استغلال السيليكون: كيف تشكل الشرائح الداخلية مستقبل الذكاء الاصطناعي

يعتمد الذكاء الاصطناعي، مثل أي برنامج، على مكونين أساسيين: برامج الذكاء الاصطناعي، التي يشار إليها غالبًا باسم النماذج، والعتاد الحاسوبي، أو الشرائح، التي تدفع هذه البرامج. حتى الآن، ركزت جهود تطوير الذكاء الاصطناعي على تعزيز النماذج، بينما اعتبر العتاد مكونًا قياسيًا يتم توفيره من قبل موردين外ين. ومع ذلك، بدأت هذه النهج في التغيير مؤخرًا. شركات الذكاء الاصطناعي الكبيرة مثل جوجل ومتا وأمازون بدأت في تطوير شرائحها الخاصة. تطوير الشرائح المخصصة للذكاء الاصطناعي内部 يعلن عن عصر جديد في تقدم الذكاء الاصطناعي. سيستكشف هذا المقال الأسباب وراء هذا التحول في النهج وسيبرز أحدث التطورات في هذا المجال المتطور.

لماذا تطوير الشرائح الداخلية للذكاء الاصطناعي؟

يتم دفع التحول نحو تطوير الشرائح الداخلية للذكاء الاصطناعي بواسطة عدة عوامل حرجة، تشمل:

الطلب المتزايد على شرائح الذكاء الاصطناعي

إنشاء واستخدام نماذج الذكاء الاصطناعي يتطلب موارد حاسوبية كبيرة للتعامل الفعال مع كميات كبيرة من البيانات وتوليد تنبؤات أو رؤى دقيقة. لا تستطيع الشرائح الحاسوبية التقليدية التعامل مع الطلبات الحاسوبية عند التدريب على تريليونات النقاط البيانية. هذا القصور أدى إلى إنشاء شرائح الذكاء الاصطناعي المتقدمة المصممة خصيصًا لتلبية متطلبات الأداء والكفاءة العالية لتطبيقات الذكاء الاصطناعي الحديثة. مع استمرار البحث والتطوير في الذكاء الاصطناعي، يزداد الطلب على هذه الشرائح المتخصصة.

نفيديا، وهي شركة رائدة في إنتاج شرائح الذكاء الاصطناعي المتقدمة وتقدم على منافسيها، تواجه تحديات حيث يتجاوز الطلب سعة إنتاجها. هذا الوضع أدى إلى قائمة الانتظار لشرائح الذكاء الاصطناعي من نفيديا التي تم تمديدها إلى عدة أشهر، وتأخير يزداد مع زيادة الطلب على شرائح الذكاء الاصطناعي. بالإضافة إلى ذلك، تواجه سوق الشرائح، التي تشمل لاعبين كبيرين مثل نفيديا وإنتل، تحديات في إنتاج الشرائح. هذا المشكل يعود إلى اعتمادهم على الشركة التايوانية تسمك لتصنيع الشرائح. هذا الاعتماد على مصنع واحد يؤدي إلى أوقات انتظار طويلة لتصنيع هذه الشرائح المتقدمة.

جعل حوسبة الذكاء الاصطناعي كفاءة ومتوافقة مع الاستدامة

الجيل الحالي من شرائح الذكاء الاصطناعي، الذي يتم تصميمه لمهام الحوسبة الكثيفة، يستهلك الكثير من الطاقة، وينتج كميات كبيرة من الحرارة. هذا أدى إلى عواقب بيئية كبيرة لتدريب واستخدام نماذج الذكاء الاصطناعي. يلاحظ باحثو أوبن آي آي أن: منذ عام 2012، زادت القوة الحاسوبية المطلوبة لتدريب نماذج الذكاء الاصطناعي المتقدمة بنسبة 3.4 شهر، مما يشير إلى أن انبعاثات قطاع تكنولوجيا المعلومات والاتصالات قد تشكل 14% من انبعاثات الكربون العالمية بحلول عام 2040. أظهرت دراسة أخرى أنه يمكن لتدريب نموذج لغة كبير أن ينتج ما يصل إلى 284,000 كيلوغرام من ثاني أكسيد الكربون، وهو ما يعادل تقريبًا استهلاك الطاقة لخمس سيارات خلال فترة حياتها. بالإضافة إلى ذلك، تُقدر أن استهلاك الطاقة لمراكز البيانات سيزداد بنسبة 28% بحلول عام 2030. هذه النتائج تبرز ضرورة التوازن بين تطوير الذكاء الاصطناعي والمسؤولية البيئية. استجابةً لذلك، بدأت العديد من شركات الذكاء الاصطناعي في الاستثمار في تطوير شرائح أكثر كفاءة في استهلاك الطاقة، بهدف جعل تدريب واستخدام نماذج الذكاء الاصطناعي أكثر استدامة وصداقة للبيئة.

تخصيص الشرائح لمهام متخصصة

تختلف عمليات الذكاء الاصطناعي في احتياجاتها الحاسوبية. على سبيل المثال، يتطلب تدريب نماذج التعلم العميق قوة حاسوبية كبيرة وسرعة عالية للتعامل مع مجموعات بيانات كبيرة وتنفيذ حسابات معقدة بسرعة. يتم تصميم الشرائح المخصصة للتدريب لتعزيز هذه العمليات، مما يحسن السرعة والكفاءة. من ناحية أخرى، يتطلب عملية الاستدلال، حيث يتم تطبيق المعرفة المكتسبة من قبل النموذج لتقديم تنبؤات، معالجة سريعة مع استهلاك طاقة أقل، خاصة في الأجهزة الحوافية مثل الهواتف الذكية وأجهزة إنترنت الأشياء. يتم تصميم الشرائح المخصصة للاستدلال لتحسين الأداء لكل وات، مما يضمن استجابة سريعة وادخار البطارية. هذا التخصيص الدقيق لتصاميم الشرائح لعمليات التدريب والاستدلال يسمح لكل شريحة بالتعديل بدقة لدورها المقصود، مما يحسن الأداء عبر أجهزة وتطبيقات مختلفة. هذا النوع من التخصص لا يدعم فقط وظائف الذكاء الاصطناعي الأكثر قوة، بل يروج أيضًا إلى كفاءة طاقة أكبر وتكلفة أقل على نطاق واسع.

تقليل العبء المالي

يظل العبء المالي للحوسبة لتدريب واستخدام نماذج الذكاء الاصطناعي كبيرًا. على سبيل المثال، تستخدم أوبن آي آي جهاز كمبيوتر خارق تم إنشاؤه بواسطة مايكروسوفت لتدريب واستدلال منذ عام 2020. تكلف أوبن آي آي حوالي 12 مليون دولار لتدريب نموذج جي بي تي-3، وارتفع التكلفة إلى 100 مليون دولار لتدريب جي بي تي-4. وفقًا لتقرير من سيمي أناليسيس، تحتاج أوبن آي آي إلى حوالي 3617 خادم إتش جي إكس إيه 100، بإجمالي 28,936 وحدة معالجة رسومات، لدعم تشات جي بي تي، مما يجعله التكلفة المتوسطة لكل استعلام حوالي 0.36 دولار. مع هذه التكاليف الكبيرة في الاعتبار، يُreported أن سام ألتمان، الرئيس التنفيذي لأوبن آي آي، يبحث عن استثمارات كبيرة لبناء شبكة عالمية من مصانع تصنيع شرائح الذكاء الاصطناعي، وفقًا لتقرير بلومبرغ.

استغلال التحكم والابتكار

تأتي الشرائح الخارجية للذكاء الاصطناعي غالبًا مع قيود. قد يجد الشركات التي تعتمد على هذه الشرائح نفسها مقيدة بالحلول الجاهزة التي لا تتوافق تمامًا مع نماذج أو تطبيقات الذكاء الاصطناعي الفريدة. يسمح تطوير الشرائح الداخلية بالتخصيص المعدل للاستخدامات المحددة. سواء كان ذلك لسيارات ذاتية أو أجهزة محمولة، التحكم في العتاد يسمح للشركات بالاستفادة الكاملة من خوارزميات الذكاء الاصطناعي. يمكن أن تعزز الشرائح المخصصة مهام محددة، وتقلل من التأخير، وتحسن الأداء العام.

أحدث التطورات في تطوير شرائح الذكاء الاصطناعي

يتناول هذا القسم أحدث الإنجازات التي حققها جوجل ومتا وأمازون في بناء تكنولوجيا شرائح الذكاء الاصطناعي.

معالجات أكسيون من جوجل

لقد كان جوجل يتقدم بشكل مطرد في مجال تكنولوجيا شرائح الذكاء الاصطناعي منذ إطلاق وحدة معالجة التنسور في عام 2015. بناءً على هذا الأساس، أطلق جوجل مؤخرًا معالجات أكسيون، وهي معالجاتها المخصصة الأولى المصممة خصيصًا لمراكز البيانات وعمليات الذكاء الاصطناعي. تعتمد هذه المعالجات على هيكل آرم، المعروف بكفاءته وتصميمه المدمج. تهدف معالجات أكسيون إلى تعزيز كفاءة تدريب الذكاء الاصطناعي وعمليات الاستدلال القائمة على المعالج المركزي، مع الحفاظ على كفاءة الطاقة. هذا التطور أيضًا يrepresent تحسنًا كبيرًا في الأداء لعمليات عامة متعددة، بما في ذلك خوادم الويب وتطبيقات الميكروسيرفس المُحكمة، وقواعد البيانات المفتوحة، وذاكرة التخزين المؤقت، ومحركات تحليل البيانات، ومعالجة الوسائط، وغيرها.

متا إم تي آي إيه

تتقدم متا في تكنولوجيا شرائح الذكاء الاصطناعي مع مسرع متا للتدريب والاستدلال. هذا الأداة مصمم لتعزيز كفاءة عمليات التدريب والاستدلال، خاصة لخوارزميات الترتيب والتوصية. حددت متا مؤخرًا كيف أن مسرع متا للتدريب والاستدلال هو جزء أساسي من استراتيجيتها لتعزيز بنية تحتية الذكاء الاصطناعي بما يتجاوز وحدات معالجة الرسومات. كان من المخطط إطلاقه في عام 2025، وقد وضعت متا بالفعل كلا الإصدارين من مسرع متا للتدريب والاستدلال في الإنتاج، مما يُظهر وتيرة أسرع في خططها لتطوير الشرائح. بينما يركز مسرع متا للتدريب والاستدلال حاليًا على تدريب أنواع معينة من الخوارزميات، تهدف متا إلى توسيع استخدامه ليشمل تدريب نماذج الذكاء الاصطناعي التوليدي، مثل نموذج لاما للغة.

ترينيوم وإنفيرينتيا من أمازون

منذ إطلاق شريحة نيترو المخصصة في عام 2013، توسعت أمازون بشكل كبير في تطوير شرائح الذكاء الاصطناعي. كشفت الشركة مؤخرًا عن شرائح الذكاء الاصطناعي المبتكرة، ترينيوم وإنفيرينتيا. يتم تصميم ترينيوم لتعزيز تدريب نماذج الذكاء الاصطناعي ويتم إدراجه في كلستر إك 2 ألترا. هذه الكلستر، التي يمكنها استضافة ما يصل إلى 100,000 شريحة، مُحسنة لتدريب نماذج أساسية ونماذج لغة كبيرة بطريقة كفاءة في استهلاك الطاقة. من ناحية أخرى، يتم تصميم إنفيرينتيا لمهام الاستدلال حيث يتم تطبيق نماذج الذكاء الاصطناعي بشكل نشط، مع التركيز على تقليل التأخير والتكاليف أثناء الاستدلال لتلبية احتياجات ملايين المستخدمين الذين يتفاعلون مع خدمات الذكاء الاصطناعي.

الخلاصة

ينعكس التحول نحو تطوير الشرائح الداخلية للذكاء الاصطناعي من قبل الشركات الكبيرة مثل جوجل ومايكروسوفت وأمازون على تحول استراتيجي لمعالجة الاحتياجات الحاسوبية المتزايدة لتكنولوجيا الذكاء الاصطناعي. يبرز هذا الاتجاه الحاجة إلى حلول مخصصة بشكل خاص لدعم نماذج الذكاء الاصطناعي، وتلبية الاحتياجات الفريدة لهذه الأنظمة المتقدمة. مع استمرار نمو الطلب على شرائح الذكاء الاصطناعي، من المحتمل أن تشهد الشركات الرائدة مثل نفيديا زيادة كبيرة في قيمة السوق، مما يبرز الدور الحاسم الذي تلعبه الشرائح المخصصة في تعزيز ابتكارات الذكاء الاصطناعي. من خلال إنشاء شرائحها الخاصة، لا تُحسن هذه الشركات الكبيرة أداء ونظام الذكاء الاصطناعي فحسب، بل تعزز أيضًا مستقبلًا أكثر استدامة وتكلفة أقل. هذا التطور يضع معايير جديدة في الصناعة، مما يدفع التقدم التكنولوجي والميزة التنافسية في سوق عالمي سريع التغيير.