فهم تأثير قوة الحوسبة على ابتكارات الذكاء الاصطناعي

تتمتع تطبيقات الذكاء الاصطناعي (AI) وعلاقتها بالقوة الحوسبية بصلة وثيقة للغاية. فالقوة الحوسبية ضرورية لتطبيقات الذكاء الاصطناعي لأنها تساعد أنظمة الكمبيوتر في معالجة وتنفيذ المهام. تتطلب هذه التطبيقات موارد حوسبية كبيرة لإدارة الخوارزميات المعقدة ومجموعات البيانات الضخمة، وهنا يأتي دور وحدات معالجة الرسومات (GPUs). صُممت وحدات معالجة الرسومات (GPUs) في الأصل لتسريع معالجة الصور والفيديو، لكنها أصبحت ضرورية لإدارة مهام معالجة البيانات المكثفة والتعلم العميق التي يتطلبها الذكاء الاصطناعي.

في السنوات القليلة الماضية، شهدنا نمواً هائلاً في تقدم الذكاء الاصطناعي. بطبيعة الحال، تحتاج تطورات عتاد الذكاء الاصطناعي إلى مواكبة هذا النمو ومجار ته. كشفت دراسة أن أداء وحدات معالجة الرسومات GPU قد زاد بنحو 7,000 مرة منذ عام 2003.

تتيح الأجهزة الأقوى والأسرع والأكثر كفاءة للباحثين والمهندسين تطوير نماذج ذكاء اصطناعي أكثر تعقيداً. دعونا نفهم كيف تتطور البنية التحتية للحوسبة الخاصة بالذكاء الاصطناعي لتلبية الطلبات المتزايدة للذكاء الاصطناعي.

أجهزة الذكاء الاصطناعي: حوار متنامٍ#

لا يمكن إنكار دور وحدات معالجة الرسومات (GPUs) في تطوير الذكاء الاصطناعي. فهذه المعالجات القوية تسرع العمليات الحسابية المعقدة المطلوبة لتدريب ونشر نماذج الذكاء الاصطناعي. وهي في الأساس تمثل العمود الفقري لتكنولوجيا الذكاء الاصطناعي الحديثة. ولكن ليس وحدات معالجة الرسومات (GPUs) فقط هي التي تجذب الاهتمام.

بدأنا نرى رقاقات مخصصة للذكاء الاصطناعي تنافس وحدات المعالجة التقليدية. تم بناء هذه الرقاقات من الصفر لمساعدة الذكاء الاصطناعي على أداء مهامه بشكل أفضل وأسرع. يتم بذل الكثير من البحث والعمل لتحسين مستقبل الحوسبة الخاصة بالذكاء الاصطناعي. يستثمر العديد من الشركات في قدرات الحوسبة للذكاء الاصطناعي، وهذا أحد الأسباب التي جعلت السوق العالمية لعتاد الذكاء الاصطناعي تُقدر بنحو 53.71 مليار دولار في عام 2023 ومن المتوقع أن تنمو لتصل إلى ما يقريب من 473.53 مليار دولار بحلول عام 2033.

لماذا أصبحت تطورات أجهزة الذكاء الاصطناعي موضوعاً للنقاش مؤخراً؟ يعكس التحول نحو أجهزة الذكاء الاصطناعي المتخصصة الطلبات المتزايدة لتطبيقات الذكاء الاصطناعي عبر قطاعات مختلفة. لإنشاء حلول ذكاء اصطناعي بنجاح، من المهم البقاء في الصدارة من خلال الوعي بالتغييرات التي تحدث للأجهزة.

اللاعبون الرئيسيون في أجهزة الذكاء الاصطناعي#

يتسابق كبار مصنعي الأجهزة لتطوير أجهزة من الجيل التالي، وتحسين الأداء والكفاءة من خلال التطوير الداخلي والشراكات الاستراتيجية وعمليات الاستحواذ.

الشكل 1. قادة عتاد الذكاء الاصطناعي.

انتقلت Apple من استخدام وحدات معالجة رسومات (GPUs) خارجية إلى تطوير شرائح سلسلة M الخاصة بها مع محركات عصبية لتسريع الذكاء الاصطناعي، مما يعزز نظامها البيئي الخاضع لرقابة صارمة. وفي الوقت نفسه، تواصل Google الاستثمار بكثافة في البنية التحتية لوحدة معالجة الموتر (TPU) الخاصة بها. تعد TPUs شرائح ذكاء اصطناعي مصممة للعمل بشكل أسرع واستهلاك طاقة أقل من وحدات معالجة الرسومات (GPUs)، مما يجعلها رائعة لتدريب ونشر حلول الذكاء الاصطناعي على نطاق أوسع.

وبالمثل، دخلت AMD مجال عتاد الذكاء الاصطناعي من خلال سلسلة مسرعات Radeon Instinct، مستهدفة مراكز البيانات وتطبيقات الحوسبة عالية الأداء. أيضاً، تواصل NVIDIA التركيز على تطوير وحدات معالجة الرسومات GPU المُحسَّنة لأحمال عمل الذكاء الاصطناعي، مثل وحدات معالجة Tensor Core A100 وH100. تهدف صفقة الاستحواذ الأخيرة على Arm Holdings إلى زيادة تحكمهم في هياكل الرقاقات التي تشغل العديد من الأجهزة المحمولة.

بعيداً عن هؤلاء اللاعبين الراسخين، تغامر العديد من الشركات الناشئة والمؤسسات البحثية في بنى شرائح ذكاء اصطناعي جديدة. على سبيل المثال، تتخصص Graphcore في العمليات الحسابية المتفرقة باستخدام وحدة معالجة الذكاء (IPU) الخاصة بها. تقدم Cerebras Systems محرك Wafer Scale Engine، وهو شريحة ضخمة مصممة لأحمال عمل الذكاء الاصطناعي فائقة النطاق.

أحدث تطورات أجهزة الذكاء الاصطناعي#

دعونا نلقي نظرة على أحدث أجهزة الذكاء الاصطناعي التي تم إصدارها.

في 9 أبريل 2024، كشفت Intel عن أحدث شريحة ذكاء اصطناعي لها، Gaudi 3، والتي تتميز بأداء متفوق على وحدة معالجة الرسومات (GPU) H100 من NVIDIA:

• أكثر من ضعف كفاءة الطاقة ومعالجة أسرع لنماذج الذكاء الاصطناعي بمقدار 1.5 مرة.
• متوفرة في تكوينات مرنة مثل تجميعها على لوحة أم أو كبطاقة مستقلة.
• تم اختبارها بنجاح على نماذج ذكاء اصطناعي متنوعة مثل Llama من Meta و Falcon من أبو ظبي، مما يثبت فعاليتها في تدريب ونشر نماذج ذكاء اصطناعي مختلفة، بما في ذلك Stable Diffusion و OpenAI Whisper للتعرف على الكلام.

الشكل 2. Gaudi 3 من إنتل.

قبل Gaudi 3، في 18 مارس 2024، قدمت NVIDIA أحدث منصة ذكاء اصطناعي لها، Blackwell. صُممت هذه المنصة لتشغيل الاختراقات في مجالات مختلفة وتتميز بالميزات التالية:

• تدعي NVIDIA أن Blackwell هي "أقوى شريحة في العالم."
• تتميز بوحدة معالجة رسومات (GPU) مزدوجة القالب مع 208 مليار ترانزستور ووصلة بينية بين الشرائح بسرعة 10 تيرابايت/ثانية، مما يضع معايير جديدة للقوة والكفاءة في الذكاء الاصطناعي التوليدي على مستوى مراكز البيانات.
• أعلن كبار مزودي الخدمات السحابية مثل Google Cloud و Amazon Web Services و Microsoft Azure عن خططهم لاستخدام Blackwell لدفع عجلة التقدم في الذكاء الاصطناعي التوليدي والتعلم العميق وخدمات الحوسبة السحابية.

الشكل 3. Blackwell من NVIDIA.

صعود شرائح الذكاء الاصطناعي المخصصة#

في غضون ذلك، تقوم العديد من شركات التكنولوجيا العملاقة بتطوير شرائح ذكاء اصطناعي مخصصة خاصة بها لتشغيل خدماتها.

في 10 أبريل 2024، أعلنت Meta عن أحدث إصدار من مسرع التدريب والاستدلال (MTIA) الخاص بها. تعمل هذه الشريحة من الجيل الثاني، الموجودة بالفعل في مراكز بيانات Meta، بشكل أفضل من حيث القوة الحوسبية والنطاق الترددي للذاكرة. تدعم هذه الترقيات أداء تطبيقات الذكاء الاصطناعي الخاصة بـ Meta، مثل محركات التصنيف والتوصية، على منصات مثل Facebook و Instagram.

الشكل 4. أحدث إصدار من MTIA من ميتا.

وبالمثل، قدم لاعبون رئيسيون آخرون مثل Google و Amazon و Microsoft شرائح السيليكون المخصصة الخاصة بهم هذا العام. إنها خطوة استراتيجية لتحسين هياكل التكلفة الخاصة بهم وتقليل الاعتماد على موردين خارجيين مثل NVIDIA.

أين يتم استخدام أجهزة الذكاء الاصطناعي؟#

يدعم عتاد الذكاء الاصطناعي مختلف حلول الذكاء الاصطناعي عبر العديد من الصناعات المختلفة. في قطاع الرعاية الصحية، يشغل أنظمة التصوير الطبي مثل التصوير بالرنين المغناطيسي MRI والتصوير المقطعي المحوسب CT، حيث يتعامل مع المهام المعقدة ويعالج أحجام البيانات الكبيرة بكفاءة للوصول إلى تشخيص سريع ودقيق.

تستخدم المؤسسات المالية خوارزميات الذكاء الاصطناعي لتحليل البيانات من أجل اكتشاف الاحتيال وتحسين الاستثمار. تتطلب الطبيعة المعقدة لتحليل البيانات المالية قدرات عتاد متقدمة للتعامل مع عبء العمل الحوسبي الهائل بفعالية.

في صناعة السيارات، يساعد في معالجة بيانات المستشعرات في الوقت الفعلي داخل المركبات ذاتية القيادة. يجب أن تكون مهام مثل اكتشاف الكائنات وتجنب الاصطدام مدعومة بعتاد متطور ذي قدرات معالجة قوية لاتخاذ القرارات السريعة وضمان سلامة الركاب.

الشكل 5. عقل المركبة ذاتية القيادة.

يستخدم تجار التجزئة محركات التوصية المدعومة بالذكاء الاصطناعي لتخصيص تجارب التسوق وتعزيز المبيعات من خلال تحليل بيانات العملاء الهائلة عبر الأقسام للتنبؤ بالتفضيلات واقترح المنتجات ذات الصلة. تتطلب الحاجة لتحليل مجموعات البيانات المتنوعة وإنشاء توصيات مخصصة عتاداً متقدماً للاستجابة في الوقت الفعلي وتعزيز تفاعل المستخدم.

مثال آخر يتعلق بمتاجر التجزئة هو استخدام الرؤية الحاسوبية لمراقبة وتحليل سلوك العملاء. يمكن لتجار التجزئة فهم كيفية تفاعل العملاء مع بيئتهم، وتحديد المنتجات الشائعة، واكتشاف أنماط حركة المرور. بناءً على هذه النتائج، يمكنهم تحسين تخطيطات المتجر ومواقع المنتجات لتحسين المبيعات. تعد القوة الحوسبية مهمة للمعالجة في الوقت الفعلي لأحجام كبيرة من بيانات الفيديو. يعتمد التتبع الدقيق للحركات والتفاعلات على أجهزة قوية. وبدونها، تتأثر سرعة ودقة معالجة البيانات، مما يقلل من فعالية تحليل سلوك العملاء.

هذا مجرد غض من فيض. من التصنيع إلى الزراعة، يمكن رؤية عتاد الذكاء الاصطناعي في كل مكان.

توسيع نطاق الذكاء الاصطناعي بقوة الحوسبة#

غالباً ما تُبنى أجهزة الذكاء الاصطناعي للتعامل مع المهام الكبيرة. قد يكون من الصعب فهم حجم عمليات نشر الذكاء الاصطناعي في الصناعات حول العالم، ولكن من الواضح أن الذكاء الاصطناعي القابل للتوسع يعتمد على وجود الأجهزة المناسبة.

خذ التعاون بين BMW وNVIDIA كمثال. مع إنتاج BMW لـ 2.5 مليون سيارة سنوياً، فإن حجم عملياتها هائل. تستخدم BMW الذكاء الاصطناعي لتحسين جوانب مختلفة من عملية التصنيع، بدءاً من مراقبة الجودة والصيانة التنبؤية وحتى الخدمات اللوجستية وإدارة سلسلة التوريد.

لتلبية مثل هذه المتطلبات، تعتمد BMW على حلول أجهزة ذكاء اصطناعي متقدمة مثل خوادم Quadro RTX 8000 و RTX من NVIDIA. تجعل هذه التقنيات عمليات نشر الذكاء الاصطناعي أسهل وأكثر قابلية للتوسع.

تؤثر القوة الحوسبية على أجزاء مختلفة من حل الذكاء الاصطناعي الخاص بك#

بعيداً عن تزويد تطبيقات الذكاء الاصطناعي بالقوة الحسابية، تؤثر أجهزة الذكاء الاصطناعي التي تختارها على حلك من حيث أداء النموذج، واحتياجات تحويل النموذج، ومرونة النشر، والدقة الإجمالية. بمجرد تدريب نماذج الذكاء الاصطناعي واختبارها، غالباً ما يتم تحويلها إلى تنسيق يعمل على منصات النشر المختارة.

ولكن، يمكن أن تؤدي عملية تحويل النماذج إلى فقدان الدقة ويجب مراعاة ذلك مسبقاً. يمكن لأدوات التكامل مثل ONNX (Open Neural Network Exchange) توفير تنسيق قياسي لنشر نماذج الذكاء الاصطناعي عبر مجموعة متنوعة من منصات العتاد. هذا هو السبب الكامن وراء إتاحة النماذج الشائعة مثل YOLOv8 للمستخدمين خيار تصدير نماذجهم المدربة مخصصاً في تنسيقات متعددة لتلبية العديد من خيارات النشر.

كفاءة الطاقة جزء لا يتجزأ من مستقبل حوسبة الذكاء الاصطناعي#

لا يقتصر تأثير قوة حوسبة الذكاء الاصطناعي المتقدمة على الذكاء الاصطناعي فحسب؛ بل إنه يؤثر أيضاً على قطاع الطاقة.

الشكل 6. الخطو نحو عتاد ذكاء اصطناعي مستدام.

على سبيل المثال، Meta's LLaMA-3، وهو نموذج لغوي كبير متقدم (LLM)، تم تدريبه باستخدام مجموعتي بيانات مراكز بيانات مخصصتين ومجهزتين بـ 24,576 وحدة معالجة رسومات NVIDIA H100 لكل منهما. من خلال هذا الإعداد القوي للعتاد، تمكنت ميتا من زيادة سرعة المعالجة وتحقيق تخفيض كبير بنسبة 40% في استهلاك الطاقة. لذا، تساهم التطورات في عتاد الذكاء الاصطناعي أيضاً في عمليات أكثر كفاءة في استخدام الطاقة.

علاوة على ذلك، يحظى الارتباط بين الذكاء الاصطناعي والطاقة بمزيد من الاهتمام مع انخراط شخصيات مثل Sam Altman. فقد جعل ألتمان، المعروف بكونه الرئيس التنفيذي لشركة OpenAI، شركة الطاقة النووية Oklo متاحة للجمهور مؤخراً. تهدف Oklo، بتقنيتها المبتكرة للانشطار النووي، إلى تحويل إنتاج الطاقة، ومن المحتمل توفير الطاقة لمراكز البيانات الضرورية لعمليات الذكاء الاصطناعي. في السنوات القليلة الماضية، قام كل من بيل غيتس، المؤسس المشارك لشركة مايكروسوفت، وجيف بيزوس، مؤسس أمازون، باستثمارات في محطات نووية أيضاً.

ما وراء الدائرة#

بالنظر إلى المستقبل، من المقرر أن تحقق أجهزة الذكاء الاصطناعي قفزات هائلة، خاصة مع صعود الحوسبة الكمومية. يتوقع الخبراء أنه بحلول عام 2030، يمكن أن تبلغ قيمة سوق الحوسبة الكمومية ما يقرب من 65 مليار دولار. مع زيادة تعقيد نماذج الذكاء الاصطناعي، تصبح الأجهزة المتخصصة ضرورية لإطلاق إمكاناتها الكاملة. من الشرائح الخاصة بالذكاء الاصطناعي إلى استكشافات الحوسبة الكمومية، يقود ابتكار الأجهزة تطوير حلول ذكاء اصطناعي أكثر تعقيداً وتأثيراً.

لا تتردد في زيارة مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي. استكشف أحدث منشورات مدونتنا لمعرفة كيفية تطبيق الذكاء الاصطناعي في مختلف المجالات، مثل سباقات الفورمولا 1 والروبوتات.