فهم تأثير القدرة الحاسوبية في ابتكارات الذكاء الاصطناعي

ترتبط قوة الحوسبة ارتباطًا وثيقًا بالذكاء الاصطناعي (AI). فقوة الحوسبة ضرورية لتطبيقات الذكاء الاصطناعي لأنها تساعد أنظمة الحاسوب على معالجة المهام وتنفيذها. وتتطلب هذه التطبيقات موارد حسابية كبيرة للتعامل مع الخوارزميات المعقدة ومجموعات البيانات الضخمة، وهنا يأتي دور وحدات معالجة الرسومات. وقد صُممت وحدات معالجة الرسومات (GPUs) في الأصل لتسريع معالجة الصور ومقاطع الفيديو، لكنها أصبحت ضرورية لإدارة معالجة البيانات المكثفة ومهام التعلم العميق التي يتطلبها الذكاء الاصطناعي.

شهدنا خلال السنوات القليلة الماضية نموًا هائلًا في تطورات الذكاء الاصطناعي. ومن الطبيعي أن تواكب تطورات أجهزة الذكاء الاصطناعي هذا النمو. وقد كشفت دراسة أن أداء وحدات معالجة الرسومات قد ازداد بنحو 7,000 مرة منذ عام 2003.

تتيح الأجهزة الأقوى والأسرع والأكثر كفاءة للباحثين والمهندسين تطوير نماذج ذكاء اصطناعي متزايدة التعقيد. لنتعرف على تطور البنية التحتية الحاسوبية للذكاء الاصطناعي لتلبية متطلباته المتنامية.

أجهزة الذكاء الاصطناعي: موضوع يزداد تداولًا#

لا يمكن إنكار دور وحدات معالجة الرسومات في تطوير الذكاء الاصطناعي. فتلك المعالجات القوية تسرّع العمليات الحسابية المعقدة اللازمة لتدريب نماذج الذكاء الاصطناعي ونشرها. وهي بمثابة العمود الفقري لتقنيات الذكاء الاصطناعي الحديثة. لكن الاهتمام لا يقتصر على وحدات معالجة الرسومات.

بدأنا نرى شرائح مصممة خصيصًا للذكاء الاصطناعي تنافسها. وقد صُممت هذه الشرائح من الصفر لمساعدة الذكاء الاصطناعي على أداء مهامه بكفاءة وسرعة أكبر. وتُبذل جهود وأبحاث كثيرة لتحسين مستقبل الحوسبة للذكاء الاصطناعي. وتستثمر شركات عديدة في القدرة الحاسوبية للذكاء الاصطناعي، وهو أحد أسباب بلوغ قيمة سوق أجهزة الذكاء الاصطناعي العالمي $53.71 مليار في عام 2023، وتوقع نموه إلى نحو 473.53 مليار دولار بحلول عام 2033.

لماذا أصبحت تطورات أجهزة الذكاء الاصطناعي موضوعًا متداولًا مؤخرًا؟ يعكس التحول نحو أجهزة متخصصة للذكاء الاصطناعي تزايد متطلبات تطبيقاته في مختلف القطاعات. ولإنشاء حلول ناجحة للذكاء الاصطناعي، من المهم مواكبة التطورات وفهم التغييرات التي تطرأ على الأجهزة.

الجهات الرائدة في مجال أجهزة الذكاء الاصطناعي#

تتنافس الشركات الرائدة المصنّعة للأجهزة على تطوير الجيل التالي من الأجهزة، وتحسين الأداء والكفاءة من خلال التطوير الداخلي والشراكات الاستراتيجية وعمليات الاستحواذ.

الشكل 1. رواد عتاد الذكاء الاصطناعي.

انتقلت Apple من استخدام وحدات معالجة الرسومات الخارجية إلى تطوير شرائحها الخاصة من سلسلة M المزودة بمحركات عصبية لتسريع الذكاء الاصطناعي، ما عزز منظومتها الخاضعة لسيطرتها المحكمة. وفي الوقت نفسه، تواصل Google الاستثمار بكثافة في البنية التحتية لوحدة معالجة الموترات (TPU). ووحدات TPU هي شرائح ذكاء اصطناعي مصممة للعمل بسرعة أكبر واستهلاك طاقة أقل من وحدات معالجة الرسومات، ما يجعلها مناسبة لتدريب حلول الذكاء الاصطناعي ونشرها على نطاق أوسع.

وبالمثل، دخلت AMD ساحة عتاد الذكاء الاصطناعي بسلسلة مسرّعات Instinct، مستهدفة مراكز البيانات وتطبيقات الحوسبة عالية الأداء. كذلك، تواصل NVIDIA التركيز على تطوير GPU مُحسّنة لأحمال عمل الذكاء الاصطناعي، مثل وحدات GPU A100 وH100 Tensor Core.

وبعيدًا عن هذه الجهات الراسخة، تخوض شركات ناشئة ومؤسسات بحثية كثيرة غمار تطوير معماريات جديدة لشرائح الذكاء الاصطناعي. فعلى سبيل المثال، تتخصص Graphcore في العمليات الحسابية المتفرقة من خلال وحدة معالجة الذكاء (IPU) الخاصة بها. أما Cerebras Systems فتقدم Wafer Scale Engine، وهي شريحة ضخمة مصممة لأعباء عمل الذكاء الاصطناعي فائقة النطاق.

أحدث تطورات أجهزة الذكاء الاصطناعي#

لنلقِ نظرة على أحدث أجهزة الذكاء الاصطناعي التي طُرحت.

في 9 أبريل 2024، كشفت Intel عن أحدث شرائحها للذكاء الاصطناعي، Gaudi 3، التي تقول Intel إنها تتفوق على وحدة معالجة الرسومات NVIDIA H100:

• كفاءة في استهلاك الطاقة تزيد على الضعف، ومعالجة نماذج الذكاء الاصطناعي أسرع بمقدار 1.5 مرة.
• متاحة بتكوينات مرنة، مثل تضمينها في لوحة أم أو توفيرها كبطاقة مستقلة.
• اجتازت بنجاح الاختبارات على نماذج ذكاء اصطناعي متنوعة، مثل Llama من Meta وFalcon من أبوظبي، ما يثبت فعاليتها في تدريب نماذج ذكاء اصطناعي متنوعة ونشرها، بما في ذلك Stable Diffusion وWhisper من OpenAI للتعرف على الكلام.

الشكل 2. Gaudi 3 من Intel.

قبل Gaudi 3، وتحديدًا في 18 مارس 2024، كشفت NVIDIA عن أحدث منصاتها للذكاء الاصطناعي، Blackwell. وقد صُممت هذه المنصة لدعم الإنجازات في مجالات متنوعة، وتتميز بما يلي:

• تدّعي NVIDIA أن Blackwell هي «أقوى شريحة في العالم».
• تضم المنصة وحدة معالجة رسومات ثنائية القالب تحتوي على 208 مليارات ترانزستور، ووصلة ترابط بين الشرائح بسرعة 10 TB/s، ما يضع معايير جديدة للطاقة والكفاءة في الذكاء الاصطناعي التوليدي على نطاق مراكز البيانات.
• أعلنت كبرى مزودي الخدمات السحابية، مثل Google Cloud وAmazon Web Services وMicrosoft Azure، عن خططها لاستخدام Blackwell لدفع عجلة التطورات في الذكاء الاصطناعي التوليدي والتعلم العميق وخدمات الحوسبة السحابية.

الشكل 3. Blackwell من NVIDIA.

صعود شرائح الذكاء الاصطناعي المخصصة#

في الوقت نفسه، تطور عدة عمالقة في مجال التقنية شرائح ذكاء اصطناعي مخصصة خاصة بها لتشغيل خدماتها.

في 10 أبريل 2024، أعلنت Meta عن أحدث إصدار من مسرّع التدريب والاستدلال من Meta (MTIA). وتعمل هذه الشريحة من الجيل الثاني بالفعل في مراكز بيانات Meta، وتحقق أداءً أفضل من حيث القدرة الحاسوبية وعرض نطاق الذاكرة. وتدعم هذه التحسينات أداء تطبيقات الذكاء الاصطناعي لدى Meta، مثل محركات الترتيب والتوصية، على منصات مثل Facebook وInstagram.

الشكل 4. أحدث إصدار من MTIA لدى Meta.

وبالمثل، طرحت جهات كبرى أخرى مثل Google وAmazon وMicrosoft شرائح السيليكون المخصصة لديها هذا العام. وهذه خطوة استراتيجية لتحسين هياكل التكاليف وتقليل الاعتماد على مورّدين من جهات خارجية مثل NVIDIA.

أين تُستخدم أجهزة الذكاء الاصطناعي؟#

تدعم أجهزة الذكاء الاصطناعي حلولًا متنوعة في قطاعات كثيرة. ففي الرعاية الصحية، تشغّل أنظمة التصوير الطبي مثل فحوصات MRI وCT، وتعالج المهام المعقدة وكميات البيانات الكبيرة بكفاءة لتوفير تشخيص سريع ودقيق.

تستخدم المؤسسات المالية خوارزميات الذكاء الاصطناعي لتحليل البيانات من أجل كشف الاحتيال وتحسين الاستثمارات. وتتطلب الطبيعة المعقدة لتحليل البيانات المالية إمكانات متقدمة في الأجهزة للتعامل بفاعلية مع أعباء الحوسبة الهائلة.

في قطاع السيارات، تساعد هذه التقنيات على معالجة بيانات المستشعرات في الوقت الفعلي في المركبات ذاتية القيادة. وتتطلب مهام مثل اكتشاف الأجسام وتجنب التصادم أجهزة متقدمة ذات قدرات معالجة قوية لاتخاذ القرارات بسرعة والحفاظ على سلامة الركاب.

الشكل 5. عقل مركبة ذاتية القيادة.

يستخدم تجّار التجزئة محركات توصية قائمة على الذكاء الاصطناعي لتخصيص تجربة التسوق وتعزيز المبيعات، من خلال تحليل كميات هائلة من بيانات العملاء عبر الأقسام للتنبؤ بتفضيلاتهم واقتراح منتجات ملائمة. وتتطلب الحاجة إلى تحليل مجموعات بيانات متنوعة وإنشاء توصيات مخصصة أجهزة متقدمة لتقديم استجابات آنية وتعزيز تفاعل المستخدمين.

ومن الأمثلة الأخرى في متاجر التجزئة استخدام الرؤية الحاسوبية لمراقبة سلوك العملاء وتحليله. إذ يستطيع تجار التجزئة فهم كيفية تفاعل العملاء مع محيطهم، وتحديد المنتجات الرائجة، ورصد أنماط حركة الزوار. واستنادًا إلى هذه النتائج، يمكنهم تحسين تصميم المتاجر ومواقع عرض المنتجات لزيادة المبيعات. وتُعد القدرة الحاسوبية مهمة لمعالجة كميات كبيرة من بيانات الفيديو في الوقت الفعلي. ويعتمد التتبع الدقيق للحركات والتفاعلات على أجهزة قوية. ومن دونها، تتراجع سرعة معالجة البيانات ودقتها، مما يقلل من فاعلية تحليل سلوك العملاء.

وهذا ليس سوى غيض من فيض. فمن التصنيع إلى الزراعة، يمكن رؤية أجهزة الذكاء الاصطناعي في كل مكان.

توسيع نطاق الذكاء الاصطناعي بالقدرة الحاسوبية#

غالبًا ما تُصمَّم أجهزة الذكاء الاصطناعي للتعامل مع المهام الكبيرة. وقد يصعب استيعاب حجم تطبيقات الذكاء الاصطناعي في قطاعات العالم المختلفة، لكن من الواضح أن توسيع نطاق الذكاء الاصطناعي يعتمد على توافر الأجهزة المناسبة.

لنأخذ التعاون بين BMW وNVIDIA مثالًا. تنتج BMW 2.5 مليون سيارة سنويًا، ما يجعل حجم عملياتها هائلًا. وتستخدم BMW الذكاء الاصطناعي لتحسين جوانب مختلفة من عملية التصنيع، بدءًا من مراقبة الجودة والصيانة التنبؤية ووصولًا إلى الخدمات اللوجستية وإدارة سلسلة التوريد.

ولتلبية هذه المتطلبات، تعتمد BMW على حلول متقدمة لأجهزة الذكاء الاصطناعي، مثل Quadro RTX 8000 من NVIDIA والخوادم المزودة بمعالجات RTX. وتسهّل هذه التقنيات نشر الذكاء الاصطناعي وتوسيع نطاقه.

تؤثر القدرة الحاسوبية في جوانب مختلفة من حل الذكاء الاصطناعي#

إلى جانب توفير القدرة الحاسوبية لتطبيقات الذكاء الاصطناعي، تؤثر الأجهزة التي تختارها في الحل من حيث أداء النموذج، ومتطلبات تحويله، ومرونة النشر، والدقة الإجمالية. وبعد تدريب نماذج الذكاء الاصطناعي واختبارها، غالبًا ما تُحوَّل إلى تنسيق يعمل على منصات النشر المختارة.

ومع ذلك، قد يؤدي تحويل النماذج إلى فقدان الدقة، لذا ينبغي أخذ ذلك في الحسبان مسبقًا. ويمكن لأدوات التكامل مثل ONNX (تبادل الشبكات العصبية المفتوح) توفير تنسيق موحد لنشر نماذج الذكاء الاصطناعي عبر مجموعة متنوعة من منصات الأجهزة. وهذا أيضًا هو سبب إتاحة نماذج شائعة مثل YOLOv8 للمستخدمين خيار تصدير نماذجهم المدربة خصيصًا بتنسيقات متعددة لتلبية خيارات النشر المختلفة.

كفاءة الطاقة عنصر أساسي في مستقبل الحوسبة بالذكاء الاصطناعي#

لا يقتصر أثر القدرة الحاسوبية المتقدمة للذكاء الاصطناعي على الذكاء الاصطناعي وحده؛ بل يمتد أيضًا إلى قطاع الطاقة.

الشكل 6. التوجه نحو أجهزة ذكاء اصطناعي مستدامة.

على سبيل المثال، دُرّب Llama 3 من Meta، وهو نموذج لغوي كبير (LLM) متقدم، باستخدام عنقوديْن مخصصيْن لمراكز البيانات، زُوّد كل منهما بـ 24,576 وحدة GPU من NVIDIA H100. وبالاقتران مع التحسينات البرمجية، جعل هذا الإعداد تدريب Llama 3 أكثر كفاءة بنحو ثلاثة أضعاف مقارنةً بتدريب Llama 2. لذلك، تسهم التطورات في عتاد الذكاء الاصطناعي أيضاً في عمليات أكثر كفاءة في استهلاك الطاقة.

علاوة على ذلك، يلقى الترابط بين الذكاء الاصطناعي والطاقة اهتمامًا متزايدًا مع مشاركة أشخاص مثل Sam Altman. وقد أتاح Altman، المعروف بصفته الرئيس التنفيذي لشركة OpenAI، مؤخرًا شركة الطاقة النووية Oklo للتداول العام. وتهدف Oklo، بفضل تقنيتها المبتكرة في الانشطار النووي، إلى إحداث تحول في إنتاج الطاقة، وربما توفير الكهرباء لمراكز البيانات الضرورية لعمليات الذكاء الاصطناعي. وخلال السنوات القليلة الماضية، استثمر كل من Bill Gates، الشريك المؤسس لشركة Microsoft، وJeff Bezos، مؤسس Amazon، في محطات الطاقة النووية أيضًا.

ما وراء الدوائر الإلكترونية#

من المتوقع أن يشهد عتاد الذكاء الاصطناعي قفزات كبيرة مستقبلاً، ولا سيما مع صعود الحوسبة الكمومية. ومع ازدياد تعقيد نماذج الذكاء الاصطناعي، يصبح العتاد المتخصص ضرورياً لإطلاق كامل إمكاناتها. فمن الرقائق المصممة خصيصاً للذكاء الاصطناعي إلى استكشاف الحوسبة الكمومية، يدفع الابتكار في العتاد تطوير حلول ذكاء اصطناعي أكثر تعقيداً وأوسع أثراً.

لا تترددوا في زيارة مستودعنا على GitHub والتفاعل مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي. واستكشفوا أحدث تدويناتنا للاطلاع على تطبيقات الذكاء الاصطناعي في مجالات متنوعة، مثل سباقات الفورمولا 1 والروبوتات.