در نخستین موج توسعه هوش مصنوعی مدرن، GPUها به دلیل توانایی بالا در پردازش‌های موازی به مهم‌ترین سخت‌افزار اجرای مدل‌های بزرگ زبانی (LLM) تبدیل شدند. اما ظهور نسل جدیدی از سیستم‌های هوش مصنوعی به نام هوش مصنوعی عامل‌محور (Agentic AI) معادله را تغییر داده است.
عامل‌های هوشمند تنها پاسخ‌دهنده به درخواست‌های کاربران نیستند؛ آن‌ها می‌توانند تصمیم‌گیری کنند، ابزارهای مختلف را فراخوانی کنند، کد اجرا کنند، اطلاعات جمع‌آوری کنند و حتی با سایر عامل‌های هوش مصنوعی همکاری داشته باشند.
این تغییر باعث شده CPUها دوباره به یکی از مهم‌ترین اجزای زیرساخت هوش مصنوعی تبدیل شوند و در برخی موارد به گلوگاه اصلی عملکرد سیستم‌های AI تبدیل شوند.
چرا CPU دوباره در مرکز توجه هوش مصنوعی قرار گرفته است؟
در سال‌های اخیر، توسعه‌دهندگان هوش مصنوعی بیشتر تمرکز خود را روی GPUها و حافظه‌های پرسرعت گذاشته بودند. دلیل این موضوع مشخص بود؛ مدل‌های زبانی بزرگ برای عملیات سنگین ریاضی و پردازش ماتریسی به قدرت پردازش موازی GPUها نیاز دارند.
اما سیستم‌های Agentic AI علاوه بر اجرای مدل زبانی، مجموعه‌ای از وظایف جانبی را نیز انجام می‌دهند؛ وظایفی که معمولاً بر عهده CPU قرار می‌گیرند.
برخی از این وظایف عبارت‌اند از:
- مدیریت جریان تصمیم‌گیری عامل
- انتخاب ابزار مناسب برای انجام یک کار
- ارسال درخواست به APIها
- اجرای کدهای تولیدشده
- پردازش نتایج دریافت‌شده
- مدیریت فایل‌ها و داده‌های ورودی و خروجی
به همین دلیل، افزایش قدرت GPU به‌تنهایی دیگر تضمین‌کننده عملکرد بهتر سیستم‌های هوش مصنوعی نیست.
هوش مصنوعی عامل‌محور چگونه فشار بیشتری به CPU وارد می‌کند؟
یک مدل زبانی معمولی بیشتر روی تولید و پردازش متن تمرکز دارد، اما یک عامل هوشمند مانند یک سیستم اجرایی عمل می‌کند.
برای مثال، یک عامل AI ممکن است:
- درخواست کاربر را تحلیل کند.
- تصمیم بگیرد به چه ابزاری نیاز دارد.
- یک سرویس خارجی را از طریق API فراخوانی کند.
- نتیجه را دریافت و بررسی کند.
- پاسخ نهایی را تولید کند.
در بسیاری از این مراحل، CPU نقش اصلی را ایفا می‌کند.
برخی پژوهش‌ها نشان داده‌اند که در یک فرایند واقعی Agentic AI، بخش عمده‌ای از مراحل اجرایی می‌تواند روی CPU انجام شود و تنها بخش مربوط به استنتاج مدل زبانی روی GPU قرار گیرد.
افزایش تعداد عامل‌های هوشمند، چالش CPU را بیشتر می‌کند
یکی از ویژگی‌های مهم Agentic AI توانایی ایجاد یا مدیریت چندین عامل برای انجام وظایف پیچیده است.
در یک محیط سازمانی، یک درخواست ساده ممکن است باعث فعال شدن صدها یا هزاران عامل شود. در مقیاس‌های بزرگ‌تر، تعداد این عامل‌ها می‌تواند به ده‌ها هزار یا حتی میلیون‌ها نمونه برسد.
هر عامل به منابع پردازشی، مدیریت ارتباطات، پردازش داده و هماهنگی نیاز دارد؛ موضوعی که فشار زیادی بر پردازنده‌های مرکزی وارد می‌کند.
چرا توکن‌سازی به یک مشکل جدید برای CPU تبدیل شده است؟
یکی دیگر از عوامل افزایش بار پردازنده، فرایند Tokenization یا تبدیل متن به واحدهای قابل پردازش برای مدل هوش مصنوعی است.
برخلاف محاسبات اصلی مدل‌های زبانی که قابلیت موازی‌سازی بالایی دارند، توکن‌سازی بیشتر ماهیتی ترتیبی و وابسته به داده دارد.
این موضوع در Agentic AI اهمیت بیشتری پیدا می‌کند، زیرا هر بار که یک عامل از ابزاری استفاده می‌کند، نتیجه دریافت‌شده باید دوباره پردازش و به توکن تبدیل شود.
در مکالمه‌ها یا وظایف بسیار طولانی که شامل صدها هزار توکن هستند، حجم کار CPU می‌تواند به شکل قابل توجهی افزایش پیدا کند.
برخی پژوهش‌ها نشان داده‌اند افزایش تعداد هسته‌های CPU می‌تواند زمان تولید اولین توکن در مدل‌های بزرگ و ورودی‌های طولانی را به شکل محسوسی کاهش دهد.
ضعف CPU چگونه می‌تواند GPUهای قدرتمند را محدود کند؟
یکی از نکات مهم در معماری سیستم‌های هوش مصنوعی این است که GPU بدون دریافت سریع داده و وظایف جدید نمی‌تواند حداکثر توان خود را ارائه دهد.
اگر CPU نتواند درخواست‌ها را به‌موقع آماده و به GPU ارسال کند، پردازنده گرافیکی قدرتمند نیز مجبور به انتظار خواهد شد.
به همین دلیل، آینده زیرساخت هوش مصنوعی تنها به ساخت GPUهای سریع‌تر وابسته نیست؛ بلکه هماهنگی میان CPU، GPU، حافظه و شبکه اهمیت بیشتری پیدا کرده است.
سیستم‌های امنیتی هوش مصنوعی نیز بار CPU را افزایش می‌دهند
با گسترش استفاده از عامل‌های هوشمند، سیستم‌های کنترل و ایمنی یا Guardrails اهمیت بیشتری پیدا کرده‌اند.
این سیستم‌ها وظایفی مانند موارد زیر را انجام می‌دهند:
- بررسی فعالیت عامل‌ها
- تحلیل درخواست‌ها
- بررسی فایل‌ها و گزارش‌ها
- تشخیص رفتارهای غیرعادی
- ارزیابی پیچیدگی وظایف
از آنجا که این پردازش‌ها معمولاً به تأخیر کم نیاز دارند، بسیاری از آن‌ها روی CPU اجرا می‌شوند.
شرکت‌های فناوری برای موج جدید CPU آماده می‌شوند
افزایش اهمیت CPU در هوش مصنوعی باعث شده شرکت‌های بزرگ صنعت پردازنده توجه بیشتری به این بازار نشان دهند.
شرکت‌هایی مانند Intel و AMD با افزایش تقاضا برای پردازنده‌های سروری مواجه شده‌اند. همچنین شرکت‌هایی مانند Arm و Qualcomm در حال توسعه پردازنده‌هایی هستند که برای بارهای کاری مرتبط با Agentic AI بهینه شده‌اند.
حتی Nvidia نیز در کنار تمرکز گسترده روی GPUها، پردازنده‌های مبتنی بر Arm را برای نسل جدید پلتفرم‌های هوش مصنوعی خود توسعه داده است.
این روند نشان می‌دهد معماری آینده سیستم‌های هوش مصنوعی احتمالاً ترکیبی از CPU، GPU و شتاب‌دهنده‌های تخصصی خواهد بود.
آینده CPU در عصر Agentic AI
بازگشت CPU به مرکز توجه به معنای کاهش اهمیت GPU نیست؛ بلکه نشان‌دهنده پیچیده‌تر شدن نیازهای محاسباتی هوش مصنوعی است.
در نسل جدید سیستم‌های AI، مدل زبانی تنها یک بخش از فرایند است. عامل‌های هوشمند باید تصمیم بگیرند، ابزار اجرا کنند، داده پردازش کنند و با محیط تعامل داشته باشند.
به همین دلیل، پردازنده‌های مرکزی بار دیگر به یکی از عناصر حیاتی زیرساخت هوش مصنوعی تبدیل شده‌اند.
جمع‌بندی
در موج نخست انقلاب هوش مصنوعی، GPUها قهرمان اصلی پردازش بودند؛ اما ظهور Agentic AI باعث شده CPU دوباره اهمیت استراتژیک پیدا کند.
عامل‌های هوشمند برای عملکرد واقعی به چیزی فراتر از یک مدل زبانی نیاز دارند. آن‌ها باید بتوانند تصمیم بگیرند، اقدام کنند و با سیستم‌های مختلف ارتباط برقرار کنند؛ وظایفی که بخش بزرگی از آن‌ها به CPU وابسته است.
آینده هوش مصنوعی نه فقط به پردازنده‌های قدرتمندتر، بلکه به معماری هماهنگ‌تر میان تمام اجزای محاسباتی وابسته خواهد بود.
