Che cos'è un chip AI?

Dalla vittoria al quiz televisivo Jeopardy! di IBM® Watson al rilascio di ChatGPT da parte di OpenAI fino alle auto a guida autonoma e all'AI generativa, il potenziale dell'AI sembra al momento illimitato e la maggior parte delle principali aziende tecnologiche, tra cui Google, IBM, Intel, Apple e Microsoft, sono tutte fortemente coinvolte in questa tecnologia.

Ma con l'aumento della complessità dei problemi affrontati dall'AI, aumentano anche le richieste di elaborazione e velocità di calcolo. I chip AI sono progettati per soddisfare le esigenze di algoritmi AI altamente sofisticati e abilitare funzioni AI di base che non sono possibili sulle unità di elaborazione centrale (CPU) tradizionali.

Il termine "chip AI" è ampio e include molti tipi di chip progettati per gli ambienti di elaborazione esigenti richiesti dalle attività di AI. Esempi di chip AI popolari includono unità di elaborazione grafica (GPU), field programmable gate array (FPGA) e circuiti integrati per applicazioni specifiche (ASIC). Sebbene alcuni di questi chip non siano necessariamente progettati specificamente per l'AI, sono progettati per applicazioni avanzate e molte delle loro funzionalità sono applicabili ai workload di AI.

Il settore dell'AI sta avanzando a un ritmo sostenuto, con continue scoperte nel campo del machine learning (ML) e dell' AI generativa. Con lo sviluppo della tecnologia AI, i chip AI sono diventati essenziali per creare soluzioni AI su larga scala. Ad esempio, realizzare un'applicazione AI moderna come il riconoscimento facciale o l'analisi dei dati su larga scala utilizzando una CPU tradizionale, o anche un chip di AI di qualche anno fa, sarebbe notevolmente più costoso. I moderni chip AI sono superiori ai loro predecessori per 4 aspetti fondamentali: sono più veloci, più performanti, più flessibili e più efficienti.

I chip AI utilizzano un metodo di calcolo diverso e più veloce rispetto ai chip delle generazioni precedenti. L'elaborazione parallela, nota anche come parallel computing, è il processo di suddivisione di problemi o compiti grandi e complessi in problemi più piccoli e semplici. Mentre i chip più vecchi utilizzano un processo chiamato elaborazione sequenziale (passando da un calcolo all'altro), i chip AI eseguono migliaia, milioni, persino miliardi, di calcoli contemporaneamente. Questa capacità consente ai chip AI di affrontare problemi complessi e di grandi dimensioni dividendoli in altri più piccoli e risolvendoli contemporaneamente, il che aumenta esponenzialmente la loro velocità.

I chip AI sono molto più personalizzabili rispetto alle loro controparti e possono essere costruiti per funzioni AI o modelli di addestramento specifici. I chip AI ASIC, ad esempio, sono estremamente piccoli e altamente programmabili e sono stati utilizzati in un'ampia gamma di applicazioni, dai telefoni cellulari ai satelliti per la difesa. A differenza delle CPU tradizionali, i chip AI sono costruiti per soddisfare i requisiti e le richieste di calcolo dei compiti tipici dell'AI, una caratteristica che ha contribuito a promuovere i rapidi progressi e le innovazioni nel settore dell'AI.

I moderni chip AI richiedono meno energia rispetto a quelli delle generazioni precedenti. Ciò è dovuto in gran parte ai miglioramenti nella tecnologia dei chip che consentono ai chip AI di distribuire i loro compiti in modo più efficiente rispetto ai chip più vecchi. Le moderne caratteristiche dei chip, come l'aritmetica a bassa precisione, consentono ai chip AI di risolvere i problemi con un minor numero di transistor e, quindi, un minor consumo di energia. Questi miglioramenti sul piano della sostenibilità possono aiutare a ridurre l'impronta di carbonio di operazioni ad alta intensità di risorse come i data center.

Poiché i chip AI sono appositamente progettati, spesso per svolgere un compito altamente specifico, offrono risultati più precisi nel completamento di compiti fondamentali come l'elaborazione del linguaggio naturale (NLP) o l'analisi dei dati. Questo livello di precisione è sempre più necessario poiché la tecnologia dell'AI viene applicata in settori in cui velocità e accuratezza sono fondamentali, come la medicina.

Sebbene ci siano molte qualità che rendono i chip AI cruciali per l'avanzamento della tecnologia AI, ci sono anche sfide che riguardano l'adozione diffusa di questi potenti componenti hardware:

Secondo The Economist, i produttori di chip dell'isola di Taiwan producono oltre il 60% dei semiconduttori mondiali e oltre il 90% dei chip più avanzati. Purtroppo, delle carenze critiche e una situazione geopolitica fragile stanno limitando la crescita.¹

Nvidia, la più grande azienda di hardware e software AI al mondo, si affida quasi esclusivamente a Taiwan Semiconductor Manufacturing Corporation (TSMC) per i suoi chip AI più avanzati. La lotta di Taiwan per rimanere indipendente dalla Cina è in corso e alcuni analisti hanno ipotizzato che un'invasione cinese dell'isola potrebbe bloccare del tutto la capacità di TSMC di produrre chip AI.

Man mano che gli sviluppatori realizzano modelli AI più grandi e potenti, le esigenze di calcolo crescono più rapidamente dei progressi nella progettazione dei chip AI. L'hardware AI è in miglioramento: diverse aziende stanno esplorando aree come l'in-memory computing e le prestazioni e la fabbricazione migliorate dagli algoritmi AI per aumentare l'efficienza algoritmica dei chip, ma questi miglioramenti non sono rapidi quanto l'aumento dell'esigenza di calcolo delle applicazioni AI.

Con l'aumento delle prestazioni richieste, i chip AI diventano più grandi e richiedono maggiori quantità di energia per funzionare. I moderni chip AI avanzati hanno bisogno di centinaia di watt di potenza per chip, una quantità di energia difficile da convogliare in spazi ridotti. Per alimentare i chip AI sono necessari progressi significativi nell'architettura della rete di distribuzione dell'energia (PDN), o le loro prestazioni ne risentiranno.

Il termine chip AI si riferisce a un'unità di circuito integrato costituita da un semiconduttore (solitamente silicio) e dei transistor. I transistor sono materiali semiconduttori collegati a un circuito elettronico. Quando attraverso il circuito viene inviato un flusso di corrente elettrica che viene attivato e disattivato, si genera un segnale che può essere letto da un dispositivo digitale come uno o zero.

Nei dispositivi moderni, come i chip AI, i segnali di accensione e spegnimento si alternano miliardi di volte al secondo, consentendo ai circuiti di risolvere calcoli complessi utilizzando il codice binario per rappresentare diversi tipi di informazioni e dati.

I chip possono avere funzioni diverse; ad esempio, i chip di memoria in genere memorizzano e recuperano dati mentre i chip logici eseguono operazioni complesse che consentono l'elaborazione dei dati. I chip AI sono chip logici che elaborano i grandi volumi di dati necessari per i workload di AI.

I loro transistor sono in genere più piccoli e più efficienti di quelli dei chip standard e offrono loro capacità di elaborazione più rapide e un consumo energetico inferiore.

Forse nessun'altra funzionalità dei chip AI è più cruciale per i workload di AI della funzionalità di elaborazione parallela che accelera la risoluzione di algoritmi di apprendimento complessi. A differenza dei chip generici senza capacità di elaborazione parallela, i chip AI possono eseguire molti calcoli contemporaneamente, completando in pochi minuti o secondi compiti che richiederebbero molto più tempo ai chip standard.

A causa del numero e della complessità dei calcoli coinvolti nell'addestramento dei modelli AI, le capacità di elaborazione parallela dei chip AI sono fondamentali per l'efficacia e la scalabilità della tecnologia.

Esistono diversi tipi di chip AI, che variano sia nel design che nello scopo.

Le unità di elaborazione grafica, o GPU, sono circuiti elettronici progettati per velocizzare la computer grafica e l'elaborazione delle immagini su vari dispositivi, tra cui schede video, schede madre, telefoni cellulari e personal computer (PC).

Sebbene siano stati inizialmente costruiti per scopi grafici, i chip GPU sono diventati indispensabili nell'addestramento dei modelli AI grazie alle loro capacità di elaborazione parallela. In genere, gli sviluppatori collegano più GPU allo stesso sistema AI, in modo da poter beneficiare di una potenza di elaborazione ancora maggiore.

I field programmable gate array (FPGA) sono chip AI programmabili e su misura che richiedono conoscenze di riprogrammazione avanzate. A differenza di altri chip AI, che sono spesso costruiti appositamente per un'applicazione specifica, gli FPGA hanno un design unico che presenta una serie di blocchi logici interconnessi e configurabili. Gli FPGA sono riprogrammabili a livello hardware, consentendo un livello di personalizzazione più elevato.

Le unità di elaborazione neurale (NPU) sono chip AI creati appositamente per il deep learning e le reti neurali e per i grandi volumi di dati che questi workload richiedono. Le NPU possono elaborare grandi quantità di dati più velocemente di altri chip ed eseguire varie attività di AI come il riconoscimento delle immagini e le funzionalità NLP per applicazioni popolari come ChatGPT.

I circuiti integrati per applicazioni specifiche (ASIC) sono chip costruiti su misura per le applicazioni AI e non possono essere riprogrammati come gli FPGA. Tuttavia, poiché sono costruiti con un unico scopo, che spesso è l'accelerazione dei workload di AI, in genere superano le loro controparti più generiche.

Essendo un componente hardware fondamentale nella progettazione e nell'implementazione di una delle tecnologie in più rapida crescita del pianeta, i casi d'uso dei chip AI abbracciano diversi continenti e settori. Dagli smartphone e laptop alle applicazioni di AI più all'avanguardia come robotica, auto a guida autonoma e satelliti, i chip AI stanno rapidamente diventando una componente fondamentale in tutti i settori. Alcune delle applicazioni più popolari includono: