ویندوز هوشمند با چیپ های کوچک NPU و تجربه Copilot+

مایکروسافت می‌گوید یک ویندوز هوشمندتر در راه است که با چیپ‌های کوچک هوش مصنوعی به نام NPU (واحدهای پردازش عصبی) قدرت می‌گیرد. این واحدهای پردازشی عصبی وعدهٔ اجرای سریع‌تر هوش مصنوعی روی خود دستگاه، افزایش عمر باتری و تجربه‌های جدید مبتنی بر عامل‌ها (agents) را می‌دهند — تجربه‌هایی که می‌توانند نحوهٔ تعامل ما با رایانه‌های شخصی را دگرگون کنند. در عمل، ترکیب سرعت، حریم خصوصی و مصرف انرژی پایین می‌تواند تجربهٔ روزمرهٔ کاربر را به شکلی محسوس تغییر دهد؛ از پاسخ‌دهی سریع در امور ساده تا انجام تحلیل‌های خصوصی و حساس بدون نیاز دائمی به اتصال ابری.

NPUs: small chips, outsized impact

واحدهای پردازش عصبی (Neural Processing Units یا NPU) تراشه‌های تخصصی هستند که برای اجرای وظایف یادگیری ماشین به‌صورت بسیار کارآمدتر از پردازنده‌های عمومی (CPU) یا حتی برخی واحدهای گرافیکی (GPU) طراحی شده‌اند. مایکروسافت روی NPUهایی تمرکز کرده که توان پردازشی تا حدود 40 تریلیون عملیات در ثانیه (40 TOPS) را فراهم می‌کنند؛ این میزان عملکرد به معنای توانایی اجرای قابلیت‌های هوش مصنوعی پیچیده به‌صورت محلی روی دستگاه است، بدون وابستگی پیوسته به سرورهای ابری. چنین قابلیتی امکان پردازش فوری، پاسخ‌های کم‌تاخیر و کنترل بهتر روی داده‌های کاربر را فراهم می‌آورد.

این کارایی اهمیت زیادی دارد. وقتی کارهای مربوط به هوش مصنوعی به NPU واگذار می‌شود، رایانه‌های شخصی می‌توانند تجربه‌هایی فوری و خصوصی ارائه دهند و در عین حال مصرف باتری را به حداقل برسانند — و سخت‌افزاری که این توان را فراهم می‌کند می‌تواند در دستگاه‌هایی تعبیه شود که قیمت آن‌ها تنها چند صد دلار است، نه در قفسه‌های سروری گران‌قیمت. برای کاربر معمولی این یعنی اجرای ترجمهٔ زنده، تشخیص صوت، خلاصه‌سازی متون یا پردازش تصویر دوربین بدون نوبت‌دهی طولانی یا نگرانی از ارسال حجم زیادی از داده‌ها به سرویس‌های ابری. برای شرکت‌ها نیز فرصت‌هایی در بهبود رعایت حریم خصوصی و کاهش هزینهٔ پهنای باند فراهم می‌شود.

Why Microsoft calls them Copilot+ PCs

مایکروسافت بیش از یک سال است که ایدهٔ Copilot+ PC را معرفی و تبلیغ می‌کند. در دیدگاه آن‌ها، این دستگاه‌ها ترکیبی از NPUهای محلی و سرویس‌های ابری هستند تا تعادلی میان پاسخ‌دهی سریع و توان محاسباتی مدل‌های بزرگ برقرار شود. مدل‌های کوچک و بهینه‌شده روی NPU اجرا می‌شوند تا وظایف سریع و روزمره مانند بازیابی اطلاعات، رونویسی صوتی یا پردازش تصویر دوربین انجام شوند؛ در عین حال، زمانی که نیاز به استدلال پیچیده‌تر یا داده‌های مقیاس بزرگتر است، بار کاری می‌تواند به مدل‌های عظیم‌تر ابری سپرده شود. چنین معماری هیبریدی، تجربه‌ای انعطاف‌پذیر، خصوصی و در عین حال قوی ارائه می‌دهد.

یکی از ریشه‌های عملی این رویکرد به پروژهٔ دوربین هوشمند Surface Hub 2 بازمی‌گردد که کارهای هوش مصنوعی را به‌صورت کارآمد روی خود دستگاه اجرا می‌کرد. درس‌هایی که از آن پروژه گرفته شد با شرکای سخت‌افزاری مانند AMD، Qualcomm و Intel به اشتراک گذاشته شد و آن‌ها نیز شروع به طراحی سیلیکون متمرکز بر پی‌سی برای پشتیبانی از این نیازها کردند. این همکاری نشان می‌دهد که گسترش NPUها در اکوسیستم پی‌سی یک حرکت مستقل از مایکروسافت نیست؛ بلکه نتیجهٔ تقاطع نیازهای نرم‌افزاری، مطالعات مهندسی و برنامه‌ریزی شرکای تراشه‌ساز است که می‌خواهند قابلیت‌های هوش مصنوعی روی دستگاه را به‌صورت مقرون‌به‌صرفه و در مقیاس عرضه کنند.

Agents, fewer clicks, more context

استیون باتیش (Steven Bathiche)، که رهبری تیم علوم کاربردی مایکروسافت را بر عهده دارد، این تجربه‌های عامل‌محور را «واحد جدید تعامل» می‌نامد. به بیان ساده‌تر: ویندوز در حال حرکت به سمت جریان‌های کاری است که به جای اینکه صرفاً کاربر را به کلیک در منوها و انتخاب‌های متعدد واگذار کنند، کارها را برای کاربر انجام می‌دهند. مایکروسافت هم‌اکنون نمونه‌هایی از یک عامل اختصاصی در بخش تنظیمات (Settings) را نشان داده و اعلام کرده که اتوماسیون‌های پیچیده‌تر در راه هستند. این عامل‌ها می‌توانند وظایف تکراری را خودکار کنند، داده‌ها را از منابع مختلف جمع کنند و بر اساس زمینهٔ فعالیت کاربر پیشنهادها یا اقداماتی ارائه دهند.

تصور کنید از رایانهٔ خود بخواهید که هفتهٔ گذشته ایمیل‌ها را خلاصه کند، زمان‌هایی برای پیگیری‌ها تعیین نماید و مهم‌ترین موضوعات یا مکاتبات را برجسته کند — همه این‌ها با کمترین میزان کلیک یا دخالت مستقیم شما. چنین سناریویی عملی است زیرا پردازش محلی با NPU سرعت و حریم خصوصی لازم را فراهم می‌آورد، در حالی که سرویس‌های ابری برای استدلال‌های سنگین‌تر و دسترسی به مدل‌های وسیع‌تر وارد عمل می‌شوند. در عمل، ترکیب این دو لایه به معنای کاهش اصطکاک کاربری، صرفه‌جویی در زمان و حفظ کنترل بر داده‌های حساس است. افزون بر این، عامل‌ها می‌توانند با استفاده از سیگنال‌های محلی مانند فعالیت برنامه‌ها، تنظیمات حریم خصوصی و اولویت‌های کاربر، نتایج شخصی‌سازی‌شده‌تری ارائه دهند.

What this means for users and developers

• کاربران: دریافت ویژگی‌های هوش مصنوعی سریع‌تر و خصوصی‌تر روی سخت‌افزار معمولی و در دسترس؛ قابلیت‌هایی مانند رونویسی آفلاین، ترجمه سریع، فیلترهای تصویر هوشمند و خلاصه‌سازی محتوای شخصی به‌صورت محلی قابل اجرا خواهند بود.
• توسعه‌دهندگان: امکان هدف‌گذاری روی جریان‌های کاری عامل‌محور که مدل‌های محلی و ابری را ترکیب می‌کنند؛ توسعه‌دهندگان می‌توانند اپلیکیشن‌هایی بسازند که بخشی از پردازش را روی NPU انجام دهند و در مواقع نیاز، به مدل‌های بزرگ‌تر ابری متکی شوند تا کارایی، هزینه و حریم خصوصی را بهینه کنند.
• سازندگان سخت‌افزار: رقابت برای افزودن NPU به طراحی‌های جدید لپ‌تاپ و دسکتاپ شدت گرفته است؛ این روند باعث می‌شود گزینه‌های متنوع‌تری با قیمت‌های مختلف در بازار ظاهر شوند و راه برای افزایش مقیاس‌پذیری و تنوع محصولات باز شود.

مایکروسافت NPUها را به‌عنوان زیرساختی کلیدی برای نسل بعدی هوش مصنوعی در ویندوز معرفی می‌کند. با آمیختن پردازش عصبی محلی با هوش ابری، Copilot+ PCها هدف دارند محاسبات هوشمندتر را بدون نیاز به همه‌گیر شدن دستگاه‌های گران‌قیمت و تخصصی ارائه دهند. این تحول هم‌چنین پیامدهایی فراتر از تجربهٔ کاربر نهایی دارد: توسعه مدل‌های کوچکتر و بهینه‌تر، استانداردسازی واسط‌های برنامه‌نویسی برای NPUها، و توجه بیشتر به طراحی سیستم‌عامل برای پشتیبانی از جریان‌های کاری عامل‌محور می‌تواند زیربنای فناوری‌های بعدی را شکل دهد.

در سطح فنی‌تر، NPUها غالباً شامل بلوک‌های محاسباتی با معماری‌های ماتریسی یا برداری هستند که برای عملیات متداول در شبکه‌های عصبی مانند ضرب-ماتریس‌ها بهینه‌سازی شده‌اند. این طراحی‌ها به آن‌ها اجازه می‌دهد محاسبات موازی گسترده‌ای انجام دهند که برای پردازش مدل‌های یادگیری عمیق ضروری است. در مقایسه با CPUها که برای کارهای متنوع طراحی شده‌اند، NPUها با حذف بخش‌های غیرضروری و تمرکز بر مسیرهای دادهٔ ویژهٔ یادگیری ماشینی، مصرف انرژی را کاهش و کارایی را افزایش می‌دهند. از سوی دیگر، نگاشت مدل‌های آموزشی و تبدیل آن‌ها به فرمت‌هایی که روی NPU اجرا شوند نیازمند ابزارهای نرم‌افزاری ویژه و چارچوب‌هایی است که توسعه‌دهندگان و سازندگان مدل‌ها باید به آن‌ها توجه کنند.

برای توسعه‌دهندگان نرم‌افزار و تیم‌های محصول، یکی از چالش‌ها مدیریت تناسب بین مدل‌های محلی و ابری است: چه بخش‌هایی از منطق باید همیشه محلی باشند به خاطر حریم خصوصی یا زمان پاسخ، و چه بخش‌هایی می‌توانند در ابر با مدل‌های بزرگ‌تر اجرا شوند تا کیفیت خروجی افزایش یابد؟ پاسخ به این سؤال بستگی به سناریوهای کاربردی دارد — برای مثال در کاربردهای پزشکی یا مالی، پردازش محلی می‌تواند برای حفظ محرمانگی داده‌ها حیاتی باشد، در حالی که در وظایف خلاقانه یا تحلیل‌های پیچیده ممکن است نیاز به مدل‌های ابری سنگین‌تر باشد. انتخاب درست معماری هیبریدی می‌تواند تجربهٔ کاربری را بهینه کند و هزینهٔ عملیات را نیز پایین بیاورد.

از منظر بازار و رقابت، ورود NPUها به لپ‌تاپ‌ها و دسکتاپ‌ها می‌تواند اکوسیستم اپلیکیشن‌ها را تغییر دهد: ابزارهای تولید محتوا، برنامه‌های ویرایش تصویر و ویدئو، اپلیکیشن‌های بهره‌وری و حتی بازی‌ها می‌توانند قابلیت‌های جدیدی را ارائه دهند که پیش‌تر محدود به سرورها یا سخت‌افزار خاص بود. این امر فرصت تازه‌ای برای شرکت‌های نرم‌افزاری فراهم می‌کند تا محصولاتی با ارزش‌افزوده بالا و تجربهٔ محلی غنی بسازند، در حالی که هزینه‌ها و نیازمندی‌های زیرساختی را مدیریت می‌کنند.

در نهایت، برای کاربران عادی، پدیدار شدن Copilot+ PCها به این معناست که به‌زودی بسیاری از کارهای روزمرهٔ دیجیتال — از سازماندهی اطلاعات شخصی تا مدیریت پروژه و پشتیبانی از تصمیم‌گیری — سریع‌تر، هوشمندتر و با کنترل بیشتر روی حریم خصوصی انجام خواهد شد. برای سازمان‌ها نیز امکان ارائه خدمات که با قوانین حفاظت از داده‌ها سازگارتر هستند و در عین حال تجربهٔ مشتری بهتری فراهم می‌کنند، افزایش می‌یابد. بنابراین، این تحول نه فقط یک پیشرفت فنی، بلکه تغییری در نحوهٔ طراحی نرم‌افزارها و ارائه خدمات دیجیتال است.