០១គោលគំនិតមូលដ្ឋាន៖ ហួសពីស្ថាបត្យកម្ម von Neumann

កុំព្យូទ័រស្ទើរទាំងអស់ដែលប្រើប្រាស់សព្វថ្ងៃនេះ — ចាប់ពីទូរស័ព្ទដល់ GPU បណ្តុះបណ្តាល AI ធំបំផុត — សុទ្ធតែធ្វើតាមស្ថាបត្យកម្ម von Neumann ដែលដាក់ឈ្មោះតាមអ្នកគណិតវិទូ John von Neumann ក្នុងទសវត្សរ៍ ១៩៤០៖ ឯកតាគណនា (processor) និងអង្គចងចាំ (memory) ជាផ្នែកញែកដាច់ដោយឡែកពីគ្នា ភ្ជាប់តាមខ្សែបញ្ជូនទិន្នន័យតែមួយ។ រាល់ការគណនាតម្រូវឱ្យទាញយកទិន្នន័យពីអង្គចងចាំមកកាន់ឯកតាគណនា ហើយបញ្ជូនលទ្ធផលត្រឡប់មកវិញម្តងហើយម្តងទៀត — បាតុភូតនេះហៅថា «ការស្ទះ von Neumann» (von Neumann bottleneck)។ សម្រាប់បណ្តាញសរសៃប្រសាទជម្រៅ (deep learning) ដែលមានប៉ារ៉ាម៉ែត្ររាប់រយលាន ដល់ពាន់ពាន់លាន ការផ្លាស់ទីទិន្នន័យរវាងអង្គចងចាំ និងឯកតាគណនានេះហើយ ដែលប្រើប្រាស់ថាមពលច្រើនជាងប្រតិបត្តិការគណិតវិទ្យាដោយផ្ទាល់ខ្លួនឯងទៅទៀត — តាមការពន្យល់របស់ក្រុមអ្នកស្រាវជ្រាវ IBM ក្នុងអត្ថបទស្រាវជ្រាវបន្ទះឈីប NorthPole ដែលបោះពុម្ពផ្សាយក្នុងទស្សនាវដ្តី Science ខែតុលា ២០២៣។

«កុំព្យូទ័រតម្រង់ខួរក្បាល» (neuromorphic computing) ជាវិធីសាស្ត្រឆ្លើយតបទៅនឹងបញ្ហានេះ ដោយត្រាប់តាមរបៀបដែលខួរក្បាលជីវសាស្ត្រដំណើរការព័ត៌មាន៖ នឺរ៉ូន និងស៊ីណាបនៅជាប់គ្នា មិនញែកចេញពីគ្នាទេ ហើយការគណនាកើតឡើងតែនៅពេលមានព័ត៌មានថ្មីមកដល់ប៉ុណ្ណោះ (ការគណនាតាមព្រឹត្តិការណ៍ — event-driven processing) ជំនួសការគណនាគ្រប់ចង្វាក់ម៉ោង (clock cycle) ដូច CPU-GPU ធម្មតា។ ពាក្យ «neuromorphic» ត្រូវបានប្រើដំបូងដោយវិស្វករ Carver Mead នៃ Caltech ចុងទសវត្សរ៍ ១៩៨០ ដើម្បីពិពណ៌នាសៀគ្វី analog ត្រាប់តាមប្រព័ន្ធសរសៃប្រសាទជីវសាស្ត្រ — មិនមែនគំនិតថ្មីទាំងស្រុងទេ ប៉ុន្តែសមត្ថភាពផលិតឈីបទំនើប ទើបធ្វើឱ្យវាពង្រីកទៅជាប្រព័ន្ធធំៗបានក្នុងទសវត្សរ៍ថ្មីៗនេះ។

០២បណ្តាញសរសៃប្រសាទបាញ់ជីពចរ និងការគណនាតាមព្រឹត្តិការណ៍

ក្នុងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតធម្មតា (ANN) ដែលជាមូលដ្ឋានឱ្យ AI ភាគច្រើនសព្វថ្ងៃ (រួមទាំង LLM) នឺរ៉ូននីមួយៗបញ្ចេញតម្លៃលេខបន្តបន្ទាប់តាមមុខងារធ្វើឱ្យសកម្ម (ដូចជា ReLU) ហើយស្រទាប់ទាំងមូលត្រូវគណនាឡើងវិញគ្រប់ដងទោះទិន្នន័យបញ្ចូលមានការផ្លាស់ប្តូរតិចតួចប៉ុណ្ណាក៏ដោយ។ ផ្ទុយទៅវិញ នឺរ៉ូនបាញ់ជីពចរ (spiking neuron) សន្សំសំចៃថាមពលដោយប្រើគំរូ «ប្រមូលផ្តុំ-ហើយបាញ់» (integrate-and-fire)៖ វាប្រមូលផ្តុំសញ្ញាបញ្ចូលបន្តិចម្តងៗឡើងជា «សក្តានុពលភ្នាស» (membrane potential) ហើយបញ្ចេញជីពចរខ្លីមួយភ្លែត (spike) លុះត្រាតែសក្តានុពលនោះឆ្លងកម្រិតកំណត់ ក្រោយមកទើបត្រឡប់ទៅសូន្យវិញ។ ពេលវេលានៃជីពចរនីមួយៗខ្លួនឯង ក៏ផ្ទុកព័ត៌មានផងដែរ (temporal coding) មិនមែនត្រឹមតែទំហំសញ្ញាទេ។

ដោយសារនឺរ៉ូនភាគច្រើននៅស្ងៀមក្នុងពេលណាមួយ (ស្ថានភាព «ស្ដើង» — sparse) សៀគ្វីឌីជីថលដែលត្រូវការស្ថិតក្រោមថាមពលមានតែពេលមានជីពចរពិតប្រាកដកើតឡើងប៉ុណ្ណោះ — ជាមូលដ្ឋានចម្បងនៃការអះអាងប្រសិទ្ធភាពថាមពលរបស់កុំព្យូទ័រតម្រង់ខួរក្បាល។ គំរូនេះផ្គូផ្គងបានល្អបំផុតជាមួយ «កាមេរ៉ាព្រឹត្តិការណ៍» (event cameras ដូចរបស់ Prophesee) ដែលបញ្ចេញតែសញ្ញាចំណុចរូបភាពពិតជាផ្លាស់ប្តូរប៉ុណ្ណោះ ជំនួសការថតគ្រប់ស៊ុមពេញដូចកាមេរ៉ាធម្មតា ធ្វើឱ្យទិន្នន័យស្ដើងតាំងពីប្រភពដើម។

• ថាមពលមធ្យមទាប៖ សៀគ្វីស្ថិតក្នុងស្ថានភាពសម្ងំភាគច្រើននៃពេលវេលា ប្រើថាមពលតែពេលចាំបាច់
• សមស្របនឹងទិន្នន័យតាមពេលវេលា៖ ស័ក្តិសមជាមួយសំឡេង ការញ័រញាក់ ចលនា — ទិន្នន័យស្ទ្រីមតាមពេលវេលាជាក់ស្តែង
• អង្គចងចាំមូលដ្ឋានច្រើន៖ ស៊ីណាបផ្ទុកនៅជិតនឺរ៉ូនផ្ទាល់ កាត់បន្ថយចលនាទិន្នន័យចម្ងាយឆ្ងាយ
• លទ្ធភាពរៀនផ្ទាល់លើឈីប៖ គោលការណ៍ STDP (spike-timing-dependent plasticity) អនុញ្ញាតការកែសម្រួលទម្ងន់ស៊ីណាបដោយផ្អែកលើពេលវេលានៃជីពចរ

០៣Intel៖ ពី Loihi ដល់ Hala Point

Intel បានចាប់ផ្តើមកម្មវិធីស្រាវជ្រាវកុំព្យូទ័រតម្រង់ខួរក្បាលរបស់ខ្លួនជាមួយបន្ទះឈីប Loihi ជំនាន់ដំបូងក្នុងឆ្នាំ ២០១៧ ជាសៀគ្វីឌីជីថលបាញ់ជីពចរបែបអសមកាល (asynchronous digital spiking)។ ជំនាន់បន្ទាប់ Loihi ២ ចេញផ្សាយឆ្នាំ ២០២១ ផលិតលើដំណើរការ Intel ៤ (ថ្នាក់ប្រហាក់ប្រហែល ៧ណាណូម៉ែត្រ) មានស្នូលគណនាតម្រង់ខួរក្បាល ១២៨ ក្នុងមួយឈីប គាំទ្រនឺរ៉ូនកម្មវិធីរហូតដល់ ១ លាន និងស៊ីណាបរហូតដល់ ១២០ លាន ហើយសរសេរកម្មវិធីតាមរយៈក្របខ័ណ្ឌប្រភពបើកចំហ Lava ដែល Intel ខ្លួនឯងអភិវឌ្ឍន៍។ ការចូលប្រើប្រាស់ Loihi ២ ភាគច្រើនកើតឡើងតាមរយៈកម្មវិធីស្រាវជ្រាវ Intel Neuromorphic Research Community (INRC) ដែលផ្តល់សិទ្ធិដល់ស្ថាប័នដៃគូ-សាកលវិទ្យាល័យ មិនមែនលក់រាយជាទូទៅដូចឈីប CPU-GPU ធម្មតាទេ។

ខែមេសា ២០២៤ Intel ប្រកាសប្រគល់ប្រព័ន្ធ Hala Point ដល់ Sandia National Laboratories (មន្ទីរពិសោធន៍ជាតិសហរដ្ឋអាមេរិកក្រោមក្រសួងថាមពល) ដោយហៅវាថាជា «ប្រព័ន្ធកុំព្យូទ័រតម្រង់ខួរក្បាលធំបំផុតលើពិភពលោក»។ តាមឯកសារ Intel ខ្លួនឯង ប្រព័ន្ធនេះផ្សំបន្ទះឈីប Loihi ២ ចំនួន ១.១៥២ ក្នុងទម្រង់ដាក់ធ្នើ ៦ គ្រឿង មានសមត្ថភាពសរុប ១,១៥ ពាន់លាននឺរ៉ូន និង ១២៨ ពាន់លានស៊ីណាប ដំណើរការបានរហូតដល់ ២០ petaops ដោយប្រើថាមពលកំពូល ២.៦០០ វ៉ាត់ប៉ុណ្ណោះ។ Intel អះអាងថា ប្រព័ន្ធអាចសម្រេចប្រសិទ្ធភាព ១៥ TOPS/W និងអាចប្រើថាមពលតិចជាង ១០០ ដង ល្បឿនលឿនជាង ៥០ ដង ធៀបនឹង CPU-GPU ធម្មតា — ជាការអះអាងផ្ទាល់របស់ក្រុមហ៊ុន សម្រាប់កិច្ចការជាក់លាក់ប៉ុណ្ណោះ។

០៤IBM៖ ពី TrueNorth ដល់ NorthPole

IBM ចាប់ផ្តើមកម្មវិធីស្រាវជ្រាវឈីបតម្រង់ខួរក្បាលក្រោមកម្មវិធី SyNAPSE របស់ DARPA ដោយចេញផ្សាយបន្ទះឈីប TrueNorth ក្នុងឆ្នាំ ២០១៤៖ ស្នូល ៤.០៩៦ មាននឺរ៉ូនកម្មវិធីសរុប ១ លាន និងស៊ីណាប ២៥៦ លាន ប្រើថាមពលទាបប្រមាណ ៦៥ មីលីវ៉ាត់។ តាមរបាយការណ៍ IEEE Spectrum ត្រឹមឆ្នាំ ២០១៦ TrueNorth ត្រូវបានប្រើសាកល្បងដោយអ្នកប្រើប្រាស់ជាង ១៣០ នាក់ នៅស្ថាប័នស្រាវជ្រាវជាង ៤០។ តាម MIT Technology Review ខែមករា ២០១៧ មន្ទីរពិសោធន៍ស្រាវជ្រាវកងទ័ពអាកាសសហរដ្ឋអាមេរិកបានសាកល្បង TrueNorth សម្រាប់សម្គាល់យានយន្តយោធាតាមរូបភាពអាកាស ដោយសម្រេចភាពត្រឹមត្រូវប្រមាណ ៩៥% ស្មើកុំព្យូទ័រធម្មតា ប៉ុន្តែប្រើថាមពលត្រឹមមួយភាគ ២០ ទៅ ៣០ ប៉ុណ្ណោះ។ ទោះជាយ៉ាងនេះក្តី TrueNorth មិនដែលក្លាយជាផលិតផលពាណិជ្ជកម្មទូទៅឡើយ។

ខែតុលា ២០២៣ IBM ប្រកាសបន្ទះឈីប NorthPole តាមរយៈអត្ថបទស្រាវជ្រាវក្នុងទស្សនាវដ្តី Science។ សំខាន់ត្រូវកត់សម្គាល់៖ NorthPole មិនប្រើនឺរ៉ូនបាញ់ជីពចរទេ — ជំនួសមកវិញ វាដាក់ការគណនា និងអង្គចងចាំ SRAM ១៩២ មេកាបៃ ចែកចាយលើអារេស្នូល ២៥៦ នៅជិតគ្នាដល់កម្រិតលាយច្របល់លើឈីបតែមួយ (ដំណើរការ ១២ណាណូម៉ែត្រ ទ្រង់ទ្រាយ ៧៩៥ ម.ម២ ត្រង់ស៊ីស្ទ័រ ២២ ពាន់លាន) ដើម្បីលុបបំបាត់តម្រូវការទាញយកទិន្នន័យពីអង្គចងចាំក្រៅឈីប (DRAM) ក្នុងអំឡុងពេលសន្និដ្ឋាន — ខុសពី Loihi ដែលប្រើនឺរ៉ូនបាញ់ជីពចរដោយផ្ទាល់។ តាមអត្ថបទស្រាវជ្រាវឆ្នាំ ២០២៣ IBM អះអាងថា NorthPole មានប្រសិទ្ធភាពថាមពលច្រើនជាង GPU/CPU ដំណើរការ ១២-១៤ណាណូម៉ែត្រ ប្រមាណ ២៥ ដង លើកិច្ចការចាត់ថ្នាក់រូបភាព ResNet-50។ ក្រោយមក តាមអត្ថបទប្លុករបស់ IBM Research ស្តីពីលទ្ធផលសាកល្បង LLM ក្រុមហ៊ុនអះអាងប្រសិទ្ធភាពថាមពលច្រើនជាង GPU ល្បឿនលឿនបំផុតដល់ទៅ ៧២,៧ ដង និងលឿនជាង GPU ប្រសិទ្ធភាពថាមពលល្អបំផុតដល់ទៅ ៤៦,៩ ដង លើគំរូភាសាទំហំ ៣ ពាន់លានប៉ារ៉ាម៉ែត្រ ដោយសម្រេចអត្រា ២៨.៣៥៦ token ក្នុងមួយវិនាទីលើម៉ូឌែល Granite-8B-Code-Base ដោយប្រើកាត NorthPole ១៦ ក្នុងម៉ាស៊ីនមេទំហំ 2U តែមួយ។

០៥BrainChip៖ Akida និង AKD1500

BrainChip ជាក្រុមហ៊ុនអូស្ត្រាលី អភិវឌ្ឍន៍ខ្សែផលិតផលឈីបតម្រង់ខួរក្បាលឈ្មោះ Akida ដោយផ្តោតលើ AI នៅគែមបណ្តាញ (edge AI)៖ ចក្ខុវិស័យកុំព្យូទ័រ ដំណើរការសំឡេង ទិន្នន័យឧបករណ៍ចាប់សញ្ញាច្រើនប្រភេទ និងលទ្ធភាពរៀនបន្ថែមផ្ទាល់លើឈីប។ ស្ថាបត្យកម្មជំនាន់ទី ២ «Akida ២» ត្រូវបានផ្តល់អាជ្ញាប័ណ្ណជាកម្មសិទ្ធិបញ្ញាដល់ដៃគូផលិតឈីបផ្សេងទៀត — ក្រុមហ៊ុនប្រកាសកិច្ចព្រមព្រៀងជាមួយ EDGEAI សម្រាប់ឧបករណ៍វាស់ស្មាតឆ្លាតវៃជាឧទាហរណ៍មួយ។

ថ្ងៃទី ៣០ មិថុនា ២០២៦ BrainChip ប្រកាសដាក់លក់ជាផ្លូវការ និងចាប់ផ្តើមដឹកជញ្ជូនផលិតកម្មពាណិជ្ជកម្មនៃបន្ទះឈីប AKD1500 ដោយហៅវាថាជា «ចំណុចសំខាន់បំផុត» ក្នុងផែនទីបង្ហាញផ្លូវពាណិជ្ជកម្មរបស់ខ្លួន។ ឈីបនេះផលិតដោយ GlobalFoundries តាមបច្ចេកវិទ្យា ២២ណាណូម៉ែត្រ ប្រើថាមពលក្រោម ៣០០ មីលីវ៉ាត់ក្នុងរបៀប PCIe និងក្រោម ២០០ មីលីវ៉ាត់ក្នុងរបៀបសៀរៀល ដែលក្រុមហ៊ុនហៅថា «ការគណនាតម្រង់ខួរក្បាលពិតប្រាកដក្រោមមួយវ៉ាត់»។ ទីផ្សារគោលដៅរួមមានវិស័យការពារជាតិ ឧបករណ៍ពាក់ខ្លួន IoT ឧស្សាហកម្ម រថយន្ត និងអាកាសចរណ៍ — ក្រុមហ៊ុនប្រកាសថា អតិថិជនច្រើនរូបបានទទួលបរិមាណផលិតកម្មរួចហើយ ប៉ុន្តែមិនបានបញ្ជាក់ឈ្មោះជាសាធារណៈទេ។

• AKD1500 ជាឧទាហរណ៍ដ៏ច្បាស់មួយក្នុងចំណោមក្រុមហ៊ុនធំៗដែលបានលើកឡើងក្នុងអត្ថបទនេះ ដែលឈីបតម្រង់ខួរក្បាលពិតជាបានផលិត និងដឹកជញ្ជូនក្នុងបរិមាណពាណិជ្ជកម្មពិតប្រាកដ — មិនមែនគ្រាន់តែជាគំរូស្រាវជ្រាវ ឬដេម៉ូបន្ទប់ពិសោធន៍ទេ
• ប៉ុន្តែទំហំនៅតូចនៅឡើយ៖ ជាឈីបគែមបណ្តាញតែមួយកម្រិតក្រោមមួយវ៉ាត់ សម្រាប់កិច្ចការចាប់សញ្ញា-ចាត់ថ្នាក់ស្ដើងតូច មិនមែនជាឧបករណ៍បង្កើនល្បឿនកម្រិតមជ្ឈមណ្ឌលទិន្នន័យធំដូច NorthPole ឬ Hala Point ដែលនៅតែស្ថិតក្នុងដំណាក់កាលស្រាវជ្រាវនោះទេ

០៦កិច្ចខិតខំប្រឹងប្រែងសិក្សា៖ SpiNNaker និង Tianjic

SpiNNaker ជាគម្រោងស្រាវជ្រាវរបស់សាកលវិទ្យាល័យ Manchester ដឹកនាំដោយសាស្ត្រាចារ្យ Steve Furber (អ្នករចនារួម ARM processor ដើម) ចាប់ផ្តើមប្រមាណឆ្នាំ ២០០៥ ក្រោមថវិកា Human Brain Project របស់សហភាពអឺរ៉ុប។ ជំនាន់ដំបូង SpiNNaker ១ ប្រើស្នូល ARM ជាច្រើនត្រាប់តាមបណ្តាញសរសៃប្រសាទបាញ់ជីពចរ ដោយចាត់ទុកការប្រាស្រ័យទាក់ទងរវាងនឺរ៉ូនជា «កញ្ចប់ជីពចរ» ស្ដើងតូចបញ្ជូនតាមបណ្តាញផ្ទាល់ខ្លួន ជំនួសការគណនាតាមម៉ាទ្រីសក្រាស់ — ប្រព័ន្ធនេះឈានដល់ស្នូល ARM ប្រមាណកន្លះលានឆ្នាំ ២០១៦ និង ១ លានឆ្នាំ ២០១៨។

ជំនាន់ទី ២ SpiNNaker ២ អភិវឌ្ឍន៍ជាចម្បងនៅសាកលវិទ្យាល័យបច្ចេកទេស Dresden អាល្លឺម៉ង់ (ក្រោមការដឹកនាំរបស់សាស្ត្រាចារ្យ Christian Mayr) ហើយចេញផ្សាយពាណិជ្ជកម្មតាមរយៈក្រុមហ៊ុនបំបែក SpiNNcloud Systems ខែឧសភា ២០២៤។ ឈីបនីមួយៗផ្សំបណ្តាញស្នូល ARM ប្រើថាមពលទាបចំនួន ១៥២ ជាមួយឧបករណ៍បង្កើនល្បឿនជំនាញសម្រាប់កិច្ចការតម្រង់ខួរក្បាល និងលក្ខណៈកែសម្រួលវ៉ុល-ប្រេកង់ស្វ័យប្រវត្តិតាមតម្រូវការ។ ប្រព័ន្ធដែលដំឡើងនៅ Dresden មានសមត្ថភាពដែលក្រុមហ៊ុនអះអាងអាចត្រាប់តាមនឺរ៉ូនរហូតដល់ ១០ ពាន់លាន ហើយក្រុមហ៊ុនផ្ទាល់ហៅវាថាជា «វេទិកាផលិតកម្ម» សម្រាប់ AI លាយបញ្ចូល (ការសិក្សាជម្រៅ បូកនឹងហេតុផលនិមិត្តសញ្ញា) មិនមែនគំរូស្រាវជ្រាវសុទ្ធសាធនោះទេ។

ចំណែក Tianjic ជាបន្ទះឈីបពីសាកលវិទ្យាល័យ Tsinghua ក្រុងប៉េកាំង ដែលលទ្ធផលបានបោះពុម្ពក្នុងទស្សនាវដ្តី Nature ខែសីហា ២០១៩។ ឈីបនេះលាយបញ្ចូលសៀគ្វីបែបវិទ្យាសាស្ត្រកុំព្យូទ័រ (ANN ក្រាស់) ជាមួយសៀគ្វីបែបប្រព័ន្ធសរសៃប្រសាទ (SNN បាញ់ជីពចរ) នៅលើស្ថាបត្យកម្មតែមួយ ហើយក្រុមអ្នកស្រាវជ្រាវបានបង្ហាញសមត្ថភាពដោយប្រើវាបញ្ជាកង់ស្វ័យប្រវត្តិមួយគ្រឿង ដែលរក្សាតុល្យភាព ជៀសវាងឧបសគ្គ និងឆ្លើយតបនឹងបញ្ជាសំឡេង — រាយការណ៍យ៉ាងទូលំទូលាយពី MIT Technology Review ជាភស្តុតាងសមត្ថភាពស្រាវជ្រាវឈីប AI របស់ចិន។ ទោះជាយ៉ាងណា នេះនៅតែជាការបង្ហាញសមត្ថភាពក្នុងបរិយាកាសសិក្សា មិនមែនផលិតផលពាណិជ្ជកម្មដាក់លក់ជាទូទៅនោះទេ។

០៧ការអះអាងប្រសិទ្ធភាព ធៀបនឹងអ្វីបានបង្ហាញជាក់ស្តែង

តួលេខប្រសិទ្ធភាពគួរឱ្យភ្ញាក់ផ្អើលទាំងអស់ខាងលើ — ១០០ ដងរបស់ Intel, ៧២,៧ ដងរបស់ IBM, «ក្រោមមួយវ៉ាត់» របស់ BrainChip — សុទ្ធតែជារង្វាស់លើទម្រង់ការងារជាក់លាក់ដែលក្រុមហ៊ុនផ្ទាល់ជ្រើសរើស មិនមែនការបណ្តុះបណ្តាល ឬកិច្ចការទូទៅតាមអំពើចិត្តទេ។ សូមប្រៀបធៀបការអះអាង ជាមួយស្ថានភាពជាក់ស្តែងត្រឹមឆ្នាំ ២០២៦៖

០៨ខុសពី GPU និងកុំព្យូទ័រកង់ទិចយ៉ាងណា

GPU ដែលកំពុងជំរុញការរីកចម្រើន AI ភាគច្រើនសព្វថ្ងៃ (គ្របដណ្តប់ក្នុងអត្ថបទដាច់ដោយឡែកមុនៗក្នុងស៊េរីនេះស្តីពីខ្សែសង្វាក់ផលិតឈីប) ដំណើរការតាមចង្វាក់ម៉ោងសមកាល ត្រូវបានបង្កើនប្រសិទ្ធភាពសម្រាប់ការគុណម៉ាទ្រីសក្រាស់ក្នុងបរិមាណដ៏ធំក្នុងពេលដំណាលគ្នា — ដំណើរការធាតុទាំងអស់រាល់ចង្វាក់ម៉ោង ទោះទិន្នន័យបញ្ចូលមានព័ត៌មានថ្មីឬអត់ក៏ដោយ។ ភាពខ្លាំងរបស់ GPU គឺល្បឿនគណនាសរុប (raw throughput) សម្រាប់ទាំងការបណ្តុះបណ្តាល និងការសន្និដ្ឋានគំរូ AI ទំហំធំ ព្រមទាំងប្រព័ន្ធអេកូឡូស៊ីកម្មវិធីចាស់ទុំបំផុត (CUDA, PyTorch, TensorFlow)។ កុំព្យូទ័រតម្រង់ខួរក្បាលវិញ ដំណើរការតាមព្រឹត្តិការណ៍អសមកាល ដាក់អង្គចងចាំនៅជាប់ ឬលាយបញ្ចូលជាមួយឯកតាគណនា ហើយប្រើថាមពលតែពេលមានជីពចរពិតប្រាកដកើតឡើងប៉ុណ្ណោះ — ផ្តោតលើប្រសិទ្ធភាពថាមពលកម្រិតខ្ពស់សម្រាប់កិច្ចការស្ដើង ជាប់ពេលវេលាជាក់ស្តែង និងកម្រិតគែមបណ្តាញ មិនមែនល្បឿនគណនាកំពូលទូទៅទេ។

ដោយឡែក កុំព្យូទ័រកង់ទិច (quantum computing មានអត្ថបទដាច់ដោយឡែកក្នុងស៊េរីនេះរួចមកហើយ) ជាគំរូខុសគ្នាទាំងស្រុង៖ វាកេងចំណេញលក្ខណៈយន្តកលកង់ទិច — ភាព superposition និង entanglement នៃ qubit — ដើម្បីព្យាយាមសម្រេចល្បឿនលឿនសម្រាប់បញ្ហាគណិតវិទ្យារចនាសម្ព័ន្ធជាក់លាក់ (ការញែកកត្តាលេខ ការក្លែងធ្វើប្រព័ន្ធកង់ទិច) ដែលពាក់ព័ន្ធនឹងបញ្ហាកែតម្រូវកំហុសខុសពីគ្នាទាំងស្រុង។ កុំព្យូទ័រតម្រង់ខួរក្បាលវិញ នៅតែស្ថិតលើមូលដ្ឋានសៀគ្វីឌីជីថល ឬ analog បែបប្រពៃណីទាំងស្រុង (deterministic ឬ stochastic) មិនកេងចំណេញលក្ខណៈកង់ទិចទេ ហើយផ្តោតលើគោលដៅផ្សេងគ្នាទាំងស្រុងគឺ ប្រសិទ្ធភាពថាមពលក្នុងកិច្ចការសម្គាល់លំនាំ (pattern recognition) និង AI inference។ ព័ត៌មានទូទៅតែងច្រឡំបញ្ចូលគ្នាទាំងពីរនេះជា «កុំព្យូទ័រជំនាន់ក្រោយចម្លែកៗ» ប៉ុន្តែពិតជាដោះស្រាយបញ្ហាខុសគ្នា។

០៩អ្វីត្រូវតាមដានបន្ត

• តើ Intel និង IBM នឹងបញ្ចេញ Loihi ២/Hala Point ឬ NorthPole ចេញពីកម្មវិធីស្រាវជ្រាវរបស់ខ្លួន ទៅជាផលិតផលពាណិជ្ជកម្ម ឬសេវាកម្ម cloud បើកចំហដែរឬទេ ក្នុងរយៈពេលឆាប់ៗនេះ។
• តើការដឹកជញ្ជូនផលិតកម្ម AKD1500 របស់ BrainChip នឹងពង្រីកទៅជាមូលដ្ឋានអតិថិជនធំជាងនេះ និងចំណូលច្បាស់លាស់ ដែលបង្ហាញក្នុងរបាយការណ៍ហិរញ្ញវត្ថុជាផ្លូវការដែរឬទេ ឬនៅតែជាទីផ្សារពិសេសតូចចង្អៀត។
• តើឧបករណ៍កម្មវិធីកម្រិតខ្ពស់ប្រៀបធៀបនឹង PyTorch នឹងលេចចេញមកបិទគម្លាតដែល Furber លើកឡើងដែរឬទេ។
• តើសមត្ថភាព ១០ ពាន់លាននឺរ៉ូនរបស់ SpiNNaker ២ ឬស្ថាបត្យកម្មបែប Tianjic នឹងផលិតកម្មវិធីអនុវត្តន៍ពាណិជ្ជកម្មទំហំធំមួយ លើសពីកម្រិតដេម៉ូមន្ទីរពិសោធន៍ដែរឬទេ។
• តើលទ្ធផលរង្វាស់ស្តង់ដារឯករាជ្យ (មិនមែនក្រុមហ៊ុនផ្ទាល់ជ្រើសរើសទម្រង់ការងារ) នឹងបញ្ជាក់ថា តួលេខអះអាងប្រសិទ្ធភាពខាងលើគង់វង្សលើវិសាលភាពទម្រង់ការងារធំជាងនេះដែរឬទេ។
• ក្រុមហ៊ុនស្រាវជ្រាវទីផ្សារបានចាប់ផ្តើមបោះពុម្ពរបាយការណ៍ដាច់ដោយឡែកតាមដាន «ផ្នែករឹងកុំព្យូទ័រ AI តម្រង់ខួរក្បាល» ជាប្រភេទឧស្សាហកម្មរបស់ខ្លួនផ្ទាល់តាំងពីឆ្នាំ ២០២៦ — សញ្ញាថាការចាប់អារម្មណ៍វិនិយោគកំពុងកើនឡើង ទោះបីជាភស្តុតាងពាណិជ្ជកម្មទូលំទូលាយនៅមិនទាន់មកដល់ក៏ដោយ។

១០សំណួរញឹកញាប់

១១ប្រភព (Sources)

1. Intel Builds World’s Largest Neuromorphic System — Intel Newsroom (មេសា ២០២៤)
2. Sandia Pushes The Neuromorphic AI Envelope With Hala Point — The Next Platform (មេសា ២០២៤)
3. NorthPole LLM Inference Results — IBM Research
4. IBM NorthPole: An Architecture for Neural Network Inference with a 12nm Chip — IBM Research (ISSCC ២០២៤)
5. BrainChip Announces Commercial Availability and Production Shipments of AKD1500 — BrainChip (មិថុនា ២០២៦)
6. BrainChip AKD1500 Now Available, Enabling Edge AI — Edge AI and Vision Alliance (កក្កដា ២០២៦)
7. SpiNNcloud Systems Launches SpiNNaker2 — HPCwire (ឧសភា ២០២៤)
8. Neuromorphic Computing Is Ready for the Big Time — IEEE Spectrum (កុម្ភៈ ២០២៥)
9. Neuromorphic Chips Are Destined for Deep Learning—or Obscurity — IEEE Spectrum
10. Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture — Nature (សីហា ២០១៩)
11. This Autonomous Bicycle Shows China’s Rising AI Chip Expertise — MIT Technology Review (កក្កដា ២០១៩)
12. Air Force Tests IBM’s Brain-Inspired Chip as an Aerial Tank Spotter — MIT Technology Review (មករា ២០១៧)
13. A Look at TrueNorth — IBM Neuromorphic Chip — Open Neuromorphic
14. What Is Neuromorphic Computing? — IBM Think (មករា ២០២៤)

✓ ផ្ទៀងផ្ទាត់ជាមួយប្រភពបឋម · ធ្វើបច្ចុប្បន្នភាព សីហា ២០២៦

📷 រូបភាពក្នុងអត្ថបទនេះ មានប្រភព និងឥណទានម្ចាស់កម្មសិទ្ធិនៅក្រោមរូបភាពនីមួយៗ។ ចុចលើរូបភាព ដើម្បីមើលទំហំធំ។