قادة الفكر
الكأس المقدسة للقوة الحاسوبية في الذكاء الاصطناعي
على الرغم من التقدم الرائع، لا تزال قدرات الذكاء الاصطناعي محدودة عند مقارنتها بالتوقعات في العالم الحقيقي. نبني نماذج معقدة، ونجري شبكات عصبونية، ونجري خوارزميات، ومع ذلك تتوقف التقدم أحيانًا في الأماكن التي ننتظرها أقل.
الproblem غالبًا ما تكمن ليس في الخوارزميات أو البيانات، ولكن في القوة الحاسوبية، الموارد التي تسمح للنماذج بالتعلم والعمل على النطاق اللازم. فما الخلفية وراء هذا الحاجز؟ دعونا نبحث في الموارد الحاسمة التي بدونها لا يمكن حتى أكثر مشاريع الذكاء الاصطناعي الواعدة أن تتجاوز المختبر.
عجز الحوسبة وأثاره
للفهم هذا الموضوع، دعونا نبدأ بتاريخ الاتصالات المحمولة. عندما ظهرت شبكات 3G و 4G فيما بعد، كان الإنترنت بالفعل عالميًا تقريبًا. وعندما تم تقديم 5G، سأل الكثير من الناس سؤالًا معقولاً: “سيكون الإنترنت أسرع – ولكن ماذا بعد؟”
في الواقع، لا يأتي زيادة سرعة الإنترنت إلى راحة المستخدم. إنها تحول المنظر التكنولوجي بأكمله. تظهر حالات استخدام كانت من المستحيل من قبل. أظهرت 5G أنها أسرع بكثير من 4G، وهذا القفز لم يكن تدريجيًا، مثل القفزة من 1G إلى 2G، ولكن أسيًا. ونتيجة لذلك، يمكن أن تظهر تطبيقات واجهزة وفئات تكنولوجية جديدة.
الكاميرات في إشارات المرور، ونظم تحليل المرور في الوقت الفعلي، وآليات تنظيم المرور الآلية – كل هذا يصبح ممكنًا بفضل تقنيات الاتصالات الجديدة. تحصل الشرطة على طرق جديدة لتبادل البيانات، وفي الفضاء، يمكن للتلسكوبات والأقمار الصناعية نقل كميات هائلة من المعلومات إلى الأرض. القفزة النوعية في تكنولوجيا أساسية تدفع تطوير النظام البيئي بأكمله.
يتم تطبيق نفس المبدأ على القوة الحاسوبية. تخيل قدرة الحوسبة الإجمالية للبشرية في وحدات افتراضية. اليوم، قد يكون لدينا، على سبيل المثال، عشرة من هذه الوحدات. معهم، يمكننا生成 صورًا وفیديوهات، وكتابة نصوص، وإنشاء مواد تسويقية… هذا بالفعل كبير، ولكن نطاق التطبيقات محدود بشكل رئيسي.
دعونا نتصور الآن أن لدينا ليس عشرة، ولكن ألف وحدة من هذه الوحدات. فجأة، تصبح التكنولوجيات التي كانت سابقًا باهظة الثمن قابلة للتطبيق، وتبدأ الشركات الناشئة التي تم التخلي عنها بسبب التكاليف الحاسوبية في تحقيق معنى اقتصادي.
خذ، على سبيل المثال، سيارات الأجرة الآلية. اليوم، تعتمد بشكل رئيسي على حواسيب محلية ضعيفة مثبتة في المركبة. ومع ذلك، إذا تم نقل تدفق الفيديو إلى السحابة مع موارد حاسوبية هائلة، يمكن معالجة البيانات وإعادتها في الوقت الفعلي. وهذا هو الحاسم: يجب على سيارة تسير بسرعة 100 كم / ساعة أن تتخذ قرارات في أجزاء من الثانية – تذهب مستقيمة، أو تتحول، أو تكبح، أو لا تكبح.
هذا عندما تصبح صناعة سيارات الأجرة الآلية التي تعمل بالكامل ممكنة، وليس فقط حلولًا معزولة مثل تلك التي نراها اليوم. الحاسوب المحلي المثبت في السيارة محدود بطبيعته بطريقة لا توجد في نظام متصل. كلما زادت سرعة توسيعها، زادت سرعة تغيير العالم من حولنا.
وصول 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 يوقعون عقودًا مع مصنعي الرقائق، أو ينتجونها بأنفسهم، فجوة بين الشركات الكبيرة وجميع الآخرين؟
تظهر هذه الفجوة فقط في حالة واحدة: إذا كان نموذج العمل يركز حصريًا على بيع الرقائق للعملاء الكبار. في الممارسة، تهدف الشركات مثل NVIDIA إلى تقديم حلول سحابية للجميع. رقائقهم المثالية متاحة في السحابة لكل من OpenAI ومطوريها المستقلين.
حتى التحالفات الاستراتيجية بين الشركات مثل Google و Anthropic و Microsoft و OpenAI و Amazon و NVIDIA هي في الأساس شراكات لاستخدام الموارد المشتركة، وليس محاولات لإغلاق السوق. يسمح هذا النموذج بتخصيص الموارد الحاسوبية بفعالية، وبالتالي يسرع التطور التكنولوجي.
إذا تابعنا سلسلة استخدام الموارد الحاسوبية، فتبدأ مع المستخدم النهائي. على سبيل المثال، عندما تستخدم WhatsApp للمكالمات الفيديو والمراسلة، يجب على الشركة ضمان عمل الخدمة: تخزين البيانات ومعالجتها، و chạy نماذج لتنظيف الفيديو، وإضافة تأثيرات، وتحسين جودة الصورة.
تكون صيانة الخوادم التابعة باهظة الثمن، وتتأثر بالتقادم، 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: بمقياس البنية التحتية ضخم.
تتمثل خدمات السحابة في مراكز بيانات ضخمة مع تبريد، وطاقة، وصيانة على مدار الساعة. تحتوي على خوادم و رقائق متخصصة من NVIDIA و AMD و مصنعي آخرين، مما يسمح بمعالجات حاسوبية على نطاق واسع.
نصل هنا إلى السؤال الرئيسي الذي ناقشته في عمودي السابق عن مراكز البيانات، وأريد الاستمرار هنا: ما هو الحاجز الرئيسي في هذا النظام؟ هل هو نقص الكهرباء، أو صعوبة تبريد مراكز البيانات في المناطق التي تجعل المناخ يصعب بشكل خاص؟ في الواقع، يكمن السر في الرقائق نفسها…
الكأس المقدسة
لماذا تُقدر NVIDIA اليوم بحوالي 5 تريليون دولار وتُعد واحدة من أكثر الشركات الناجحة في العالم؟ السبب بسيط: تنتج NVIDIA الرقائق التي يتم عليها تدريب نماذج الذكاء الاصطناعي وتنفيذ الاستدلال.
تستهلك كل واحدة من هذه الرقائق كميات هائلة من الكهرباء عند تدريب نماذج كبيرة أو معالجة كميات متزايدة من البيانات. ولكن كيف يتم استخدام هذه الطاقة بفعالية؟ यह هو المكان الذي تظهر فيه الرقائق المتخصصة؛ فهي تتعامل مع مهام محددة بكفاءة أعلى بكثير من الرقائق متعددة الاستخدامات.
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. تعمل رقاقة واحدة متعددة الاستخدامات، عند تدريب نماذج OpenAI (مثل ChatGPT) مقابل نماذج Anthropic (مثل Claude)، كأداة “تتناسب مع جميع الأحجام”، وتستهلك، على سبيل المثال، 100,000 ساعة من الحوسبة لنماذج واحدة و 150,000 لنماذج أخرى. تختلف الكفاءة بشكل كبير وغالبًا ما لا تكون مثالية.
ت解决 الشركات هذه المشكلة من خلال إنتاج رقائق متخصصة. على سبيل المثال، يمكن أن تكون رقاقة واحدة مُحسنة لعمارة ChatGPT ويمكنها تدريبها في، على سبيل المثال، 20 دقيقة، بينما تكون رقاقة أخرى مخصصة لعمارة Anthropic وتكمل التدريب أيضًا في 20 دقيقة. يتم تقليل 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، على سبيل المثال، رقاقة مُحسنة لنماذج YOLO أو رقاقة أبسط وأقل تكلفة لعمارة Xen. بهذه الطريقة، تكتسب الشركات وصولًا إلى موارد حاسوبية مخصصة بدقة لمهامها، بدلاً من شراء رقائق متعددة الاستخدامات. إذا كان للمستخدم 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 ASICs (دائرة متكاملة محددة التطبيق)، وهي 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专يًا لبيتكوين ولا يمكنها أداء مهام أخرى.
أرى هذا في الممارسة: يمكن أن تنتج نفس التكوين الأجهزة نتائج مختلفة تمامًا اعتمادًا على المهمة. في شركةي الناشئة Introspector، ندرس هذه العمليات في المشاريع الحقيقية، وكمستشار 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 بهذه الطريقة.
然而، تحمل التخصص الضيق مخاطر. لن تعمل رقاقة مُحسنة لعمارة Anthropic لتدريب نماذج OpenAI، وبالعكس. كل архيتكتуре جديدة تتطلب جيلًا جديدًا من الأجهزة، مما يخلق خطرًا كبيرًا من “الاستبدال”. إذا أصدرت Anthropic اليوم архيتكتуре جديدة، تصبح جميع الرقائق من الجيل السابق غير فعالة أو عديمة الفائدة. تكلفت إنتاج رقائق جديدة تبلغ مليارات الدولارات ويمكن أن تستغرق سنوات.
هذا يخلق مفارقة: هل يجب أن ننتج رقائق متخصصة تعمل بشكل مثالي في سيناريو ضيق، أو يجب أن نستمر في إنتاج رقائق متعددة الاستخدامات التي تحل جميع المهام جيدًا ولكن لا تتطلب استبدالًا كاملًا عند تغيير الأرشيتكتур؟
تُقاس الكفاءة في هذا السياق بواسطة ثلاثة معايير أساسية: وقت التشغيل، و استهلاك الكهرباء، و توليد الحرارة. هذه المعايير مترابطة مباشرة: كلما زادت مدة تشغيل النظام، زادت الطاقة التي يستهلكها وحرارته. تقليل أحد المعايير ي cải thiện المعايير الأخرى تلقائيًا.
यह هو “الكأس المقدسة” لأداء الذكاء الاصطناعي: إذا تم تحسين واحد على الأقل من معايير الكفاءة الأساسية، فإن المعايير الأخرى تحسنت几乎 تلقائيًا.
العمليات المستدامة
مع زيادة استخدام الرقائق المتخصصة، أصبحت مشكلة مخاطر الإنتاج الفائض حاسمة. حاليًا، فائض المعدات كبير بالفعل، وتتناول الشركات هذه القضية بطرق مستدامة مختلفة، بما في ذلك إعادة استخدام الموارد الحالية.
أصبحت إعادة تدوير المعدات عنصرًا رئيسيًا من التنمية المستدامة في الصناعات التكنولوجيا العالية. تحتوي الرقائق على كميات كبيرة من المعادن النفيسة والأساسية، والذهب، والنحاس، والألومنيوم، والبالاديوم، والمواد النادرة، بالإضافة إلى المواد المستخدمة في الدوائر المتكاملة والترانزستورات. عندما تصبح المعدات عفا عليها الزمن، يمكن إعادة هذه الموارد القيمة إلى الإنتاج، مما يقلل من تكلفة المكونات الجديدة ويتقلص أيضًا بصمة الصناعة البيئية.
توجد مصانع متخصصة وشركات تركز على إعادة تدوير واستخراج المعادن النفيسة من المكونات القديمة. على سبيل المثال، تستخدم بعض المرافق عمليات هيدرومتالورجية وطرق كيميائية متقدمة لاستخراج الذهب والنحاس بدقة عالية، مما يسمح لهذه المواد أن تُستخدم مرة أخرى في رقائق جديدة.
علاوة على 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 تقلل فقط من الهدر، ولكنها تقلل أيضًا من بصمة الكربون للإنتاج، لأن التعدين التрадиعي ومعالجة المعادن يتطلبان طاقة كبيرة.
يمكن أن تصبح إدارة دورة حياة الرقائق والمعدات معيارًا في الصناعة، حيث يتوافق التقدم التكنولوجي مع المسؤولية البيئية.
