خودکار مشینیں متعدد صنعتوں کو تبدیل کرنے کی امید کرتی ہیں، لیکن میموری کی پابندیاں، طاقت کی حدود، مخصوص آرکیٹیکچر اور حفاظتی ضروریات، چپ ڈیزائنر کو پورے سسٹم کو دوبارہ سوچنے پر مجبور کر رہی ہیں۔
اہم نکات:
- زیادہ کمپیوٹنگ پاور کے ساتھ فزیکل AI کی سرحدوں کو حل نہیں کیا جا سکتا۔ پروسیسنگ کی صلاحیت کو میموری بینڈ ویتھ، موثر انٹرفیس، کافی بجلی اور ہیٹ ڈسپرسن کے ساتھ مطابقت رکھنا ہوگا۔
- فیزیکل AI کے لیے اس کے حتمی فنکشن اور ماحول کے مطابق ڈیزائن کی گئی سسٹم آرکیٹیکچر درکار ہوتی ہے۔
- حقیقی عملی اطلاق صرف سخت سے سخت تصدیق پر منحصر ہے: کناروں کی صورتحال کو کور کرنا، سسٹم کے رویے کو سمجھنا اور حفاظت کی تصدیق کرنا۔
فیزیکل AI عام طور پر استعمال کی طرف بڑھ رہا ہے، لیکن سینسر چلائے گئے نظاموں کو تعمیر کرنے کے لیے انجینئرنگ ٹیمیں متعدد ٹیکنیکل چیلنجز کو ایک ساتھ اور مستقل طور پر حل کرنے کے لیے مجبور ہوتی ہیں۔
تجزیہ کاروں کا خیال ہے کہ فزیکل AI مارکیٹ میں نمایاں اضافہ ہوگا۔ خودکار سسٹمز ٹرانسپورٹ، تیاری، طب، توانائی سمیت کئی صنعتوں کو بنیادی طور پر دوبارہ شکل دینے کی امید کرتے ہیں۔ PwC کے زیرِ انتظام Strategy& کے مطابق، 2030 تک عالمی فزیکل AI مارکیٹ کا سائز تقریباً 430 ارب یورو تک پہنچ سکتا ہے، جو خودکار سسٹمز کی کئی صنعتوں میں تجارتی صلاحیت کو ظاہر کرتا ہے۔
سیناپس کے آٹوموٹیو اور فزیکل AI انٹرفیس IP کے سینئر ڈائریکٹر لیسینیو سوسا کا کہنا ہے: "فیزیکل AI سسٹمز آٹوموٹیو سے روبوٹکس اور ڈرون تک وسعت پا رہے ہیں، اور ان ایپلیکیشنز کے ترقی کے رکاوٹیں پورے سسٹم پر مشتمل ہیں۔ AI ڈیٹا سینٹر سے ایج تک جا رہا ہے؛ روبوٹس، ڈرون اور وہیکلز جیسے مشینز کے لیے، تحریک خودمختاری، خفیہ رکھنا، انفرادیت، تیز تر جواب اور کلب پر انحصار کم کرنے سے آتی ہے۔"
ٹیکنیکل چیلنجوں کی فہرست لمبی ہے اور ایک دوسرے سے جڑی ہوئی ہے۔ میموری کی صلاحیت اور بینڈ ویتھ بڑھانی ہوگی، لیٹنسی اور طاقت کا استعمال کم کرنا ہوگا، مصنوعات کی زندگی بڑھانی ہوگی، اور تحفظ کی تصدیق کرنی ہوگی۔ اس سے بھی مشکل بات یہ ہے کہ ان میں سے کسی ایک مسئلے کو حل کرنا دوسری جگہ نئے مسائل پیدا کر سکتا ہے۔
خصوصی آرکیٹیکچر
ان سسٹم لیول کی پابندیوں کو دور کرنے کے لیے انتہائی مخصوص، خاص استعمال کے لیے بہترین بنائے گئے ہارڈویئر اور سافٹ ویئر کی ضرورت ہوتی ہے۔
آرٹریس کے ایگزیکٹو وائس پریزیڈنٹ، چیف پروڈکٹ اور مارکیٹنگ آفیسر اور سیکیورٹی سولوشنز کے گنرل مینیجر مائیکل سیونسکی کہتے ہیں: "ہمیں خاص ورک لوڈ کے لیے بنائے گئے، زیادہ بہتر اور مخصوص کمپوٹنگ کے بارے میں بات شروع کرنی ہوگی، جو فزیکل AI کو دلچسپ بناتا ہے۔ اس قسم کا ورک لوڈ ہارڈویئر کے لیے بہت زیادہ آپٹمائزڈ ہونا چاہیے۔ ہم بنیادی طور پر ASIC کے قدیم معنی کی طرف واپس جا رہے ہیں—ASIC اصل میں بہت زیادہ ایپلیکیشن خاص، بہت زیادہ آپٹمائزڈ ہونا چاہیے، عام نہیں۔ اب کچھ ایسے رجحانات ظاہر ہونا شروع ہو چکے ہیں۔ اگلے مرحلے میں دلچسپ ہوگا دیکھنا کہ سافٹ ویئر، ہارڈویئر اور ورک لوڈ کے درمیان، بہت مخصوص اطلاقات کے لیے زیادہ لچکدار نظام کیسے ترقی کرتے ہوئے جاری رہیں گے، اور یہ ترقی جاری رہے گی کیونکہ ماڈلز بہت تیزی سے تبدیل ہو رہے ہیں۔"
ہیڈ جی ٹیکنالوجی کے آٹوموٹیو بزنس کے سسٹم آرکیٹیکٹ واسنتھن کارونانیتھی نے حال ہی میں JEDEC آٹوموٹیو فورم میں کہا: "روبوٹ ایک نئی AI اسٹیک نہیں ہیں۔ ADAS سسٹمز سے، روبوٹس کو ریل ٹائم پر سنسنگ، راستہ منصوبہ بندی اور حرکت کنٹرول ملتا ہے۔ اسمارٹ کابینز سے، روبوٹس کو قدرتی زبان کی سمجھ، سیاق و سباق کا استدلال اور انسان اور مشین کا تعامل ملتا ہے۔ جسمانی ذہانت میں بڑا چیلنج دونوں قسم کے ورک لوڈز کو ایک ساتھ چلانا اور آخر میں معلومات کا تبادلہ کرنا ہے۔ اس لیے یہ دونوں شعبوں کا مشترکہ نقطہ ہے۔ لیکن فرق بھی ہے، جو چینل کے سائز میں ظاہر ہوتا ہے۔ خودکار گاڑیاں نسبتاً ساخت شدہ سڑک کے ماحول میں چلتی ہیں اور بڑے بجلی کے ذرائع — گاڑی کے بیٹری — سے توانائی حاصل کرتی ہیں۔ لیکن روبوٹس کو دیکھیں، وہ غیر ساختہ تین بعدی ماحول میں چلتے ہیں۔ [روبوٹس] کو متعدد آزادیوں کو برقرار رکھنا ہوتا ہے، اشیاء کو چلانا ہوتا ہے، توازن برقرار رکھنا ہوتا ہے، اور حکمات کو سمجھنا ہوتا ہے۔ گاڑیوں کے مقابلے میں، انہیں محدود توانائی کے تحت یہ سب کچھ کرنا پڑتا ہے۔"
یہ فرق مختلف اطلاقیات میں بہت زیادہ ہوتا ہے۔ خودکار گاڑیاں موجودہ ٹریفک انفراسٹرکچر کے اندر چلتی ہیں، لیکن انہیں غیر متوقع ٹریفک حالات سے نمٹنا پڑتا ہے۔ اس کے برعکس، موبائل روبوٹس اور انسان نما روبوٹس کو زیادہ نرم ساخت والے ماحول میں راستہ بنانا، چال اور توازن کو ہم آہنگ کرنا، اور محدود طاقت کے بجٹ کے اندر کام کرنا پڑ سکتا ہے۔ اس کے علاوہ، صنعتی روبوٹس معمول کے مطابق کنٹرول شدہ ماحول میں چلتے ہیں اور مستقل بجلی کے ذریعے کام کرتے ہیں۔ یہ فروق تمام قسم کے فزیکل AI کے لیے ایک واحد آرکیٹیکچر کو بہتر بنانے کو مشکل بناتے ہیں۔

ڈیزائنر کو یہ ضروریات کے بنیاد پر سسٹم آرکیٹیکچر کو شروع سے ہی تعمیر کرنا چاہیے۔
سوسا نے کہا: "جیسے جیسے ورک لوڈ اور ماڈلز ترقی کر رہے ہیں، ہم نے دیکھا ہے کہ ہر قسم کے مشین کی خاص ضروریات کے لیے مخصوص سلیکون ڈیزائن کیا جا رہا ہے۔ ہمارے صارفین لگاتار ایڈوانسڈ VLA (ویژول-لینگویج-اکشن) ماڈلز کی مانگ کا مقابلہ کر رہے ہیں۔ ہارڈویئر کے لحاظ سے، اس کا مطلب ہے زیادہ گنجائش والی کمپوٹیشن اور AI انجن۔ اس کے علاوہ، استعمال کے طیف کا اتنی وسعت ہے کہ ایک منفرد چپ آرکیٹیکچر کو لاگو کرنا مشکل ہو رہا ہے، اس لیے chiplet سکیم کی طرف منتقل ہو رہا ہے، جس میں کمپوٹیشن، AI، میموری اور I/O کو UCIe انٹرفیس کے بنیاد پر مخصوص استعمال کے مطابق توسیع دی جا سکتی ہے۔"
چپلیٹ، خاص طور پر غیر متجانس کمپوٹنگ، میموری اور I/O کی ضروریات جو اعلیٰ پیکیجنگ کو مناسب ثابت کرتی ہیں، کے لیے قابل توسیع فزیکل AI پلیٹ فارم کے لیے ایک ممکنہ راستہ فراہم کرتے ہیں۔ تاہم، ان کی مخصوص پیکیجنگ، تھرمل مینجمنٹ اور ڈائے-ٹو-ڈائے مواصلات کی وجہ سے لاگت اور پیچیدگی بڑھ سکتی ہے۔ چھوٹے، انتہائی انٹیگریٹڈ، اور طاقت، سائز اور لاگت کے تقاضوں کے تحت کام کرنے والے سسٹمز کے لیے، منو لیت SoC زیادہ مناسب ہو سکتا ہے۔
یہ پابندیاں ہارڈویئر اور سافٹ ویئر دونوں پر لاگو ہوتی ہیں۔ سیمنس EDA کے EDA AI اور Solido کے پروڈکٹ ہیڈ ساتش بلال سوبرامانیان کہتے ہیں: "سینسرز مخصوص استعمال کے معاملات پر زیادہ توجہ دیں گے، آپ کو یقینی بنانا ہوگا کہ آپ کے پاس اچھے، کسٹمائزڈ استعمال کے معاملات ہیں، اور آپ کو ان کے اوپر سافٹ ویئر لیئر بھی ہونا چاہیے۔ میں ہمیشہ مزاحیہ انداز میں کہتا ہوں کہ حقیقی دنیا کا ہر کچھ اناлог ہے، اور ہم اسے ڈیجیٹل میں تبدیل کرنے کی کوشش کر رہے ہیں، اس لیے سب سے اہم باتوں میں سے ایک زائد دستیابی ہے۔ سینسرز پہلے ہی کافی اچھے ہیں۔ ہم بصیرت، حرارت، دباؤ اور دوسرے کسی بھی چیز کو محسوس کر سکتے ہیں۔ ہم رادار اور دوسرے شعبوں میں بھی بہت اچھا کام کر چکے ہیں۔ زیادہ اہم بات یہ ہے کہ یقینی بنایا جائے کہ سینسرز ماحول میں کام کر سکتے ہیں، اور وہ ماحول کو اس طرح جمع کرتے ہیں جس سے واقعی خراب نہ ہو جائے، یا زائد دستیابی شامل ہو۔"
تاہم، زائدی کا اثر اس بات پر منحصر ہے کہ کمپوننٹس الگ طور پر خراب ہو سکتے ہیں یا نہیں، اور کیا سسٹم خرابی کو پہچان سکتا اور اس کا جواب دے سکتا ہے۔ صرف سینسرز کی تعداد بڑھانے سے قابل اعتماد عمل کی ضمانت نہیں دی جا سکتی، خاص طور پر اس صورت میں جب ماحولیاتی حالات ایک ساتھ کئی سینسرز کو متاثر کر سکتے ہیں۔
کم کے بوجھ یا استعمال کے معاملات کے لیے کمپیوٹنگ آرکیٹیکچر کو کسٹمائز کرنا بھی ایک توازن کا مسئلہ ہے۔ اینالوگ ڈیوائسز کے ایگزیکٹو وائس پریزیڈنٹ اور آٹوموٹیو بزنس لیڈر یامینس کنگ کہتی ہیں: "یہ ایک سوال ہے کہ ذہانت کو اس مقام کے قریب کہاں رکھا جائے جہاں حسی معلومات حاصل ہوتی ہیں، یہاں ایک تنازع موجود ہے۔ اگر آپ ذہانت کو پورے سسٹم میں تقسیم کر دیں، تو اپڈیٹس زیادہ پیچیدہ ہو جائیں گے۔ مرکزیت OTA اپڈیٹس کو ایک نقطے سے ممکن بناتی ہے، جس سے پچ اور درستگیاں آسان ہوتی ہیں، لیکن جب آپ ان ڈیٹا کے لیے تیز رفتار جواب کی ضرورت رکھتے ہیں، تو یہ تاخیر کا مسئلہ پیدا کر سکتی ہے۔ گاڑیوں میں، اگر کوئی پیدل چلنے والا اچانک گاڑی کے سامنے آ جائے، تو آپ کو ان ڈیٹا کے لیے بہت تیز جواب دینے کی ضرورت ہوتی ہے۔ اس لیے ذہانت کو کہاں رکھنا چاہئے، یہ ان حسی معلومات کے قسم پر منحصر ہے جنہیں آپ جمع کرنا چاہتے ہیں، اور آپ کو جواب دینے میں کتنا تیز ہونا چاہئے۔"

یاسمین کنگ نے 27 اکتوبر 2026 کو ریوٹرز آٹوموٹیو 2026 پر بات کی۔
智能位置配置 ایک ایسی ڈیزائن کا فیصلہ ہے جس میں صرف کمپوٹیشنل پرفارمنس نہیں بلکہ ریسپانس ٹائم، کمیونیکیشن بینڈ ویتھ، طاقت کی خرچ، اپڈیٹ کرنے کی صلاحیت اور تقسیم شدہ کمپوننٹس کے درمیان تعاون کے درمیان توازن بھی شامل ہے۔ مرکزی کمپوٹیشن مینجمنٹ کو آسان بناسکتا ہے، جبکہ مقامی پروسیسنگ کمیونیکیشن لیٹنس کو کم کرسکتی ہے اور کنکشن کے قطع ہونے پر اہم فنکشنز کو برقرار رکھ سکتی ہے۔
فیزیکل AI کا "میموری ویل"
میموری کی صلاحیت، بینڈ ویتھ، لیٹنسی اور توانائی کا استعمال، فزیکل AI کے اہم瓶颈 ہیں؛ کچھ میموری ٹیکنالوجیز کو ممکنہ طور پر سپلائی کے پابندیوں کا سامنا ہو سکتا ہے۔ اصل چیلنج صرف میموری ڈیوائسز کی تعداد بڑھانا نہیں، بلکہ سخت طاقت اور حرارت کے پابندیوں کے تحت مسلسل بڑھتے ہوئے AI کے کاموں کے لیے میموری سبسسٹم ڈیزائن کرنا ہے۔
سوسا نے کہا: "ارب سے زیادہ متعلقہ ماڈل پیرامیٹرز کو اسٹوریج، میموری اور پروسیسنگ یونٹس کے درمیان محفوظ اور منتقل کیا جانا چاہیے۔ آج کل، اسے 'میموری وال' کہا جاتا ہے۔ جب تک میموری استعمال مسلسل بڑھتا رہے گا، DRAM کو LPDDR6 جیسے انتہائی تیز انٹرفیس کی ضرورت ہوگی تاکہ یہ پروسیسنگ کا باٹل نیک نہ بن جائے۔"
performance بھی ایکسیس ماڈل، لیٹنسی، ڈیٹا ری یوز، کیش کی صلاحیت، میموری کنٹرولر کی کارکردگی، اور ڈیٹا منتقل کرنے کے لیے درکار توانائی پر منحصر ہے۔ اگر ورک لوڈ میموری ہیرارکی کے دوسرے حصوں سے محدود ہے، تو صرف اصل بینڈ وڈتھ میں اضافہ کا فائدہ محدود ہو سکتا ہے۔
وزن کے لیے سسٹم ڈیزائن سے کچھ میموری بوجھ کو کم کیا جا سکتا ہے۔ بالاسبرامانیان کہتے ہیں: "مناسب سائز کی میموری، مناسب سائز کی کمپوٹیشن، اور ریڈنڈنسی، جسے حرارت اور طاقت کے بجٹ میں ڈالنا ہوگا، بہت اہم ہوگا۔ سب سے اہم بات یہ ہے کہ سائز اہم ہے۔ آپ ٹویوتا پرائس میں 100 گیلن کا تیل کا ٹینک نہیں لگائیں گے۔ آپ کو صرف 10 گیلن کا ٹینک درکار ہے۔ میں نے میموری کے لیے اس مثال کا استعمال کیا ہے۔ آپ اسے ایسے منظم کر سکتے ہیں کہ بہت بڑے DRAM کی ضرورت نہ پڑے، لیکن آپ کے پاس کافی اچھا کیش اور ان بِلٹ SRAM ہو سکتا ہے۔ یہ ہمیشہ اہم ضروریات کو DRAM میں رکھ سکتا ہے، لیکن جب ضرورت ہو تو آپ دوسری چیزوں کو فلش یا SRAM پر منتقل کر سکتے ہیں۔ میموری پاتھ کے لحاظ سے، DRAM سے SRAM، پھر اصل کمپوٹیشن، اور آخر میں حقیقی فزیکل AI تک پہنچنے کے لیے، کیش کنسسٹنسی بہت اہم ہوگی۔"
ان میموری ٹیکنالوجیز کے درمیان بہت بڑا توازن ہے۔ آن چپ SRAM اور کیش کو اکثر استعمال ہونے والے ڈیٹا کے لیے تیز رسائی فراہم کرتے ہیں، لیکن ان کی صلاحیت سلیکون کے رقبہ اور لاگت کی وجہ سے محدود ہوتی ہے۔ باہری DRAM زیادہ صلاحیت فراہم کرتا ہے، جبکہ فلیش میموری ماڈلز، سافٹ ویئر اور دیگر معلومات کے لیے غیر جاری میموری میں محفوظ کرنے کا انتظام کرتی ہے جو فعال میموری میں نہیں رکھے جانے چاہئیں۔
ان لیولز کے درمیان معلومات کو منتقل کرنا کچھ کیپسیٹی کی ضروریات کو کم کر سکتا ہے، لیکن ٹرانسمیشن کے اخراجات اور تاخیر میں اضافہ کرتا ہے۔ اس کے علاوہ، کیش کی یکساں رکھنے کا خیال صرف معلومات کو مختلف اسٹوریج ٹیکنالوجیز کے درمیان منتقل نہیں کرتا، بلکہ کیش اور میموری میں ڈیٹا کے نسخوں کو یکساں رکھنا ہے، لیکن اس سے بھی زیادہ اخراجات پیدا ہوتے ہیں۔ اس لیے، انجینئرز ہر لیول پر کتنی میموری رکھنی ہے، اس فیصلے کے لیے ورک سیٹ، ڈیٹا لوکلٹی اور ایکسس فریکوئنسی پر غور کرتے ہیں۔
کار کی میموری کی نوآوری ممکنہ طور پر فزیکل AI مسائل کے حل کے طریقے میں اہم کردار ادا کرے گی۔
ایمیجنیشن ٹیکنالوجیز کے سینئر ڈائریکٹر آف پروڈکٹ مینجمنٹ راب فشر کہتے ہیں: "ابھی اس کا تعلق ہماری کار پروڈکٹ لائن سے بہت زیادہ ہے، اور ہم دیکھ رہے ہیں کہ روبوٹس کی جانب سے زیادہ تر مانگ کار کی جانب سے آ رہی ہے۔ اب بہت سے کار مینوفیکچررز اپنے چپس کو کار اور روبوٹس دونوں پلیٹ فارمز کے لیے ڈیزائن کر رہے ہیں، اس لیے 4، 6 اور 8 بٹ کی سپورٹ ایمبیڈڈ ایج ایپلیکیشنز کے لیے میموری بینڈ ویدتھ اور میموری فٹنگ کے لیے واقعی فائدہ مند ہوگا۔ ڈیٹا سنٹر کے لیے یہ کم اہم ہے، لیکن اثرات مختلف ہوتے ہیں۔ آپ شاید ڈیٹا سنٹر میں بڑے ماڈلز چلانے کے لیے ورڈ وائڈ پر چھوٹے بٹ وائڈ استعمال کر سکتے ہیں۔ جبکہ کار اور روبوٹس کے اطلاقات میں، آپ اس کا بالکل اُلٹا استعمال کر سکتے ہیں، یعنی چھوٹا میموری فٹنگ۔ آپ ماڈل کو صرف اس بات کے لیے محدود رکھ سکتے ہیں جو آپ چاہتے ہیں کہ وہ کرے، اور پھر اسے محفوظ رکھنے کے لیے استعمال ہونے والی میموری اور بینڈ ویدتھ کو کم کر سکتے ہیں۔"
کم درجہ کی دقت کا استعمال مدل کے ذخیرہ اور میموری بینڈ ویتھ کی ضروریات کو کم کرتا ہے، اس لیے ایم بیڈڈ AI کے لیے خاص طور پر جذاب ہے۔ لیکن اس کا فائدہ اس بات پر منحصر ہے کہ اسیلیٹر منتخب نمبر فارمیٹ کو کارآمد طریقے سے سپورٹ کرتا ہے یا نہیں، اور کوانتائزیشن ایپلیکیشن کی درکار دقت کو برقرار رکھ پاتی ہے یا نہیں۔ 6 بٹ کی دقت جیسے فارمیٹس ممکنہ طور پر پیکنگ یا عمل کے اضافی اخراجات پیدا کرتے ہیں، جس سے ان کے لیے ڈیزائن نہ کیے گئے ہارڈویئر پر فائدہ محدود ہو جاتا ہے۔
فلاش اسٹوریج مینجمنٹ آٹونومس سسٹم میموری کے لیے بھی ایک اہم کردار ادا کرتا ہے۔
سوسا نے کہا: "DRAM کی صرفت، طاقت کی خرچی اور دستیابی میں پابندیاں ہیں۔ تیز تر میموری بینڈ ویتھ سے لوڈ ہونے کا وقت کم ہوتا ہے، اس لیے ایک جیسے DRAM بجٹ کے ساتھ بڑے ماڈلز کو سپورٹ کیا جا سکتا ہے۔ یہ سسٹمز بیٹری پر لگاتار کام کرتے ہیں اور عام طور پر فعال ہیٹ سکننگ نہیں ہوتی، اس لیے ہر ڈیٹا ٹرانسمیشن بجلی کھاتی ہے اور تاخیر بڑھاتی ہے، اس لیے مکینیکل، الیکٹرانک اور سافٹ ویئر جیسے ہر کمپوننٹ کو طاقت کی خرچی کم کرنی چاہیے اور کارکردگی بڑھانی چاہیے۔ MIPI، UFS، LPDDR، PCIe جیسے انٹرفیسز میں ٹیکنالوجیز شامل ہیں جو برسٹ ڈیٹا کو تیزی سے ٹرانسمٹ کرنے اور پھر لمبے عرصے تک کم طاقت والے آئڈل موڈ میں جانے کا انتظام کرتی ہیں۔"
تیز ترین غیر موقتی میموری سے ماڈل لوڈنگ کی تاخیر کم ہوتی ہے، اور مناسب ماڈل پارٹیشننگ یا وزن سٹریمنگ ٹیکنالوجی کے ساتھ ملا کر، DRAM کی محدود رکھنے کی صلاحیت والے سسٹم کو درکار میموری سے زیادہ کل ماڈل کا استعمال کرنے کی اجازت دی جا سکتی ہے۔ تاہم، میموری کی بینڈ ویتھ خود ہر لمحہ DRAM میں قابلِ استعمال ڈیٹا کی مقدار میں اضافہ نہیں کرتی۔
ان ڈیٹا کو منتقل کرنے کے لیے استعمال ہونے والے انٹرفیسز بھی پاور مینجمنٹ میکنزم اور آپریشنل خصوصیات کے لحاظ سے مختلف ہوتے ہیں۔ ان کی کارکردگی مخصوص معیار، عملدرآمد، ٹرانسمیشن موڈ اور کم طاقت کی حالت میں جانے کے مواقع پر منحصر ہوتی ہے۔
اگر مارکیٹ کا سائز کافی بڑا ہو، تو فزیکل AI کی میموری کی ضروریات نہایت طور پر نئی میموری ٹیکنالوجیز یا موجودہ ٹیکنالوجیز کے وریئنٹس کے ترقی کو ضروری ثابت کر سکتی ہیں۔
ریمبس کے ایک杰出 انجینئر اور杰出 موجد اسٹیون وو کہتے ہیں: "میموری ایک اہم ٹیکنالوجی ہے، جس کی ضرورت تمام فزیکل AI کو ہوگی۔ فرق یہ ہے کہ کچھ مارکیٹس صرف موجودہ میموری کا استعمال کریں گی، لیکن اس بات کا امکان بھی ہے کہ کچھ مارکیٹس اتنی بڑی ہو جائیں کہ انہیں اپنی مخصوص میموری کی ضرورت ہو جائے، یا موجودہ میموری کا کوئی ورژن۔ ہم نے HBM پر اس بات کو دیکھا ہے۔ لوگ ابتداء میں دوسرے قسم کی میموری استعمال کر رہے تھے، لیکن پھر مارکیٹ اچانک بڑھ گئی۔ اگر LPDDR کے آنے سے پہلے کی بات کریں، تو موبائل فون صرف ڈی آر ڈی کے ان اجزاء کا استعمال کرتے تھے جو کم طاقت والے ہونے کے لیے چن لیے گئے تھے۔ جب مارکیٹ کافی بڑھ جائے تو لوگ کہتے ہیں، 'ٹھیک ہے، تو چلو ایک خاص اجزاء بناتے ہیں۔' فزیکل AI اتنی بڑی مارکیٹ بن سکتی ہے کہ اگر تقاضوں میں کافی فرق ہو تو ایک اور قسم کی میموری ظاہر ہو سکتی ہے۔"
کیا یہ تخصص پیدا ہوگا، اس کا فیصلہ مانگ کے سائز اور مستقل پن پر منحصر ہوگا۔ ڈیٹا سینٹرز کے برعکس، فزیکل AI کے اطلاقات لاگت، صلاحیت، استقامت، بینڈ ویتھ، درجہ حرارت اور توانائی کے کارکردگی کے لحاظ سے بہت مختلف ضروریات رکھتے ہیں۔ اس تنوع کی وجہ سے کچھ مارکیٹس موجودہ میموری ٹیکنالوجیز کو تبدیل کرنے کے لیے زیادہ مناسب ہوسکتی ہیں، جبکہ دوسرے مارکیٹس خصوصی طور پر ڈیزائن کردہ حل کے لیے زیادہ مناسب ہوسکتے ہیں۔
کناری کی صورتیں تصدیق کریں
سیفٹی کے حوالے سے نظام کے عمل کو یقینی بنانا، جس میں نایاب اور غیر متوقع صورتحال بھی شامل ہیں، ایک اور بڑی چیلنج ہے۔ جب فزیکل AI ڈویلپرز ہیوی مشینری، میڈیکل ڈیوائسز اور دیگر سیفٹی کرٹیکل ٹیکنالوجیز کو ٹارگٹ کر رہے ہوتے ہیں، تو ویریفکیشن کے مسائل کو حل کرنا خاص طور پر ضروری ہے۔
بالاسوبرامانیان کہتے ہیں: "فیزیکل AI کو کسی بھی پروڈکشن ماحول میں لانے سے پہلے، ہمیں ایک تصدیقی سائکل بنانا ہوگا، جسے میں ہمیں کرنے کا سب سے اہم کام کہوں گا۔ مثلاً، اگر بڑے پیمانے پر بجلی کا بند ہونا ہو، یا زلزلہ آ جائے، یا باہر کی دنیا کے فائبر آپٹک کیبلز کٹ جائیں، یا بجلی بند ہو جائے؟ آپ ایڈج کے طرف اس سیناریو کو کیسے مینج کریں گے؟ سینسر کے قریب کچھ کمپوٹیشن، کچھ میموری اور کچھ ذہانت برقرار رکھنا بہت اہم ہوگا، اور لوگ اسے اس طرح حاصل کرتے ہیں کہ وہ اپنے استعمال کے مطابق وہ چیزیں تلاش کرتے ہیں جنہیں وہ سب سے زیادہ اہم سمجھتے ہیں۔ صنعتی ماحول میں، مجھے کب اپنی اسمبلی لائن بند کرنی چاہئے؟ مجھے کب معلوم ہونا چاہئے کہ میں واپس فون کروں، یا الارم بجاؤں، یا کچھ اور کروں؟ یہ سب چیزیں اکیلے سینسر کے اندر ہندسے جانے والے ہیں۔"
یہ مناظر یہ ظاہر کرتے ہیں کہ محفوظ کلیدی فنکشنز کو ہمیشہ مسلسل کلاؤڈ کنکشن یا مرکزی فیصلہ سازی پر انحصار نہیں کیا جا سکتا۔ اگر مواصلات یا بجلی کے نظام خراب ہو جائیں تو خرابیوں کی تشخیص، حفاظتی اقدامات کو فعال کرنا، یا ڈیوائس کو تعریف شدہ محفوظ حالت میں لانا، اس کے لیے مقامی پروسیسنگ ضروری ہو سکتی ہے۔
لیکن تصدیق اور تأیید مسائل کے مختلف حصوں کو حل کرتے ہیں۔ تصدیق کا استعمال یہ تصدیق کرنے کے لیے کیا جاتا ہے کہ ڈیزائن مقررہ ضروریات کو پورا کرتا ہے، جبکہ تأیید یہ جانچتی ہے کہ نظام اپنے مخصوص عملی ماحول میں کیسے کام کرتا ہے۔ سیفٹی گارنٹی میں خطرات کا تجزیہ، خرابی کا انjecٹ ٹیسٹنگ، مشترکہ وجوہات کی خرابی کا جائزہ، اور متعلقہ معیارات کے مطابق ثبوت بھی شamil ہو سکتے ہیں۔
اس لیے، سسٹم کو متعلقہ ہارڈویئر اور سافٹ ویئر اسٹیک کے ارد گرد قابلیت اعتماد قائم اور تصدیق کرنی چاہیے، اور ہر استعمال کے معاملے کے ساتھ تحفظ کی ضروریات کو مطابق کرنا چاہیے۔
مددگار روبوٹس کی ایسٹاپ ATDev کے ملکہ متحدہ اون وین کینٹ کا کہنا ہے: "جب ہم چیئر کے لیے مصنوعات ڈیزائن کرتے ہیں، تو کسی بھی فزیکل AI ایپلیکیشن کی طرح، ہمارے پاس خاص ضروریات ہوتی ہیں۔ آپ کو اپنے کوالٹی مینجمنٹ سسٹم اور تھرڈ پارٹی الیکٹرو میگنیٹک کمپیٹیبیلٹی ٹیسٹنگ میں ان ہارڈویئرز کو حقیقت میں اپنے حد تک جھولنا ہوگا۔ چاہے آپ کونسا بھی ہارڈوائر استعمال کر رہے ہوں، چاہے وہ کسٹمائزڈ ہو یا نہ ہو، آپ کو اس کی محفوظگی کی تصدیق کرنے میں قادر ہونا چاہیے۔"
ڈیولپرز کے لیے، اس کا مطلب یہ ہے کہ وہ صرف اس بات کا جائزہ لیں کہ کمپوننٹس عام حالات میں درست طریقے سے کام کرتے ہیں یا نہیں، بلکہ سینسر کی خرابی، مواصلاتی خرابی، غیر متوقع ان پٹ اور دیگر قابل پیشگوئی خطرات کے تحت مکمل سسٹم کی پاسداری بھی جانچیں۔ بہت سے застосуванняوں میں، کمپوننٹ لیول ٹیسٹنگ ضروری شرط ہے، لیکن یہ خود بخود سسٹم لیول سیفٹی کا ثبوت نہیں ہے۔
نتیجہ
فیزیکل AI کی اصل حدود،感知 سے ایکشن تک پورے راستے میں پھیلی ہوئی ہیں۔ ڈیزائنرز کو ماڈل اور ہارڈویئر کو کام کے ساتھ مطابق بنانا ہوگا، دستیاب توانائی اور حرارتی بجٹ کے اندر ڈیٹا منتقل کرنا ہوگا، اور مشین کے رویے کو شرائط یا کنکشن میں تبدیلی کے دوران تصدیق کرنا ہوگا۔ صرف اس صورت میں کمپوٹیشنل طاقت بڑھانا حقیقی طور پر مددگار ہوگا جب دیگر سسٹم کے حصے اسے سپورٹ کر سکیں۔
بالاسوبرامانیان نے کہا: "سینسر سے لے کر پروسیسر اور ایکٹویٹرز تک، معیاری، کم طاقت والے اور ثابت شدہ انٹرفیس سے شروع کریں۔ یہ ڈیزائنرز کو پیش گوئی کے قابل رویہ، ایکوسسٹم کی آپریشنل مطابقت، اور سلیکون سے تصدیق شدہ بنیادی اجزاء فراہم کرتے ہیں۔"
ایک متعلقہ مثال MIPI کیمرہ سیکورٹی فریم ورک ہے، جو کیمرہ سروس ایکسٹینشنز (CSE) 2.0 نرما ل کو مکمل سیکورٹی نرما لز کے ساتھ ملا کر استعمال کرتا ہے۔ CSE 2.0 CSI-2 کیمرہ ڈیٹا کے لیے ڈیٹا انٹیگرٹی کے تحفظ اور اختیاری تشفیر کی حمایت کرتا ہے؛ جبکہ وسیع تر فریم ورک امیجنگ سسٹم کے کمپوننٹس کی تصدیق اور محفوظ سیشن قائم کرنے کا انتظام کرتا ہے۔
اس نے کہا: "یہ کیمرہ ڈیٹا کے لیے اینڈ تو اینڈ سیکورٹی فراہم کرتا ہے، جو تصویر سینسر سے لے کر SoC تک مکملیت، تصدیق اور خفیہ رکھنے کو کور کرتا ہے۔ اس کے علاوہ یہ ڈیزائنرز کو لچکدار اختیارات فراہم کرتا ہے تاکہ کمپوٹیشن اور ٹریفک اوورہیڈ، طاقت کی خرچ اور تاخیر کو کم سے کم رکھا جا سکے، اس طرح سیکورٹی کو ایپلیکیشن کے مطابق ڈیزائن کیا جا سکتا ہے، نہ کہ بدترین صورتحال کے مطابق۔"
یہ فرق اہم ہے کیونکہ گُپت رکھنا اختیاری ہے، اور حفاظت کا درجہ نافذ کیے گئے سیکورٹی سروسز اور کنفیگریشن پر منحصر ہے۔ وسیع تر فریم ورک ڈویلپرز کو ہر ڈیٹا اسٹریم پر ایک جیسی حفاظت لازمی نہیں ڈال کر، حفاظت، پروسیسنگ کے اخراجات، طاقت کی خرچ اور تاخیر کے درمیان توازن قائم کرنے کی اجازت دیتا ہے۔
خودمختار مشینوں کو زیادہ طاقتور بنانا کافی نہیں۔ انہیں حقیقی دنیا کی پابندیوں کے تحت قابل اعتماد طریقے سے کام کرنا ہوگا۔ فزیکل AI کے لیے، میموری، طاقت اور بینڈ ویتھ بچانے والے آرکیٹیکچر کے انتخابات کو قابل پیشگوئی رویہ، لچک، اور بڑے پیمانے پر ڈپلوائمنٹ کے لیے ضروری سیکورٹی کی ضمانت بھی دینی ہوگی۔
ڈیٹا موشن ایکسٹنژن فزیکل AI کے لیے استعمال ہوتا ہے: کوئی ایک سولوشن تمام صورتحال کے لیے مناسب نہیں۔
کنارے اور کلاؤڈ AI کے کردار کو دوبارہ تعریف کریں: مقامی ذہانت کا مقابلہ شروع ہو چکا ہے۔
برینڈن ہیفرنن
