مستقبل الذكاء الاصطناعي التوليدي هو الحافة

appearance من ChatGPT و الذكاء الاصطناعي التوليدي بشكل عام ، هو لحظة حاسمة في تاريخ التكنولوجيا و يُقارن بفجر الإنترنت و الهاتف الذكي. أظهر الذكاء الاصطناعي التوليدي إمكانيات لا حصر لها في قدرته على إجراء محادثات ذكية ، و اجتياز الامتحانات ، و إنشاء برامج / رموز معقدة ، و إنشاء صور و فيديوهات جذابة. بينما تعمل معظم نماذج الذكاء الاصطناعي التوليدي على وحدات معالجة الرسومات في السحابة – لكل من التدريب و الاستدلال – هذا ليس حلاً قابلًا للتطوير على المدى الطويل ، و خاصةً بالنسبة للاستدلال ، بسبب عوامل تشمل التكلفة و القوة و التأخر و الخصوصية و الأمان. يعالج هذا المقال كل من هذه العوامل جنبًا إلى جنب مع أمثلة تحفيزية لنقل حمولات معالجة الذكاء الاصطناعي التوليدي إلى الحافة.

تجري معظم التطبيقات على معالجات عالية الأداء – إما على الجهاز (مثل الهواتف الذكية و أجهزة المكتب و الحواسيب المحمولة) أو في مراكز البيانات. مع توسع حصة التطبيقات التي تستخدم الذكاء الاصطناعي ، تكون هذه المعالجات التي تحتوي فقط على وحدات المعالجة المركزية غير كافية. بالإضافة إلى ذلك ، يؤدي التوسع السريع في حمولات عمل الذكاء الاصطناعي التوليدي إلى زيادة الطلب بشكل كبير على الخوادم المجهزة بوحدات معالجة الرسومات باهظة الثمن و التي تستهلك الكثير من الطاقة ، مما يؤدي إلى زيادة التكاليف البنية. يمكن أن تصل تكلفة هذه الخوادم المجهزة بتقنيات الذكاء الاصطناعي إلى أكثر من 7 أضعاف سعر الخادم العادي ، و تعزى 80٪ من هذه الزيادة في التكلفة إلى وحدات معالجة الرسومات.

بالإضافة إلى ذلك ، تستهلك خادم السحابة ما بين 500 واط و 2000 واط ، بينما تستهلك خادم مجهز بتقنيات الذكاء الاصطناعي ما بين 2000 واط و 8000 واط – أي ما يعادل 4 أضعاف أكثر! لتلبية احتياجات هذه الخوادم ، تحتاج مراكز البيانات إلى وحدات تبريد إضافية و تحديثات بنية تحتية – التي يمكن أن تكون أكثر من استثمار الحوسبة. تستهلك مراكز البيانات بالفعل 300 تيراوات ساعة في السنة ، أي ما يعادل تقريبًا 1٪ من إجمالي استهلاك الطاقة في العالم. إذا استمرت اتجاهات تبني الذكاء الاصطناعي ، فقد تصل استهلاك الطاقة في مراكز البيانات إلى 5٪ من إجمالي استهلاك الطاقة في العالم بحلول عام 2030. بالإضافة إلى ذلك ، هناك استثمار غير مسبوق في مراكز بيانات الذكاء الاصطناعي التوليدي. يُقدر أن تصل استهلاك مراكز البيانات إلى 500 مليار دولار من النفقات الرأسمالية بحلول عام 2027 ، و ذلك بشكل رئيسي بسبب متطلبات البنية التحتية للذكاء الاصطناعي.

استهلاك الكهرباء لمراكز البيانات ، التي تبلغ بالفعل 300 تيراوات ساعة ، سوف يزيد بشكل كبير مع تبني الذكاء الاصطناعي التوليدي.

تثبط تكلفة معالجة الذكاء الاصطناعي و استهلاك الطاقة من اعتماده على نطاق واسع. يمكن التغلب على تحديات التوسع عن طريق نقل معالجة الذكاء الاصطناعي إلى الحافة و استخدام حلول المعالجة المُختصة بالذكاء الاصطناعي. مع هذا النهج ، تُكتسب فوائد أخرى للعملاء ، بما في ذلك التأخر و الخصوصية و الموثوقية ، بالإضافة إلى القدرة المتزايدة.

تتبع المعالجة البيانات إلى الحافة

منذ عقد من الزمن ، عندما ظهر الذكاء الاصطناعي من العالم الأكاديمي ، تم تدريب نماذج الذكاء الاصطناعي و استدلالها في السحابة / مركز البيانات. مع معظم البيانات التي تُولَد و تُستهلك في الحافة – خاصةً الفيديو – كان من المنطقي نقل استدلال البيانات إلى الحافة ، و ذلك لتحسين التكلفة الإجمالية للملكية (TCO) للشركات بسبب التكاليف الأقل للشبكة و الحوسبة. بينما تكون تكاليف استدلال الذكاء الاصطناعي في السحابة متكررة ، تكون تكلفة الاستدلال في الحافة مجرد تكلفة首ية لشراء الأجهزة. بشكل أساسي ، يقلل نظام المعالجة المُحسّن بمعالج الذكاء الاصطناعي الحافي من التكاليف التشغيلية الإجمالية. مثل هجرة حمولات العمل التقليدية للذكاء الاصطناعي إلى الحافة (مثل الأجهزة و الأجهزة) ، سوف تتبع حمولات عمل الذكاء الاصطناعي التوليدي نفس المسار. هذا سوف يؤدي إلى توفيرات كبيرة للشركات و المستهلكين.

الانتقال إلى الحافة جنبًا إلى جنب مع معزز الذكاء الاصطناعي الفعال لتنفيذ وظائف الاستدلال يُقدم فوائد أخرى. وأهمها التأخر. على سبيل المثال ، في تطبيقات الألعاب ، يمكن التحكم في الشخصيات غير اللاعبين (NPCs) و تعزيزها باستخدام الذكاء الاصطناعي التوليدي. باستخدام نماذج LLM التي تعمل على معززات الذكاء الاصطناعي في الحافة في وحدة ألعاب أو حاسوب ، يمكن للاعبين إعطاء هذه الشخصيات أهدافًا محددة ، بحيث يمكنهم المشاركة بشكل فعال في القصة. سوف يسمح التأخر المنخفض من الاستدلال المحلي في الحافة لرد فعل كلام و حركات الشخصيات غير اللاعبين على أوامر و أفعال اللاعبين في الوقت الفعلي. هذا سوف يوفر تجربة ألعاب غامرة للغاية بطريقة فعالة من حيث التكلفة و كفاءة الطاقة.

في التطبيقات مثل الرعاية الصحية ، تكون الخصوصية و الموثوقية من الأمور الحيوية (مثل تقييم المرضى و توصيات الأدوية). يجب أن تكون البيانات و نماذج الذكاء الاصطناعي التوليدي المرتبطة بها موجودة على الموقع لضمان حماية بيانات المرضى (الخصوصية) ، و يمكن أن يكون انقطاع الشبكة الذي يمنع الوصول إلى نماذج الذكاء الاصطناعي في السحابة مدمرًا. يمكن لمعزز الذكاء الاصطناعي في الحافة الذي يعمل بنموذج الذكاء الاصطناعي التوليدي المُصمم خصيصًا لكل عميل شركات – في هذه الحالة ، مزود الرعاية الصحية – حل مشاكل الخصوصية و الموثوقية بطريقة سلسة ، مع تقديم منافع التأخر و التكلفة الأقل.

الذكاء الاصطناعي التوليدي على أجهزة الحافة سوف يضمن التأخر المنخفض في الألعاب و يحافظ على بيانات المرضى و يُحسّن الموثوقية في الرعاية الصحية.

يمكن أن يكون العديد من نماذج الذكاء الاصطناعي التوليدي التي تعمل على السحابة قريبة من تريليون معامل – يمكن لهذه النماذج التعامل بشكل فعال مع الاستفسارات العامة. ومع ذلك ، تتطلب التطبيقات الخاصة بالشركات أن تقدم النماذج نتائج ذات صلة بالケース. khod تطبيق مساعد الذكاء الاصطناعي التوليدي المُصمم لاستقبال الطلبات في مطعم سريع – من أجل أن يكون هذا النظام تفاعلًا سلسًا مع العملاء ، يجب أن يكون نموذج الذكاء الاصطناعي التوليدي الأساسي مدربًا على عناصر قائمة المطعم ، و يعرف أيضًا المكونات و المواد المسببة للحساسية. يمكن تحسين حجم النموذج عن طريق استخدام نموذج LLM كبير لتدريب نموذج LLM أصغر ، و ذلك يتراوح بين 10 و 30 مليار معامل ، و بعد ذلك استخدام تعديل إضافي مع بيانات العميل المحددة. يمكن أن يقدم مثل هذا النموذج نتائج أكثر دقة و قدرة. و نظرًا لحجم النموذج الأصغر ، يمكن نشره بشكل فعال على معزز الذكاء الاصطناعي في الحافة.

الذكاء الاصطناعي التوليدي سوف يفوز في الحافة

دائمًا ما سيكون هناك حاجة إلى الذكاء الاصطناعي التوليدي الذي يعمل في السحابة ، و خاصةً للتطبيقات العامة مثل ChatGPT و Claude. لكن عندما يتعلق الأمر بالتطبيقات الخاصة بالشركات ، مثل تعبئة Adobe Photoshop التوليدية أو Github Copilot ، فإن الذكاء الاصطناعي التوليدي في الحافة ليس فقط مستقبلًا ، بل هو أيضًا الحاضر. معززات الذكاء الاصطناعي المُصممة خصيصًا لهذا الغرض هي المفتاح لجعل ذلك ممكنًا.