قادة الفكر
الكأس المقدسة للقوة الحاسوبية في الذكاء الاصطناعي

النقاط الرئيسيةرقائق الذكاء الاصطناعي المتخصصة تقلل بشكل كبير من استهلاك الطاقة ووقت التدريب مقارنة…
عرض المزيد
- رقائق الذكاء الاصطناعي المتخصصة تقلل بشكل كبير من استهلاك الطاقة ووقت التدريب مقارنة بوحدات معالجة الرسومات للأغراض العامة.
- تقييم شركة إنفيديا البالغ 5 تريليونات دولار نابع من رقائقها الأساسية لتدريب وتشغيل نماذج الذكاء الاصطناعي.
- مزودو الخدمات السحابية مثل AWS وAzure يركزون الوصول إلى القوة الحاسوبية المتقدمة لجميع المطورين.
على الرغم من التقدم الكبير، لا تزال قدرات الذكاء الاصطناعي محدودة عند مقارنتها بالتوقعات الحقيقية في العالم الحقيقي. نبني نماذج معقدة، ونشغّل شبكات عصبونية، ونختبر خوارزميات، ومع ذلك، يتوقف التقدم أحيانًا في الأماكن التي ننتظرها أقل.
المشكلة غالبًا ما يكمن ليس في الخوارزميات أو البيانات، ولكن في القوة الحاسوبية، الموارد التي تسمح للنماذج بالتعلم والعمل على النطاق اللازم. فما الذي يقع خلف هذا الحاجز؟ دعونا ننظر في المورد الحاسم الذي بدونه لا تستطيع حتى أكثر مشاريع الذكاء الاصطناعي وعدًا أن تتجاوز المختبر.
عجز الحوسبة ونتائجه
لفهم هذا الموضوع، دعونا نبدأ بتاريخ الاتصالات المتنقلة. عندما ظهرت شبكات 3G و 4G لاحقًا، كان الإنترنت بالفعل شبه عالمي. وعندما تم تقديم 5G، سأل الكثير من الناس سؤالًا معقولًا: “الإنترنت سيكون أسرع – ولكن ماذا بعد؟”
في الواقع، زيادة سرعة الإنترنت لا تقتصر على راحة المستخدم. إنها تحول المنظر التكنولوجي بأكمله. تظهر حالات استخدام كانت من قبل مستحيلة. أظهر 5G أنه أسرع بكثير من 4G، وهذا القفز لم يكن تدريجيًا مثل القفزة من 1G إلى 2G، ولكن بالأحرى أسيًا. ونتيجة لذلك، تظهر تطبيقات جديدة وأجهزة وفئات تكنولوجية كاملة.
كاميرات إشارات المرور، ونظم تحليل حركة المرور في الوقت الفعلي، وآليات تنظيم المرور الآلية – كل هذا يصبح ممكنًا بفضل تقنيات الاتصالات الجديدة. تحصل الشرطة على وسائل جديدة لتبادل البيانات، وفي الفضاء، يمكن للأقمار الصناعية والمراصد إرسال كميات هائلة من المعلومات إلى الأرض. القفزة النوعية في تكنولوجيا أساسية تدفع تطوير النظام البيئي بأكمله.
ينطبق نفس المبدأ على القوة الحاسوبية. تخيل قدرة الحوسبة الإجمالية للبشرية بوحدات خيالية. اليوم، قد يكون لدينا، على سبيل المثال، عشرة وحدات من هذا القبيل. معهم، يمكننا إنشاء صور ومرئيات، وكتابة نصوص، وإنشاء مواد تسويقية… هذا بالفعل كبير، ولكن نطاق التطبيقات محدود بشكل رئيسي.
الآن تخيل أن لدينا ليس عشرة وحدات، ولكن ألف وحدة من هذا القبيل. فجأة، تصبح التكنولوجيات التي كانت من قبل باهظة الثمن قابلة للتطبيق، والشركات الناشئة التي تم التخلي عنها بسبب التكاليف الحاسوبية العالية تبدأ في أن تصبح منطقية من الناحية الاقتصادية.
خذ على سبيل المثال سيارات الأجرة الآلية. اليوم، تعتمد بشكل رئيسي على حواسيب محلية ضعيفة مثبتة في المركبة. ومع ذلك، إذا تم نقل بث الفيديو إلى السحابة مع موارد حاسوبية هائلة، يمكن معالجة البيانات وإعادتها في الوقت الفعلي. وهذا هو الأمر الحاسم: يجب على السيارة المتحركة بسرعة 100 كم / ساعة أن تتخذ قرارات في أجزاء من الثانية – الاستمرار في السير، الانعطاف، الكبح، أو عدم الكبح.
هذا عندما تصبح صناعة سيارات الأجرة الآلية العاملة بالكامل ممكنة، وليس فقط حلولًا معزولة مثل تلك التي نراها اليوم. الحاسوب المحلي المثبت في السيارة محدود بطبيعته بطريقة لا توجد في النظام المتصل. كلما زادت سرعة توسيعها، زادت سرعة تغيير العالم من حولنا.
الوصول إلى الرقائق و “التذكرة الذهبية” في الذكاء الاصطناعي
في سياق القوة الحاسوبية، يطرح السؤال: هل يصبح الوصول إلى الرقائق الحديثة “التذكرة الذهبية” لدخول سوق الذكاء الاصطناعي؟ هل يخلق اللاعبون الكبار الذين يبرمون عقودًا مع مصنعي الرقائق، أو ينتجونها بأنفسهم، فجوة بين الشركات الكبيرة وجميع الآخرين؟
تظهر مثل هذه الفجوة فقط في حالة واحدة: إذا كان نموذج العمل يركز حصريًا على بيع الرقائق للعملاء الكبار. في الممارسة، تهدف الشركات مثل NVIDIA (NVDA ) إلى توفير حلول سحابية للجميع. رقائقها المحسّنة متاحة في السحابة لكل من OpenAI والمطورين المستقلين.
حتى التحالفات الاستراتيجية بين الشركات مثل Google و Anthropic و Microsoft (MSFT ) و OpenAI و Amazon (AMZN ) و NVIDIA هي في الغالب شراكات للاستفادة المشتركة من الموارد، وليس محاولات لإغلاق السوق. هذا النموذج يسمح بتخصيص الموارد الحاسوبية بكفاءة، وبالتالي يسرع التطور التكنولوجي.
إذا تابعنا سلسلة استخدام الموارد الحاسوبية، فتبدأ مع المستخدم النهائي. على سبيل المثال، عندما تستخدم WhatsApp للمكالمات المرئية والمراسلة، يجب على الشركة ضمان عمل الخدمة: تخزين البيانات ومعالجتها، وتشغيل نماذج لتنظيف الفيديو، وإضافة التأثيرات، وتحسين جودة الصورة.
تكون صيانة الخوادم المملوكة للشركة باهظة الثمن، وهي تتقادم وتتطلب صيانة مستمرة. لذلك ظهرت حلول السحابة، “السحابة”. يهيمن على السوق ثلاثة لاعبين: Google Cloud و AWS و Microsoft Azure. لا يمكن للشركات الأخرى المنافسة على هذا المستوى: حجم البنية التحتية ضخم للغاية.
تتمثل حلول السحابة في مراكز بيانات ضخمة مع التبريد، وتوفير الطاقة، والصيانة على مدار الساعة. تحتوي على خوادم و رقائق متخصصة من NVIDIA و AMD وشركات أخرى، مما يسمح بالعمليات الحاسوبية على نطاق واسع.
هنا نصل إلى السؤال الرئيسي الذي ناقشته في مقالي السابق حول مراكز البيانات، وأريد أن أستمر هنا: ما هو العائق الرئيسي في هذا النظام؟ هل هو نقص الكهرباء، أو صعوبة تبريد مراكز البيانات في المناطق التي تجعل المناخ يصعب ذلك بشكل خاص؟ في الواقع، يكمن السر في الرقائق نفسها…
الكأس المقدسة
لماذا تُقدر NVIDIA اليوم بحوالي 5 تريليونات دولار وتُعد واحدة من أنجح الشركات المدرجة في البورصة في العالم؟ السبب بسيط: تنتج NVIDIA الرقائق التي تُدرّب عليها نماذج الذكاء الاصطناعي ويُنفَّذ عليها الاستدلال.
تستهلك كل واحدة من هذه الرقائق كميات هائلة من الكهرباء عند تدريب نماذج كبيرة أو معالجة كميات هائلة من البيانات. ولكن ما مدى كفاءة استخدام هذه الطاقة؟ هنا تأتي الرقائق المتخصصة إلى اللعب؛ فهي تتعامل مع مهام محددة بكفاءة أعلى بكثير من وحدات معالجة الرسوميات متعددة الأغراض.
تختلف نماذج الذكاء الاصطناعي. على سبيل المثال، لدى OpenAI عائلة من النماذج، ولدي Anthropic عائلة أخرى. قد تكون المفاهيم مشابهة، ولكن الهياكل الرياضية والعمليات الحاسوبية مختلفة. رقاقة عامة متعددة الاستخدامات، عند تدريب نماذج OpenAI (مثل ChatGPT) مقابل نماذج Anthropic (مثل Claude)، تعمل كأداة “تناسب الجميع”، وتستهلك، على سبيل المثال، 100,000 ساعة من الحوسبة لنموذج واحد و 150,000 ساعة لنموذج آخر. تختلف الكفاءة بشكل كبير وندرًا ما تكون مثالية.
تحل الشركات هذه المشكلة من خلال إنتاج رقائق متخصصة. على سبيل المثال، يمكن أن تكون رقاقة واحدة محسنة لعمارة ChatGPT وتدريبها في، على سبيل المثال، 20 دقيقة، في حين أن أخرى مصممة لعمارة Anthropic وتكمل التدريب أيضًا في 20 دقيقة. تقلل استهلاك الطاقة ووقت التدريب عدة مرات مقارنة برقاقة متعددة الاستخدامات.
عند بيع هذه الرقائق للشركات الكبيرة، مثل Google و Amazon و Microsoft و Azure، يتم تقديمها كمنتجات منفصلة. يمكن للمستخدمين اختيار رقاقة محسنة لنموذج YOLO أو رقاقة أبسط وأرخص لعمارة Xen. بهذه الطريقة، تكتسب الشركات الوصول إلى الموارد الحاسوبية مخصصة بدقة لمهامها، بدلًا من شراء وحدات معالجة الرسوميات متعددة الأغراض. إذا كان المستخدم لديه عشرة وظائف مختلفة، فيمكنه استخدام عشرة رقائق متخصصة.
الاتجاه واضح: الرقائق المتخصصة تحل تدريجيًا محل الرقائق متعددة الاستخدامات. تعمل العديد من الشركات الناشئة الآن مع دوائر متكاملة تطبيق محدد (ASICs)، رقائق مصممة لمهام حاسوبية محددة. ظهرت أولى الرقائق ASICs لتعدين البيتكوين: في البداية، تم تعدين العملة الرقمية على رقائق NVIDIA GPUs، ثم تم إنشاء رقائق مخصصة فقط للبيتكوين ولا يمكنها أداء مهام أخرى.
أنا أرى هذا في الممارسة: يمكن أن تنتج تكوين الأجهزة نفسه نتائج مختلفة تمامًا اعتمادًا على المهمة. في شركتي الناشئة Introspector، ندرس هذه العمليات في مشاريع حقيقية، وكاستشاري استراتيجي لشركة Keymakr، ألاحظ كيف يكتسب العملاء كفاءة من الرقائق المتخصصة، مما يسمح للنماذج بالتشغيل بشكل أسرع. المشاريع التي كانت قد توقفت سابقًا أثناء التدريب أو الاستدلال تصل إلى نتائج مستقرة بهذا النهج.
ومع ذلك، توجد مخاطر مع التخصص الضيق. رقاقة محسنة لعمارة Anthropic لن تعمل لتدريب نماذج OpenAI، والعكس صحيح. كل عمارة جديدة تتطلب جيلًا جديدًا من الأجهزة، مما يخلق خطر التقادم على نطاق واسع. إذا أصدرت Anthropic عمارة جديدة غدًا، تصبح جميع الرقائق السابقة غير فعالة أو عديمة الفائدة. إنتاج رقائق جديدة يكلف مليارات الدولارات ويمكن أن يستغرق سنوات.
هذا يخلق مفارقة: هل يجب أن ننتج رقائق متخصصة تعمل بشكل مثالي في سيناريو ضيق، أو نستمر في إنتاج رقائق متعددة الاستخدامات التي تحل جميع المهام بدرجة معقولة من الكفاءة ولكن لا تتطلب استبدالًا كاملًا عند تغيير العمارة؟
تُقاس الكفاءة في هذا السياق بواسطة ثلاثة معايير رئيسية: وقت التشغيل، استهلاك الكهرباء، وتوليد الحرارة. هذه المعايير مترابطة بشكل مباشر: كلما طالت مدة تشغيل النظام، زادت الطاقة التي يستهلكها، وزادت الحرارة التي ينتجها. يؤدي تقليل أحد المعايير إلى تحسين المعيارين الآخرين تلقائيًا.
هنا تكمن “الكأس المقدسة” لأداء الذكاء الاصطناعي: إذا تم تحسين أحد معايير الكفاءة الأساسية على الأقل، فإن المعايير الأخرى تتحسن بصورة شبه تلقائية.
العمليات المستدامة
مع زيادة استخدام الرقائق المتخصصة، أصبحت مشكلة مخاطر الإنتاج الزائد مسألة حاسمة. حاليًا، هناك فائض في المعدات بالفعل، وتتناول الشركات هذه القضية بطرق مستدامة مختلفة، بما في ذلك إعادة استخدام الموارد الحالية.
أصبحت إعادة تدوير المعدات عنصرًا رئيسيًا في التنمية المستدامة في الصناعات التكنولوجية المتقدمة. تحتوي الرقائق على كميات كبيرة من المعادن النفيسة والقاعدية، والذهب، والنحاس، والألومنيوم، والبالاديوم، والمواد الأرضية النادرة، بالإضافة إلى المواد المستخدمة في الدوائر المتكاملة والترانزستورات. عندما تصبح المعدات متقادمة، يمكن إعادة هذه الموارد القيمة إلى الإنتاج، مما يقلل من تكلفة المكونات الجديدة ويتزامن مع خفض البصمة البيئية للصناعة.
توجد مصانع متخصصة وشركات تركز على إعادة تدوير واستخراج المعادن النفيسة من المكونات القديمة. على سبيل المثال، تستخدم بعض المرافق عمليات هيدروميتالورجية وطرق كيميائية متقدمة لاستخراج الذهب والنحاس بدرجة نقاء عالية، مما يسمح باستخدام هذه المواد في رقائق جديدة.
إضافة إلى ذلك، تطبق الشركات نماذج الدورة المغلقة، حيث يتم تحديث المعدات القديمة أو دمجها في حلول جديدة، مما يقلل من الحاجة إلى استخراج الموارد الأولية. هذه المناهج لا تساعد فقط في تقليل الفاقد ولكن أيضًا في تقليل بصمة الكربون لإنتاج الرقائق، إذ يتطلب التعدين التقليدي ومعالجة المعادن كميات كبيرة من الطاقة.
يمكن أن تصبح الإدارة المستدامة لدورة حياة الرقائق والمعدات معيارًا في الصناعة، حيث يتوافق التقدم التكنولوجي مع المسؤولية البيئية.












