Neural Processing Unit (NPU)

وحدة المعالجة العصبية (NPU) هي دائرة عتاد متخصصة صُممت خصيصًا لتسريع تنفيذ خوارزميات الذكاء الاصطناعي وتعلُّم الآلة. وعلى خلاف المعالجات متعددة الأغراض، صُممت وحدات NPU بهندسة تتعامل أصلاً مع عمليات المصفوفات المعقدة والمتوازية التي تشكل محور نماذج التعلُّم العميق. ومن خلال تنفيذ هذه الحسابات بكفاءة فائقة، تقلل وحدة NPU استهلاك الطاقة بدرجة كبيرة، مع تحسين زمن استجابة الاستدلال تحسنًا ملحوظًا. وهذا يجعلها مكوّنًا أساسيًا في الهواتف المحمولة وأجهزة الكمبيوتر المحمولة الحديثة وأجهزة إنترنت الأشياء المتخصصة، حيث يُعد نشر النماذج المعقدة بكفاءة من دون استنزاف سريع للبطارية أمرًا بالغ الأهمية.

وحدة NPU مقارنةً بالمعالجات الأخرى#

لفهم قيمة وحدة NPU، من المفيد تمييزها عن مسرّعات العتاد الشائعة الأخرى في منظومة الذكاء الاصطناعي:

• وحدة المعالجة المركزية (CPU): «عقل» الكمبيوتر متعدد الأغراض. وعلى الرغم من قدرتها على تشغيل شيفرات تعلُّم الآلة، تتعامل وحدات CPU مع المهام بالتتابع، ما يجعلها بطيئة وغير فعالة في عمليات ضرب المصفوفات الثقيلة التي تتطلبها نماذج الرؤية الحديثة.
• وحدة معالجة الرسومات (GPU): صُممت وحدات GPU للمعالجة المتوازية، وهي بارعة في التعامل مع أعباء عمل التعلُّم العميق الضخمة. لكنها تستهلك قدرًا كبيرًا من الطاقة وتولّد حرارة ملحوظة، ما يجعلها أنسب للتدريب السحابي من الحوسبة الطرفية التي تعمل بالبطارية.
• وحدة معالجة الموتر (TPU): دائرة متكاملة خاصة بالتطبيقات طورتها Google لتعلُّم الآلة. وعلى الرغم من تشابهها من حيث المفهوم مع وحدة NPU، ترتبط وحدات TPU عمومًا برفوف خوادم الحوسبة السحابية الضخمة، في حين تُدمج وحدات NPU عادةً مباشرةً في الأنظمة على الرقاقة (SoCs) الموجهة للمستهلكين.

التطبيقات العملية لوحدات NPU#

أتاح انتشار وحدة NPU إمكانية تشغيل الذكاء الاصطناعي (AI) مباشرةً على أجهزة المستخدمين من دون الاعتماد على اتصال سحابي دائم.

• الهواتف الذكية والرؤية المحمولة: تستفيد الأجهزة المحمولة الحديثة بدرجة كبيرة من وحدات NPU الداخلية، مثل Apple Neural Engine أو Qualcomm Hexagon NPU، لتشغيل التصوير الحاسوبي والتعرّف على الوجوه في الوقت الفعلي والترجمة المحلية للنصوص. ومن خلال معالجة بيانات الصور على الجهاز، تحافظ هذه الأجهزة على عمر البطارية وتضمن خصوصية البيانات.
• أجهزة الكمبيوتر المحمولة المدعومة بالذكاء الاصطناعي: تتميز معالجات الكمبيوتر المتقدمة حاليًا بوحدات NPU مدمجة لإدارة مهام الخلفية، مثل تمويه الخلفية وتصحيح اتجاه النظر أثناء مؤتمرات الفيديو، من دون إرهاق وحدة CPU الرئيسية، ما يتيح للمستخدمين تنفيذ مهام متعددة بسلاسة.
• عمليات نشر الذكاء الاصطناعي الطرفي: تستخدم كاميرات المراقبة الذكية والروبوتات وحدات NPU متخصصة، مثل Google Coral Edge TPU أو عتاد Intel المضمّن، لإجراء اكتشاف الكائنات الفوري مباشرةً عند المصدر. ويزيل ذلك اختناقات النطاق الترددي ويتيح اتخاذ القرارات في أجزاء من الثانية.

استخدام وحدات NPU مع Ultralytics YOLO#

بالنسبة إلى المطورين الذين يرغبون في الاستفادة من وحدات NPU، أصبح نشر نماذج الرؤية الحاسوبية أمرًا بالغ السهولة. وباستخدام نموذج Ultralytics YOLO26 القوي، يمكنك تصدير شبكتك المدرّبة إلى تنسيقات محسّنة لمسرّعات العتاد المختلفة. ولتبسيط دورة الحياة بأكملها، توفر منصة Ultralytics أدوات قوية لإدارة مجموعات البيانات السحابية، وإضافة التعليقات التوضيحية آليًا، ونشر النماذج المحسّنة في أي بيئة لنشر النماذج تقريبًا.

عند العمل محليًا، يمكنك استخدام تكاملات أطر العمل مثل ONNX Runtime وPyTorch ExecuTorch وTensorFlow Lite لاستهداف وحدة NPU. يوضح مثال Python السريع أدناه كيفية تصدير نموذج YOLO إلى تنسيق OpenVINO، الذي يفوّض أحمال الحوسبة بسلاسة إلى وحدات NPU من Intel لتحقيق استدلال آني مُسرّع.

from ultralytics import YOLO

# Load the highly recommended Ultralytics YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Export to OpenVINO with int8 quantization for optimal NPU performance
model.export(format="openvino", int8=True)

# Run highly efficient, accelerated inference on the edge device
results = model("path/to/environment_image.jpg")