گوگل دو پردازنده جدید برای هوش مصنوعی معرفی کرد

گوگل با معرفی دو سامانه جدید TPU 8tx و TPU 8i Max، مجموعه سخت‌افزارهای اختصاصی خود برای هوش مصنوعی را گسترش داده است. این دو محصول که ۹ نوامبر ۲۰۲۶ معرفی شدند، برای پاسخ به دو نیاز متفاوت توسعه یافته‌اند: پردازش ایمن اطلاعات حساس و اجرای مدل‌های هوش مصنوعی که به حافظه و توان محاسباتی بسیار زیادی احتیاج دارند.

گوگل می‌گوید TPU 8tx می‌تواند هنگام پردازش، از اطلاعات محرمانه و مدل‌های اختصاصی سازمان‌ها در سطح سخت‌افزار محافظت کند. در مقابل، TPU 8i Max برای پردازش حجم عظیمی از اطلاعات و اجرای عامل‌های هوش مصنوعی طراحی شده است؛ سیستم‌هایی که ممکن است برای انجام یک وظیفه، هزاران فایل، بخش‌های طولانی ویدئو یا مجموعه بزرگی از اسناد را هم‌زمان بررسی کنند.

این دو سامانه به خانواده نسل هشتم تراشه‌های TPU گوگل اضافه می‌شوند. نکته مهم آن است که گوگل برای ساخت آن‌ها لزوماً دو معماری سیلیکونی کاملاً جدید توسعه نداده، بلکه با تغییر ترکیب تراشه‌ها، حافظه، ارتباطات داخلی و قابلیت‌های امنیتی، دو پیکربندی تازه ساخته است.

چرا گوگل دو سامانه متفاوت معرفی کرده است؟

تا چند سال پیش بخش بزرگی از رقابت در بازار تراشه‌های هوش مصنوعی بر سر آموزش مدل‌های بزرگ بود. شرکت‌ها برای ساخت مدل‌های زبانی پیشرفته به مجموعه عظیمی از پردازنده‌ها نیاز داشتند تا داده‌های آموزشی را بارها پردازش کنند و پارامترهای مدل را تنظیم کنند. هرچه پردازش سریع‌تر انجام می‌شد، هزینه و زمان آموزش کاهش پیدا می‌کرد.

اکنون نیاز بازار پیچیده‌تر شده است. مدل‌های هوش مصنوعی فقط برای پاسخ دادن به پرسش‌های کاربران به کار نمی‌روند. آن‌ها می‌توانند برنامه‌نویسی کنند، اطلاعات را از پایگاه‌های داده دریافت کنند، با ابزارهای نرم‌افزاری ارتباط برقرار کنند و چند مرحله از یک کار را بدون دخالت مداوم انسان پیش ببرند.

این نوع استفاده از هوش مصنوعی فشار متفاوتی به زیرساخت‌های محاسباتی وارد می‌کند. برای نمونه، یک دستیار برنامه‌نویسی ممکن است ناچار باشد بخش بزرگی از کدهای یک پروژه را در حافظه نگه دارد. عامل دیگری باید اطلاعات چندین ساعت ویدئو را بررسی کند و هم‌زمان نتایج ابزارهای مختلف را با یکدیگر تطبیق دهد.

از سوی دیگر، همه سازمان‌ها حاضر نیستند اطلاعات اختصاصی خود را بدون تضمین‌های امنیتی کافی در اختیار سرویس‌های پردازش ابری قرار دهند. بانک‌ها، نهادهای دولتی و شرکت‌های فعال در صنایع حساس ممکن است اطلاعاتی داشته باشند که دسترسی غیرمجاز به آن‌ها پیامدهای جدی ایجاد کند.

گوگل با معرفی TPU 8tx و TPU 8i Max تلاش کرده است این دو نیاز را به‌صورت جداگانه پاسخ دهد. یکی بر محافظت از داده‌های حساس تمرکز دارد و دیگری برای افزایش ظرفیت اجرای مدل‌های بزرگ و عامل‌های هوش مصنوعی طراحی شده است.

TPU 8tx؛ پردازش اطلاعات محرمانه با امنیت سخت‌افزاری

یکی از مشکلات مهم در امنیت اطلاعات این است که داده‌ها معمولاً هنگام ذخیره‌سازی و انتقال رمزگذاری می‌شوند، اما برای انجام محاسبات باید در محیط پردازشی قابل استفاده باشند. همین مرحله می‌تواند نقطه حساسی در حفاظت از اطلاعات باشد.

گوگل اعلام کرده است TPU 8tx با بهره‌گیری از قابلیت‌های محاسبات محرمانه در سطح سخت‌افزار، امکان حفاظت از اطلاعات حساس و وزن‌های مدل هوش مصنوعی را هنگام پردازش فراهم می‌کند. وزن‌های مدل همان مقادیر عددی هستند که در فرایند آموزش تنظیم می‌شوند و بخش مهمی از دانش آموخته‌شده مدل را تشکیل می‌دهند.

اهمیت این قابلیت برای سازمان‌هایی بیشتر است که مدل‌های اختصاصی دارند یا از اطلاعات داخلی برای شخصی‌سازی هوش مصنوعی استفاده می‌کنند. چنین سازمان‌هایی نمی‌خواهند اطلاعات محرمانه یا دارایی‌های نرم‌افزاری ارزشمندشان در معرض دسترسی غیرمجاز قرار بگیرد.

TPU 8tx از همان سیلیکون به‌کاررفته در TPU 8t استفاده می‌کند، اما با پردازنده‌های میزبان اختصاصی مبتنی بر فناوری AMD و زیرساخت ارتباطی متفاوت ترکیب شده است. AMD نیز تأیید کرده که پردازنده‌های سروری نسل پنجم EPYC در زیرساخت میزبان این سامانه نقش دارند.

گوگل می‌گوید این ترکیب می‌تواند تأخیر پردازش را در مقایسه با TPU 8t تا دو برابر کاهش دهد؛ به عبارت دقیق‌تر، تأخیر در شرایط مورد اشاره شرکت ممکن است به نصف برسد. این ادعا به معنی دو برابر شدن سرعت تمام برنامه‌ها نیست، زیرا عملکرد واقعی به نوع مدل، اندازه داده و شرایط اجرا بستگی دارد.

ویژگی دیگر TPU 8tx آن است که سازمان‌ها می‌توانند چند نوع عملیات مرتبط با هوش مصنوعی را در یک زیرساخت انجام دهند؛ از اجرای مدل و پاسخ‌گویی به درخواست‌ها گرفته تا تنظیم دقیق مدل بر اساس اطلاعات اختصاصی و برخی روش‌های آموزش عامل‌های هوشمند.

در نتیجه، نیازی نیست برای تمام این عملیات، اطلاعات حساس الزاماً میان خوشه‌های پردازشی جداگانه جابه‌جا شود. البته قابلیت‌های امنیتی سخت‌افزاری به‌تنهایی جایگزین کنترل دسترسی، مدیریت کلیدهای رمزگذاری یا بررسی امنیت نرم‌افزارها نیستند.

TPU 8i Max؛ وقتی حافظه به اندازه قدرت پردازش اهمیت دارد

دومین سامانه معرفی‌شده گوگل، TPU 8i Max، برای حل مشکلی متفاوت ساخته شده است. در بسیاری از کاربردهای پیشرفته هوش مصنوعی، محدودیت اصلی فقط تعداد محاسباتی نیست که پردازنده می‌تواند در هر ثانیه انجام دهد. گاهی مشکل این است که داده‌ها با سرعت کافی به بخش محاسباتی نمی‌رسند.

این محدودیت در صنعت پردازنده با عنوان «دیوار حافظه» شناخته می‌شود. هرچه یک مدل بزرگ‌تر شود و اطلاعات بیشتری را هم‌زمان پردازش کند، نیاز آن به پهنای باند حافظه و ظرفیت نگهداری داده افزایش پیدا می‌کند.

فرض کنید یک سامانه هوش مصنوعی مسئول بررسی مجموعه بزرگی از فایل‌های برنامه‌نویسی باشد. اگر پردازنده برای دسترسی به بخش‌های موردنیاز اطلاعات دائماً منتظر انتقال داده بماند، حتی توان محاسباتی بالای آن نیز به‌طور کامل استفاده نخواهد شد.

گوگل برای پاسخ به این مشکل دو تراشه TPU 8i را در یک بسته پردازشی قرار داده است. بر اساس توضیحات رسمی شرکت، TPU 8i Max در مقایسه با TPU 8i از دو برابر توان محاسباتی، دو برابر حافظه SRAM و دو برابر پهنای باند حافظه HBM برخوردار است.

SRAM نوعی حافظه سریع است که در نزدیکی واحدهای پردازشی به کار می‌رود. HBM نیز مخفف حافظه با پهنای باند بالا است؛ فناوری‌ای که برای جابه‌جایی سریع حجم زیادی از داده در شتاب‌دهنده‌های پیشرفته استفاده می‌شود.

افزایش هم‌زمان این منابع اهمیت دارد، زیرا تقویت توان محاسباتی بدون افزایش متناسب ظرفیت انتقال داده ممکن است باعث شود پردازنده بخش قابل‌توجهی از زمان خود را منتظر حافظه بماند.

گوگل همچنین اعلام کرده است که این طراحی امکان قرار دادن ظرفیت محاسباتی بیشتری را در فضای موجود رک‌های مراکز داده فراهم می‌کند. رک همان محفظه استانداردی است که تجهیزات سرور و شبکه در آن نصب می‌شوند.

برای شرکت‌های ارائه‌دهنده خدمات ابری، فضای فیزیکی، برق مصرفی و تجهیزات خنک‌کننده از عوامل مهم هزینه هستند. بنابراین افزایش توان پردازش در فضای ثابت می‌تواند مزیت قابل‌توجهی باشد؛ هرچند ارزیابی اقتصادی نهایی به قیمت تجهیزات، مصرف واقعی انرژی و نوع بار کاری وابسته است.

تفاوت چهار عضو خانواده TPU نسل هشتم گوگل

گوگل پیش‌تر در رویداد Google Cloud Next در آوریل ۲۰۲۶ دو سامانه TPU 8t و TPU 8i را معرفی کرده بود. با رونمایی از دو محصول جدید، خانواده نسل هشتم اکنون چهار پیکربندی متفاوت دارد.

TPU 8t بیشتر برای آموزش مدل‌های بنیادین بزرگ طراحی شده است. در چنین عملیاتی، مجموعه عظیمی از داده‌ها پردازش می‌شوند تا مدل بتواند الگوهای موردنیاز را یاد بگیرد. شرکت‌ها در این بخش معمولاً به توان محاسباتی بالا و استفاده مؤثر از انرژی اهمیت زیادی می‌دهند.

TPU 8i بیشتر بر اجرای مدل و پاسخ‌گویی سریع تمرکز دارد. این مرحله که در اصطلاح فنی «استنتاج» نامیده می‌شود، زمانی اتفاق می‌افتد که مدل آموزش‌دیده برای یک درخواست واقعی خروجی تولید می‌کند؛ مانند پاسخ دادن به سؤال یا پیشنهاد کد.

TPU 8tx برای سازمان‌هایی طراحی شده است که هنگام اجرای مدل یا شخصی‌سازی آن به حفاظت بیشتری از اطلاعات نیاز دارند. در مقابل، TPU 8i Max برای بارهای پردازشی دارای پنجره زمینه بزرگ و نیاز سنگین به حافظه در نظر گرفته شده است.

پنجره زمینه یا Context Window به میزان اطلاعاتی گفته می‌شود که یک مدل می‌تواند در محدوده پردازش جاری خود در نظر بگیرد. افزایش این ظرفیت به مدل اجازه می‌دهد متن‌ها و داده‌های بیشتری را در کنار یکدیگر بررسی کند، اما فشار بیشتری بر زیرساخت حافظه وارد می‌شود.

گوگل می‌گوید این نخستین بار است که چهار سامانه TPU را در یک سال معرفی می‌کند. چنین رویکردی نشان می‌دهد شرکت به‌جای تکیه بر یک محصول واحد برای تمام کاربردها، به دنبال ارائه پیکربندی‌های متناسب با نیازهای متفاوت مشتریان است.

گوگل می‌خواهد استفاده از TPU را برای برنامه‌نویسان آسان‌تر کند

تغییرات اعلام‌شده گوگل فقط به سخت‌افزار محدود نیست. یکی از چالش‌های گسترش TPU آن است که بسیاری از توسعه‌دهندگان هوش مصنوعی از ابزارها و چارچوب‌های نرم‌افزاری رایج در اکوسیستم پردازنده‌های گرافیکی استفاده می‌کنند.

شرکت‌ها زمانی برای مهاجرت به یک زیرساخت جدید انگیزه کافی دارند که بتوانند برنامه‌های موجود را با هزینه و پیچیدگی قابل‌قبولی اجرا کنند. نیاز به بازنویسی گسترده نرم‌افزارها ممکن است مزایای یک پردازنده سریع‌تر را از نظر اقتصادی کم‌رنگ کند.

گوگل اعلام کرده است که با متن‌باز کردن TorchTPU، امکان اجرای بومی کدهای PyTorch و مدل‌های Hugging Face را روی سامانه‌های TPU گسترش داده است. PyTorch یکی از چارچوب‌های پرکاربرد توسعه و آموزش مدل‌های یادگیری ماشین محسوب می‌شود.

این شرکت همچنین مجموعه‌ای از ابزارهای نرم‌افزاری را معرفی کرده که برای ساده‌تر کردن راه‌اندازی و بهینه‌سازی برنامه‌ها طراحی شده‌اند. یکی از آن‌ها مجموعه ابزارهای عامل‌محور TPU است که در مرحله پیش‌نمایش قرار دارد و می‌تواند با محیط‌های برنامه‌نویسی مانند Claude Code، Cursor و Google Antigravity کار کند.

هدف این ابزارها آن است که توسعه‌دهنده بتواند مشکلات عملکردی را آسان‌تر تشخیص دهد و برخی تنظیمات محاسباتی را با دستورهای زبان طبیعی انجام دهد. البته میزان موفقیت آن‌ها در پروژه‌های واقعی به پیچیدگی برنامه و سازگاری ابزارها بستگی خواهد داشت.

گوگل از XLA Serving Engine نیز به‌عنوان راهکاری متن‌باز برای اجرای مدل‌ها در محیط عملیاتی نام برده است. این موتور با هدف کاهش تأخیر و فراهم کردن مسیر اجرای مدل‌ها روی انواع سخت‌افزار توسعه یافته است.

کاهش هزینه اجرای عامل‌های هوش مصنوعی

یکی دیگر از بخش‌های برنامه گوگل به مشکلی مربوط می‌شود که در نسل جدید عامل‌های هوش مصنوعی اهمیت بیشتری پیدا کرده است: بیکار ماندن منابع پردازشی.

یک عامل هوش مصنوعی ممکن است بخشی از وظیفه خود را انجام دهد و سپس منتظر پاسخ پایگاه داده، اجرای یک ابزار خارجی یا تأیید کاربر بماند. این انتظار گاهی کوتاه است و گاهی مدت زیادی ادامه پیدا می‌کند.

اگر منابع گران‌قیمت پردازشی در تمام این مدت در اختیار همان فرایند باقی بمانند، استفاده مؤثر از زیرساخت کاهش پیدا می‌کند. این موضوع مخصوصاً در مراکز داده‌ای اهمیت دارد که تعداد زیادی عامل هوش مصنوعی را هم‌زمان اجرا می‌کنند.

گوگل برای مدیریت چنین وضعیتی از نرم‌افزاری به نام Agent Compute Engine رونمایی کرده است. طبق توضیح شرکت، این ابزار می‌تواند نشست‌های غیرفعال عامل‌های هوش مصنوعی را به‌صورت خودکار متوقف کند و وضعیت کاری آن‌ها را از حافظه پردازنده به بخش‌های دیگر زیرساخت منتقل کند.

به این ترتیب، منابع محاسباتی می‌توانند در زمان انتظار برای وظایف دیگر مورد استفاده قرار گیرند. هنگامی که عامل دوباره به ادامه فعالیت نیاز داشته باشد، وضعیت قبلی آن باید بازیابی شود.

این روش از نظر مفهومی شبیه مدیریت منابع در سامانه‌هایی است که پردازش‌های غیرفعال را موقتاً کنار می‌گذارند، اما اجرای آن در زیرساخت‌های بزرگ هوش مصنوعی به مدیریت دقیق حافظه و هماهنگی میان پردازنده‌ها نیاز دارد.

گوگل انتظار دارد چنین رویکردی به کاهش هزینه زیرساخت کمک کند. با این حال، میزان صرفه‌جویی برای همه مشتریان یکسان نخواهد بود و به الگوی استفاده از عامل‌ها بستگی دارد.

رقابت با انویدیا فقط بر سر تراشه نیست

گسترش خانواده TPU را باید در چارچوب رقابت گسترده‌تر شرکت‌های فناوری برای کنترل زیرساخت هوش مصنوعی بررسی کرد. انویدیا همچنان یکی از بازیگران اصلی بازار شتاب‌دهنده‌های هوش مصنوعی است و بسیاری از شرکت‌ها زیرساخت نرم‌افزاری خود را بر پایه پردازنده‌های گرافیکی این شرکت توسعه داده‌اند.

گوگل از مسیر متفاوتی حرکت می‌کند. این شرکت علاوه بر توسعه مدل‌های هوش مصنوعی، مالک زیرساخت ابری بزرگی است و سال‌ها تجربه طراحی تراشه‌های اختصاصی برای نیازهای داخلی خود دارد.

گوگل اکنون تلاش می‌کند فناوری‌ای را که ابتدا برای سرویس‌های خودش توسعه داده بود، به گزینه‌ای جذاب برای شرکت‌های دیگر تبدیل کند. این راهبرد می‌تواند وابستگی مشتریان به یک نوع سخت‌افزار را کاهش دهد، اما موفقیت آن فقط به سرعت پردازنده بستگی ندارد.

سازگاری نرم‌افزار، دسترسی به ظرفیت پردازشی، هزینه استفاده، ابزارهای توسعه و پشتیبانی فنی در تصمیم سازمان‌ها نقش مهمی دارند. شرکتی که سال‌ها از یک اکوسیستم سخت‌افزاری استفاده کرده، برای مهاجرت باید هزینه آموزش نیروها، تغییر نرم‌افزار و خطر اختلال در عملیات خود را نیز در نظر بگیرد.

همکاری گوگل و AMD در TPU 8tx نیز نشان می‌دهد رقابت در بازار سخت‌افزار هوش مصنوعی الزاماً به معنای کنار گذاشتن تمام فناوری‌های شرکت‌های دیگر نیست. گوگل همچنان می‌تواند پردازنده اختصاصی خود را با پردازنده میزبان و قابلیت‌های امنیتی یک شرکت دیگر ترکیب کند.

آیا سامانه‌های جدید در اختیار همه مشتریان قرار می‌گیرند؟

با وجود جزئیات فنی اعلام‌شده، هنوز همه پرسش‌های تجاری درباره TPU 8tx و TPU 8i Max پاسخ داده نشده است. گوگل در اطلاعیه معرفی این دو سامانه، قیمت مشخص، فهرست کامل مناطق قابل‌دسترسی و تاریخ دقیق عرضه عمومی آن‌ها را اعلام نکرده است.

بنابراین نمی‌توان نتیجه گرفت که تمام مشتریان Google Cloud از همین حالا امکان سفارش و استفاده عملیاتی از هر دو سامانه را دارند. معرفی یک محصول با عرضه گسترده و دسترسی عمومی آن تفاوت دارد.

گوگل همچنین اعلام کرده است که کسب‌وکار TPU این شرکت اکنون نزدیک به ۱۰۰ مشتری دارد. این مشتریان از حوزه‌های مختلف، از شرکت‌های توسعه‌دهنده مدل‌های پیشرفته تا مجموعه‌های مالی، فروشگاهی و دانشگاهی هستند.

این آمار نشان‌دهنده تلاش گوگل برای گسترش استفاده تجاری از تراشه‌های اختصاصی خود است، اما به‌تنهایی سهم بازار یا برتری اقتصادی این تراشه‌ها نسبت به رقبا را مشخص نمی‌کند.

در نهایت، اهمیت معرفی TPU 8tx و TPU 8i Max فقط در اضافه شدن دو نام جدید به فهرست محصولات گوگل نیست. این دو سامانه نشانه تغییری در نیازهای صنعت هوش مصنوعی هستند؛ صنعتی که اکنون علاوه بر قدرت محاسباتی، به امنیت داده‌ها، ظرفیت حافظه، هماهنگی نرم‌افزار و بهره‌برداری مؤثر از منابع نیز وابسته شده است.

اگر گوگل بتواند مزایای اعلام‌شده را در کاربردهای واقعی و با هزینه رقابتی ارائه کند، TPUها ممکن است به گزینه جدی‌تری برای سازمان‌هایی تبدیل شوند که زیرساخت اختصاصی هوش مصنوعی می‌خواهند. با این حال، ارزیابی نهایی باید بر پایه نتایج مستقل، شرایط عرضه و تجربه عملی مشتریان انجام شود.