وحدات المعالجة العصبية (NPUs): القوة الدافعة وراء الذكاء الاصطناعي والحوسبة الجيل القادم

على غرار كيفية تجاوز وحدات معالجة الرسومات (GPUs) لوحدات المعالجة المركزية (CPUs) في مهام الذكاء الاصطناعي، فإن وحدات المعالجة العصبية (NPUs) على وشك تحدي وحدات معالجة الرسومات من خلال تقديم أداء أسرع وأكثر كفاءة، خاصة لما يتعلق بالذكاء الاصطناعي التوليدي، حيث يجب أن تتم المعالجة في الوقت الفعلي وبسرعة وبتكلفة منخفضة.

السؤال هو كيف تعمل وحدات المعالجة العصبية، ولماذا هي تتفوق على سابقاتها من وحدات معالجة الرسومات في مهام الذكاء الاصطناعي الحديثة، وما يجعلها لا غنى عنه لجميع الأشياء من البنية التحتية القوية لمراكز البيانات إلى الأجهزة الاستهلاكية اليومية؟ سواء كنت تخطط لتنفيذ كبير للذكاء الاصطناعي أو كنت simplement مهتمًا بمعرفة أحدث التطورات في مجال التكنولوجيا، من المهم فهم لماذا قد تكون وحدات المعالجة العصبية هي الابتكار الذي يعيد تعريف الذكاء الاصطناعي والجيل القادم من الحوسبة.

ما هي وحدة المعالجة العصبية (NPU)؟

وحدة المعالجة العصبية (NPU) هي معالج دقيق متخصص يتم بناؤه من الصفر لمعالجة متطلبات الذكاء الاصطناعي والتعلم الآلي الحديث. بينما كانت وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs) تقوم بمهام الحوسبة التقليدية وتصيير الرسومات، لم تكن مصممة في الأصل لمعالجة الكثافة الحسابية للشبكات العصبية. تعمل وحدات المعالجة العصبية على سد هذه الفجوة من خلال التركيز بشكل خاص على العمليات الموازية والعالية الإنتاجية مثل ضرب المصفوفات ورياضيات التنسور – أساس نماذج الذكاء الاصطناعي.

الجوانب الرئيسية التي تميز وحدات المعالجة العصبية عن وحدات المعالجة المركزية ووحدات معالجة الرسومات تشمل:

• الحسابات الحسابية المُختزلة: تعتمد وحدات المعالجة العصبية بشكل شائع على أنواع البيانات منخفضة الدقة (مثل حساب الأعداد الصحيحة 8 بت، أو حتى أقل) لتحقيق توازن بين القوة الحسابية والكفاءة في استهلاك الطاقة، بينما تعتمد وحدات المعالجة المركزية ووحدات معالجة الرسومات على حسابات النقطة العائمة بدقة أعلى.
• الهيكل الموازي: يمكن لوحدات المعالجة العصبية تقسيم مهام الذكاء الاصطناعي إلى آلاف (أو حتى ملايين) من الحسابات الصغيرة التي تتم بشكل متزامن، مما يزيد بشكل كبير من الإنتاجية.
• الكفاءة في استهلاك الطاقة: من خلال إlimination التعليمات غير الضرورية وتحسينها خصيصًا لمهام الشبكات العصبية، يمكن لوحدات المعالجة العصبية تحقيق أداء أعلى عند استهلاك طاقة أقل مقارنة بوحدات معالجة الرسومات أو وحدات المعالجة المركزية التي تقوم بنفس مهام الذكاء الاصطناعي.

تُعرف وحدات المعالجة العصبية أيضًا باسم مسرعات الذكاء الاصطناعي، وتظهر غالبًا كأجهزة مادية منفصلة متصلة بلوحات الأم أو كجزء من نظام على شريحة في الهواتف الذكية أو الحواسيب أو أجهزة الحواف.

لماذا تهم وحدات المعالجة العصبية للذكاء الاصطناعي التوليدي

الارتفاع المتسارع للذكاء الاصطناعي التوليدي – والذي يشمل نماذج اللغة الكبيرة (LLMs) مثل ChatGPT وأدوات توليد الصور مثل DALL·E ونمذج التركيب الفيديوي – يتطلب منصات حسابية قادرة على التعامل مع كميات هائلة من البيانات ومعالجتها في الوقت الفعلي وتعلم منها بفعالية. يمكن لوحدات المعالجة التقليدية أن تعاني من صعوبات في هذه المتطلبات، مما يؤدي إلى استهلاك طاقة عالي وزيادة في التأخير و انخفاض في الإنتاجية.

المزايا الرئيسية لوحدات المعالجة العصبية للذكاء الاصطناعي التوليدي

1. المعالجة في الوقت الفعلي: تعمل نماذج الذكاء الاصطناعي التوليدي مثل المحولات ونمذج الانتشار والشبكات التوليدية المعارضة (GANs) على عمليات متطورة مثل ضرب المصفوفات وإضافة المتجهات. تتميز وحدات المعالجة العصبية بتقديم أداء منخفض التأخير لمثل هذه النماذج.
2. ال قابلة للتوسيع: تعتمد وحدات المعالجة العصبية على التوسيع الموازي، مما يجعلها مناسبة للархيتكتур الكبيرة المستخدمة في الذكاء الاصطناعي التوليدي. يمكن إضافة المزيد من نوى وحدات المعالجة العصبية أو وحدات المعالجة العصبية إلى مجموعة مراكز البيانات لزيادة الأداء بشكل خطي دون زيادة كبيرة في استهلاك الطاقة.
3. الكفاءة في استهلاك الطاقة: مع نمو تعقيد نماذج الذكاء الاصطناعي التوليدي، يزداد استهلاك الطاقة. تساعد وحدات المعالجة العصبية في الحفاظ على بصمة الطاقة تحت السيطرة من خلال التركيز على الرياضيات المحددة التي يتطلبها الذكاء الاصطناعي التوليدي، وإlimination الحسابات الزائدة.

الميزات الرئيسية لوحدات المعالجة العصبية

1. المعالجة الموازية: من خلال تقسيم المهام الحسابية إلى مهام صغيرة عديدة، يمكن لوحدات المعالجة العصبية التعامل مع عمليات المصفوفات على نطاق واسع بسرعة أكبر بكثير من وحدات المعالجة المركزية، التي تقوم عادةً بتنفيذ التعليمات بطريقة أكثر خطية أو تسلسلية. هذه الموازية هي حاسمة لمهام التعلم العميق، حيث يتضمن التدريب والاستدلال كميات كبيرة من البيانات.
2. الرياضيات منخفضة الدقة: لا تتطلب معظم الحسابات في الشبكات العصبية دقة العمليات النقطية العائمة 32 بت أو 64 بت. تقلل أنواع البيانات منخفضة الدقة، مثل الأعداد الصحيحة 8 بت، من عدد البتات المعالجة لكل عملية، مما يسمح بتنفيذ أسرع وأكثر كفاءة في استهلاك الطاقة مع الحفاظ على دقة النموذج.
3. ذاكرة عالية السعة على الشريحة: القدرة على الاحتفاظ بكميات كبيرة من بيانات التدريب أو الاستدلال بالقرب من المعالج هي أمر حيوي لمهام الذكاء الاصطناعي. تتميز العديد من وحدات المعالجة العصبية بذاكرة عالية السعة على الشريحة (HBM) أو أنظمة ذاكرة متقدمة مصممة خصيصًا للشبكات العصبية، مما يقلل من الحاجة إلى التواصل المستمر مع الذاكرة الخارجية.
4. تقنيات التعزيز الأجهزة: غالبًا ما تحتوي архيتكتур وحدات المعالجة العصبية الحديثة على وحدات أجهزة متخصصة مثل مصفوفات السوستيك أو نوى التنسور، مما يسمح لها بتنفيذ ضرب المصفوفات وعمليات الذكاء الاصطناعي الأخرى بسرعات خيالية مع الحد الأدنى من العبء.

كيف تعمل وحدات المعالجة العصبية: محاكاة الدماغ

تستمد وحدات المعالجة العصبية الإلهام من الشبكات العصبية في الدماغ البشري. كما هو الحال مع مليارات الخلايا العصبية والسينابس التي تعالج المعلومات بالموازاة، تتكون وحدة المعالجة العصبية من عناصر معالجة متعددة قادرة على التعامل مع مجموعات بيانات كبيرة في نفس الوقت. هذا التصميم فعال بشكل خاص لمهام مثل:

• التعرف على الصور ومعالجتها
• معالجة اللغة الطبيعية (NLP) واعتراف الكلام
• كشف الكائنات والتنقل المستقل
• الذكاء الاصطناعي التوليدي (مثل توليد الصور والنص)

الأوزان السينابسية والتعلم

ركن أساسي من حسابات الشبكة العصبية هو مفهوم الأوزان، التي تمثل “القوة” أو “الأهمية” لكل وصلة عصبية في الشبكة. تدمج وحدات المعالجة العصبية هذه الأوزان مباشرة في الأجهزة، مما يسمح بتحديث أسرع وأكثر كفاءة في استهلاك الطاقة عندما يتعلم النموذج.

نوى عالية السعة مبسطة

في حين كانت وحدات المعالجة المركزية تتعامل مع عمليات متعددة ومتنوعة (من تصفح الويب إلى حسابات الجدول)، تُبسط وحدات المعالجة العصبية التصميم لتركيزه على بضع عمليات أساسية فقط – مثل ضرب المصفوفات والدوال التنشيطية والترشيح – يتم تنفيذها بشكل متكرر بالموازاة.

وحدات المعالجة العصبية مقابل وحدات معالجة الرسومات مقابل وحدات المعالجة المركزية

كل نوع من المعالجات يلعب دورًا فريدًا في الحوسبة الحديثة، على الرغم من وجود بعض الت重lapping عند التعامل مع مهام الذكاء الاصطناعي. إليك نظرة سريعة على الاختلافات:

الاستنتاج: بينما تظل وحدات المعالجة المركزية حاسمة للسيطرة على النظام والعمليات التقليدية، وتقدم وحدات معالجة الرسومات قوة معالجة موازية قوية (特别 لمهام الرسومات الثقيلة)، تُصمم وحدات المعالجة العصبية خصيصًا لتسريع الذكاء الاصطناعي وتعمل بperformance-واط أعلى لمحملات الذكاء الاصطناعي.

تطبيقات وحدات المعالجة العصبية في العالم الواقعي

مراكز البيانات والذكاء الاصطناعي السحابي

تضم مراكز البيانات الكبيرة وحدات معالجة عصبية منفصلة يمكن تثبيتها مباشرة على لوحات الأم. هذه الوحدات تسريع كل شيء من محركات التوصية (مثل تلك التي تعمل في نتفليكس وأمازون) إلى الذكاء الاصطناعي التوليدي مثل التوليد النصي والصوري في الوقت الفعلي.

الهواتف الذكية والالكترونيات الاستهلاكية

تتضمن العديد من الهواتف الذكية الراقية والهواتف المحمولة والแทبلتات الحديثة وحدة معالجة عصبية أو محرك الذكاء الاصطناعي مباشرة في نظامها على الشريحة. محرك Neural من آبل، Hexagon NPU من كوالكوم، ومحرك Neural Processing من سامسونج هي أمثلة على الحلول المدمجة. هذا النهج يسمح ب:

• معالجة الصور والفيديو في الوقت الفعلي (مثل التمويه الخلفي في مكالمات الفيديو)
• مساعدين صوتيين على الجهاز (مع اعتراف الكلام)
• ميزات الكاميرا الذكية مثل كشف المشهد والتعرف على الوجه والاستقرار المتقدم للصورة

أجهزة الحواف وإنترنت الأشياء

أصبحت وحدات المعالجة العصبية حاسمة في حوسبة الحواف، حيث يتعين على الأجهزة معالجة البيانات محليًا بدلاً من إرسالها إلى السحاب. هذا هو besonders قيم للتطبيقات التي تتطلب تأخيرًا منخفضًا وخصوصية البيانات أو ردود فعل في الوقت الفعلي – فكر في أجهزة المنزل الذكية ومستشعرات صناعة 4.0 والطائرات بدون طيار والمركبات المستقلة وأكثر.

الروبوتات

من الروبوتات الآلية في المستودعات إلى مساعدي الروبوتات الجراحية، يمكن لوحدات المعالجة العصبية اتخاذ قرارات سريعة بناءً على المدخلات الحسية. قدرتهم على التعامل مع تدفقات الفيديو (كشف الكائنات والتعرف على الأنماط) وبقية البيانات الحسية بسرعة هي تحولية للجيل القادم من الروبوتات المستقلة وشبه المستقلة.

وحدات المعالجة العصبية لحوسبة الحواف والذكاء الاصطناعي على الجهاز

لماذا تهمنا حوسبة الحواف

كما ينتشر الذكاء الاصطناعي في الأجهزة القابلة للارتداء والمستشعرات الأخرى وأجهزة إنترنت الأشياء، يصبح القدرة على معالجة البيانات قرب المصدر (بدلاً من السحاب) أكثر أهمية من أي وقت مضى. تقلل حوسبة الحواف من تكاليف نقل البيانات وتخفف من مشاكل التأخير وتحافظ على المعلومات الحساسة على الجهاز – مما يحسن من الأمان والخصوصية.

دور وحدات المعالجة العصبية في الذكاء الاصطناعي على الحواف

1. استهلاك طاقة منخفض: غالبًا ما تكون أجهزة الحواف تعمل بالبطارية أو مقيدة بالطاقة، وبالتالي تحتاج إلى معالج ذكاء اصطناعي يمكنه العمل بدون استنزاف الموارد. وحدات المعالجة العصبية، المُحسّنة لمعالجة المصفوفات، هي الخيار المثالي.
2. الرؤى في الوقت الفعلي: سواء كان ذلك كشف الشذوذ في مصنع أو إعادة توجيه طائرة بدون طيار أثناء الطيران، يمكن أن تكون قرارات الاستدلال في الوقت الفعلي حاسمة لفيabilidad التطبيق. تقدم وحدات المعالجة العصبية هذه القدرة مع الحد الأدنى من العبء.
3. تطبيقات الهواتف الذكية: مع ظهور الذكاء الاصطناعي التوليدي على الجهاز، تعمل وحدات المعالجة العصبية في الهواتف الذكية بالفعل على تشغيل الميزات المتقدمة للكاميرا والترجمة اللغوية في الوقت الفعلي ومساعد الصوت المُدرك للسياق.

مستقبل وحدات المعالجة العصبية والذكاء الاصطناعي

كما يزداد الذكاء الاصطناعي التوليدي بشكل أسي في القدرة، يزداد الطلب على الحوسبة عالية الأداء والكفاءة في استهلاك الطاقة. بالفعل، تعمل الشركات المصنعة للأجهزة مثل إنتل وAMD وNvidia وآبل وكوالكوم وسامسونج على دمج أو تحسين هياكل وحدات المعالجة العصبية الخاصة بها. كما تتحرك مراكز البيانات نحو نماذج الحوسبة غير المتجانسة – حيث تتعايش وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية – لمعالجة التحميلات المتخصصة على نطاق واسع.

وحدات المعالجة العصبية للذكاء الاصطناعي التوليدي الجيل القادم

• التأخير المنخفض: يمكن لوحدات المعالجة العصبية المستقبلية تحقيق الاستدلال في الوقت الفعلي تقريبًا، مما يجعل المساعدين الشخصيين الافتراضيين وتوليد المحتوى في الوقت الفعلي جزءًا لا يتجزأ من الحياة اليومية.
• تعديلات النموذج في الوقت الفعلي: مع تصبح النماذج أكثر ديناميكية – حيث يتم تعديل هيكلها وأوزانها في الوقت الفعلي – سوف تتطور وحدات المعالجة العصبية لمعالجة السيناريوهات التعليمية المستمرة.
• ما وراء الرؤية واللغة: سوف يتوسع الذكاء الاصطناعي التوليدي قريبًا إلى مخرجات متعددة الحواس، بما في ذلك التغذية المتنقلة في الوقت الفعلي وتوليد الكائنات ثلاثية الأبعاد أو حتى تجارب متعددة الحواس.

تعاون المعالجات المتعددة

تتضمن الحوسبة غير المتجانسة استغلال المعالج المناسب للوظيفة المناسبة. تعمل وحدة المعالجة المركزية على المهام العامة وتنسيقها، وتتعامل وحدة معالجة الرسومات مع العمليات الموازية الكبيرة (مثل الرسومات أو عمليات المصفوفات الكبيرة)، وتقوم وحدة المعالجة العصبية بمهام الذكاء الاصطناعي المتخصصة – خاصةً الاستدلال على نطاق واسع للشبكات العصبية.

في هذا السيناريو المستقبلي، تصبح التطبيقات أكثر مرونة وقوة:

• الفن التوليدي يمكن أن يعمل محليًا، مع معالجة وحدة المعالجة العصبية لمهام النقل أو التوسيع في الوقت الفعلي.
• البرمجيات المؤسسية التي تتطلب معالجة لغة طبيعية بالذكاء الاصطناعي يمكنها تفويض تصحيح القواعد وفهم السياق لوحدات المعالجة العصبية، بينما تتعامل وحدة المعالجة المركزية مع التفاعل مع وحدة معالجة الرسومات لتصوير البيانات.
• المحاكاة المعقدة في البحث العلمي يمكن تقسيمها بين وحدة المعالجة المركزية ووحدة معالجة الرسومات ووحدات المعالجة العصبية لتعامل بفعالية مع مليارات النقاط البيانية.

الابتكار السريع للأجهزة والبرمجيات

بسبب الحاجة إلى تسريع سريع للذكاء الاصطناعي، تتسارع الابتكارات في الأجهزة والبرمجيات:

• مجموعات التعليمات المخصصة: يتم تطوير العديد من وحدات المعالجة العصبية مع مجموعات تعليمات مخصصة تتوافق مع خوارزميات الذكاء الاصطناعي المتطورة.
• إطارات الذكاء الاصطناعي الموحدة: تواصل إطارات الذكاء الاصطناعي (مثل TensorFlow وPyTorch وONNX) تحسين أدائها لخلفيات وحدات المعالجة العصبية، مما يبسط سير عمل المطورين.
• التقارب بين الحواف والسحاب: يمكن لنفس حمولة الذكاء الاصطناعي التي كانت مقيدة بالسحاب أن تنتشر الآن عبر وحدات معالجة الرسومات والسحاب أو مباشرة على أجهزة الحواف.

الختام

تُشير وحدات المعالجة العصبية إلى عصر جديد من الأجهزة المخصصة للذكاء الاصطناعي، وتعالج مباشرةً التحديات التي تطرحها الشبكات العصبية العميقة والذكاء الاصطناعي التوليدي ومعالجة البيانات على نطاق واسع. من خلال التركيز على الحملات الموازية ومنخفضة الدقة، تقدم وحدات المعالجة العصبية أداءً غير مسبوق و كفاءة في استهلاك الطاقة و قابلة للتوسيع – مما يجعلها حاسمة ليس فقط للذكاء الاصطناعي السحابي المتقدم ولكن أيضًا للأجهزة الاستهلاكية اليومية والتطبيقات الناشئة على الحواف.

أهمية وحدات المعالجة العصبية في مستقبل الذكاء الاصطناعي لا يمكن التقليل منها. مع تزايد الطلب على الذكاء الاصطناعي التوليدي على الجهازและการ採纳 الحوسبة غير المتجانسة، من المرجح أن تصبح وحدات المعالجة العصبية جزءًا لا يتجزأ من الأنظمة التي تعتمد على الذكاء الاصطناعي. سواء كانت تمكين الترجمة اللغوية في الوقت الفعلي على هاتفك الذكي أو تنسيق نماذج اللغة الكبيرة في مركز البيانات، وحدة المعالجة العصبية على وشك تحويل كيفية تعلم الآلات والتفاعل مع العالم – مما يوفر نظرة على مستقبل أكثر ذكاءً و شخصنة و كفاءة في استهلاك الطاقة.