EnterpriseDB تقدم “الذكاء لكل واط” لتقليل استهلاك الطاقة في مجال الذكاء الاصطناعي

EnterpriseDB قد أعلنت عن مجموعة جديدة من معايير الأداء والتحسينات المعمارية داخل منصة EDB Postgres AI، وتقدم ما يسمى بمعيار “الذكاء لكل واط” للذكاء الاصطناعي في الشركات. تم تصميم هذا المفهوم لمواجهة تحدي متزايد: كيفية توسيع نطاق أنظمة الذكاء الاصطناعي دون زيادة متناسبة في استهلاك الطاقة وتكلفة البنية التحتية.

تشير نتائج الشركة الأخيرة إلى أن المكاسب الكبيرة في الكفاءة يمكن تحقيقها ليس على مستوى النموذج أو وحدة معالجة الرسومات، ولكن داخل طبقة البيانات التي تدعم كل互одействة مع الذكاء الاصطناعي. من خلال تحسين كيفية استرجاع البيانات وفهرسها ومعالجتها، تدعي EnterpriseDB أنها يمكن أن تقلل من استخدام الرموز، وتقلل من متطلبات البنية التحتية، وتخفض انبعاثات الغازات الدفيئة المرتبطة بتحميل العمل للذكاء الاصطناعي.

المكاسب في الأداء تركز على طبقة البيانات

يدعم الإعلان سلسلة من المعايير التي تسلط الضوء على التحسينات في السرعة والكفاءة. تقارير EnterpriseDB أن منصتها يمكن أن تعزز فهرسة المتجهات باستخدام ذاكرة أقل بكثير من النهج التقليدية، وتقلل من استهلاك الرموز دون التأثير بشكل كبير على جودة الإخراج.

في المصطلحات العملية، هذا يعني أن أنظمة الذكاء الاصطناعي يمكن أن تكمل المهام نفسها بعدد أقل من الخطوات الحسابية. منذ أن يتم ربط توليد الرموز واسترجاع البيانات مباشرة بالاستخدام الحاسوبي، تترجم هذه الانخفاضات إلى انخفاض استهلاك الطاقة لكل互одействة.

كما تشير الشركة إلى تحسينات أوسع عبر حمولات التحليلية، حيث يمكن إكمال العمليات على البيانات الحية بسرعة دراماتيكية. هذه المكاسب لا تقتصر على حالات استخدام معزولة ولكنها تنطبق عبر بيئات الشركات حيث تعمل أنظمة الذكاء الاصطناعي والتحليلات والنقل المتعامل بشكل متزامن.

تقليل البنية التحتية وتأثير انبعاثات الغازات الدفيئة

إلى جانب التحسينات على مستوى الحمل، تؤكد EnterpriseDB على الانخفاضات على مستوى البنية التحتية. في مجموعة من عمليات النشر في الشركات، تقارير الشركة أن منصتها تمكنت من تقليل عدد كبير من النواة الحاسوبية المطلوبة لتشغيل التطبيقات، مما أدى إلى تقليل استهلاك الطاقة وانبعاثات الغازات الدفيئة المرتبطة بها.

في مثال واحد يتضمن بيئات الخدمات المالية على نطاق واسع، أدى انخفاض البنية التحتية إلى انخفاض كبير في الإنتاج الكربوني. يسلط حجم هذه الادخار الضوء على كيف يمكن أن يكون لهذه التحسينات في الكفاءة تأثيرات على مستوى النظام، خاصة في المنظمات التي تعمل على عدة مراكز بيانات.

يشكل هذا التركيز المزدوج على تحسين البنية التحتية وتحسين الحمل أساس إطار “الذكاء لكل واط”. الفكرة ليست فقط جعل الذكاء الاصطناعي أسرع، ولكن جعلها أساسًا أكثر كفاءة مع توسعها.

التحدي المتزايد لاستهلاك الطاقة في الذكاء الاصطناعي ومراكز البيانات

يصبح أهمية هذه التحسينات واضحة عند النظر إليها في سياق المسار الأوسع لنمو مركز البيانات. يزيد الذكاء الاصطناعي بسرعة الطلب على الموارد الحاسوبية، وبالتالي استهلاك الكهرباء.

كانت الوكالة الدولية للطاقة قد توقع أن يصل الطلب على الكهرباء من مراكز البيانات على الصعيد العالمي حوالي 945 تيراوات ساعة بحلول عام 2030، أكثر من ضعف المستويات الحالية. من المتوقع أن تكون حمولات الذكاء الاصطناعي هي المحرك الرئيسي لهذا الزيادة.

لهذا الارتفاع في الطلب آثار بيئية مباشرة. تعتبر مراكز البيانات بالفعل جزءًا كبيرًا من استهلاك الكهرباء على الصعيد العالمي، وتوسعها يضع ضغطًا إضافيًا على بنية الطاقة وأهداف انبعاثات الغازات الدفيئة. بدون تحسينات في الكفاءة، قد تمتد تكلفة توسيع الذكاء الاصطناعي إلى ما هو أبعد من الاعتبارات المالية.

ما هي EnterpriseDB ولماذا يهم هذا

كانت EnterpriseDB ترتبط دائمًا بالحلول من الدرجة الأولى لمنصة PostgreSQL، ولكن تطورها إلى مزود منصة بيانات وذكاء اصطناعي يعكس التغييرات الأوسع في السوق. مع دمج المنظمات للذكاء الاصطناعي في العمليات الأساسية، يختفي الحد الفاصل بين قواعد البيانات وأنظمة الذكاء الاصطناعي.

تم تصميم EDB Postgres AI للعمل في هذا التماس، حيث يجمع بين معالجة المعاملات والتحليلات وحمولات الذكاء الاصطناعي داخل نظام موحد. هذا النهج يقلل من الحاجة إلى منصات متخصصة متعددة، والتي غالبًا ما تتطلب تكرار البيانات ونقلها بين البيئات.

من خلال توحيد هذه الوظائف، تضع EnterpriseDB نفسها كطبقة أساسية للبنية التحتية للذكاء الاصطناعي. يتوافق تركيزها على الكفاءة مع الاعتراف المتزايد بأن توسيع الذكاء الاصطناعي لا يتعلق فقط بزيادة القدرة، ولكن بفعل ذلك بطريقة مستدامة.

كيفية مقارنة هذا بالجهود الأخرى في الصناعة

عبر الصناعة، ركزت معظم الجهود لتحسين كفاءة الذكاء الاصطناعي على تحسين الأجهزة ونمذجة الذكاء الاصطناعي. تواصل الشركات المصنعة لتطوير معالجات أكثر كفاءة، بينما تعمل شركات الذكاء الاصطناعي على تقليل حجم ومتطلبات الحساب للمعايير.

كما تستثمر مزودي الخدمات السحابية بكثافة في كفاءة مركز البيانات، بما في ذلك الابتكارات في التبريد وتكامل الطاقة المتجددة. في الوقت نفسه، تتطور منصات البيانات لدعم حمولات الذكاء الاصطناعي بشكل مباشر، غالبًا عن طريق دمج البحث المتجه والقدرات التعلم الآلي في أنظمتها.

ما يميز نهج EnterpriseDB هو التركيز على طبقة البيانات كالمحرك الرئيسي للكفاءة. بدلاً من المنافسة مع وحدات معالجة الرسومات أو هياكل النماذج، يستهدف العمليات التي تحدث قبل وبعد الاستدلال، حيث يمكن أن تتراكم عدم الكفاءات بشكل كبير عند التوسع.

اتجاه نحو قياس كفاءة الذكاء الاصطناعي

يعكس تقديم “الذكاء لكل واط” تحولًا أوسع في كيفية تقييم الشركات لأنظمة الذكاء الاصطناعي. لم يعد الأداء وحده كافياً. بدأت المنظمات في النظر إلى كمية الطاقة المطلوبة لإنتاج هذا الأداء وما إذا كان يمكن تقليلها دون التضحية بالجودة.

تؤكد إعلان EnterpriseDB على أن المرحلة التالية من تبني الذكاء الاصطناعي سيتحدد ليس فقط بما يمكن أن تفعله الأنظمة، ولكن بكيفية كفاءة عملها. مع توسع وكلاء الذكاء الاصطناعي إلى مليارات وتشغيلهم بشكل مستمر، يمكن أن يكون حتى التحسينات الصغيرة في الكفاءة تأثيرًا تراكميًا كبيرًا.

في هذا السياق، يصبح تحسين طبقة البيانات لا يعد مشكلة ثانوية. إنه يصبح جزءًا أساسيًا من المحادثة حول مستقبل الذكاء الاصطناعي في الشركات.