פורסם ע"י טוני מלינקוביץ' ב- TECH IL בתאריך

טכנולוגית החומרה מתפתחת בצעדי ענק, זה כמעט בלתי נמנע שבעתיד הקרוב, המקרר שלנו יזמין אוכל בעצמו, שמכוניות אוטונומיות ייסעו בכבישים, ושרובוטים אוטונומיים יקיפו אותנו מכל כיוון. אבל לפני כל אלה, אין מפתח שלא תלוי בעוצמת החומרה שתעמוד לרשותו בשנים הבאות, כוח החישוביות ישפיע ומשפיע על מהירות העיבוד והתוצאות.

כך חשוב להצטייד בהבנת השינויים בטכנולוגית החומרה המתפתחת, במטרה לתת למפתח התוכנה כלים התחלתיים, כדי שיוכל לבחור את ארכיטקטורת החומרה המתאימה.

עד לאחרונה, מחשבים רבים, החל ממחשבים שמנהלים תוכניות של מכונת כביסה ועד אשכולות מחשוב לחישוב נתיבי תעופה של חלליות לחלל, הורצו ע"י שבבים בארכיטקטורת X86, שתוכננה לתת מענה לכל מטרה. עם כניסתם של הטלפונים החכמים לתפוצה רחבת היקף, וחיפוש אחר פתרונות זולים ודלי הספק, ארכיטקטורת ARM תפסה פופולריות, והשליטה הבלעדית של אינטל, שהיייתה ועודנה המובילה בתחום, החלה להתעורר.

היצרניות פתאום הבינו שלא חייב לממש "מעבד לכל מטרה", ושניתן לפתח אפליקציות פשוטות שירוצו על ARM בצורה יעילה וזולה יותר, ויאפשרו זמן סוללה גדול יותר. ניסיונה של אינטל להכניס מעבד דל הספק וזול בארכיטקטורת X86, הוביל אותה לשנות אסטרטגיה, ולהתמקד במעבדים לשרתים ולמחשבי על, שם לא הייתה לה תחרות.

אבל אז התרחשה אבולוציה מכיוון מחשבי העל
GPGPU – נועד לניהול גרפיקה, כלומר מטריצות של פיקסלים. יחודו הוא בכך שארכיטקטורת החומרה נועדה לבצע מספר רב של פעולות באותו הזמן באופן מקבילי. התפתחות הטכנולוגיה החומרתית של המעבדים הגראפיים כך שיוכלו לבצע יותר ויותר פעולות בו זמנית, הביאה את יצרני השבבים לעשות שימוש בקונספט עיבוד המקבילי גם לתחומים שנחשבו טאבו של ארכיטקטורת X86. חברת NVIDIA הגדילה לעשות עם סביבת פיתוח פופולארית בשם CUDA, שאפשרה למפתחים להמיר כל תחום חישובי שנשען על חישוב סקוונסיאלי של מעבדי אינטל, לחישובים מקביליים מטריציונים.

השלב הנוכחי באבולוציית המחשבים
AI – ה-Artificial intelligence – היכולת לייצר אלגוריתמיים באמצעות "רשת נוירונים", יצר צורך בשבבים פשוטים זולים מהירים ויעילים, שיודעים להסיק מסקנות כתוצאה מתהליך "לימוד מכונה" מקדים. במסגרתו מייצרים מערכת קבלת החלטות מבוססת דוגמאות ולא אלגוריתם. ככל שמאגר הנתונים שלנו יהיה גדול יותר כך רשת הנוירונים תקבל החלטות מדויקות יותר. לאחר שלימדנו את המכונה, ויצרנו רשת נוירונים, תהליך הסקת המסקנות (inference) לא דורש משאבי חישוב גדולים, ושוק מעבדי ה- inference מציג לנו מגוון של יצרנים ופתרונות .

בחירת פלטפורמה מתאימה ליישום – להלן מספר פתרונות קיימים בשוק
Nivida Jetson – פלטפורמת החומרה פופולרית בעיקר בגלל התמיכה הוורסטילת לרשתות שאומנו במגוון. בנוסף ל-Jetson, ל-NVIDIA קיימים שורה של Frameworks ואפשרות לתמיכה צמודה בפורטפוליו המוצרים שלה. ה-JETSON NANO מהווה פתרון ליחידות קצה דלות ההספק.

Qualcomm Snapdragon – במקור מבוססת על ליבה של ARM ובדורות ההמשך פיתחה QUALCOMM באופן עצמאי את ליבות המעבד. מעבר לקישורית האלחוטית המובנית, למעבד יכולות עיבוד inference מרשימות. כיום ניתן לרכוש ערכת פיתוח לשבב עם מצלמה מובנית להטמעה בשלל יישומי AI.

Google Coral – ה-Framework הפופולארי TensorFlow מקבל חיזוק חומרתי מבית גוגל , אשר פיתחה מנוע AI יעודי: TPU) Tensor processing unit). ערכת הפיתוח למוצר נקראת Coral, כשהמודל לטווח ארוך הוא הטמעת השבב כפתרון דל הספק לשלל מוצרים.

Intel Movidius – אינטל השיקה מאיץ AI משלה, וקראה לו: VPU) vision processing unit). בניגוד לכל השאר, המאיץ של אינטל עובד עם מעבדי אינטל ולא ARM. מאיץ זה פחות יתאים למוצר קצה דל הספק ודל תקציב, אך יעניין את מי שיש לו כבר אפליקציה על מחשב מבוסס אינטל, ורוצה להוסיף יכולות נוספות למוצר. פתרון זה הוא רבגוני , נתן לשלבו כדונגל USB , ככרטיס M.2 או כ-PCIe, ניתן לראות כיום מוצרים מבוססי Movidius מוטמעים אצל יצרניות החומרה כמוצר מוגמר.