وحدة المعالجة المركزية

وحدة المعالجة المركزية مقابل وحدة معالجة الرسومات ووحدة معالجة الرسومات (TPU)

يكمن الفرق الأساسي بين وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات معالجة الرسومات ووحدات معالجة الرسومات، في بنيتها والغرض المقصود منها:

• وحدة المعالجة المركزية: معالج للأغراض العامة مُحسَّن لتنفيذ المهام المتسلسلة بوقت استجابة منخفض. وهي تحتوي على عدد قليل من النوى القوية، مما يجعلها مثالية لإدارة نظام التشغيل وتدفق التحكم ومجموعة واسعة من العمليات الحسابية. وتشمل الشركات المصنعة الرائدة Intel وAMD.
• وحدة معالجة الرسومات: صُممت وحدات معالجة الرسومات في الأصل للرسومات، وتُستخدم الآن على نطاق واسع في الذكاء الاصطناعي بسبب بنيتها. فهي تتميز بآلاف النوى الصغيرة المحسّنة للمعالجة المتوازية لكتل البيانات الكبيرة، مثل المصفوفات المستخدمة في التعلم العميق. يعمل هذا التوازي على تسريع التدريب بشكل كبير لنماذج مثل Ultralytics YOLO11.
• TPU: أجهزة Google المخصصة، وهي عبارة عن دائرة متكاملة خاصة بالتطبيقات (ASIC)، مصممة خصيصاً لتسريع عمليات حساب الموتر المستخدمة في الشبكات العصبية. وهو مُحسَّن للغاية لأطر عمل مثل TensorFlow وPyTorch على المنصات السحابية.

حتى في الأنظمة التي تعتمد بشكل كبير على وحدات معالجة الرسومات أو وحدات المعالجة الحرارية لتدريب النماذج، تقوم وحدة المعالجة المركزية بإدارة النظام ككل، وتجهيز البيانات للمسرّع، والتعامل مع أجزاء من سير العمل غير المحسّنة للحساب المتوازي. إن فهم هذه المفاضلات أمر بالغ الأهمية لنشر النماذج بكفاءة.

أمثلة واقعية للذكاء الاصطناعي/التعلم الآلي باستخدام وحدة المعالجة المركزية

في حين أن الأجهزة المتخصصة تتفوق في التدريب على نطاق واسع، تظل وحدات المعالجة المركزية ضرورية للعديد من مهام الذكاء الاصطناعي، خاصةً في البيئات ذات القيود المحددة.

1. المعالجة المسبقة لمعالجة اللغة الطبيعية (NLP): قبل إدخال البيانات النصية في نموذج للتدريب أو الاستدلال، يجب معالجتها مسبقًا. وتُعدّ مهام مثل الترميز، حيث يتم تقسيم النص إلى وحدات أصغر، أساسية في معالجة اللغات الطبيعية. غالبًا ما تقوم مكتبات مثل Hugging Face's Tokenizers بتنفيذ هذه العمليات المتسلسلة بكفاءة على وحدة المعالجة المركزية قبل إرسال البيانات المعالجة إلى وحدة معالجة الرسومات.
2. استدلال جهاز الحافة: تقوم العديد من تطبيقات الذكاء الاصطناعي الحافة بنشر نماذج تعلّم الآلة على أجهزة ذات طاقة وموارد حاسوبية محدودة، مثل Raspberry Pi أو الأجهزة القائمة على بنية ARM. في هذه السيناريوهات، غالبًا ما يتم تشغيل الاستدلال مباشرةً على وحدة المعالجة المركزية للجهاز. تُستخدم المكتبات المحسّنة مثل TensorFlow Lite أو مجموعة أدوات OpenVINO لتحقيق أداء مقبول لمهام مثل اكتشاف الكائنات الأساسية أو اكتشاف الكلمات الرئيسية. يمكن تبسيط إدارة عمليات النشر هذه من خلال منصات مثل Ultralytics HUB وأدوات الحاويات مثل Docker.

يُعد فهم إمكانيات وحدة المعالجة المركزية وحدودها أمرًا بالغ الأهمية لتصميم أنظمة الذكاء الاصطناعي المتكاملة وتحسينها، بدءًا من التعامل مع جمع البيانات إلى تحقيق النشر الفعال عبر منصات الأجهزة المتنوعة. هذا جانب أساسي من جوانب استراتيجية ناجحة لعمليات التشغيل الآلي المتعددة.