وحدة معالجة Tensor (TPU)

وحدة معالجة الموتر (Tensor Processing Unit)، أو TPU، هي نوع من مسرّع الأجهزة المخصص الذي طورته Google خصيصًا لأحمال عمل التعلم الآلي (ML) و التعلم العميق. تم تصميم هذه الدوائر المتكاملة الخاصة بالتطبيقات (ASICs) لتسريع حسابات الموتر والمصفوفة بشكل كبير والتي تعتبر أساسية لتدريب وتشغيل الشبكات العصبونية. تم تصميم وحدات TPU لتوفير أداء عالٍ وكفاءة في استخدام الطاقة لمهام التعلم الآلي واسعة النطاق، مما يجعلها مكونًا حاسمًا في البنية التحتية الحديثة للذكاء الاصطناعي.

آلية عمل وحدات معالجة Tensor (TPUs)

تم تصميم وحدات معالجة Tensor (TPUs) للتعامل مع الحجم الهائل من العمليات الحسابية التي تتطلبها نماذج الذكاء الاصطناعي. تم تحسين بنيتها بشكل كبير للعملية الرياضية الأساسية في الشبكات العصبية: ضرب المصفوفات. على عكس المعالجات ذات الأغراض العامة، تركز وحدات معالجة Tensor (TPUs) على الإنتاجية العالية والحسابات الحسابية منخفضة الدقة، والتي تتناسب تمامًا مع طبيعة نماذج التعلم العميق. من خلال معالجة مجموعات ضخمة من البيانات بالتوازي، يمكنها تقليل الوقت اللازم لكل من تدريب النموذج و الاستدلال في الوقت الفعلي بشكل كبير. يتم الوصول إليها بشكل شائع من خلال منصة Google Cloud وهي متكاملة بإحكام مع أطر عمل التعلم الآلي مثل TensorFlow و PyTorch.

تطبيقات واقعية

تعتبر وحدات معالجة Tensor (TPUs) أساسية في تشغيل بعض تطبيقات الذكاء الاصطناعي الأكثر تطلبًا المتاحة اليوم.

1. تدريب نماذج اللغة الكبيرة (LLMs): تستخدم Google مجموعات كبيرة من وحدات معالجة Tensor (TPUs)، والمعروفة باسم TPU Pods، لتدريب النماذج الأساسية (foundation models) الأكثر تقدمًا، بما في ذلك النماذج التي تدعم محرك البحث الخاص بها والذكاء الاصطناعي للمحادثة مثل Gemini. تتيح إمكانية الحوسبة المتوازية (parallel computing) الهائلة لوحدات TPU Pods تدريب النماذج التي تحتوي على تريليونات المعلمات في جزء صغير من الوقت الذي تستغرقه على أجهزة أخرى.
2. تشغيل خدمات Google: تُستخدم وحدات معالجة Tensor (TPUs) للاستدلال عبر العديد من منتجات Google. على سبيل المثال، في صور Google، فإنها تتيح التعرف السريع على الصور للبحث عن الأشخاص والكائنات والمشاهد. وبالمثل، فإنها تشغل الترجمة في الوقت الفعلي في ترجمة Google وتستخدم للتعرف على الكلام في مساعد Google. استخدمت DeepMind أيضًا وحدات معالجة Tensor (TPUs) لتدريب AlphaGo، وهو الذكاء الاصطناعي الذي هزم أفضل لاعب في العالم في لعبة Go.

وحدات معالجة Tensor (TPUs) مقابل وحدات معالجة الرسومات (GPUs) مقابل وحدات المعالجة المركزية (CPUs)

في حين أن وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات TPU كلها معالجات، إلا أنها مصممة لأغراض مختلفة تمامًا.

• وحدة المعالجة المركزية (CPU): "دماغ" الكمبيوتر، مصمم للمهام ذات الأغراض العامة. تتفوق وحدة المعالجة المركزية (CPU) في التعامل مع مجموعة واسعة من التعليمات بالتتابع، مما يجعلها ضرورية لتشغيل أنظمة التشغيل والبرامج القياسية ولكنها أقل كفاءة في الحسابات المتوازية الضخمة في الذكاء الاصطناعي.
• وحدة معالجة الرسوميات (GPU): تم إنشاء هندسة وحدة معالجة الرسوميات في الأصل لتقديم الرسومات، وتحتوي على آلاف النوى، مما يجعلها فعالة للغاية في المعالجة المتوازية. توفر وحدات معالجة الرسوميات من شركات مثل NVIDIA و AMD توازنًا رائعًا بين الأداء والمرونة، مما يجعلها شائعة لتدريب نماذج مثل Ultralytics YOLO11.
• وحدة معالجة الموتر (TPU): مُسرِّع متخصص للغاية تم إنشاؤه بواسطة Google خصيصًا لأعباء عمل الشبكة العصبية. في حين أن وحدة معالجة الموتر (TPU) أقل مرونة من وحدة معالجة الرسومات (GPU) للحوسبة العامة، إلا أنها توفر أداءً فائقًا لكل واط لعمليات الموتر واسعة النطاق. وهذا يجعلها خيارًا ممتازًا لنشر النماذج وتدريبها على نطاق واسع، خاصةً عند استخدام النظام البيئي السحابي من Google.

دور وحدات معالجة Tensor (TPUs) في نظام Ultralytics البيئي

يمكن لمستخدمي Ultralytics الاستفادة من وحدات معالجة Tensor (TPUs) لتسريع مشاريع الرؤية الحاسوبية الخاصة بهم. يمكن تصدير النماذج إلى تنسيقات متوافقة مع وحدات معالجة Tensor، مثل TensorFlow Lite لوحدة Edge TPU من Google. يتيح ذلك نشرًا عالي الكفاءة على الأجهزة الطرفية مثل Coral Dev Board. بالنسبة لوظائف التدريب واسعة النطاق، يمكن لمنصات مثل Ultralytics HUB تنسيق التدريب على مختلف موارد الحوسبة السحابية، مما يتيح للمستخدمين الاستفادة من قوة وحدات معالجة Tensor لمجموعات البيانات المخصصة الخاصة بهم. يسهل هذا التكامل دورة حياة MLOps بأكملها، من التدريب إلى النشر والمراقبة.