Di pantai barat Amerika, syarikat paling berharga di dunia berusaha menjadikan kecerdasan buatan lebih pintar. Google dan Facebook menyombongkan eksperimen menggunakan berbilion foto dan ribuan pemproses berprestasi tinggi. Tetapi akhir tahun lalu, sebuah projek di timur Tennessee secara senyap-senyap melampaui skala mana-mana makmal AI korporat. Dan ia dikendalikan oleh pemerintah AS.
Superkomputer kerajaan AS memecahkan rekod
Projek pemecah rekod itu melibatkan komputer super terkuat di dunia, Summit, di Oak Ridge National Laboratory. Kereta ini memenangi mahkota pada Jun lalu, mengembalikan gelaran itu ke Amerika Syarikat lima tahun kemudian ketika China menduduki tangga teratas. Sebagai sebahagian daripada projek penyelidikan iklim, komputer raksasa melancarkan eksperimen pembelajaran mesin yang lebih pantas daripada sebelumnya.
Sidang Kemuncak, meliputi kawasan yang setara dengan dua gelanggang tenis, menggunakan lebih daripada 27,000 GPU berkuasa dalam projek ini. Dia menggunakan kekuatan mereka untuk melatih algoritma pembelajaran mendalam, teknologi yang mendasari kecerdasan buatan yang maju. Dalam pembelajaran mendalam, algoritma melakukan latihan pada satu miliar bilion operasi sesaat, yang dikenali dalam kalangan superkomputer sebagai exaflop.
"Pembelajaran mendalam belum pernah mencapai tahap prestasi ini sebelumnya," kata Prabhat, ketua pasukan penyelidik di Pusat Penyelidikan Tenaga Nasional di Makmal Nasional Lawrence Berkeley. Pasukannya bekerjasama dengan penyelidik di ibu pejabat Summit, Makmal Nasional Oak Ridge.
Seperti yang anda sangka, latihan AI komputer paling berkuasa di dunia tertumpu pada salah satu cabaran terbesar di dunia - perubahan iklim. Syarikat teknologi melatih algoritma untuk mengenali wajah atau tanda jalan; saintis kerajaan telah melatih mereka untuk mengenali corak cuaca seperti siklon dari model iklim yang memampatkan ramalan abad atmosfera menjadi tiga jam. (Namun, tidak jelas berapa banyak tenaga yang diperlukan oleh projek dan berapa banyak karbon yang dilepaskan ke udara dalam proses ini).
Video promosi:
Percubaan Summit mempunyai implikasi untuk masa depan kecerdasan buatan dan klimatologi. Projek ini menunjukkan potensi saintifik untuk menyesuaikan pembelajaran mendalam kepada superkomputer yang secara tradisional mensimulasikan proses fizikal dan kimia seperti letupan nuklear, lubang hitam, atau bahan baru. Ini juga menunjukkan bahawa pembelajaran mesin dapat memanfaatkan kekuatan pengkomputeran yang lebih banyak - jika anda dapat menemuinya - dan memberikan kejayaan pada masa hadapan.
"Kami tidak tahu ia dapat dilakukan dalam skala ini sehingga kami melakukannya," kata Rajat Monga, CTO di Google. Dia dan Googler lain membantu projek ini dengan menyesuaikan perisian pembelajaran mesin sumber terbuka TensorFlow syarikat untuk skala raksasa Summit.
Sebilangan besar kerja penskalaan pembelajaran mendalam telah dilakukan di pusat data syarikat Internet, di mana pelayan bekerjasama dalam menyelesaikan masalah, memisahkannya kerana mereka agak terpisah daripada dibundel ke dalam satu komputer raksasa. Superkomputer seperti Summit mempunyai seni bina yang berbeza, dengan sambungan berkelajuan tinggi khusus yang menghubungkan ribuan pemproses mereka ke dalam satu sistem yang dapat berfungsi secara keseluruhan. Sehingga baru-baru ini, terdapat sedikit usaha untuk menyesuaikan pembelajaran mesin untuk berfungsi dengan perkakasan seperti ini.
Monga mengatakan kerja untuk menyesuaikan skala TensorFlow ke Summit juga akan menyokong usaha Google untuk mengembangkan sistem kecerdasan buatan dalamannya. Jurutera Nvidia juga mengambil bahagian dalam projek ini, memastikan puluhan ribu GPU Nvidia dalam mesin ini berfungsi tanpa halangan.
Mencari kaedah untuk memanfaatkan lebih banyak kekuatan pengkomputeran dalam algoritma pembelajaran mendalam telah berperanan dalam perkembangan teknologi semasa. Teknologi yang sama yang digunakan Siri untuk pengecaman suara dan kereta Waymo untuk membaca papan tanda jalan menjadi berguna pada tahun 2012 setelah para saintis menyesuaikannya untuk berjalan pada GPU Nvidia.
Dalam analisis yang diterbitkan pada Mei lalu, para saintis di OpenAI, sebuah institusi penyelidikan San Francisco yang diasaskan oleh Elon Musk, menganggarkan bahawa jumlah daya pengkomputeran dalam eksperimen pembelajaran mesin awam terbesar telah meningkat dua kali ganda setiap 3,43 bulan sejak 2012; ini akan menunjukkan peningkatan 11 kali ganda dalam setahun. Perkembangan ini membantu bot Alphabet mengalahkan juara dalam permainan papan dan video yang mencabar, dan juga meningkatkan ketepatan penterjemah Google dengan ketara.
Google dan syarikat lain kini mencipta jenis cip AI yang baru untuk meneruskan aliran ini. Google mengatakan bahawa pod dengan ribuan cip AInya jarak dekat - pemproses tensor pendua, atau TPU - dapat memberikan 100 petaflop kuasa pemprosesan, sepersepuluh dari kelajuan yang dicapai oleh Summit.
Sumbangan Summit untuk sains iklim menunjukkan bagaimana AI raksasa dapat meningkatkan pemahaman kita mengenai keadaan cuaca masa depan. Apabila penyelidik menghasilkan ramalan cuaca selama berabad-abad, membaca ramalan yang dihasilkan menjadi mencabar. Bayangkan anda mempunyai filem YouTube yang sudah berjalan selama 100 tahun. Tidak ada cara untuk mencari semua kucing dan anjing secara manual dalam filem ini,”kata Prabhat. Biasanya perisian digunakan untuk mengotomatisasi proses ini, tetapi tidak sempurna. Hasil Sidang Kemuncak menunjukkan bahawa pembelajaran mesin dapat melakukan ini dengan lebih baik, yang seharusnya dapat membantu meramalkan ribut seperti banjir.
Menurut Michael Pritchard, seorang profesor di University of California, Irvine, melancarkan pembelajaran mendalam mengenai superkomputer adalah idea yang agak baru yang datang pada masa yang sesuai untuk para penyelidik iklim. Kelambatan kemajuan pemprosesan tradisional telah menyebabkan jurutera melengkapkan superkomputer dengan peningkatan jumlah cip grafik untuk meningkatkan prestasi dengan lebih konsisten. "Masanya telah tiba ketika anda tidak lagi dapat meningkatkan daya pemprosesan dengan cara biasa," kata Pritchard.
Pergeseran ini menjadikan pemodelan tradisional berhenti, dan oleh itu harus menyesuaikan diri. Ini juga membuka pintu untuk memanfaatkan kekuatan pembelajaran mendalam, yang secara semula jadi sesuai dengan cip grafik. Mungkin kita akan mendapat gambaran yang lebih jelas mengenai masa depan iklim kita.
Ilya Khel