سر العصفور في تسريع الذكاء الاصطناعي ليس المزيد من وحدات معالجة الرسومات، بل شبكات ذكية

الذكاء الاصطناعي يعيد تعريف ما هو ممكن عبر الصناعات بما في ذلك الرعاية الصحية والتمويل والتصنيع والتجزئة. ولكن مع الإمكانات الواعدة، يأتي أيضاً مع متطلبات بنية تحتية ضخمة.

المنظمات في جميع أنحاء العالم تستثمر في وحدات معالجة الرسومات ب规模 غير مسبوقة لتسريع تدريب الذكاء الاصطناعي والاستدلال. بحلول عام 2028، يتوقع غارتنر ميزانية تكنولوجيا المعلومات للذكاء الاصطناعي التوليدي سوف تتجاوز تريليون دولار. يتوقع بحث هيبريون ميزانية السوق الكلية لتحليلات أداء высокой الكفاءة والذكاء الاصطناعي سوف تتجاوز 100 مليار دولار في نفس الفترة الزمنية. ومع ذلك، على الرغم من الاستثمار في معززات متقدمة، لا يزال العديد من مسؤولي تقنية المعلومات يرون وحدات معالجة الرسومات في حالة عدم النشاط، مع استغلال يتراوح بين 35٪ أو أقل. هذا لا يؤدي فقط إلى أداء منخفض، ولكن أيضاً إلى طاقة مهدرة وتكاليف منتفية.

في حين أن العديد من مشاريع الذكاء الاصطناعي تتعثر، فإنها لا تعثر بسبب نقص وحدات معالجة الرسومات أو القدرة على الحوسبة، ولكن لأن الشبكة لا تستطيع مواكبة الحوسبة، مما يتطلب نهجاً جديداً لتصميم الذكاء الاصطناعي على نطاق واسع.

التكلفة الخفية لمعوقات الشبكة

عندما لا تستطيع الشبكات توفير البيانات بسرعة كافية لتشغيل وحدات معالجة الرسومات بشكل مستمر، فإن المنظمات تختبر تأثيرات حرجة متعددة:

• وحدات معالجة الرسومات والوحدات المركزية غير مستغلة بسبب نقل البيانات المحظور: وحدات معالجة الرسومات مصممة للحوسبة المتوازية الكبيرة، ولكنها لا تستطيع معالجة البيانات بسرعة أكبر من التي يتم تسليمها. إذا لم تتمكن شبكة النسيج من مواكبة ذلك، فإن وحدات معالجة الرسومات تظل في حالة عدم النشاط في انتظار البيانات بدلاً من معالجتها. قد تتوقف الوحدات المركزية أيضاً لأنها تتنسيق المهام وتنقل البيانات عبر خط الأنابيب، مما يؤدي إلى استغلال منخفض尽管 توفر الأجهزة المكلفة.
• أداء الاستدلال غير المتسق بسبب شبكة غير كفؤة: تعطل الشبكة يخلق تدفقات بيانات غير متساوية، مما يؤدي إلى تقلبات في وحدات معالجة الرسومات بين الحالة الكاملة والخمول. هذا ينتج أداء استدلال غير متوقع يمكن أن يؤثر على تطبيقات الذكاء الاصطناعي في الإنتاج.
• دورات تدريب أطول، مما يؤخر وقت الوصول إلى السوق: يتطلب تدريب نماذج الذكاء الاصطناعي نقل مجموعات بيانات ضخمة عبر الخوادم ووحدات معالجة الرسومات والتخزين. تعطل الشبكة يخنق هذه العملية، لذلك تقضي وحدات معالجة الرسومات وقتًا أقل في التدريب وأكثر في انتظار البيانات. هذا يؤثر مباشرة على جداول تطوير المنتج وتسليمها.
• تكاليف طاقة وعمليات متزايدة: حتى عندما تكون في حالة عدم النشاط، لا تزال وحدات معالجة الرسومات والبنية التحتية المحيطة بها تستهلك كمية كبيرة من الطاقة. إذا كانت وحدات معالجة الرسومات غير مستغلة بسبب عدم كفاءة الشبكة، تدفع المنظمات مقابل استهلاك طاقة كبير دون الحصول على أداء متناسب. تزداد التكاليف التشغيلية لأن المرافق يجب أن تدعم أحمال الطاقة والتهوية القصوى، على الرغم من أن الإنتاجية الحسابية محظورة بشكل مصطنع.

يمكن للمنظمات الاستمرار في صب الأموال في المزيد من وحدات معالجة الرسومات، ولكن بدون تعزيزات الشبكة المناسبة، ستزيد فقط من هذه المعوقات وعدم الكفاءة.

الشبكة كعامل مسرع: تغيير نموذج

الحل يتطلب إعادة التفكير في هندسة الشبكة بالكامل. يقدم نموذج يعتمد على استخدام الشبكة كعامل مسرع يقلب التفكير التقليدي حول أداء الحوسبة عالية الأداء والذكاء الاصطناعي لفتح قدرات جديدة.

بدلاً من التركيز في المقام الأول على إضافة المزيد من الحوسبة عبر وحدات معالجة الرسومات والوحدات المركزية، يعامل نموذج “الشبكة كعامل مسرع” نسيج الارتباط كعامل مضاعف للأداء. وبالتالي، يمكن للشبكة دعم كثافة الحوسبة العالية بشكل أفضل وتسريع عائد الاستثمار من خلال القضاء على المعوقات وتوسيع نطاقها لاستيعاب الطلبات الحسابية وتحديد حجم الاستثمارات الأجهزة. من خلال تمكين المزيد من الحوسبة بدونتباط، يمكن للمنظمات تشغيل حمولات عمل أكبر في مساحة أقل، والحصول على نتائج أسرع، وتجنب الإنفاق الزائد على الأجهزة الإضافية.

كيف يعمل نموذج “الشبكة كعامل مسرع”

لذلك، كيف يعمل هذا النموذج حتى تتمكن المنظمات من تحويل شبكتها من مجرد نقل بيانات سلبي إلى مُحفز نشط للحوسبة وبدء إدراك الفوائد؟ إنه يوفر أربع قدرات رئيسية تفتقر إليها الشبكات التقليدية:

• التسليم المضمون على مستوى الأجهزة: تثقل الشبكات التقليدية الوحدات المركزية ووحدات معالجة الرسومات بتحميل تتبع الحزم وإعادة بثها وإعادة ترتيبها. هذا يستهلك دورات الحوسبة التي يمكن تكديسها لتدريب أو استدلال. مع نسيج شبكي يضمن التسليم على مستوى الأجهزة، يتم نقل هذه المهام بعيداً عن عقد الحوسبة، مما يؤدي إلى انخفاض في عبء الوحدات المركزية ووحدات معالجة الرسومات، وأداء متسق ومتنبئ به، وتماسك يبسط برمجة التجميع وتنسيق العقد.
• التوجيه الديناميكي الذكي: يعتمد التوجيه التقليدي على مسارات ثابتة أو غير مثلى، مما يمكن أن يترك أجزاء من الشبكة غير مستغلة أو يخلق معوقات حيث تتدفق كميات هائلة من البيانات في نفس الوقت. التوجيه الديناميكي الذكي يستغل جميع المسارات المتاحة لتحسين تدفق المرور. يسمح بمرور أعلى مع مسارات متعددة نشطة لتوزيع المرور، وlatency أقل من خلال اختيار المسار الأمثل، ومرونة محسنة حيث يتحول المرور التلقائي حول فشل الرابط أو العقدة. هذا يقلل من أوقات الخمول ويبقي وحدات معالجة الرسومات مدعومة بالبيانات.
• إعادة المحاولة التلقائية على مستوى الرابط: عندما تفقد الحزم أو تتلف، تعتمد الشبكات القياسية على طبقة الحوسبة لاكتشاف وإعادة بثها، مما يؤدي إلى تأخير كبير ويفسد تدفق الحوسبة. شبكة ذات قدرات إعادة المحاولة التلقائية على مستوى الرابط تتعامل مع إعادة البث داخل الشبكة نفسها. يسمح بثبات شبه شفاف حيث تصبح فقدان الحزم غير مرئية للعقد الحسابية، وتقليل تأثير التأخير حيث تحدث إعادة البث محلياً على مستوى الرابط وليس عبر كل مكدس الشبكة. كما يقضي على الحاجة إلى معالجة الأخطاء على مستوى التطبيق. تؤمن قدرات إعادة المحاولة أن الحوسبة الموزعة تكون غير منقطعة وفعّالة، وهو أمر مهم عند توسيع نطاق آلاف وحدات معالجة الرسومات.
• الحوسبة داخل الشبكة: في حين أن نسيج الشبكة التقليدي ينتقل في الغالب إلى نقل البيانات، فإن الحوسبة داخل الشبكة تمكن الشبكة من أن تصبح معالجًا مشتركًا من خلال أداء بعض العمليات مباشرة داخل النسيج. NVIDIA SHARP هو مثال رئيسي – يسمح بالتخفيضات على INTERRUPTs نفسها. هذا يسمح بالعمليات الموزعة المعززة، ويقلل من التأخير لأن البيانات تُجمَع أثناء عبورها الشبكة، ويزيد من الكفاءة لأن عقد الحوسبة تخلى عن أداء مهام التجميع، مما يترك المزيد من الدورات للتدريب والتحاكي.

باختصار، هذه القدرات هي ما يجعل “الحوسبة بقيادة الشبكة” أساسية لتوسيع بيئات الذكاء الاصطناعي والحوسبة عالية الأداء التالية. ي提供 نهج مركز الشبكة عائدات ملموسة تشمل استغلال وحدات معالجة الرسومات الأعلى الذي يقضي على جوع البيانات، ووقت الوصول إلى الاكتشاف الأسرع الذي يقلل من دورات التدريب ويستقر أداء الاستدلال، وزيادة كفاءة الموارد، وخفض التكلفة الإجمالية للملكية.

اكتشف قوة الشبكة الحقيقية

الذكاء الاصطناعي على نطاق واسع ليس مجرد مشكلة حسابية – إنه تحدي هندسي على مستوى النظام، مع الشبكة في مركزها. يعامل الشبكة كعامل مسرع يتحول إلى مضاعف أداء للحوسبة، مما يسمح لمراكز البيانات للحوسبة عالية الأداء والذكاء الاصطناعي بالتوسع في الكثافة دون التضحية بالأداء. إنه ي 제공 عائد استثمار قابل للقياس أسرع من خلال استخراج القيمة القصوى من البنية التحتية الحالية قبل الاستثمار في المزيد من السيليكون.

من خلال القضاء على المعوقات، وتحسين الاستغلال، وتوفير أداء متوقع، تمكن الشبكات الذكية من تمكين فرق الذكاء الاصطناعي الأكثر إنتاجية، وعودة الاستثمار الأفضل على بنية تحتية وحدات معالجة الرسومات، ووقت الوصول إلى الاكتشاف الأسرع، والابتكار، والريادة في السوق. يسمح للمنظمات باكتشاف ما يمكن أن تكون عليه شبكتها حقًا واستخدام قوة الذكاء الاصطناعي بطرق جديدة.