در حال حاضر، حوزه هوش مصنوعی در حال تجربه یک دگرگونی قابل توجه است که ناشی از یکپارچگی و دسترسی گسترده به هوش مصنوعی مولد در اکوسیستم‌های منبع باز است. این موج دگرگون کننده نه تنها بهره‌وری و کارایی را افزایش می‌دهد، بلکه نوآوری را تقویت می‌کند و ابزاری حیاتی برای رقابت در عصر مدرن محسوب می‌شود. اخیراً، اپل با جدا شدن از اکوسیستم بسته سنتی خود، چارچوب منبع باز MLX را معرفی کرده است. این چارچوب برای توانمندسازی توسعه‌دهندگان هوش مصنوعی به منظور مهار کارآمد طراحی شده است. در این مقاله، به بررسی قابلیت‌های تراشه‌های سیلیکون اپل در چارچوب MLX می‌پردازیم و پیامدهای آن برای اپل و تأثیر بالقوه‌ای که بر اکوسیستم گسترده‌تر هوش مصنوعی دارد، توضیح می‌دهیم.
رونمایی از MLX
چارچوب MLX، که توسط تیم تحقیقاتی هوش مصنوعی اپل توسعه یافته است، به عنوان یک چارچوب پیشرفته شناخته می‌شود که برای تحقیق و توسعه هوش مصنوعی بر روی تراشه‌های سیلیکونی اپل طراحی شده است. این چارچوب شامل مجموعه‌ای از ابزارهاست که به توسعه‌دهندگان هوش مصنوعی کمک می‌کند تا مدل‌های پیشرفته ایجاد کرده و وظایف مختلفی از جمله تولید متن، ربات‌های گفتگو، تشخیص گفتار و تولید تصویر را انجام دهند.
MLX از مدل‌های پایه از پیش آموزش دیده مانند LlaMA Meta، Stability AI Stable Diffusion و OpenAI Whisper بهره می‌برد. این چارچوب از ابزارها و روش‌هایی الهام گرفته از چارچوب‌های تثبیت شده مانند NumPy، PyTorch، Jax و ArrayFire استفاده می‌کند و تأکید زیادی بر طراحی کاربرپسند، آموزش و استقرار مدل‌های کارآمد دارد.
MLX دارای ویژگی‌های مهمی مانند APIهای کاربر پسند (شامل یک API Python که به یادآور NumPy است و یک API دقیق C++) و بسته‌های تخصصی مانند mlx.nn و mlx.optimizers است که فرآیند توسعه مدل‌های پیچیده را ساده‌تر می‌کنند و از سبک آشنای PyTorch بهره می‌برند.
MLX از یک روش محاسباتی معوق استفاده می‌کند و به دلیل قابلیت ساخت گراف پویا، می‌تواند به صورت خودکار نمودارهای محاسباتی را ایجاد کرده و تغییرات در آرگومان‌های توابع را بدون مشکلاتی مدیریت کند. همچنین، MLX با انجام یکپارچه عملیات بر روی CPU و GPU، سازگاری گسترده‌ای را بین دستگاه‌ها فراهم می‌کند. ویژگی منحصر به فرد MLX در حافظه یکپارچه، اجازه می‌دهد که آرایه‌ها را در حافظه مشترک نگه‌دارد و عملیات بدون درز روی آرایه‌ها را در دستگاه‌های مختلف پشتیبانی کند و نیاز به انتقال داده‌ها را کاهش دهد.
تمایز CoreML و MLX
Apple دو چارچوب CoreML و MLX را برای حمایت از توسعه‌دهندگان هوش مصنوعی در سیستم‌های خود توسعه داده است. هر یک از این چارچوب‌ها ویژگی‌های منحصر به فردی دارند:
**CoreML:**
CoreML به توسعه‌دهندگان اجازه می‌دهد تا مدل‌های یادگیری ماشینی از پیش آموزش دیده از ابزارهای منبع باز مانند TensorFlow را به سادگی وارد برنامه‌های خود در سیستم‌های اپل، از جمله iOS، macOS، watchOS و tvOS کنند. این چارچوب اجرای مدل را با استفاده از قطعات سخت‌افزاری تخصصی مانند GPU و Neural Engine بهینه می‌کند و از پردازش سریع و کارآمد برخوردار است. CoreML از قالب‌های مدل معروف مانند TensorFlow و ONNX پشتیبانی می‌کند و در برنامه‌هایی مانند تشخیص تصویر و پردازش زبان طبیعی عمل می‌کند. یکی از ویژگی‌های حیاتی CoreML اجرای مدل‌ها روی دستگاه کاربر بدون نیاز به اتصال به سرورهای خارجی است.
**MLX:**
MLX به عنوان یک چارچوب توسعه‌دهی خاص، برای توسعه مدل‌های هوش مصنوعی بر روی تراشه‌های سیلیکونی اپل طراحی شده است. این چارچوب از ابزارها و قابلیت‌هایی برخوردار است که توسعه‌دهندگان را در ایجاد مدل‌های پیشرفته برای تسهیل در وظایف مختلف هوش مصنوعی، از جمله تولید متن، تشخیص گفتار و تصویر، یاری می‌دهد. MLX از ویژگی‌های منحصر به فردی مانند حافظه یکپارچه، APIهای کاربر پسند، و سازگاری با CPU و GPU برخوردار است.
همچنین، CoreML و MLX هرکدام دامنه‌های استفاده خود را دارند و به توسعه‌دهندگان ابزارها و امکانات مختلفی را فراهم می‌کنند تا با نیازهای مختلف هوش مصنوعی سازگار باشند.
تجزیه و تحلیل انگیزه های اپل درمورد MLX
معرفی MLX نشان‌دهنده گام مهمی است که اپل به سوی حوزه گسترش هوش مصنوعی مولد در حال حاضر در اختیار غول‌های فناوری مانند مایکروسافت و گوگل است. اگرچه اپل به طور سنتی از ورود به چشم‌انداز هوش مصنوعی مولد خودداری کرده است و تمرکز بیشتری بر روی سرویس‌های مانند Siri داشته است، اما با افزایش تلاش‌های توسعه هوش مصنوعی، به‌ویژه با معرفی MLX، نشان می‌دهد که اپل در حال بررسی و کاوش در زمینه‌های گسترده‌تر هوش مصنوعی مولد است.
تحلیلگران به احتمال استفاده از چارچوب‌های MLX توسط اپل برای ارائه ویژگی‌های خلاقانه هوش مصنوعی در سرویس‌ها و دستگاه‌های خود اشاره کرده‌اند. با این حال، با توجه به تعهد قوی اپل به حفظ حریم خصوصی، انتظار می‌رود که هر گونه پیشرفت قابل توجهی با ملاحظات اخلاقی دقیق ارزیابی شود.
تاکنون، اطلاعات بیشتری از سوی اپل در مورد اهداف خاص MLX، MLX Data و هوش مصنوعی مولد به اشتراک گذاشته نشده است.
اهمیت MLX فراتر از اپل
ویژگی منحصر به فرد مدل حافظه یکپارچه MLX نشان‌دهنده یک مزیت عملی است که این چارچوب را از سایر چارچوب‌های معروف هوش مصنوعی متمایز می‌کند. قابلیت حافظه یکپارچه به آرایه‌ها اجازه می‌دهد که حافظه را با یکدیگر به اشتراک بگذارند و عملیات را بر روی دستگاه‌های مختلف بدون تکثیر داده‌های غیرضروری ساده‌تر کند. این ویژگی به ویژه در زمینه هوش مصنوعی مهم است، زیرا هوش مصنوعی به طور فزاینده ای به پردازنده‌های گرافیکی کارآمد وابسته است.
MLX با این تغییر ظریف، به دستگاه‌های لبه‌ای اجازه می‌دهد تا VRAM (حافظه گرافیکی) را با رم رایانه به اشتراک بگذارند، به جای استفاده از رایانه‌های شخصی قدرتمند با پردازنده‌های گرافیکی اختصاصی و VRAM زیاد. این تغییر به افزایش کارایی سخت‌افزاری هوش مصنوعی کمک می‌کند و آن را به دسترس تر و کارآمدتر می‌سازد. علاوه بر این، این رویکرد سازگارتر و آگاه‌تر از منابع را نسبت به رویکردهای معمولی به هوش مصنوعی معرفی می‌کند، که از دستگاه‌های لبه‌ای استفاده می‌کند و به تأثیر آنها در زمینه هوش مصنوعی توجه دارد.
نتیجه گیری
ورود اپل به دنیای هوش مصنوعی مولد با معرفی چارچوب MLX نشان‌دهنده یک تغییر قابل توجه در آینده هوش مصنوعی است. اپل با انتخاب رویکردهای منبع باز، نه تنها این فناوری را دموکراتیزه کرده، بلکه خود را به عنوان یک رقیب در حوزه‌ای که در حال حاضر تحت سلطه شرکت‌هایی چون مایکروسافت و گوگل است، قرار داده است. ویژگی‌های کاربرپسند چارچوب MLX، ایجاد نمودارهای پویا، و مدل حافظه یکپارچه، یک مزیت عملی واقعی فراتر از اکوسیستم اپل ارائه می‌کند، به‌ویژه که هوش مصنوعی به صورت فزاینده به پردازنده‌های گرافیکی کارآمد وابسته است. تأثیر این چارچوب بر الزامات سخت‌افزار و سازگاری با هوش مصنوعی در دستگاه‌های لبه، آینده‌ای پویا و تحولی را به تصویر می‌کشد. در حالی که اپل به سمت این حوزه جدید حرکت می‌کند، حفظ حریم خصوصی و ملاحظات اخلاقی همچنان نقش اساسی را ایفا می‌کنند و تعیین کننده‌ای برای نقش MLX در گسترش این اکوسیستم گسترده هوش مصنوعی خواهند بود.