مع تقدم تكنولوجيا الذكاء الاصطناعي، هناك حاجة متزايدة إلى قوة حوسبة جديدة ومحسنة للذكاء الاصطناعي. اكتشف كيف تساعد قوة الحوسبة في دفع حركة الذكاء الاصطناعي إلى الأمام.
يشترك الذكاء الاصطناعي (AI) وقوة الحوسبة في علاقة وثيقة للغاية. تعتبر قوة الحوسبة ضرورية لتطبيقات الذكاء الاصطناعي لأنها تساعد أنظمة الكمبيوتر على معالجة المهام وتنفيذها. تتطلب هذه التطبيقات موارد حسابية كبيرة لإدارة الخوارزميات المعقدة ومجموعات البيانات الكبيرة، وهنا يأتي دور وحدات معالجة الرسومات (GPUs). تم تصميم وحدات معالجة الرسومات في الأصل لتسريع معالجة الصور والفيديو ولكنها أصبحت ضرورية لإدارة معالجة البيانات المكثفة ومهام التعلم العميق التي يتطلبها الذكاء الاصطناعي.
في السنوات القليلة الماضية، شهدنا نموًا هائلاً في تطورات الذكاء الاصطناعي. بطبيعة الحال، يجب أن تتواكب تطورات أجهزة الذكاء الاصطناعي مع هذا النمو ومواكبة التطورات. كشفت دراسة أن أداء وحدة معالجة الرسومات (GPU) قد زاد حوالي 7000 مرة منذ عام 2003.
تتيح الأجهزة الأقوى والأسرع والأكثر كفاءة للباحثين والمهندسين تطوير نماذج ذكاء اصطناعي معقدة بشكل متزايد. دعونا نفهم كيف تتطور البنية التحتية للحوسبة للذكاء الاصطناعي لتلبية المتطلبات المتزايدة للذكاء الاصطناعي.
لا يمكن إنكار دور وحدات معالجة الرسوميات (GPUs) في تطوير الذكاء الاصطناعي. فهذه المعالجات القوية تسرع العمليات الحسابية المعقدة اللازمة لتدريب ونشر نماذج الذكاء الاصطناعي. وهي أساسًا بمثابة العمود الفقري لتكنولوجيا الذكاء الاصطناعي الحديثة. ولكن ليست وحدات معالجة الرسوميات (GPUs) وحدها هي التي تجذب الانتباه.
بدأنا نرى شرائح مصنوعة خصيصًا للذكاء الاصطناعي تتنافس معها. تم تصميم هذه الشرائح من البداية لمساعدة الذكاء الاصطناعي على القيام بعمله بشكل أفضل وأسرع. يتم إجراء الكثير من الأبحاث والعمل لتحسين مستقبل حوسبة الذكاء الاصطناعي. تستثمر العديد من الشركات في قوة حوسبة الذكاء الاصطناعي، وهو أحد الأسباب التي جعلت قيمة السوق العالمية لأجهزة الذكاء الاصطناعي تبلغ 53.71 مليار دولار في عام 2023 ومن المتوقع أن تنمو إلى ما يقرب من 473.53 مليار دولار بحلول عام 2033.
لماذا أصبحت التطورات في أجهزة الذكاء الاصطناعي موضوعًا للمحادثة مؤخرًا؟ يعكس التحول نحو أجهزة الذكاء الاصطناعي المتخصصة المتطلبات المتزايدة لتطبيقات الذكاء الاصطناعي في مختلف القطاعات. لإنشاء حلول الذكاء الاصطناعي بنجاح، من المهم البقاء في الطليعة من خلال إدراك التغييرات التي تحدث للأجهزة.
تتسابق كبرى الشركات المصنعة للأجهزة لتطوير أجهزة من الجيل التالي، وتحسين الأداء والكفاءة من خلال التطوير الداخلي والشراكات الاستراتيجية وعمليات الاستحواذ.
.webp)
انتقلت Apple من استخدام وحدات معالجة الرسومات الخارجية إلى تطوير شرائح M الخاصة بها مع محركات عصبية لتسريع الذكاء الاصطناعي، مما عزز نظامها البيئي المحكم. وفي الوقت نفسه، تواصل Google الاستثمار بكثافة في البنية التحتية لوحدة معالجة Tensor (TPU) الخاصة بها. وحدات معالجة Tensor هي شرائح ذكاء اصطناعي مصممة للعمل بشكل أسرع واستخدام طاقة أقل من وحدات معالجة الرسومات، مما يجعلها رائعة لتدريب ونشر حلول الذكاء الاصطناعي على نطاق أوسع.
وبالمثل، دخلت AMD ساحة أجهزة الذكاء الاصطناعي من خلال سلسلة Radeon Instinct من المسرّعات، مستهدفةً مراكز البيانات وتطبيقات الحوسبة عالية الأداء. أيضًا، تواصل Nvidia التركيز على تطوير وحدات معالجة الرسوميات (GPUs) المحسّنة لأحمال عمل الذكاء الاصطناعي، مثل وحدات معالجة الرسوميات A100 و H100 Tensor Core. يهدف استحواذهم الأخير على Arm Holdings إلى زيادة سيطرتهم على تصميمات الرقائق التي تشغل العديد من الأجهزة المحمولة.
بالإضافة إلى هؤلاء اللاعبين الراسخين، تغامر العديد من الشركات الناشئة والمؤسسات البحثية في تصميمات جديدة لرقائق الذكاء الاصطناعي. على سبيل المثال، تتخصص Graphcore في العمليات الحسابية المتفرقة باستخدام وحدة معالجة الذكاء الاصطناعي (IPU). تقدم Cerebras Systems محرك Wafer Scale Engine، وهي شريحة ضخمة مصممة خصيصًا لأحمال عمل الذكاء الاصطناعي واسعة النطاق.
دعنا نلقي نظرة على أحدث أجهزة الذكاء الاصطناعي التي ظهرت.
في 9 أبريل 2024، كشفت Intel عن أحدث شريحة للذكاء الاصطناعي، Gaudi 3، والتي تتميز بأداء فائق مقارنة بوحدة معالجة الرسومات H100 من Nvidia:
.webp)
قبل Gaudi 3، في 18 مارس 2024، قدمت NVIDIA أحدث منصة للذكاء الاصطناعي، Blackwell. تم تصميم هذه المنصة لتمكين تحقيق اختراقات في مختلف المجالات ولديها الميزات التالية:
.webp)
في غضون ذلك، تقوم العديد من الشركات التقنية العملاقة بتطوير شرائح الذكاء الاصطناعي المخصصة الخاصة بها لتشغيل خدماتها.
في 10 أبريل 2024، أعلنت Meta عن أحدث إصدار من مسرّع التدريب والاستدلال Meta (MTIA). تعمل هذه الشريحة من الجيل الثاني، والتي تعمل بالفعل في مراكز بيانات Meta، بشكل أفضل من حيث الحوسبة وعرض النطاق الترددي للذاكرة. تدعم هذه الترقيات أداء تطبيقات الذكاء الاصطناعي الخاصة بـ Meta، مثل محركات الترتيب والتوصية، على منصات مثل Facebook و Instagram.
وبالمثل، قدم لاعبون رئيسيون آخرون مثل Google و Amazon و Microsoft أيضًا رقائق السيليكون المخصصة الخاصة بهم هذا العام. إنها خطوة استراتيجية لتحسين هياكل التكلفة الخاصة بهم وتقليل الاعتماد على موردين خارجيين مثل Nvidia.
تدعم أجهزة الذكاء الاصطناعي حلول الذكاء الاصطناعي المختلفة في العديد من الصناعات المختلفة. في الرعاية الصحية، تعمل على تشغيل أنظمة التصوير الطبي مثل التصوير بالرنين المغناطيسي والأشعة المقطعية، والتعامل مع المهام المعقدة ومعالجة كميات كبيرة من البيانات بكفاءة لتشخيص سريع ودقيق.
تستخدم المؤسسات المالية خوارزميات الذكاء الاصطناعي لتحليل البيانات من أجل اكتشاف الاحتيال وتحسين الاستثمار. تتطلب الطبيعة المعقدة لتحليل البيانات المالية قدرات أجهزة متقدمة للتعامل مع حجم العمل الحسابي الهائل بكفاءة.
في صناعة السيارات، يساعد في معالجة بيانات المستشعر في الوقت الفعلي في المركبات ذاتية القيادة. تحتاج مهام مثل اكتشاف الكائنات وتجنب الاصطدام إلى دعم من الأجهزة المتقدمة ذات قدرات المعالجة القوية لاتخاذ قرارات سريعة وسلامة الركاب.
يستخدم تجار التجزئة محركات التوصية المدعومة بالذكاء الاصطناعي لتخصيص تجارب التسوق وتعزيز المبيعات من خلال تحليل بيانات العملاء الواسعة عبر الأقسام للتنبؤ بالتفضيلات واقتراح المنتجات ذات الصلة. إن الحاجة إلى تحليل مجموعات بيانات متنوعة وإنشاء توصيات مخصصة تستدعي أجهزة متقدمة للاستجابات في الوقت الفعلي وتعزيز مشاركة المستخدم.
مثال آخر يتعلق بمتاجر البيع بالتجزئة وهو استخدام رؤية الكمبيوتر لمراقبة وتحليل سلوك العملاء. يمكن لتجار التجزئة فهم كيفية تفاعل العملاء مع بيئتهم، وتحديد المنتجات الشائعة، واكتشاف أنماط حركة المرور على الأقدام. بناءً على هذه النتائج، يمكنهم تحسين تصميمات المتاجر ومواضع المنتجات لتحسين المبيعات. تعتبر القدرة الحاسوبية مهمة للمعالجة في الوقت الفعلي لأحجام بيانات الفيديو الكبيرة. يعتمد التتبع الدقيق للحركات والتفاعلات على أجهزة قوية. وبدون ذلك، تتأثر سرعة ودقة معالجة البيانات، مما يقلل من فعالية تحليل سلوك العملاء.
هذه قمة جبل الجليد. من التصنيع إلى الزراعة، يمكن رؤية أجهزة الذكاء الاصطناعي في كل مكان.
غالبًا ما يتم تصميم أجهزة الذكاء الاصطناعي للتعامل مع المهام الكبيرة. قد يكون من الصعب فهم حجم عمليات نشر الذكاء الاصطناعي في الصناعات في جميع أنحاء العالم، ولكن من الواضح أن الذكاء الاصطناعي القابل للتطوير يعتمد على وجود الأجهزة المناسبة.
خذ التعاون بين BMW و NVIDIA على سبيل المثال. مع إنتاج BMW لـ 2.5 مليون سيارة سنويًا، فإن حجم عملياتها هائل. تستخدم BMW الذكاء الاصطناعي لتحسين جوانب مختلفة من عملية التصنيع الخاصة بها، من مراقبة الجودة والصيانة التنبؤية إلى الخدمات اللوجستية وإدارة سلسلة التوريد.
لتلبية هذه المتطلبات، تعتمد BMW على حلول متقدمة لأجهزة الذكاء الاصطناعي مثل Quadro RTX 8000 من NVIDIA وخوادم RTX. هذه التقنيات تجعل عمليات نشر الذكاء الاصطناعي أسهل وأكثر قابلية للتطوير.
بالإضافة إلى تزويد تطبيقات الذكاء الاصطناعي بالطاقة الحسابية، فإن أجهزة الذكاء الاصطناعي التي تختارها تؤثر على حلك من حيث أداء النموذج واحتياجات تحويل النموذج ومرونة النشر والدقة الإجمالية. بمجرد تدريب نماذج الذكاء الاصطناعي واختبارها، غالبًا ما يتم تحويلها إلى تنسيق يعمل على منصات النشر المختارة.
ولكن، يمكن أن يؤدي تحويل النموذج إلى فقدان الدقة ويجب أخذه في الاعتبار مسبقًا. يمكن لأدوات التكامل مثل ONNX (تبادل الشبكة العصبية المفتوحة) توفير تنسيق موحد لنشر نماذج الذكاء الاصطناعي عبر مجموعة متنوعة من منصات الأجهزة. هذا هو أيضًا السبب وراء النماذج الشائعة مثل YOLOv8 التي تمنح المستخدمين خيار تصدير نماذجهم المدربة خصيصًا بتنسيقات مختلفة لتلبية احتياجات خيارات النشر المتعددة.
إن تأثير قوة الحوسبة المتقدمة للذكاء الاصطناعي لا يقتصر على الذكاء الاصطناعي فحسب؛ بل إنه يلامس أيضًا قطاع الطاقة.
على سبيل المثال، LLaMA-3 من Meta، وهو نموذج لغوي كبير متقدم (LLM)، تم تدريبه باستخدام مجموعتين مخصصتين من مراكز البيانات مجهزتين بـ 24,576 وحدة معالجة رسوميات Nvidia H100 لكل منهما. من خلال إعداد الأجهزة القوي هذا، تمكنت Meta من زيادة سرعة المعالجة وتحقيق انخفاض كبير بنسبة 40% في استهلاك الطاقة. لذلك، تساهم التطورات في أجهزة الذكاء الاصطناعي أيضًا في عمليات أكثر كفاءة في استخدام الطاقة.
علاوة على ذلك، يزداد الاهتمام بالصلة بين الذكاء الاصطناعي والطاقة مع تدخل أشخاص مثل سام ألتمان. قام ألتمان، المعروف بصفته الرئيس التنفيذي لشركة OpenAI، مؤخرًا بإتاحة شركة الطاقة النووية Oklo للجمهور. تهدف Oklo، بتقنيتها المبتكرة للانشطار النووي، إلى إحداث تحول في إنتاج الطاقة، ومن المحتمل أن توفر الطاقة لمراكز البيانات الضرورية لعمليات الذكاء الاصطناعي. في السنوات القليلة الماضية، قام كل من بيل غيتس، المؤسس المشارك لشركة Microsoft، وجيف بيزوس، مؤسس Amazon، باستثمارات في محطات الطاقة النووية.
بالنظر إلى المستقبل، من المتوقع أن تحقق الأجهزة المستقبلية للذكاء الاصطناعي قفزات هائلة، خاصة مع صعود الحوسبة الكمومية. يتوقع الخبراء أنه بحلول عام 2030، قد تبلغ قيمة سوق الحوسبة الكمومية ما يقرب من 65 مليار دولار. مع تزايد تعقيد نماذج الذكاء الاصطناعي، تصبح الأجهزة المتخصصة ضرورية لإطلاق إمكاناتها الكاملة. من الرقائق الخاصة بالذكاء الاصطناعي إلى استكشافات الحوسبة الكمومية، يدفع ابتكار الأجهزة تطوير حلول الذكاء الاصطناعي الأكثر تعقيدًا وتأثيرًا.
لا تتردد في زيارة مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي. استكشف أحدث مدوناتنا لترى كيف يتم تطبيق الذكاء الاصطناعي في مجالات مختلفة، مثل سباقات الفورمولا واحد و الروبوتات.
