکان دسترسی سریع به داده‌های آموزشی را فراهم می‌کنند.

نرم‌افزارهای تخصصی: فریم‌ورک‌های یادگیری عمیق (مانند TensorFlow, PyTorch)، کتابخانه‌های بهینه‌سازی شده برای سخت‌افزار (مانند CUDA) و ابزارهای مدیریت منابع محاسباتی.

در واقع، این مراکز ستون فقرات پیشرفت‌های اخیر در زمینه هوش مصنوعی محسوب می‌شوند و امکان توسعه و به‌کارگیری مدل‌های پیچیده‌تر و کاربردی‌تر را فراهم می‌کنند.

توسعه سکوی هوش مصنوعی

هوش مصنوعی (AI) به عنوان یکی از فناوری‌های کلیدی و تحول‌آفرین قرن بیست و یکم، پتانسیل عظیمی برای ارتقاء توانمندی‌های علمی، اقتصادی و دفاعی کشورها دارد. درک این پتانسیل، بسیاری از دولت‌ها را بر آن داشته است تا با تدوین راهبردها و ایجاد زیرساخت‌های لازم، گام‌های مؤثری در جهت توسعه بومی این فناوری بردارند. «سکوی ملی هوش مصنوعی ایران» یکی از ابتکارات مهم در این راستا است که با هدف ایجاد یک اکوسیستم جامع و یکپارچه برای پژوهش، توسعه و به‌کارگیری هوش مصنوعی در کشور راه‌اندازی شده است.

۲۵ اسفند سال ۱۴۰۳ سکوی ملی MVP به همت پژوهشکده فناوری اطلاعات و ارتباطات پیشرفته و مرکز نوآوری علم داده و هوش مصنوعی دانشگاه صنعتی شریف و با همکاری نزدیک به ۱۰۰ نفر نیروی انسانی شامل ۱۵۰ پژوهشگر، توسعه‌دهنده، ۱۳ دانشجوی دکترا و ارشد و ۷ نفر از نیروهای پشتیبانی و اجرایی رونمایی شد.

MVP یا حداقل محصول پذیرفتنی (Minimum Viable Product) یک نسخه اولیه از یک محصول است که با حداقل ویژگی‌های لازم ساخته می‌شود تا بتوان آن را در سریع‌ترین زمان ممکن به بازار عرضه کرد و بازخورد کاربران را دریافت کرد. هدف از MVP این است که بدون صرف هزینه و زمان زیاد، اعتبار یک ایده سنجیده شود و محصول بر اساس نظرات کاربران بهبود یابد. با رونمایی از نسخه MVP هوش مصنوعی در ۲۵ اسفند سال ۱۴۰۳ مقرر شد تا نسخه آلفای آن در روز ۳۰ شهریور سال ۱۴۰۴ و نسخه بتای آن ۲۵ اسفند سال ۱۴۰۵ عرضه شود.

ایجاد یک سکوی ملی برای هوش مصنوعی، پاسخی به نیاز مبرم کشور به تمرکززدایی و سازماندهی ظرفیت‌های پراکنده در این حوزه است. اهداف اصلی این سکو را می‌توان شامل مواردی چون «توسعه زیرساخت‌های محاسباتی» و «فراهم آوردن دسترسی پژوهشگران، فناوران و شرکت‌های دانش‌بنیان به منابع پردازشی قدرتمند (مانند GPU و TPU) که برای آموزش مدل‌های پیچیده هوش مصنوعی ضروری است» می‌شود. این امر کمبود توان پردازشی را که یکی از موانع اصلی توسعه AI در کشور بوده، مرتفع می‌کند.

سکوی ملی هوش مصنوعی ایران معمولاً از چندین مؤلفه کلیدی تشکیل شده است که در کنار هم، اکوسیستم جامعی را برای کاربران فراهم می‌کنند که این مؤلفه‌ها شامل این موارد است:

* زیرساخت محاسباتی (Compute Infrastructure): شامل مراکز داده مجهز به پردازنده‌های گرافیکی (GPU) و سایر سخت‌افزارهای تخصصی برای پردازش‌های سنگین AI
* پلتفرم داده (Data Platform): فضایی برای ذخیره‌سازی، مدیریت، برچسب‌گذاری و اشتراک‌گذاری مجموعه‌داده‌ها (Datasets) در حوزه‌های مختلف
* مخزن مدل (Model Hub/Repository): جایی برای نگهداری، اشتراک‌گذاری و مدیریت مدل‌های هوش مصنوعی از پیش آموزش‌دیده و همچنین مدل‌های توسعه‌یافته توسط کاربران
* محیط‌های توسعه (Development Environments): ارائه ابزارها و فریم‌ورک‌های برنامه‌نویسی رایج در هوش مصنوعی (مانند TensorFlow, PyTorch, Scikit-learn) در قالب کانتینرهای آماده یا محیط‌های ابری
* خدمات و APIها (Services & APIs): ارائه مدل‌ها و الگوریتم‌های پرکاربرد به صورت سرویس‌های قابل دسترس از طریق API که شرکت‌ها و توسعه‌دهندگان می‌توانند بدون نیاز به دانش عمیق AI، از آن‌ها در محصولات خود بهره ببرند.

آخرین وضعیت مرکز پردازش داده 

دکتر حسین اسدی، استاد دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف و مدیر مرکز پردازش سریع دانشگاه و مسئول پروژه ملی زیرساخت هوش مصنوعی در گفت‌وگو با ایسنا با اشاره به آخرین وضعیت این مرکز بعد از حمله به آن با بیان اینکه متاسفانه بعد از حمله رژیم صهیونیستی به این مرکز کل تجهیزات آن خراب شده است، گفت: این امر موجب شده خدماتی که تاکنون به مراکز تحقیقاتی و دانشگاهی و سازمانی ارائه می‌دادیم، قطع شود.

وی افزود: خدمات مرکز پردازش سریع دانشگاه به بیش از ۸ هزار کاربر که شامل دانشگاه‌ها، سازمان‌ها و شرکت‌های دانش بنیان و اساتید و دانشجویان می‌شود، ارائه می‌شد و این مرکز یکی از بهترین زیر ساخت‌های کشور به شمار می‌رفت که از ۱۰ سال قبل خدمات خود را به جامعه دانشگاهی و علمی کشور عرضه می‌کرد، ولی در حال حاضر این خدمات قطع شده و امکان ارائه مجدد این خدمات را نداریم، چرا که کلیه تجهیزات آن آسیب دیده است.

اسدی با بیان اینکه این مرکز در ماه‌های اخیر خدمات هوش مصنوعی به دانشگاه‌ها و سازمان‌های بزرگ ارائه می‌داد، خاطر نشان کرد: خدمات این مرکز در مقیاس تحقیق و توسعه و عمومی بوده که در اختیار متقاضیان قرار می‌گرفت.

مدیر مرکز پردازش سریع دانشگاه صنعتی شریف با بیان اینکه در این مرکز همچنین خدمات پردازش سریع، تجهیزات ارائه خدمات هوش مصنوعی پایه معادل خدمات ChatGPT نصب و راه‌اندازی شده بود، اضافه کرد: در حال حاضر امکان ارائه این خدمات در این مرکز وجود ندارد و امیدواریم با غرامتی که کشور از دشمنان می‌گیرد، ارائه این خدمات در این مرکز از سر گرفته شود.

انتهای پیام