NPU چیست؟ تاریخچه و تأثیرش بر آینده‌ی کامپیوتر، لپ‌تاپ و گوشی

طی چند سال اخیر، حرف از NPU در مشخصات فنی تقریباً هر گوشی، لپ‌تاپ و حتی برخی کامپیوترهای رومیزی جدید زده می‌شود. اما این واحد پردازشی دقیقاً چیست، چطور با CPU و GPU فرق دارد، از کجا آمده، و آیا واقعاً کاربرد عملی برای کاربر عادی دارد یا صرفاً یک عدد تبلیغاتی روی جعبه‌ی محصول است؟ در این مقاله، NPU را از تعریف پایه تا تاریخچه، معماری فنی و تأثیر آینده‌اش به‌طور کامل بررسی می‌کنیم.

NPU چیست؟

NPU (مخفف Neural Processing Unit، به فارسی واحد پردازش عصبی) یک پردازنده‌ی تخصصی است که مشخصاً برای تسریع وظایف هوش مصنوعی و یادگیری ماشین طراحی شده — از تشخیص چهره و تصویر گرفته تا پردازش زبان طبیعی و اجرای مدل‌های هوش مصنوعی مولد. برخلاف CPU که یک پردازنده‌ی همه‌کاره برای انجام انواع محاسبات منطقی و ریاضی است، یا GPU که برای پردازش موازی گرافیکی بهینه شده، NPU مشخصاً برای یک نوع محاسبه طراحی شده: عملیات ضرب و جمع ماتریسی (Matrix Multiply-Accumulate) که پایه‌ی اصلی کار شبکه‌های عصبی مصنوعی است.

نام این تراشه از «شبکه‌ی عصبی» (Neural Network) گرفته شده؛ مدلی محاسباتی که ساختارش از نحوه‌ی کار نورون‌ها و سیناپس‌های مغز انسان الهام گرفته است. به همین دلیل، بعضی شرکت‌ها مثل اپل، این واحد را «موتور عصبی» (Neural Engine) می‌نامند.

تفاوت کلیدی NPU با CPU و GPU

سه پردازنده‌ی اصلی داخل هر دستگاه هوشمند امروزی، هرکدام برای هدف متفاوتی بهینه شده‌اند:

• CPU: پردازنده‌ی همه‌کاره که وظایف متوالی و منطقی پیچیده را با دقت بالا انجام می‌دهد؛ اما برای وظایف موازی سنگین (مثل پردازش میلیون‌ها پارامتر یک مدل هوش مصنوعی) بسیار پرمصرف و کند است
• GPU: برای پردازش موازی گسترده (رندر گرافیکی، و به‌طور فرعی محاسبات هوش مصنوعی) طراحی شده؛ قدرتمند اما پرمصرف‌ترین گزینه از نظر انرژی برای وظایف هوش مصنوعی سبک
• NPU: مشخصاً برای اجرای مدل‌های از‌پیش‌آموزش‌دیده (نه آموزش مدل‌های جدید) بهینه شده و معمولاً از محاسبات با دقت پایین‌تر (مثل اعداد ۸ یا ۴ بیتی به‌جای ۳۲ بیتی) استفاده می‌کند. همین سادگی محاسباتی، به آن اجازه می‌دهد وظایف هوش مصنوعی را با مصرف انرژی بسیار کمتر (معمولاً بین ۱ تا ۵ وات، در برابر ۱۵ تا ۳۰۰ وات برای CPU یا GPU در همان وظیفه) انجام دهد

به بیان ساده: NPU برای اجرای مداوم و کارآمد هوش مصنوعی روی دستگاه، بدون تخلیه‌ی سریع باتری، طراحی شده — نه برای جایگزینی کامل CPU یا GPU.

تاریخچه‌ی NPU؛ از یک واژه‌ی دانشگاهی تا استاندارد صنعتی

ریشه‌های آکادمیک (۲۰۱۲)

اولین استفاده‌ی مستند از عبارت «واحد پردازش عصبی» به یک مقاله‌ی دانشگاهی در سال ۲۰۱۲ با عنوان «شتاب‌دهی عصبی برای برنامه‌های تقریبی همه‌منظوره» برمی‌گردد؛ جایی که این اصطلاح برای توصیف یک معماری شتاب‌دهنده‌ی شبکه‌ی عصبی به‌کار رفت.

نخستین NPUهای تجاری (۲۰۱۷)

سال ۲۰۱۷ نقطه‌ی عطف واقعی برای ورود NPU به بازار مصرفی بود؛ دو شرکت تقریباً هم‌زمان اولین NPUهای تجاری خود را معرفی کردند:

• هوآوی در کنفرانس IFA ۲۰۱۷، تراشه‌ی Kirin 970 را با یک NPU مبتنی بر معماری Da Vinci و توان پردازشی ۱.۹۲ TOPS معرفی کرد؛ این تراشه در گوشی Huawei Mate ۱۰ به‌کار رفت
• چند هفته بعد، اپل تراشه‌ی A11 Bionic را با یک «موتور عصبی» دوهسته‌ای معرفی کرد که توان پردازشی آن تنها ۰.۶ TOPS (معادل ۶۰۰ میلیارد عملیات در ثانیه) بود؛ این تراشه در آیفون ۸، ۸ پلاس و آیفون X به‌کار رفت و مشخصاً برای Face ID و انیموجی طراحی شده بود. نکته‌ی جالب این‌که در نسخه‌ی اول، این موتور عصبی برای توسعه‌دهندگان شخص‌ثالث باز نبود و فقط خود اپل می‌توانست از آن استفاده کند

جالب توجه است که پیش از این هم، کوالکام از سال ۲۰۱۵ یک نسخه‌ی ابتدایی‌تر (AI Engine مبتنی بر DSP) را در تراشه‌ی Snapdragon ۸۲۰ به‌کار برده بود، هرچند این نسخه هنوز یک NPU اختصاصی کامل محسوب نمی‌شد.

گسترش سریع در گوشی‌های هوشمند (۲۰۱۸ تا ۲۰۲۱)

پس از این آغاز، رقابت TOPS به‌سرعت شکل گرفت:

• اپل با A12 Bionic در سال ۲۰۱۸، موتور عصبی هشت‌هسته‌ای با توان ۵ TOPS را معرفی کرد (جهش ۸ برابری) و برای اولین‌بار Core ML را برای توسعه‌دهندگان باز کرد
• هوآوی در سال ۲۰۱۹، اولین NPU اختصاصی برای آموزش مدل در مقیاس ابری (Ascend ۹۱۰) را هم معرفی کرد
• گوگل در سال ۲۰۲۱، اولین نسخه از تراشه‌ی اختصاصی Tensor خود را در گوشی Pixel ۶ معرفی کرد

ورود به دنیای لپ‌تاپ و کامپیوتر شخصی (۲۰۲۳ به بعد)

NPU تا سال ۲۰۲۳ عمدتاً محدود به گوشی‌های هوشمند بود، اما با معرفی نسل اول پردازنده‌های Intel Core Ultra (کدنام Meteor Lake)، این فناوری رسماً وارد دنیای لپ‌تاپ و کامپیوتر شخصی شد. یک سال بعد، در سال ۲۰۲۴، رویداد واقعاً تعیین‌کننده رخ داد: مایکروسافت دسته‌بندی تازه‌ای از لپ‌تاپ‌ها با نام Copilot+ PC معرفی کرد که حداقل ۴۰ TOPS توان پردازشی NPU را الزامی می‌کرد. این استاندارد، ابتدا با تراشه‌های Snapdragon X Elite و X Plus کوالکام (با توان بیش از ۴۵ TOPS) پیاده‌سازی شد و به‌سرعت توسط اینتل (با پردازنده‌ی Lunar Lake) و AMD (با معماری XDNA در پردازنده‌های Ryzen AI) هم دنبال شد.

واحد TOPS؛ معیاری که باید با احتیاط خواند

عملکرد NPU معمولاً با واحد TOPS (تریلیون عملیات در ثانیه) بیان می‌شود. اما نکته‌ی مهمی که کارشناسان تأکید می‌کنند این است که این عدد به‌تنهایی گمراه‌کننده است، چون:

• روش اندازه‌گیری TOPS بین شرکت‌های مختلف یکسان نیست؛ عواملی مثل فرکانس کاری تراشه و تعداد واحدهای محاسباتی MAC (ضرب‌-جمع) روی این عدد تأثیر می‌گذارند
• TOPS نشان‌دهنده‌ی توان نظری اوج (Peak) است، نه لزوماً عملکرد واقعی در یک وظیفه‌ی مشخص
• برای مقایسه، یک کارت گرافیک رده‌بالای رومیزی مثل RTX ۴۰۹۰ می‌تواند بیش از ۱۳۰۰ TOPS ارائه دهد، اما با مصرف برق ۴۵۰ واتی — در برابر NPU موبایل که با کمتر از ۵ وات، تنها چند ده TOPS ارائه می‌دهد؛ مقایسه‌ی این دو عدد بدون در نظر گرفتن مصرف انرژی، بی‌معناست

طبق وضعیت بازار در سال ۲۰۲۶، یک گوشی پرچمدار معمولاً بین ۳۵ تا ۵۰ TOPS، و یک گوشی میان‌رده بین ۱۰ تا ۲۵ TOPS ارائه می‌دهد؛ در سمت لپ‌تاپ، پردازنده‌های AMD Ryzen AI تا ۵۰ TOPS، و پردازنده‌های Intel Lunar Lake حدود ۴۸ TOPS ارائه می‌کنند.

چرا نرم‌افزارها هنوز به‌طور کامل از NPU استفاده نمی‌کنند؟

نکته‌ی جالب و کمتر گفته‌شده این است که در سال ۲۰۲۶، با وجود این‌که NPU تقریباً در تمام گوشی‌ها، لپ‌تاپ‌ها و مک‌های جدید وجود دارد، بخش بزرگی از این سخت‌افزار بلااستفاده باقی می‌ماند. دلیل اصلی، شکاف میان در دسترس بودن سخت‌افزار و توسعه‌ی نرم‌افزارهایی است که واقعاً بدانند چطور از این سخت‌افزار بهره ببرند؛ بسیاری از اپلیکیشن‌ها هنوز به‌طور پیش‌فرض محاسبات هوش مصنوعی خود را روی CPU یا GPU اجرا می‌کنند، نه NPU، چون بهینه‌سازی کد برای این سخت‌افزار تخصصی، زمان و تخصص بیشتری از توسعه‌دهندگان می‌طلبد.

کاربردهای واقعی امروز NPU

با وجود این شکاف، تعداد رو‌به‌رشدی از قابلیت‌های واقعی و ملموس در حال حاضر روی NPU اجرا می‌شوند:

• تشخیص چهره و امنیت (مثل Face ID)
• بهبود تصویر دوربین در لحظه (حذف نویز، تشخیص صحنه، پرتره)
• حذف نویز پس‌زمینه در تماس‌های تصویری
• رونویسی و ترجمه‌ی زنده روی دستگاه، بدون نیاز به اتصال اینترنت
• دستیارهای هوش مصنوعی محلی، مثل اجرای بخشی از قابلیت‌های Copilot در ویندوز یا Gemini Nano در گوشی‌های پیکسل، مستقیماً روی دستگاه به‌جای سرورهای ابری

تأثیر NPU بر آینده‌ی کامپیوتر، لپ‌تاپ و گوشی

هوش مصنوعی محلی به‌جای وابستگی کامل به ابر

مهم‌ترین تأثیر بلندمدت NPU، امکان اجرای هوش مصنوعی به‌طور محلی و آفلاین روی دستگاه است، به‌جای ارسال هر درخواست به سرورهای ابری. این تحول چند مزیت کلیدی دارد: پاسخ‌دهی سریع‌تر (بدون تأخیر شبکه)، حریم خصوصی بهتر (داده‌ی حساس دستگاه را ترک نمی‌کند)، و کارکرد حتی بدون اتصال اینترنت.

استاندارد جدید خرید سخت‌افزار

با الزامات Copilot+ PC مایکروسافت، TOPS دیگر یک عدد فرعی روی جعبه نیست؛ بلکه به یک معیار مستقیم خرید تبدیل شده که تعیین می‌کند کدام قابلیت‌های هوش مصنوعی ویندوز روی دستگاه شما کار می‌کند یا نه. انتظار می‌رود این روند در سال‌های آینده تشدید شود و شرکت‌ها استاندارد حداقلی TOPS را بالاتر ببرند.

افزایش طول عمر باتری در عین اجرای هوش مصنوعی سنگین‌تر

از آن‌جا که NPU وظایف هوش مصنوعی را با کسری از مصرف انرژی CPU یا GPU انجام می‌دهد، هرچه نرم‌افزارها بیشتر به‌سمت استفاده‌ی بهینه از NPU حرکت کنند، کاربران می‌توانند قابلیت‌های هوش مصنوعی پیچیده‌تری (مثل تولید تصویر یا خلاصه‌سازی متن محلی) را بدون افت محسوس طول عمر باتری تجربه کنند — چیزی که با تکیه‌ی صرف بر CPU یا GPU عملاً غیرممکن یا بسیار پرهزینه از نظر انرژی است.

رقابت فزاینده‌ی سازندگان تراشه

با ورود اپل، کوالکام، اینتل، AMD، گوگل، سامسونگ و مدیاتک به این میدان، رقابت TOPS همچنان ادامه دارد و انتظار می‌رود نسل‌های آینده‌ی تراشه‌ها (چه در گوشی، چه در لپ‌تاپ) به‌طور پیوسته توان NPU بالاتری ارائه دهند؛ هرچند طبق تحلیل کارشناسان، تفاوت واقعی رقبا دیگر صرفاً در عدد TOPS خام نیست، بلکه در میزان بلوغ اکوسیستم نرم‌افزاری‌ای است که واقعاً می‌تواند از آن سخت‌افزار بهره ببرد.

جمع‌بندی

NPU از یک اصطلاح دانشگاهی نسبتاً ناشناخته در سال ۲۰۱۲، به یکی از سه رکن اصلی هر تراشه‌ی مدرن (در کنار CPU و GPU) تبدیل شده است. مسیر آن از اولین قدم‌های محتاطانه در آیفون ۸ و هوآوی میت ۱۰ سال ۲۰۱۷، تا الزامات سخت‌گیرانه‌ی Copilot+ PC مایکروسافت در سال ۲۰۲۴، نشان می‌دهد این فناوری دیگر یک ویژگی جانبی نیست، بلکه به بخش بنیادین معماری محاسباتی امروز تبدیل شده. با این حال، شکاف کنونی بین سخت‌افزار در دسترس و نرم‌افزار بهینه‌شده، نشان می‌دهد ما هنوز در ابتدای مسیر واقعی بهره‌برداری از این فناوری هستیم — مسیری که با رشد هوش مصنوعی محلی و آفلاین، در سال‌های آینده احتمالاً به یکی از مهم‌ترین معیارهای خرید هر دستگاه محاسباتی، از گوشی گرفته تا کامپیوتر رومیزی، تبدیل خواهد شد.