الدردشة مع المؤلف المشارك لمقالة غلاف مجلة Nature حول قصة البحث الخاصة بالحركة

في 17 أكتوبر، نُظِّمَت ندوة بعنوان "من ألفا جو إلى شريحة تيانجي التي تشبه الدماغ، إلى أين يتجه الذكاء الاصطناعي؟" تم عقد الحدث بنجاح من قبل منتدى Spark التابع لجمعية جامعة تسينغهوا للعلوم والتكنولوجيا، ومركز أبحاث الحوسبة الشبيهة بالدماغ في جامعة تسينغهوا، وHyperAI، في مبنى Meng Minwei بجامعة تسينغهوا. في منتدى المائدة المستديرة الافتتاحي، روى دينج لي، أول طالب دكتوراه في مجال الحوسبة الشبيهة بالدماغ في جامعة تسينغهوا، رحلته مع الحوسبة الشبيهة بالدماغ، وفسر الحوسبة الشبيهة بالدماغ من وجهات نظر متعددة، وأجاب على أسئلة الطلاب، ومنحنا فهمًا جديدًا لتطور الحوسبة الشبيهة بالدماغ والذكاء الاصطناعي.

دينج لي هو أول طالب دكتوراه في جامعة تسينغهوا في مجال الحوسبة المستوحاة من الدماغ، وهو زميل ما بعد الدكتوراه في جامعة كاليفورنيا، سانتا باربرا. يظهر غلاف العدد الصادر في الأول من أغسطس من مجلة Nature المقالهندسة شريحة تيانجيك غير المتجانسة للذكاء الاصطناعي العامبصفته المؤلف الأول، كان مسؤولاً عن تصميم الشريحة وتفاصيل الخوارزمية.

في يوم الخميس الماضي، عقد منتدى Spark التابع لجمعية جامعة تسينغهوا للعلوم والتكنولوجيا، بالتعاون مع مركز أبحاث الحوسبة المستوحاة من الدماغ في جامعة تسينغهوا وHyperAI، منتدى تحت عنوان "من AlphaGo إلى شريحة Tianji المستوحاة من الدماغ، إلى أين يتجه الذكاء الاصطناعي؟" وقد تمت دعوة دينج لي كضيف خاص وشارك ببعض آرائه في شكل منتدى مائدة مستديرة. ستتابع هذه المقالة الأسئلة الواردة في المنتدى وتستعرض بعض أفكاره في مجال الذكاء الاصطناعي والحوسبة الشبيهة بالدماغ.

التعلم والاستكشاف: أول طالب دكتوراه في مركز الحوسبة المستوحاة من الدماغ

السؤال: كيف دخلت إلى مجال البحث في مجال الحوسبة الشبيهة بالدماغ؟ ماذا يتضمن هذا الموضوع بالضبط؟عندما كنت أدرس للحصول على درجة الدكتوراه في مجال الحوسبة الشبيهة بالدماغ، لم تكن هذه التقنية شائعة بعد. لقد بحثت عنه في ذلك الوقت، ولكن لم أجد الكثير من المعلومات المفيدة. وفي وقت لاحق، سألت المشرف الخاص بي على وجه التحديد... 

باعتباري أول طالب دكتوراه في مركز أبحاث الحوسبة المستوحاة من الدماغ، فقد شهدت تطور المركز من الصفر إلى ما هو عليه اليوم.بما في ذلك البدء في إنشاء شركة لاحقًا وإجراء الأبحاث. بعد عام 2017، تخرجت وذهبت إلى الولايات المتحدة، ثم تحولت إلى علوم الكمبيوتر. الآن لدينا 50% للنظرية و 50% للرقائق. 

لقد تخصصت في الميكانيكا في دراستي الجامعية، ولكنني اكتشفت لاحقًا أنني لا أمتلك موهبة كبيرة في الميكانيكا، لذا تحولت تدريجيًا إلى صناعة الآلات الموسيقية. وفي وقت لاحق، قمت أيضًا بصنع الروبوتات ودرست بعض المواد والإلكترونيات الدقيقة. بعد ذلك، بدأت العمل على بعض الخوارزميات ونظريات الذكاء الاصطناعي، وأخيرا انتقلت إلى الرقائق، ودخلت ببطء مجال الحوسبة الشبيهة بالدماغ.ربما تكون العملية على هذا النحو: استمر في التحرك للأمام واستمر في التعلم على طول الطريق.

ملاحظة: تم إنشاء مركز أبحاث الحوسبة المستوحاة من الدماغ بجامعة تسينغهوا في سبتمبر 2014 ويغطي مستويات متعددة بما في ذلك النظرية الأساسية والرقائق المستوحاة من الدماغ والبرمجيات والأنظمة والتطبيقات. تم إنشاء هذا المركز بشكل مشترك من قبل سبع مدارس وأقسام داخل جامعة تسينغهوا، ودمج التخصصات مثل علوم الدماغ، والإلكترونيات، والإلكترونيات الدقيقة، وأجهزة الكمبيوتر، والأتمتة، والمواد، والأجهزة الدقيقة.

يتضمن البحث في مجال الحوسبة الشبيهة بالدماغ التكامل المتبادل بين العديد من التخصصات.المصدر هو بالتأكيدالطب (علم الدماغ)إن الذكاء الاصطناعي الذي نعرفه اليوم كان مشتقًا في الأصل من علم النفس والطب، مما وفر بعض الأساس للنموذج.

  التالي هوالتعلم الآليمن المؤكد أنهم سيجتمعون معًا في المستقبل، ولكن تتم مناقشتهم بشكل منفصل الآن لأن التعلم الآلي يتمتع بخبرة أكبر في تطوير المنتجات وعادةً ما يُنظر إليه من منظور التطبيق. 

فضلاً عن ذلكعلوم الحاسوبوالآن هناك مشاكل لا تستطيع وحدات معالجة الرسوميات حلها، لذلك بدأت كل من علي بابا وهواوي في صنع شرائح مخصصة لها. يمكن للطلاب المتخصصين في هندسة الحوسبة أيضًا أن يفكروا في التطوير في هذا الاتجاه. 

أبعد إلى الأسفل هوالرقائق والأجهزة الأخرىويتضمن ذلك الإلكترونيات الدقيقة وحتى المواد، لأننا نحتاج إلى توفير بعض الأجهزة الجديدة. والآن لا نزال نستخدم بعض وحدات التخزين الأساسية للغاية، ولكن من المؤكد أنه ستكون هناك بعض الأجهزة الجديدة في المستقبل، مثل أنابيب الكربون النانوية والجرافين وغيرها من المواد التي يمكن تطبيقها. 

فضلاً عن ذلكاتجاه الأتمتةيأتي العديد من الأشخاص الذين يقومون بالتعلم الآلي عادةً من أقسام علوم الكمبيوتر والأتمتة، لأن الأتمتة تتعلق بالتحكم والتحسين، وهو ما يشبه التعلم الآلي. وفي الحوسبة الشبيهة بالدماغ، تتكامل هذه التخصصات بشكل جيد.

  السؤال: ما هي القوة الدافعة أو الفرصة التي دفعتك إلى اختيار هذا الاتجاه؟ 

باختصار،إن أكبر سحر في هذا الاتجاه هو أنه لا ينتهي أبدًا. 

لقد فكرت ذات مرة في مفارقة فلسفية: إن دراسة الحوسبة الشبيهة بالدماغ لا يمكن فصلها عن الدماغ البشري، ولكن باستخدام الدماغ البشري للتفكير في الدماغ البشري، فإننا لا نعرف إلى أي مدى يمكننا الوصول، ودراسته لن تنتهي أبدًا. لأن تفكير الإنسان عن نفسه سوف يظل موجودا دائما. سوف تمر دائمًا بمرحلة ذروة، ثم تدخل في فترة مسطحة، وفجأة سيكون هناك اختراق. لن يتوقف أبدا. إن هذا المنظور يستحق الدراسة.

السؤال: ما هي الاختلافات في أبحاثك خلال فترة ما بعد الدكتوراه الحالية؟ 

عندما كنت أعمل على الرقائق في جامعة تسينغهوا، كنت أكثر اهتماما بالجوانب العملية، معتقدا أنني أستطيع صنع جهاز أو أداة. لكن بعد ذهابي إلى الولايات المتحدة، نظرت إلى هذه القضية من منظور أكثر تخصصية، مثل هندسة الحوسبة لطلاب تخصصات الحوسبة، والعديد من جوائز تورينج التي تمنحها جمعية آلات الحوسبة، والتي تنظر جميعها إلى المشكلة من هذا المنظور. على الرغم من أننا نفعل نفس الشيء، إلا أن زوايا التفكير مختلفة.

من منظور هندسة الحوسبة،تتكون أي شريحة من ثلاثة أجزاء: وحدة الحوسبة، ووحدة التخزين، ووحدة الاتصالات.مهما كان ما تفعله، فهو يقع ضمن نطاق هذه الأشياء الثلاثة. 

شريحة تيانجي والحوسبة الشبيهة بالدماغ: الدراجات ليست محور الاهتمام

السؤال: هذه المقالة في مجلة نيتشر تعتبر حدثا هاما. ما هي الإنجازات التي تعتقد أنها حدثت خلال العقود القليلة الماضية؟ في مجال الحوسبة الشبيهة بالدماغ، ما هي الأحداث التي دفعت تطور الصناعة؟

  يعتبر مجال الحوسبة الشبيهة بالدماغ معقدًا نسبيًا. إذا قمت بفرزها من سياق الذكاء الاصطناعي، فسوف تكون أكثر وضوحًا. الذكاء الاصطناعي ليس تخصصًا واحدًا ويمكن تقسيمه بشكل أساسي إلى أربعة اتجاهات.

الأول هو الخوارزمية، والثاني هو البيانات، والثالث هو قوة الحوسبة، والأخير هو أدوات البرمجة.يمكن النظر إلى الأحداث المهمة من خلال هذه المنظورات الأربعة. 

من حيث الخوارزميات، فهي بالطبع الشبكات العصبية العميقة، ولا شك في ذلك؛ من منظور البيانات، يعد ImagNet إنجازًا بارزًا. بدون دعم البيانات الضخمة، أصبحت الشبكات العصبية العميقة مدفونة تقريبًا. من منظور قوة الحوسبة، تعد وحدة معالجة الرسومات (GPU) بمثابة ميلاد عظيم. تشكل أدوات البرمجة، مثل التطبيقات الشائعة مثل TensorFlow من Google، عاملاً مهمًا في دفع عجلة التطوير. 

تعمل هذه الأشياء على تعزيز تقدم الذكاء الاصطناعي، وهي عملية تطوير متكررة. بدون أي منهم، لم نكن لنحصل على الوضع الحالي. ولكن الذكاء الاصطناعي لديه حدوده الخاصة أيضًا. على سبيل المثال، لا يستطيع AlphaGo سوى تنفيذ مهمة واحدة ولا يمكنه القيام بأي شيء آخر غير لعب الشطرنج. وهذا يختلف عن الدماغ. 

والثاني هو قابلية التفسير. نحن نستخدم الشبكات العصبية العميقة للتجهيز، بما في ذلك إضافة التعلم التعزيزي، ولكن لا يزال من غير الواضح ما يحدث داخلها. يحاول بعض الناس تصور هذه العملية أو معرفة مبادئها. 

ثالثها هو المتانة. الذكاء الاصطناعي ليس مستقرًا مثل البشر. على سبيل المثال، في حالة القيادة الذاتية، يتم استخدام الذكاء الاصطناعي الحالي فقط للقيادة المساعدة لأنه لا يمكنه ضمان السلامة المطلقة. وبسبب هذه النقائص، يجب علينا الاهتمام بتطوير علم الدماغ وإدخال المزيد من آليات علم الدماغ.في رأيي، الأمر الأكثر إلحاحًا هو جعل الذكاء أكثر عالمية.

أما بالنسبة للأحداث المهمة، فإن AlphaGo هو واحد منها. لأنه جلب الذكاء الاصطناعي إلى أنظار الجمهور وجعل الجميع ينتبهون إليه، ولم يصبح التعلم المعزز شائعًا إلا بعد ذلك. من منظور الرقائق، هناك نوعان من الرقائق: تلك التي تركز على الخوارزميات وتلك المستوحاة من الأدمغة البيولوجية. هناك مرحلتان مهمتان في تطوير هذين النوعين من الرقائق.

الفئة الأولى هي التعلم الآلي. يتم الآن حساب الشبكات العصبية العميقة على وحدات معالجة الرسوميات، ولكن وحدات معالجة الرسوميات ليست الأكثر كفاءة. تبحث مجموعة من الشركات مثل Cambrian عن حلول لتحل محل وحدات معالجة الرسوميات. هذا حدث مهم.
والفئة الأخرى لا تقتصر على التعلم الآلي. الهدف هو العثور على نماذج من منظور الدماغ وصنع شرائح مخصصة. وتتمتع شركتا IBM و Intel بأداء أفضل في هذا الصدد. 

والسبب وراء جذب شريحة Tianji الكثير من الاهتمام هو أنها تدمج المزايا الخاصة بهاتين الفئتين في بنية واحدة.

السؤال: أصدر فريقك اختبار شريحة Tianji على الدراجات. هل يمكنك أن تعطينا المزيد من التفاصيل حول هذا الموضوع؟ 

كان الجميع على الإنترنت منجذبين إلى الدراجات، لكن فريقنا كان يعلم أن الدراجات لم تكن محور اهتمامنا. لقد كانت مجرد منصة تجريبية، لأنه في ذلك الوقت كنا نفكر في العثور على منصة جيدة لنعرضها للجميع.

يتضمن عرض الدراجة الرؤية والسمع والتحكم في الحركة. إن إكمال هذه الوظائف بشريحة واحدة يجعلها منصة مثالية. كنا نفكر في الأمر من هذا المنظور في ذلك الوقت. السيطرة على الدراجة ليست صعبة للغاية. أردنا فقط أن نظهر نموذجًا جديدًا.

مستقبل الحوسبة الشبيهة بالدماغ: كسر بنية فون نيومان

السؤال: ما هي العلاقة بين الذكاء الاصطناعي المستقبلي أو الحوسبة الشبيهة بالدماغ وهندسة فون نيومان الحالية؟ هل سيتطورون إلى شكل الدماغ البشري؟ 

هذه قضية مهمة للغاية. هناك اتجاه أساسي في صناعة أشباه الموصلات الحالية، بما في ذلك جائزة تورينج لعام 2018، والتي مُنحت أيضًا للباحثين الذين يقومون بأبحاث في مجال هندسة الحوسبة. هناك اتجاهين لتحسين أداء وحدة معالجة الرسوميات. الطريقة الأولى هي جعل الترانزستور أصغر، أي التصغير الفيزيائي، وفقًا لقانون مور. لكن في العامين الماضيين، أدرك الجميع أن قانون مور بدأ يفشل، وأن التطورات المرتبطة به أصبحت أبطأ فأبطأ، وفي يوم من الأيام لن يكون من الممكن تصغيره.

الاتجاه الآخر هو تطوير بنية الحوسبة، ومحاولة جعل وحدة الحوسبة، ووحدة التخزين، والاتصالات تعمل جميعها بكفاءة عالية من خلال تصميم الإطار. الدماغ البشري مذهل. ومن خلال تراكم التعلم، تتزايد معرفة كل جيل. ينبغي علينا أن نتعلم من تطور هذه المعرفة. 

في القرن الماضي، كان تطوير المعالجات للأغراض العامة يتبع قانون مور بشكل أساسي. وبما أنه من الممكن تصنيع الترانزستورات بحيث تصبح أصغر فأصغر، فقد تم دفن تطوير بنية الحوسبة إلى حد ما. والآن بعد أن تم إعاقة قانون مور وأصبحت التطبيقات مثل الذكاء الاصطناعي تتطلب السعي لتحقيق كفاءة معالجة عالية، فقد تلقى البحث في هندسة الحوسبة الاهتمام مرة أخرى، وسيكون العقد المقبل العصر الذهبي للمعالجات المخصصة. 

عندما يتعلق الأمر بالأبحاث المشابهة للدماغ، فإن السؤال الذي يطرحه الناس في أغلب الأحيان هو: ما الذي يمكن للحوسبة المشابهة للدماغ أن تفعله؟

وهذه مشكلة قاتلة. لا يدرك العديد من الأشخاص العاملين في مجال الذكاء الاصطناعي أو علوم الدماغ الآلية الكامنة وراء ذلك. خذ علم الدماغ على سبيل المثال، هناك ثلاثة مستويات منفصلة تمامًا في الوقت الحالي. 

الأول هو كيف تعمل الخلايا العصبية بالضبط. ولا يزال العديد من العلماء في المجال الطبي وعلماء الأحياء يجرون استكشافات وأبحاثًا صعبة حول هذه القضية.

  والثاني هو كيفية اتصال الخلايا العصبية. يوجد في الدماغ 10 أس 11 من الخلايا العصبية. من الصعب أيضًا فهم كيفية ارتباطهما، ويتطلب ذلك قوة البصريات والفيزياء. 

وأخيرًا، نحتاج إلى معرفة كيفية تعلمهم، وهو أيضًا السؤال الأصعب ولكنه الأكثر أهمية.

هناك فجوة في كل جانب، ولكن الصعوبات لا يمكن أن تكون سبباً للتخلي عن الاستكشاف.إذا لم تفعل شيئًا، فلن تكون لديك أي فرصة. إن القيام بشيء ما في كل مستوى سيؤدي دائمًا إلى شيء جديد، ثم الاستمرار في التكرار.

إذا انتظرنا حتى يتم فهم علم الدماغ بشكل كامل قبل أن نواصل، فسوف يكون الأوان قد فات، ومن المؤكد أن الآخرين سيكونون قد سبقونا.

على سبيل المثال، إنشاء وحدة المعالجة المركزية ليس بالأمر السهل كما يعتقد الجميع. ليس الأمر أن الشعب الصيني ليس ذكيًا. والشيء نفسه ينطبق على المحركات. الجميع يفهم المبادئ، لكن ليس من السهل القيام بها بشكل جيد. لا يمكن تحقيق الصعوبة الهندسية والتراكم التقني بين عشية وضحاها. 

أحد الأسباب هو أن العديد من الأشياء لها سلسلة صناعية كبيرة. إذا لم تفعل ذلك في البداية، فسوف تفقد العديد من فرص التجربة والخطأ.  لن يكون هناك أي تقدم سريع في هذا المجال، وكل ما يمكننا فعله هو المضي قدمًا بطريقة عملية. أما بالنسبة للمستقبل، فإن الذكاء الاصطناعي الحالي، والذكاء الاصطناعي القوي، والذكاء الاصطناعي 2.0، والحوسبة الشبيهة بالدماغ، أعتقد أنهم جميعًا سينتهي بهم الأمر في نفس المكان، لأنهم جميعًا ينشأون من الدماغ، ولكن لديهم اتجاهات مختلفة.

السؤال: كان هناك مقال آخر في مجلة Nature منذ بعض الوقت حيث رسم الباحثون خريطة كاملة لجميع الخلايا العصبية في الديدان الخيطية وجميع الاتصالات السبعة آلاف بين جميع الخلايا العصبية.

السؤال: هل هذا العمل له علاقة بأبحاث مشابهة للدماغ؟ هل يمكننا استخدام التكنولوجيا الحالية أو وحدة المعالجة المركزية فون نيومان لمحاكاة مهمة الخيطية؟ ما هي الأشياء التي يمكننا أن نتوقع حدوثها خلال السنوات الثلاث إلى الخمس المقبلة؟

لقد قرأت الأبحاث حول بنية الديدان الخيطية، وكان لها تأثير كبير على الأبحاث المشابهة للدماغ. في الواقع، فإن هياكل الاتصال في نماذج الذكاء الاصطناعي الحالية، سواء كانت حوسبة شبيهة بالدماغ أو ذكاء اصطناعي، مستمدة في الغالب من الشبكات العصبية العميقة الهرمية الحالية، والتي هي في الواقع سطحية للغاية.

دماغنا ليس عبارة عن شبكة طبقية بسيطة، بل هو أشبه بالرسم البياني. علاوة على ذلك، فإن الروابط بين مناطق الدماغ المختلفة معقدة للغاية. وتكمن أهمية هذه الدراسة في أنها تجعلنا نفكر فيما إذا كان بإمكاننا أن نتعلم من هذا النوع من الاتصال.

كانت هناك وجهة نظر قبل ذلك في بنية الشبكة العصبية،إن دور بنية الاتصال في الواقع أكبر من الوزن النوعي لكل اتصال، أي أن معنى الاتصال أكبر من معنى كل معلمة.

السبب وراء كون الشبكات العصبية التلافيفية أقوى من الشبكات العصبية السابقة هو أن بنية اتصالها مختلفة، وبالتالي فإن قدرتها على استخراج الميزات أقوى. ويظهر هذا أيضًا أن بنية الاتصال ستؤدي إلى تغييرات في النتائج.

في الواقع، من الصعب بعض الشيء تحقيق هذه النتيجة على المعالجات التقليدية. الميزة الأكثر شيوعًا لهندسة فون نيومان هي الحاجة إلى وحدة تخزين واضحة للغاية ووحدة حوسبة واضحة للغاية.

ولكن لا توجد مثل هذه الحدود الواضحة في أدمغتنا. على الرغم من أن لدينا حُصينًا مسؤولًا بشكل خاص عن الذاكرة طويلة المدى، إلا أنه من منظور الشبكة العصبية، ليس من الواضح أي مجموعة من الخلايا في الدماغ مسؤولة عن التخزين وأيها مسؤولة فقط عن الحساب.

يبدو الدماغ أشبه بشبكة فوضوية، حيث يصعب التمييز بين الحوسبة والتخزين. ومن هذا المنظور، من الصعب استخدام تقنيات الرقائق أو المعالجات التقليدية.

ولذلك، يتعين علينا تطوير بعض الأساليب الجديدة غير المعتمدة على نظرية فون نيومان واستخدام الدعم المعماري الجديد لإجراء أبحاث مشابهة لأبحاث الدماغ.

على سبيل المثال، أعلنت جائزة تورينج لعام 2018 أن الرقائق الميدانية المتخصصة سوف تصبح أكثر وأكثر شعبية. إن ما تروج له NVIDIA الآن هو الهندسة المعمارية غير المتجانسة، حيث توجد العديد من نوى IP ذات الرقائق الصغيرة في منصة واحدة، والتي قد تكون مشابهة للدماغ البشري.

لذلك، لم يعد الأمر كما كان من قبل حيث يمكن لوحدة المعالجة المركزية الواحدة حل جميع المشاكل، ولا توجد شريحة واحدة يمكنها حل جميع المشاكل بكفاءة. وفي المستقبل، سوف تظهر تدريجيا العديد من تقنيات التطوير المتخصصة والفعالة، وهو الاتجاه الحالي.

في الوقت الحاضر، لا يزال فهم الناس لعلم الدماغ أو الحوسبة الشبيهة بالدماغ ليس بنفس شمولية فهمهم للذكاء الاصطناعي. ومن بين الأسباب المهمة للغاية أن المستثمرين والصناعة لم يشاركوا حتى الآن بشكل كبير. ومن ثم، فإن قوة وأدوات حوسبة البيانات من الصعب تنفيذها. إن الحوسبة التي تشبه الدماغ لا تزال في مرحلة مبكرة للغاية. أعتقد أنه مع تزايد عدد الجامعات والشركات المشاركة، ستصبح الأمور أكثر وضوحًا.

السؤال: ما هي الاختلافات بين هندسة الرقائق الشبيهة بالدماغ وهندسة فون نيومان التقليدية؟

يمكن تقسيم الرقائق الشبيهة بالدماغ إلى رقائق شبيهة بالدماغ ورقائق حاسوبية. ومن منظور يشبه الدماغ، لا يتعلق الأمر فقط بالشبكة العصبية العميقة في الذكاء الاصطناعي، بل يجمع أيضًا بعض حسابات علوم الدماغ. 

من الناحية المعمارية، هناك عنق زجاجة في نظام فون نيومان. في الواقع، تواجه بنية صناعة أشباه الموصلات بأكملها هذه المشكلة: فكلما زادت سعة التخزين أكثر فأكثر، أصبحت سرعتها أبطأ فأبطأ. إذا كنت تريد توسيع النطاق وزيادة السرعة في نفس الوقت، فمن المستحيل تحقيق ذلك. في الأساس، يدرس الأشخاص الذين يقومون بتصميم الهندسة المعمارية كيفية تحسين التسلسل الهرمي للتخزين وجعله أسرع.

يختلف Tianji عن البنى المعمارية الأخرى ولا يستخدم ذاكرة تتطلب التوسع.شريحة تيانجي تشبه الدماغ إلى حد كبير، وهي تعادل الخلايا المتصلة في العديد من الدوائر الصغيرة، والتي تتوسع بدورها في العديد من الشبكات، وتشكل في النهاية مناطق وأنظمة وظيفية.إنه عبارة عن هيكل قابل للتوسع بسهولة، وليس مثل وحدة معالجة الرسوميات.

تحدد الهندسة اللامركزية متعددة النواة لشريحة Tianji أنه يمكن توسيعها بسهولة إلى نظام كبير دون قيود جدران التخزين. إنه في الواقع عبارة عن بنية غير فون نيومان تجمع بين التخزين والحوسبة. وهذا هو الفرق الأكبر بينه وبين المعالجات الموجودة على المستوى المعماري. أما الفرق السابق فهو الفرق على مستوى النموذج، وهي في الأساس الاختلافات بين هاتين الفئتين.