مع تقدم تكنولوجيا الذكاء الاصطناعي، تتزايد الحاجة إلى قوة حوسبة جديدة ومحسنة للذكاء الاصطناعي. اكتشف كيف تساعد قوة الحوسبة في دفع حركة الذكاء الاصطناعي إلى الأمام.
هناك علاقة وثيقة للغاية بين الذكاء الاصطناعي وقوة الحوسبة. قوة الحوسبة ضرورية لتطبيقات الذكاء الاصطناعي لأنها تساعد أنظمة الكمبيوتر على معالجة المهام وتنفيذها. وتتطلب هذه التطبيقات موارد حاسوبية كبيرة لإدارة الخوارزميات المعقدة ومجموعات البيانات الكبيرة، وهنا يأتي دور وحدات معالجة الرسومات. صُممت وحدات معالجة الرسومات، أو وحدات معالجة الرسومات، في الأصل لتسريع معالجة الصور والفيديو، ولكنها أصبحت ضرورية لإدارة معالجة البيانات المكثفة ومهام التعلم العميق التي يتطلبها الذكاء الاصطناعي.
في السنوات القليلة الماضية، شهدنا في السنوات القليلة الماضية تطوراً هائلاً في مجال الذكاء الاصطناعي. وبطبيعة الحال، يجب أن تستوعب أجهزة الذكاء الاصطناعي هذا النمو وتواكب هذا التطور. كشفت إحدى الدراسات أن أداء GPU قد زاد بنحو 7000 مرة منذ عام 2003.
تسمح الأجهزة الأقوى والأسرع والأكثر كفاءة للباحثين والمهندسين بتطوير نماذج ذكاء اصطناعي متزايدة التعقيد. دعونا نفهم كيف تتطور البنية التحتية الحاسوبية للذكاء الاصطناعي لتلبية المتطلبات المتزايدة للذكاء الاصطناعي.
لا يمكن إنكار دور وحدات معالجة الرسومات في تطوير الذكاء الاصطناعي. تعمل هذه المعالجات القوية على تسريع العمليات الحسابية المعقدة المطلوبة لتدريب نماذج الذكاء الاصطناعي ونشرها. وهي في الأساس بمثابة العمود الفقري لتكنولوجيا الذكاء الاصطناعي الحديثة. ولكن ليست وحدات معالجة الرسومات وحدها هي التي تجذب الانتباه.
لقد بدأنا نرى رقائق مصنوعة خصيصاً للذكاء الاصطناعي تنافسها. صُنعت هذه الرقائق من الصفر لمساعدة الذكاء الاصطناعي على القيام بعمله بشكل أفضل وأسرع. يتم إجراء الكثير من الأبحاث والعمل على تحسين مستقبل حوسبة الذكاء الاصطناعي. تستثمر العديد من الشركات في قوة حوسبة الذكاء الاصطناعي، وهذا أحد الأسباب التي جعلت قيمة السوق العالمية لأجهزة الذكاء الاصطناعي تبلغ 53.71 مليار دولار في عام 2023، ومن المتوقع أن تنمو إلى حوالي 473.53 مليار دولار بحلول عام 2033.
لماذا أصبح التقدم في أجهزة الذكاء الاصطناعي موضوعًا للنقاش في الآونة الأخيرة؟ يعكس التحول نحو أجهزة الذكاء الاصطناعي المتخصصة الطلب المتزايد على تطبيقات الذكاء الاصطناعي في مختلف القطاعات. ولإنشاء حلول الذكاء الاصطناعي بنجاح، من المهم البقاء في الطليعة من خلال إدراك التغييرات التي تحدث للأجهزة.
تتسابق شركات تصنيع الأجهزة الرائدة لتطوير الجيل التالي من الأجهزة، وتحسين الأداء والكفاءة من خلال التطوير الداخلي والشراكات الاستراتيجية وعمليات الاستحواذ.
.avif)
لقد انتقلت Apple من استخدام وحدات معالجة الرسومات الخارجية إلى تطوير رقائق M-series الخاصة بها مع محركات عصبية لتسريع الذكاء الاصطناعي، مما يعزز نظامها البيئي الخاضع لرقابة مشددة. وفي الوقت نفسه، تواصل Google الاستثمار بكثافة في البنية التحتية لوحدة المعالجة Tensor (TPU). وحدات المعالجة TPUs هي رقائق ذكاء اصطناعي مصممة للعمل بشكل أسرع وتستخدم طاقة أقل من وحدات معالجة الرسومات، مما يجعلها رائعة للتدريب ونشر حلول الذكاء الاصطناعي على نطاق أوسع.
وبالمثل، دخلت AMD ساحة أجهزة الذكاء الاصطناعي من خلال سلسلة مسرعات Radeon Instinct التي تستهدف مراكز البيانات وتطبيقات الحوسبة عالية الأداء. أيضًا، تواصل Nvidia التركيز على تطوير وحدات معالجة الرسومات المحسّنة لأعباء عمل الذكاء الاصطناعي، مثل وحدات معالجة الرسومات A100 وH100 Tensor Core. تهدف عملية استحواذهم الأخيرة على شركة Arm Holdings إلى زيادة سيطرتهم على بنيات الرقاقات التي تشغل العديد من الأجهزة المحمولة.
وإلى جانب هؤلاء اللاعبين الراسخين، تغامر العديد من الشركات الناشئة والمؤسسات البحثية في مجال هندسة شرائح الذكاء الاصطناعي الجديدة. على سبيل المثال، تتخصص شركة Graphcore في الحسابات المتفرقة من خلال وحدة المعالجة الذكية (IPU) الخاصة بها. تقدم Cerebras Systems محرك Wafer Scale Engine، وهي شريحة ضخمة مصممة خصيصاً لأعباء عمل الذكاء الاصطناعي على نطاق واسع.
دعنا نلقي نظرة على أحدث أجهزة الذكاء الاصطناعي التي ظهرت.
في 9 أبريل 2024، كشف موقع Intel في 9 أبريل 2024، عن أحدث شريحة ذكاء اصطناعي من إنتاجها، وهي Gaudi 3، التي تتميز بأداء متفوق على شريحة H100 GPU Nvidia :
.avif)
قبل إطلاق Gaudi 3، في 18 مارس 2024، طرحت NVIDIA أحدث منصاتها للذكاء الاصطناعي، وهي Blackwell. صُممت هذه المنصة لتشغيل الإنجازات في مختلف المجالات، وتتميز بالميزات التالية:
.avif)
وفي الوقت نفسه، يعمل العديد من عمالقة التكنولوجيا على تطوير شرائح الذكاء الاصطناعي الخاصة بهم لتشغيل خدماتهم.
في 10 أبريل 2024، أعلنت شركة Meta عن أحدث إصدار من مسرع التدريب والاستدلال Meta Training and Inference Accelerator (MTIA). تعمل هذه الشريحة من الجيل الثاني، التي تعمل بالفعل في مراكز بيانات Meta، بأداء أفضل من حيث الحوسبة وعرض النطاق الترددي للذاكرة. وتدعم هذه الترقيات أداء تطبيقات الذكاء الاصطناعي الخاصة بشركة Meta، مثل محركات التصنيف والتوصيات، على منصات مثل فيسبوك وإنستجرام.
وبالمثل، قام لاعبون رئيسيون آخرون مثل Google ، وأمازون، و Microsoft بطرح رقائق السيليكون المخصصة الخاصة بهم هذا العام. إنها خطوة استراتيجية لتحسين هياكل التكلفة وتقليل الاعتماد على موردي الطرف الثالث مثل Nvidia.
تدعم أجهزة الذكاء الاصطناعي العديد من حلول الذكاء الاصطناعي في العديد من الصناعات المختلفة. في مجال الرعاية الصحية، تعمل هذه الأجهزة على تشغيل أنظمة التصوير الطبي مثل التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب، وتتعامل مع المهام المعقدة وتعالج أحجام البيانات الكبيرة بكفاءة من أجل التشخيص السريع والدقيق.
تستخدم المؤسسات المالية خوارزميات الذكاء الاصطناعي لتحليل البيانات للكشف عن الاحتيال وتحسين الاستثمار. تتطلب الطبيعة المعقدة لتحليل البيانات المالية قدرات أجهزة متقدمة للتعامل مع عبء العمل الحسابي الهائل بفعالية.
في صناعة السيارات، يساعد في معالجة بيانات المستشعرات في الوقت الفعلي في السيارات ذاتية القيادة. يجب أن تكون مهام مثل اكتشاف الأجسام وتجنب الاصطدام مدعومة بأجهزة متقدمة ذات قدرات معالجة قوية لاتخاذ قرارات سريعة وسلامة الركاب.
يستخدم تجار التجزئة محركات التوصيات القائمة على الذكاء الاصطناعي لتخصيص تجارب التسوق وزيادة المبيعات من خلال تحليل بيانات العملاء الهائلة عبر الأقسام للتنبؤ بالتفضيلات واقتراح المنتجات ذات الصلة. تستدعي الحاجة إلى تحليل مجموعات البيانات المتنوعة وإنشاء توصيات مخصصة أجهزة متقدمة للاستجابة في الوقت الفعلي وتعزيز مشاركة المستخدم.
مثال آخر يتعلق بمتاجر البيع بالتجزئة هو استخدام الرؤية الحاسوبية لمراقبة سلوك العملاء وتحليله. يمكن لبائعي التجزئة فهم كيفية تفاعل العملاء مع بيئتهم وتحديد المنتجات الشائعة واكتشاف أنماط حركة المرور. وبناءً على هذه النتائج، يمكنهم تحسين تخطيطات المتاجر ومواضع المنتجات لتحسين المبيعات. تعد قوة الحوسبة مهمة لمعالجة أحجام بيانات الفيديو الكبيرة في الوقت الفعلي. يعتمد التتبع الدقيق للحركات والتفاعلات على أجهزة قوية. فبدونها، تتأثر سرعة ودقة معالجة البيانات مما يقلل من فعالية تحليل سلوك العملاء.
هذا غيض من فيض. من التصنيع إلى الزراعة، يمكن رؤية أجهزة الذكاء الاصطناعي في كل مكان.
غالباً ما يتم تصميم أجهزة الذكاء الاصطناعي للتعامل مع المهام الكبيرة. قد يكون من الصعب فهم حجم عمليات نشر الذكاء الاصطناعي في الصناعات في جميع أنحاء العالم، ولكن من الواضح أن الذكاء الاصطناعي القابل للتطوير يعتمد على وجود الأجهزة المناسبة.
خذ التعاون بين BMW و NVIDIA ، على سبيل المثال. فمع إنتاج BMW 2.5 مليون سيارة سنوياً، فإن حجم عملياتها هائل. تستخدم BMW الذكاء الاصطناعي لتحسين جوانب مختلفة من عملية التصنيع الخاصة بها، بدءاً من مراقبة الجودة والصيانة التنبؤية إلى الخدمات اللوجستية وإدارة سلسلة التوريد.
لتلبية مثل هذه المتطلبات، تعتمد BMW على حلول أجهزة الذكاء الاصطناعي المتقدمة مثل كوادرو RTX 8000 منNVIDIA وخوادم تعمل بتقنية RTX. تجعل هذه التقنيات عمليات نشر الذكاء الاصطناعي أسهل وأكثر قابلية للتطوير.
إلى جانب تزويد تطبيقات الذكاء الاصطناعي بالقدرة الحاسوبية، تؤثر أجهزة الذكاء الاصطناعي التي تختارها على الحل الذي تقدمه من حيث أداء النموذج، واحتياجات تحويل النموذج، ومرونة النشر، والدقة الإجمالية. بمجرد أن يتم تدريب نماذج الذكاء الاصطناعي واختبارها، غالبًا ما يتم تحويلها إلى تنسيق يمكن تشغيله على منصات النشر المختارة.
ولكن، يمكن أن يؤدي تحويل النماذج إلى فقدان الدقة ويجب النظر فيه مسبقًا. يمكن أن توفر أدوات التكامل مثل ONNX (Open Neural Network Exchange) تنسيقًا موحدًا لنشر نماذج الذكاء الاصطناعي عبر مجموعة متنوعة من منصات الأجهزة. وهذا هو السبب أيضًا وراء النماذج الشائعة مثل YOLOv8 التي تمنح المستخدمين خيار تصدير نماذجهم المدربة حسب الطلب بتنسيقات مختلفة لتلبية خيارات النشر المتعددة.
لا يقتصر تأثير قوة الحوسبة المتقدمة للذكاء الاصطناعي على الذكاء الاصطناعي؛ بل إنه يمس قطاع الطاقة أيضاً.
على سبيل المثال، تم تدريب نموذج LLaMA-3 الخاص بشركة Meta، وهو نموذج لغوي كبير متقدم (LLM)، باستخدام مجموعتين من مجموعات مراكز البيانات المصممة خصيصًا والمزودة بـ 24,576 وحدة معالجة رسومات Nvidia H100 لكل منهما. من خلال هذا الإعداد القوي للأجهزة، تمكنت Meta من زيادة سرعة المعالجة وتحقيق انخفاض كبير بنسبة 40% في استهلاك الطاقة. لذا، فإن التطورات في أجهزة الذكاء الاصطناعي تساهم أيضاً في زيادة كفاءة استخدام الطاقة.
وعلاوة على ذلك، تحظى العلاقة بين الذكاء الاصطناعي والطاقة بمزيد من الاهتمام مع انخراط أشخاص مثل Sam أل تمان. وقد أتاح ألتمان، المعروف باسم الرئيس التنفيذي لشركة OpenAI، مؤخرًا شركة أوكلو للطاقة النووية للجمهور. تهدف أوكلو، بتكنولوجيا الانشطار النووي المبتكرة، إلى تحويل إنتاج الطاقة، مما قد يوفر الطاقة لمراكز البيانات الضرورية لعمليات الذكاء الاصطناعي. في السنوات القليلة الماضية، قام كل من بيل جيتس، المؤسس المشارك لموقع Microsoft ، وجيف بيزوس، مؤسس شركة أمازون، باستثمارات في المحطات النووية.
بالنظر إلى المستقبل، من المتوقع أن يحقق مستقبل أجهزة الذكاء الاصطناعي قفزات هائلة في المستقبل، خاصةً مع ظهور الحوسبة الكمية. ويتوقع الخبراء أنه بحلول عام 2030، قد تصل قيمة سوق الحوسبة الكمية إلى ما يقرب من 65 مليار دولار. مع تزايد تعقيد نماذج الذكاء الاصطناعي، تصبح الأجهزة المتخصصة ضرورية لإطلاق إمكاناتها الكاملة. من الرقائق الخاصة بالذكاء الاصطناعي إلى استكشافات الحوسبة الكمية، يدفع ابتكار الأجهزة إلى تطوير حلول ذكاء اصطناعي أكثر تعقيداً وتأثيراً.
لا تتردد في الاطلاع على مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي. استكشف أحدث منشورات مدونتنا لمعرفة كيفية تطبيق الذكاء الاصطناعي في مختلف المجالات، مثل سباقات الفورمولا واحد والروبوتات.
