NPU چیست؟ تفاوت NPU با CPU و GPU به زبان ساده

NPU مخفف Neural Processing Unit یا «واحد پردازش عصبی» است؛ بخشی تخصصی از تراشه که محاسبات تکرارشوندهٔ شبکه‌های عصبی را با مصرف انرژی کمتر انجام می‌دهد. وقتی لپ‌تاپ هنگام تماس تصویری پس‌زمینه را محو می‌کند، نگاه کاربر را با دوربین هم‌راستا نشان می‌دهد، صدای مزاحم را حذف می‌کند یا یک مدل کوچک زبانی را بدون ارسال داده به اینترنت اجرا می‌کند، NPU می‌تواند این کار را پیوسته و بی‌سروصدا به عهده بگیرد. هدف آن رکوردشکنی در همهٔ محاسبات نیست؛ هدف، اجرای کارهای مشخص AI با بازده بالا است.

عبارت «پردازندهٔ هوش مصنوعی» گاهی این تصور را می‌سازد که NPU مغز اصلی رایانه است، اما چنین نیست. سیستم‌عامل، مرورگر، فایل‌ها و بیشتر منطق برنامه همچنان روی CPU می‌چرخند؛ کارهای گرافیکی و محاسبات موازی سنگین معمولاً به GPU سپرده می‌شوند. NPU یک همکار تخصصی است که بارهای مناسب را از دو پردازندهٔ دیگر تحویل می‌گیرد. نتیجه در یک دستگاه خوب، نه فقط پاسخ سریع‌تر، بلکه فن آرام‌تر، گرمای کمتر و دوام بهتر باتری در استفادهٔ طولانی است.

CPU پردازندهٔ عمومی و مدیر هماهنگی سیستم است. تعداد هسته‌های آن معمولاً از GPU کمتر است، اما هر هسته برای اجرای دستورهای متنوع، تصمیم‌های زنجیره‌ای و پاسخ کم‌تأخیر قدرتمند طراحی شده است. بازکردن برنامه، اجرای منطق سیستم‌عامل، مدیریت ورودی و خروجی، محاسبات صفحه‌گسترده و کنترل جریان یک نرم‌افزار نمونه‌هایی از کار CPU هستند. اگر مسئله مرحله‌به‌مرحله باشد و هر مرحله به نتیجهٔ قبلی وابسته باشد، CPU غالباً انتخاب طبیعی‌تری است.

در یک قابلیت AI نیز CPU حذف نمی‌شود. برنامه باید فایل را بخواند، داده را آماده کند، تصمیم بگیرد کدام موتور را به کار بگیرد و نتیجه را در رابط کاربری نشان دهد. حتی اگر استنتاج مدل روی NPU انجام شود، CPU پیرامون آن را مدیریت می‌کند. به همین دلیل مقایسهٔ سادهٔ «کدام‌یک سریع‌تر است» سؤال دقیقی نیست؛ سرعت باید برای یک کار مشخص سنجیده شود. CPU ممکن است در یک وظیفهٔ کوچک و فوری بهتر باشد، در حالی که همان کار به‌صورت مداوم روی NPU انرژی کمتری مصرف کند.

GPU هزاران عملیات مشابه را به‌صورت موازی اجرا می‌کند. همین معماری ابتدا برای ساخت تصویر و پیکسل مناسب بود و بعد به موتور اصلی آموزش مدل‌های بزرگ هوش مصنوعی تبدیل شد. ضرب ماتریس‌ها، پردازش دسته‌های بزرگ داده، تولید تصویر و اجرای مدل‌های سنگین به توان عملیاتی و پهنای باند حافظه نیاز دارند؛ جایی که GPU قدرتمند معمولاً فاصلهٔ زیادی با پردازنده‌های دیگر ایجاد می‌کند. کارت گرافیک مجزا همچنین حافظهٔ اختصاصی دارد که ظرفیت آن برای مدل‌های بزرگ تعیین‌کننده است.

اما قدرت GPU رایگان نیست. یک GPU سریع می‌تواند برق بیشتری مصرف کند، گرما تولید کند و باتری لپ‌تاپ را زودتر خالی کند. برای تدوین ویدئو، بازی، مدل‌سازی سه‌بعدی، آموزش AI یا تولید تصویر حرفه‌ای این هزینه منطقی است. برای محوکردن پس‌زمینه در یک جلسهٔ دو ساعته یا رونویسی زنده، روشن نگه‌داشتن GPU بزرگ ممکن است اسراف باشد. NPU دقیقاً در این فاصله معنا پیدا می‌کند: کار AI مداوم را با توان کمتر اجرا می‌کند و GPU را برای زمانی نگه می‌دارد که واقعاً قدرت موازی بیشتری لازم است.

کاربردهای امروز NPU معمولاً کوچک اما مداوم‌اند: حذف نویز میکروفن، اصلاح نور و کادر دوربین، زیرنویس زنده، تشخیص گفتار، جست‌وجوی معنایی در فایل‌ها، دسته‌بندی عکس و برخی دستیارهای محلی. مزیت اصلی زمانی دیده می‌شود که این قابلیت‌ها ساعت‌ها فعال باشند. به‌جای فرستادن هر فریم و صدا به فضای ابری، بخشی از پردازش روی دستگاه انجام می‌شود؛ بنابراین پاسخ می‌تواند سریع‌تر باشد و در صورت طراحی درست، دادهٔ شخصی کمتر از دستگاه خارج شود.

برای کاربر ایرانی، اجرای محلی یک مزیت عملی دیگر هم دارد: قابلیت وابستگی کمتری به اینترنت ناپایدار، تأخیر شبکه یا دسترسی محدود به سرویس ابری پیدا می‌کند. البته وجود NPU به‌تنهایی تضمین نمی‌کند هر برنامه‌ای آفلاین شود. توسعه‌دهنده باید مدل را برای موتور دستگاه بهینه و نرم‌افزار باید از آن پشتیبانی کند. اگر فروشنده فقط عدد TOPS را تبلیغ می‌کند ولی فهرست قابلیت‌ها، مدل‌های پشتیبانی‌شده و کیفیت نرم‌افزار را توضیح نمی‌دهد، آن عدد به‌تنهایی معیار خرید قابل اتکایی نیست.

توان NPU اغلب با TOPS، یعنی تریلیون عملیات در ثانیه، معرفی می‌شود. این عدد برای مقایسهٔ اولیه مفید است، اما مانند اسب‌بخار خودرو همهٔ تجربه را توضیح نمی‌دهد. نوع داده، دقت محاسبه، پهنای باند حافظه، محدودیت حرارتی، درایور و سازگاری نرم‌افزار روی سرعت واقعی اثر دارند. دو لپ‌تاپ با TOPS نزدیک ممکن است در زیرنویس زنده، تولید تصویر یا اجرای مدل زبانی رفتار متفاوتی داشته باشند. بنچمارک باید همان کاری را بسنجد که شما واقعاً انجام می‌دهید.

برای خرید، نخست کار خود را تعریف کنید. اگر بیشتر مرورگر، آفیس، تماس تصویری و دستیار محلی دارید، یک CPU جدید با NPU مناسب و باتری خوب می‌تواند از GPU مجزای پرمصرف مفیدتر باشد. اگر تدوین سنگین، رندر سه‌بعدی، بازی یا مدل‌سازی حرفه‌ای دارید، GPU و ظرفیت حافظهٔ آن هنوز اولویت دارند. رم سیستم، سرعت ذخیره‌ساز، کیفیت نمایشگر و خنک‌کاری را نیز قربانی برچسب AI PC نکنید. دستگاه متعادل در عمل بهتر از محصولی است که فقط یک عدد تبلیغاتی بزرگ دارد.

پردازش محلی می‌تواند داده را روی دستگاه نگه دارد، اما عبارت «روی دستگاه» به‌تنهایی ضمانت حریم خصوصی نیست. برنامه ممکن است گزارش خطا، متن درخواست یا بخشی از خروجی را همچنان به سرور بفرستد. کاربر و سازمان باید مجوزها، سیاست نگهداری داده، امکان خاموش‌کردن همگام‌سازی و رفتار نرم‌افزار در حالت آفلاین را بررسی کنند. امنیت همچنین به رمزگذاری دیسک، به‌روزرسانی درایور و کنترل دسترسی وابسته است؛ NPU یک ابزار پردازشی است، نه سپر کامل امنیتی.

محدودیت دیگر ظرفیت است. مدل‌های بسیار بزرگ به حافظه و توان محاسباتی فراتر از NPU لپ‌تاپ نیاز دارند و همچنان روی GPU قدرتمند یا دیتاسنتر اجرا می‌شوند. راه آینده احتمالاً ترکیبی است: کار حساس و فوری روی دستگاه، وظیفهٔ سنگین در ابر و تصمیم‌گیری برنامه دربارهٔ بهترین مسیر. این معماری وقتی خوب است که کاربر بداند داده کجا می‌رود و بتواند انتخاب کند. «AI محلی» نباید فقط نامی برای مخفی‌کردن وابستگی دائمی به سرور باشد.

CPU مدیر عمومی و مناسب کارهای ترتیبی و متنوع است؛ GPU موتور پرتوان پردازش موازی و مدل‌های سنگین است؛ NPU موتور تخصصی و کم‌مصرف برای استنتاج مداوم هوش مصنوعی روی دستگاه است. هیچ‌کدام به‌طور کامل جای دیگری را نمی‌گیرد. بهترین لپ‌تاپ یا گوشی سیستمی است که نرم‌افزار بتواند کار را هوشمندانه بین این سه تقسیم کند و نتیجهٔ آن در باتری، سرعت و کیفیت واقعی دیده شود.

اگر قصد خرید دارید، به‌جای پرسیدن «آیا NPU دارد؟» بپرسید کدام برنامه‌ها از آن استفاده می‌کنند، در حالت آفلاین چه قابلیت‌هایی فعال می‌ماند، مصرف باتری در آزمایش واقعی چقدر است و دستگاه برای کار اصلی شما چه عملکردی دارد. توضیح معماری در اسناد رسمی Intel دربارهٔ تفاوت CPU، GPU و NPU و راهنمای AI PC قابل بررسی است: https://www.intel.com/content/www/us/en/products/docs/processors/cpu-vs-gpu.html و https://www.intel.com/content/www/us/en/learn/what-is-an-ai-pc.html