فهرست مطالب
گوگل در ۹ نوامبر ۲۰۲۶ دو سامانه جدید برای زیرساخت هوش مصنوعی معرفی کرد: TPU 8tx برای پردازش محرمانه دادهها و TPU 8i Max برای کار با حجم زیادی از اطلاعات در زمینه مدل. این دو عضو خانواده نسل هشتم TPU هستند و برای نیازهای متفاوت سازمانها طراحی شدهاند. گوگل هنوز در معرفی اصلی خود قیمت و زمان دسترسی عمومی هر دو سامانه را مشخص نکرده است.
تصویر کاور، تصویرسازی مفهومی از پردازش امن و مدیریت داده در زیرساخت هوش مصنوعی است.
TPU 8tx و 8i Max چه تفاوتی دارند؟
TPU 8tx بر اجرای امن مدل و حفاظت از دادههای حساس هنگام پردازش تمرکز دارد. گوگل میگوید این سامانه برای استنتاج محرمانه، اجرای عاملهای خودکار و آموزش در مقیاس کوچک مناسب است. در طرف دیگر، TPU 8i Max برای بارهایی طراحی شده که به حافظه و پهنای باند بالایی نیاز دارند؛ مانند زمانی که چند عامل، یک پایگاه کد بزرگ یا ساعتها ویدئو را بررسی میکنند.
استنتاج مرحلهای است که مدل آموزشدیده برای تولید پاسخ به کار میرود. «پنجره زمینه» هم مقدار اطلاعاتی است که مدل میتواند در یک جریان کاری در نظر بگیرد. اندازه این پنجره به خود مدل و سرویس نیز وابسته است؛ معرفی زیرساخت جدید بهتنهایی به معنی افزایش پنجره همه مدلها نیست.
امنیت داده در TPU 8tx چگونه تقویت میشود؟
به گفته گوگل، TPU 8tx از همان سیلیکون TPU 8t استفاده میکند و با میزبانهای پردازنده نسل پنجم AMD EPYC همراه است. هدف، محافظت و جداسازی دادههای حساس و وزنهای مدل حتی در زمان استفاده از آنهاست. این موضوع برای سازمانهایی اهمیت دارد که باید اطلاعات خصوصی را برای اجرای مدل یا تنظیم آن پردازش کنند.
گوگل همچنین میگوید این سامانه از شبکه Boardfly استفاده میکند و در مقایسهای که شرکت با TPU 8t انجام داده، تأخیر را تا دو برابر کاهش میدهد. این یک ادعای سازنده است و نباید بدون اطلاع از شرایط آزمون به همه کاربردها تعمیم داده شود. تیمها میتوانند از این سامانه برای تنظیم دقیق مدل با داده خصوصی، فشردهسازی دانش مدل و آموزش تقویتی عاملها استفاده کنند.
TPU 8i Max برای زمینههای بزرگ چه تغییری دارد؟
گوگل دو تراشه TPU 8i را در یک بسته کنار هم قرار داده است. طبق اعلام شرکت، این ترکیب در مقایسه با TPU 8i قدرت محاسباتی، حافظه SRAM و پهنای باند حافظه HBM را دو برابر میکند. افزایش پهنای باند کمک میکند داده سریعتر به پردازنده برسد و محدودیت انتقال داده در برخی بارهای بزرگ کاهش یابد.
برای یک تیم توسعه، فایده بالقوه این طراحی روشن است: عاملی که چند بخش یک پروژه بزرگ را بررسی میکند یا یک سامانه پردازش ویدئو، ممکن است به انتقال پیوسته اطلاعات زیادی نیاز داشته باشد. با این حال، کارایی واقعی به مدل، نرمافزار، حجم درخواستها و پیکربندی وابسته است. گوگل در اطلاعیه اصلی عدد مقایسه مستقلی برای سرعت همه این سناریوها ارائه نکرده است.
تفاوت سامانه جدید با تراشه جدید چیست؟
گوگل تأکید میکند که معرفی تازه درباره دو سامانه است. طراحی تراشه به خود سیلیکون مربوط میشود؛ سامانه، اجزایی مانند پردازنده، حافظه و شبکه را در کنار آن سازماندهی میکند. بنابراین نباید تصور کرد هر دو معرفی الزاماً دو طراحی کاملاً تازه سیلیکون هستند.
در خانواده نسل هشتم، TPU 8t برای آموزش گسترده مدلها و TPU 8i برای استنتاج و کارهای استدلالی طراحی شدهاند. دو سامانه جدید کاربردهای محرمانگی و زمینه طولانی را به این خانواده اضافه میکنند. گوگل از بهبود عملکرد نسبت به نسل قبلی برای 8t و 8i هم صحبت کرده، اما آن اعداد را نباید بهاشتباه نتیجه آزمون 8tx و 8i Max دانست.
این خبر برای کاربران Gemini چه معنایی دارد؟
TPUها بخشی از زیرساختی هستند که گوگل برای آموزش و ارائه مدلهای خود از جمله Gemini به کار میگیرد. با این وجود، شرکت اعلام نکرده که معرفی این دو سامانه فوراً قابلیت یا سهمیه مشخصی را در برنامه Gemini تغییر میدهد. برای آشنایی با خود مدل، بررسی Gemini 4 Argon و کاربردهای آن را ببینید.
برای توسعهدهندگان و سازمانها، خبر اصلی افزایش گزینههای زیرساختی است: پردازش داده حساس از یک سو و مدیریت بارهای پرحافظه از سوی دیگر. گوگل همزمان به ابزارهای متنباز سازگار با PyTorch و ابزارهای ویژه بهینهسازی TPU اشاره کرده است. برخی از این ابزارها وضعیت پیشنمایش دارند و آمادگی آنها برای استفاده عملی باید جداگانه بررسی شود.
قیمت و زمان دسترسی
در اطلاعیه ۹ نوامبر، گوگل قیمت، مناطق ارائه و تاریخ دسترسی عمومی مشخصی برای TPU 8tx و TPU 8i Max اعلام نکرده است. سازمانهایی که قصد استفاده دارند باید وضعیت عرضه و شرایط تجاری را از Google Cloud بررسی کنند. معرفی یک سامانه به معنی دسترسی فوری آن برای همه کاربران نیست.
اگر کاربرد اصلی شما پردازش داده حساس است، جزئیات محرمانگی، پیکربندی و الزامات سازمانتان را پیش از انتخاب بررسی کنید. برای زمینههای طولانی نیز علاوه بر سختافزار، محدودیت مدل و هزینه کل سرویس را در نظر بگیرید.
منابع



