استارتاپ «Lola Vision Systems» با رویکردی نوآورانه در حال بازتعریف مسیر اجرای مدل‌های هوش مصنوعی بر روی سخت‌افزارهای تخصصی است. این شرکت با ارائه یک زنجیره ابزار (Toolchain) کامپایلری اختصاصی، فرآیند پرهزینه و زمان‌بر انتقال مدل‌های AI به تراشه‌ها را از ۲۰۰ ساعت به مقیاسی بسیار بهینه‌تر کاهش داده و همزمان در حال توسعه سخت‌افزار اختصاصی برای صنایع حساس است.
چالش گلوگاه نرم‌افزاری در رایانش لبه
در اکوسیستم فعلی هوش مصنوعی، یکی از بزرگترین موانع برای شرکت‌هایی که قصد دارند مدل‌های هوش مصنوعی را مستقیماً روی دستگاه‌های لبه (Edge Computing) نظیر پهپادها یا دوربین‌های هوشمند اجرا کنند، نبود ابزارهای خودکار برای نگاشت مدل‌های پیچیده روی سیلیکون‌های خاص است. تایو آدسانیا، بنیان‌گذار Lola Vision Systems، معتقد است که فرآیند فعلی که اغلب به صورت دستی انجام می‌شود، بیش از ۲۰۰ ساعت زمان برای آماده‌سازی اولیه نیاز دارد که این امر عملاً توسعه محصول را در حوزه‌های هوافضا و صنایع حساس متوقف می‌کند.
معماری زنجیره ابزار کامپایلر
محصول هسته‌ای Lola Vision یک «زنجیره ابزار کامپایلر» است که کد منبع و مدل‌های هوش مصنوعی (چه اختصاصی و چه متن‌باز) را دریافت کرده و آن‌ها را به دستورالعمل‌های ماشین (Machine Instructions) قابل اجرا روی تراشه‌های هدف ترجمه می‌کند. برخلاف راهکارهای رایج که ممکن است در اولین اجرا با شکست مواجه شوند یا نیاز به هفته‌ها دیباگ کردن داشته باشند، راهکار Lola Vision بر بهینه‌سازی دقیق برای کاهش مصرف انرژی و افزایش دقت مدل متمرکز است.
مشخصات و قابلیت‌های فنی راهکار Lola Vision:
- خودکارسازی کامپایل: کاهش زمان آماده‌سازی مدل از ۲۰۰ ساعت به بازه‌های بسیار کوتاه‌تر.
- سازگاری سخت‌افزاری: ترجمه مدل‌های AI به دستورات سطح پایین برای معماری‌های مختلف تراشه.
- تمرکز بر صنایع حساس: ارتقای دقت و قابلیت اطمینان (Reliability) برای صنایع هوافضا و نظامی.
- مدل کسب‌وکار هیبریدی: ارائه نرم‌افزار به صورت لایسنس برای سخت‌افزارهای موجود در کنار توسعه تراشه‌های اختصاصی.
چرا سخت‌افزار فعلی برای مدل‌های سنگین ناکارآمد است؟
بسیاری از تیم‌های مهندسی از ماژول‌های آماده مانند NVIDIA Jetson استفاده می‌کنند. با این حال، آدسانیا اشاره می‌کند که این پلتفرم‌ها در اجرای مدل‌های متوسط تا بزرگ با مشکل مواجه می‌شوند؛ یا مصرف انرژی بیش از حد مجاز دستگاه است و یا قدرت پردازشی کافی برای استنتاج بلادرنگ (Real-time Inference) وجود ندارد که نتیجه آن «تاخیر در تشخیص» یا «خطای شناسایی اشیاء» است.
آینده‌نگری و استراتژی بازار
Lola Vision Systems با جذب سرمایه اولیه بیش از ۱ میلیون دلار و جلب نظر ده‌ها مشتری سازمانی، قصد دارد شکاف موجود در بازار زیرساخت‌های هوش مصنوعی را پر کند. اگرچه توسعه تراشه اختصاصی زمان‌بر است، اما این شرکت با اتخاذ استراتژی صدور مجوز (Licensing) نرم‌افزار خود برای سخت‌افزارهای موجود، به دنبال ورود سریع به بازار و کسب درآمد است. این استراتژی به آن‌ها اجازه می‌دهد تا پیش از عرضه سیلیکون اختصاصی خود، چرخه‌های توسعه هوش مصنوعی را برای صنایع هدف تسریع کنند.
