فهم تأثير القدرة الحوسبية في ابتكارات الذكاء الاصطناعي

تربط الذكاء الاصطناعي (AI) والقدرة الحاسوبية علاقة وثيقة جدًا. وتُعد القدرة الحاسوبية ضرورية لتطبيقات الذكاء الاصطناعي، لأنها تساعد أنظمة الحاسوب على معالجة المهام وتنفيذها. وتتطلب هذه التطبيقات موارد حاسوبية كبيرة لإدارة الخوارزميات المعقدة ومجموعات البيانات الضخمة، وهنا يأتي دور GPUs. صُممت GPUs، أو وحدات معالجة الرسومات، في الأصل لتسريع معالجة الصور والفيديو، لكنها أصبحت ضرورية لإدارة عمليات معالجة البيانات المكثفة ومهام التعلم العميق التي يتطلبها الذكاء الاصطناعي.

خلال السنوات القليلة الماضية، شهدنا نموًا أُسّيًا في تطورات الذكاء الاصطناعي. ومن الطبيعي أن تواكب تطورات عتاد الذكاء الاصطناعي هذا النمو وتحافظ على مواكبته. وقد كشفت دراسة أن أداء GPU ازداد بنحو 7,000 مرة منذ عام 2003.

يتيح العتاد الأقوى والأسرع والأكثر كفاءة للباحثين والمهندسين تطوير نماذج ذكاء اصطناعي تزداد تعقيدًا. لنتعرّف إلى كيفية تطور البنية التحتية الحاسوبية للذكاء الاصطناعي لتلبية الطلبات المتزايدة للذكاء الاصطناعي.

عتاد الذكاء الاصطناعي: نقاش متنامٍ#

لا يمكن إنكار دور GPUs في تطوير الذكاء الاصطناعي. إذ تسرّع هذه المعالجات القوية الحسابات المعقدة اللازمة لتدريب نماذج الذكاء الاصطناعي ونشرها. وهي تؤدي، في جوهرها، دور العمود الفقري لتقنية الذكاء الاصطناعي الحديثة. لكن الاهتمام لا يقتصر على GPUs وحدها.

بدأنا نشهد ظهور شرائح مصممة خصيصًا للذكاء الاصطناعي تنافسها. وتُبنى هذه الشرائح من الصفر لمساعدة الذكاء الاصطناعي على أداء مهامه بصورة أفضل وأسرع. ويُجرى قدر كبير من الأبحاث والعمل لتحسين مستقبل الحوسبة الخاصة بالذكاء الاصطناعي. وتستثمر شركات عديدة في القدرة الحاسوبية للذكاء الاصطناعي، وهو أحد أسباب بلوغ قيمة السوق العالمية لعتاد الذكاء الاصطناعي $53.71 billion في عام 2023، مع توقع نموها إلى نحو 473.53 مليار دولار بحلول عام 2033.

لماذا أصبحت تطورات عتاد الذكاء الاصطناعي موضوعًا متداولًا مؤخرًا؟ يعكس التحول نحو عتاد الذكاء الاصطناعي المتخصص تزايد متطلبات تطبيقات الذكاء الاصطناعي في مختلف القطاعات. ولإنشاء حلول ذكاء اصطناعي ناجحة، من المهم البقاء في صدارة التطورات من خلال إدراك التغييرات التي تطرأ على العتاد.

أبرز الجهات الفاعلة في عتاد الذكاء الاصطناعي#

تتسابق الشركات الرائدة في تصنيع العتاد لتطوير عتاد الجيل التالي، وتحسين الأداء والكفاءة من خلال التطوير الداخلي والشراكات الاستراتيجية وعمليات الاستحواذ.

الشكل 1. الجهات الرائدة في عتاد الذكاء الاصطناعي.

انتقلت Apple من استخدام GPUs خارجية إلى تطوير شرائحها الخاصة من سلسلة M المزودة بمحركات عصبية لتسريع الذكاء الاصطناعي، مما عزز منظومتها الخاضعة لسيطرة محكمة. وفي الوقت نفسه، تواصل Google الاستثمار بكثافة في البنية التحتية لوحدة معالجة الموتر (TPU) الخاصة بها. وحدات TPU هي شرائح ذكاء اصطناعي صُممت للعمل بسرعة أكبر واستهلاك طاقة أقل من GPUs، مما يجعلها مناسبة لتدريب حلول الذكاء الاصطناعي ونشرها على نطاق أوسع.

وبالمثل، دخلت AMD مجال عتاد الذكاء الاصطناعي بسلسلة Radeon Instinct من المسرّعات، مستهدفةً مراكز البيانات وتطبيقات الحوسبة عالية الأداء. كما تواصل NVIDIA التركيز على تطوير GPUs المُحسّنة لأحمال عمل الذكاء الاصطناعي، مثل GPUs ‏A100 وH100 Tensor Core. ويهدف استحواذها الأخير على Arm Holdings إلى زيادة سيطرتها على معماريات الشرائح التي تشغّل العديد من الأجهزة المحمولة.

إلى جانب هذه الجهات الراسخة، تتجه العديد من الشركات الناشئة والمؤسسات البحثية إلى معماريات مبتكرة لشرائح الذكاء الاصطناعي. فعلى سبيل المثال، تتخصص Graphcore في الحسابات المتناثرة باستخدام وحدة معالجة الذكاء (IPU) الخاصة بها. وتقدم Cerebras Systems محرك Wafer Scale Engine، وهو شريحة ضخمة مصممة لأحمال عمل الذكاء الاصطناعي فائقة النطاق.

أحدث تطورات عتاد الذكاء الاصطناعي#

لنلقِ نظرة على أحدث عتاد الذكاء الاصطناعي الذي ظهر.

في 9 أبريل 2024، كشفت Intel عن أحدث شرائحها للذكاء الاصطناعي، Gaudi 3، مع أداء متفوق على GPU ‏H100 من NVIDIA:

• كفاءة طاقة تزيد على الضعف، ومعالجة لنماذج الذكاء الاصطناعي أسرع بمقدار 1.5 مرة.
• متاحة في تكوينات مرنة، مثل كونها مدمجة على لوحة أم أو في صورة بطاقة مستقلة.
• اختُبرت بنجاح على نماذج ذكاء اصطناعي متنوعة مثل Llama من Meta وFalcon من أبوظبي، مما أثبت 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، طرحت NVIDIA في 18 مارس 2024 أحدث منصاتها للذكاء الاصطناعي، Blackwell. وصُممت هذه المنصة لدعم الاختراقات في مختلف المجالات، وتتميز بالخصائص التالية:

• تدّعي NVIDIA أن Blackwell هي "أقوى شريحة في العالم".
• وتتميز بـGPU ثنائي القالب يضم 208 مليارات ترانزستور، ووصل بين الشرائح بسرعة 10 TB/s، مما يضع معايير جديدة للطاقة والكفاءة في الذكاء الاصطناعي التوليدي على مستوى مراكز البيانات.
• أعلن مزودو الخدمات السحابية الرائدون، مثل Google Cloud وAmazon Web Services وMicrosoft Azure، عن خططهم 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، وتقدم أداءً أفضل من حيث القدرة الحاسوبية وعرض نطاق الذاكرة. وتدعم هذه الترقيات أداء تطبيقات الذكاء الاصطناعي لدى Meta، مثل محركات التصنيف والتوصية، على منصات مثل Facebook وInstagram.

الشكل 4. أحدث إصدار من MTIA لدى Meta.

وبالمثل، طرحت جهات رئيسية أخرى مثل Google وAmazon وMicrosoft شرائح السيليكون المخصصة الخاصة بها هذا العام. وتمثل هذه الخطوة تحركًا استراتيجيًا لتحسين هياكل تكاليفها وتقليل اعتمادها على مورّدين من جهات خارجية مثل NVIDIA.

أين يُستخدم عتاد الذكاء الاصطناعي؟#

يدعم عتاد الذكاء الاصطناعي حلولًا متنوعة للذكاء الاصطناعي في العديد من القطاعات المختلفة. ففي الرعاية الصحية، يشغّل أنظمة التصوير الطبي مثل فحوصات MRI وCT، ويتعامل بكفاءة مع المهام المعقدة وأحجام البيانات الكبيرة لإجراء تشخيص سريع ودقيق.

تستخدم المؤسسات المالية خوارزميات الذكاء الاصطناعي لتحليل البيانات من أجل اكتشاف الاحتيال وتحسين الاستثمارات. وتتطلب الطبيعة المعقدة لتحليل البيانات المالية إمكانات عتادية متقدمة للتعامل بفعالية مع أعباء العمل الحاسوبية الهائلة.

في قطاع السيارات، يساعد الذكاء الاصطناعي على معالجة بيانات المستشعرات الآنية في المركبات ذاتية القيادة. وتتطلب مهام مثل اكتشاف الأجسام وتجنب الاصطدام دعمًا من عتاد متقدم ذي إمكانات معالجة قوية لاتخاذ القرارات بسرعة وضمان سلامة الركاب.

الشكل 5. أدمغة المركبة ذاتية القيادة.

تستخدم متاجر التجزئة محركات توصية مدعومة بالذكاء الاصطناعي لتخصيص تجارب التسوق وزيادة المبيعات، وذلك بتحليل بيانات العملاء الهائلة عبر الأقسام للتنبؤ بالتفضيلات واقتراح المنتجات ذات الصلة. وتستدعي الحاجة إلى تحليل مجموعات بيانات متنوعة وإنشاء توصيات مخصصة استخدام عتاد متقدم لتوفير استجابات آنية وتعزيز تفاعل المستخدم.

ومن الأمثلة الأخرى المرتبطة بمتاجر التجزئة استخدام الرؤية الحاسوبية لمراقبة سلوك العملاء وتحليله. إذ يستطيع تجار التجزئة فهم كيفية تفاعل العملاء مع بيئتهم، وتحديد المنتجات الرائجة، واكتشاف أنماط حركة المتسوقين. واستنادًا إلى هذه النتائج، يمكنهم تحسين مخططات المتاجر ومواضع المنتجات لزيادة المبيعات. وتُعد القدرة الحاسوبية مهمة لمعالجة أحجام كبيرة من بيانات الفيديو في الوقت الفعلي. ويعتمد التتبع الدقيق للحركات والتفاعلات على عتاد قوي. ومن دونه، تتأثر سرعة معالجة البيانات ودقتها، مما يقلل من فعالية تحليل سلوك العملاء.

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

توسيع نطاق الذكاء الاصطناعي بالقدرة الحاسوبية#

غالبًا ما يُبنى عتاد الذكاء الاصطناعي للتعامل مع المهام الكبيرة. وقد يكون من الصعب استيعاب حجم عمليات نشر الذكاء الاصطناعي في القطاعات حول العالم، لكن من الواضح أن الذكاء الاصطناعي القابل للتوسع يعتمد على توافر العتاد المناسب.

خذ التعاون بين BMW وNVIDIA مثالًا على ذلك. إذ 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 وصولًا إلى الخدمات اللوجستية وإدارة سلسلة التوريد.

ولتلبية هذه المتطلبات، تعتمد BMW على حلول عتاد متقدمة للذكاء الاصطناعي، مثل NVIDIA Quadro RTX 8000 والخوادم المدعومة بـRTX. وتجعل هذه التقنيات عمليات نشر الذكاء الاصطناعي أسهل وأكثر قابلية للتوسع.

تؤثر القدرة الحاسوبية في جوانب مختلفة من حل الذكاء الاصطناعي الخاص بك#

إلى جانب تزويد تطبيقات الذكاء الاصطناعي بالقدرة الحاسوبية، يؤثر عتاد الذكاء الاصطناعي الذي تختاره في حلك من حيث أداء النموذج، واحتياجات تحويل النموذج، ومرونة النشر، والدقة الإجمالية. وبعد تدريب نماذج الذكاء الاصطناعي واختبارها، غالبًا ما تُحوَّل إلى تنسيق يمكن تشغيله على منصات النشر المختارة.

لكن تحويل النموذج قد يؤدي إلى فقدان الدقة، لذا يجب أخذه في الاعتبار مسبقًا. ويمكن لأدوات التكامل مثل ONNX (تبادل الشبكات العصبية المفتوحة) توفير تنسيق موحّد لنشر نماذج الذكاء الاصطناعي عبر مجموعة متنوعة من منصات العتاد. وهذا هو سبب إتاحة نماذج شائعة مثل YOLOv8 للمستخدمين خيار تصدير نماذجهم المدرّبة مخصصًا بتنسيقات متعددة لتلبية خيارات النشر المختلفة.

كفاءة الطاقة عنصر أساسي في مستقبل حوسبة الذكاء الاصطناعي#

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

الشكل 6. التوجه نحو عتاد مستدام للذكاء الاصطناعي.

فعلى سبيل المثال، دُرّب LLaMA-3 من Meta، وهو نموذج لغوي كبير متقدم (LLM)، باستخدام عنقودي مراكز بيانات مخصصين، يضم كل منهما 24,576 وحدة GPU من طراز NVIDIA H100. ومن خلال إعداد العتاد القوي هذا، تمكنت Meta من زيادة سرعة المعالجة وتحقيق خفض كبير بنسبة 40% في استهلاك الطاقة. ولذلك تسهم التطورات في عتاد الذكاء الاصطناعي أيضًا في توفير عمليات أكثر كفاءة في استهلاك الطاقة.

علاوة على ذلك، تحظى الصلة بين الذكاء الاصطناعي والطاقة بمزيد من الاهتمام مع مشاركة أشخاص مثل Sam Altman فيها. وقد أتاح Altman، المعروف بصفته الرئيس التنفيذي لشركة OpenAI، شركة الطاقة النووية Oklo للتداول العام مؤخرًا. وتهدف Oklo، بفضل تقنية الانشطار النووي المبتكرة، إلى تحويل إنتاج الطاقة، بما قد يوفر الطاقة لمراكز البيانات الضرورية لعمليات الذكاء الاصطناعي. وخلال السنوات القليلة الماضية، استثمر كل من Bill Gates، المؤسس المشارك لشركة Microsoft، وJeff Bezos، مؤسس Amazon، في محطات نووية أيضًا.

ما وراء الدائرة#

مع التطلع إلى المستقبل، من المتوقع أن يحقق مستقبل عتاد الذكاء الاصطناعي قفزات هائلة، لا سيما مع صعود الحوسبة الكمّية. ويتوقع الخبراء أن تبلغ قيمة سوق الحوسبة الكمّية نحو 65 مليار دولار بحلول عام 2030. ومع ازدياد تعقيد نماذج الذكاء الاصطناعي، يصبح العتاد المتخصص ضروريًا لإطلاق إمكاناتها الكاملة. فمن الشرائح المخصصة للذكاء الاصطناعي إلى استكشافات الحوسبة الكمّية، يدفع ابتكار العتاد تطوير حلول ذكاء اصطناعي أكثر تعقيدًا وتأثيرًا.

لا تتردد في الاطلاع على مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي. واستكشف أحدث منشورات مدونتنا للاطلاع على كيفية تطبيق الذكاء الاصطناعي في مجالات مختلفة، مثل سباقات Formula One والروبوتات.