تختار ARIA خوادم Lumai الضوئية لاختبار استدلال الذكاء الاصطناعي على مستوى الرفوف

Lumai تنقل عتادها الضوئي للذكاء الاصطناعي إلى بيئة تقييم جديدة: مختبر توسيع نطاق الاستدلال، المدعوم من وكالة الأبحاث والاختراعات المتقدمة في المملكة المتحدة، أو ARIA. يعتزم المختبر نشر خوادم الاستدلال Lumai Iris بوصفها أول منصة حوسبة ضوئية لديه، ما يتيح للباحثين اختبار هذه البنية على مستوى الرفوف في مركز بيانات تجاري.

يهدف المختبر، الذي تديره CommonAI CIC، إلى سد فجوة صعبة تواجه عتاد الذكاء الاصطناعي الناشئ: فإثبات جدوى معالج مبتكر أمر، وتشغيله بوصفه جزءًا من نظام متكامل، باستخدام نماذج فعلية ومتطلبات الطاقة والتبريد والرفوف المعتادة، أمر آخر.

يأتي هذا الإعلان استكمالًا لـإطلاق Iris Nova في أبريل. أما الخطوة الجديدة فتتمثل في تقييم متعدد العقد عبر منصة اختبار مدعومة من القطاع العام، وليس في إصدار معيار مستقل ومكتمل يثبت ادعاءات Lumai الرئيسية بشأن الكفاءة.

استخدام الضوء لإجراء العمليات الحسابية المصفوفية

تطوّر Lumai، وهي شركة منبثقة عن جامعة أكسفورد تأسست عام 2021، بنية هجينة تجمع بين الحوسبة الضوئية والرقمية. ويستهدف محركها الضوئي العمليات الرياضية الكثيفة المستخدمة في استدلال الذكاء الاصطناعي، فيما تواصل المكونات الإلكترونية التعامل مع وظائف النظام المحيطة بها.

وفقًا لـالوصف التقني للشركة، تُشفّر المعلومات في حزم من الضوء، ثم تُعالَج عبر مكونات ضوئية في فضاء ثلاثي الأبعاد. والهدف هو تنفيذ عدد كبير من العمليات الرياضية بالتوازي من خلال انتشار الضوء، بدلًا من إجراء كل عملية حسابية عبر تبديل الترانزستورات.

لكن هذا لا يعني أن الخادم بأكمله يعمل بصورة سلبية أو من دون طاقة. فما زال النظام الكامل يحتاج إلى مصادر للضوء، وتحويل البيانات، والذاكرة، والمعالجة الرقمية، والتحكم. والسؤال الهندسي المهم هو مقدار ما تحتفظ به كفاءة المحرك الضوئي من مزايا بعد احتساب التكاليف المرتبطة بهذه المكونات، عندما يكون نموذج فعلي قيد التشغيل.

تصف Lumai واجهة بيانات واسعة تهدف إلى توزيع أعباء التحويل على أحمال عمل كبيرة، وتصميمًا للذاكرة من ثلاث طبقات لذاكرة التخزين المؤقت للمفاتيح والقيم الخاصة بالنموذج، إضافة إلى تكميم يراعي العتاد. وهذه عناصر عملية في البنية؛ فنقل البيانات، والحفاظ على دقة عددية قابلة للاستخدام، وضمان تزويد المسرّع بقدر كافٍ من العمل، كلها عوامل تؤثر في الأداء خارج نطاق العروض المختبرية.

لماذا تستهدف Lumai مرحلة التهيئة المسبقة

يمر استدلال النماذج اللغوية الكبيرة بمرحلتين متميزتين. ففي مرحلة التهيئة المسبقة، يعالج النظام المدخلات ويبني الحالة الداخلية اللازمة لتوليد الرد. أما في مرحلة فك الترميز، فينتج رموز المخرجات واحدًا تلو الآخر، مع الرجوع المتكرر إلى أوزان النموذج والسياق المخزّن مؤقتًا.

غالبًا ما تهيمن العمليات المصفوفية الكبيرة على مرحلة التهيئة المسبقة، في حين قد تحدّ سعة نطاق الذاكرة من سرعة فك الترميز، ولا سيما عند استخدام أحجام دفعات أصغر. ويتغير هذا التوازن بحسب حجم النموذج، وطول المطالبة، وتجميع الطلبات في دفعات، وإعدادات تقديم الخدمة. ويتمثل نهج Lumai في التخصص في المرحلة كثيفة الحسابات بدلًا من تحسين خط المعالجة بأكمله باستخدام نوع واحد من المعالجات.

يوضح توثيق منتجات Iris موضع المسرّع الضوئي ضمن أنظمة الحوسبة غير المتجانسة، بما في ذلك استخدامه معالجًا للتهيئة المسبقة إلى جانب عتاد مُحسّن لفك الترميز. وتقول Lumai إن Iris Nova يدعم نماذج Llama ذات 8 مليارات و70 مليار معلمة، وإنه متاح للتقييم في مراكز البيانات. وقد صُممت عائلة المنتجات للعمل ضمن بنية الرفوف القياسية ومع التبريد الهوائي.

قال شيانشين غو، الشريك المؤسس والرئيس التنفيذي لشركة Lumai: «إن تشغيل نظام متعدد العقد في مركز بيانات تجاري هو الاختبار الذي يثبت ما إذا كانت بنيات الحوسبة الجديدة جاهزة للنشر الفعلي». ويضع عمل ARIA مسألة التكامل هذه في صميم المرحلة المقبلة.

منصة اختبار للأنظمة المتكاملة

ARIA وكالة بريطانية عامة تموّل الأبحاث والتطوير، وتدعم التقنيات الطموحة التي تنطوي على فوائد مجتمعية محتملة. ويستكشف برنامجها «توسيع نطاق الحوسبة» بدائل لأساليب الحوسبة الراسخة، تشمل مبادئ حوسبة أولية جديدة، والشبكات، وتصميم الأنظمة.

يحظى مختبر توسيع نطاق الاستدلال بتمويل قدره 50 مليون جنيه إسترليني من ARIA. وتصفه ARIA بأنه سلسلة من المشروعات التجريبية المنظمة على مستوى الرفوف، يدمج كل منها تقنية لم تُختبر بعد في نظام قابل للنشر يستطيع المستخدمون النهائيون تشغيل النماذج عليه. والهدف هو مقارنة أداء النظام الكامل بالبدائل التجارية والتطوير بسرعة، مع التخطيط لإضافة رف جديد كل ستة أشهر.

تجمع CommonAI، وهي منظمة عضوية غير ربحية مقرها كامبريدج وتتولى تنفيذ المختبر، شركات وهيئات عامة ومشاركين أكاديميين للعمل معًا في مجال الهندسة. ويصف مخطط البرنامج الخاص بها أكثر من خمسة أنظمة على مستوى الرفوف، ويؤكد أهمية التحقق المستقل لمساعدة العتاد الناشئ على إثبات أدائه التشغيلي الفعلي.

تكتسب هذه البنية أهمية لأن المسرّع قد يحقق أداءً جيدًا في عملية منفردة، لكنه يقدم فائدة أقل عند احتساب نقل البيانات، والجدولة، ودعم البرمجيات، وسائر مراحل خط تقديم الخدمة. ويمكن لبيئة اختبار مشتركة أن تساعد في كشف المزايا والاختناقات معًا.

ما الذي تثبته ادعاءات الكفاءة، وما الذي لا تثبته

تقول Lumai إن هذه البنية قد تخفض استهلاك مراكز البيانات للطاقة بنسبة تصل إلى 90%، وتقلّص التكلفة الإجمالية للملكية إلى نحو عُشر ما هي عليه في البنى التقليدية لوحدات معالجة الرسومات. ويعرض موقع الشركة خارطة طريق تستهدف أداءً أعلى بمقدار 50 مرة. ويذكر الإعلان، على نحو منفصل، أن كفاءة الطاقة لكل عملية استدلال تتحسن بما لا يقل عن 16 مرة عند الجمع بين المعالجة البصرية المسبقة وفك الترميز المعتمد على السيليكون.

تعكس هذه الأرقام مقارنات مختلفة، ولا ينبغي التعامل معها على أنها مقاييس قابلة للاستبدال أو نتائج تحققت منها ARIA بصورة مستقلة بالفعل. ولا يتضمن الإعلان إعدادًا موحدًا للاختبار المعياري، أو مقارنة لجودة النماذج، أو مجموعة نتائج منشورة على مستوى الرفوف تثبت تحقق هذه المكاسب في أعباء العمل التجارية.

لذلك، يشكل تقييم المختبر التطور الجوهري. ومن القياسات المفيدة: الطاقة المستهلكة لكل طلب مكتمل، والزمن حتى ظهور الرمز الأول، ومعدل إنتاج المخرجات المستدام، ودقة النموذج، وتكلفة تشغيل النظام الكامل. وتتطلب المقارنات ذات الدلالة استخدام النموذج نفسه، وأطوال السياق نفسها، والافتراضات نفسها بشأن تجميع الطلبات، ومتطلبات الخدمة نفسها.

في ظل طموح المملكة المتحدة إلى توسيع قدرات الذكاء الاصطناعي المحلية ضمن ميزانيات طاقة محدودة، قد يوفر نجاح النظام البصري خيارًا حاسوبيًا إضافيًا. ويشكل نشر Lumai خطوة نحو اختبار هذا الاحتمال في ظروف تجارية. وسيتوقف ما إذا كانت ميزته ستترجم إلى خفض تكاليف تقديم الخدمة على نطاق واسع على الأدلة التي سيقدمها التقييم بشأن النظام بكامله.