ما المقصود بمُسرع الذكاء الاصطناعي؟

مع توسع حلول الذكاء الاصطناعي في تطبيقات ومجالات جديدة، أصبحت مُسرعات الذكاء الاصطناعي  ضرورية لتسريع معالجة البيانات اللازمة لإنشاء تطبيقات الذكاء الاصطناعي على نطاق واسع.

ومن دون مُسرعات الذكاء الاصطناعي مثل  وحدات معالجة الرسومات، و مصفوفات البوابات القابلة للبرمجة ميدانيًا (FPGAs) والدوائر المتكاملة المخصصة للتطبيقات (ASICs) لتسريع التعلم العميق، فإن التطورات في الذكاء الاصطناعي مثل ChatGPT ستستغرق وقتًا أطول وستكون أكثر تكلفة. تُستخدم مُسرعات الذكاء الاصطناعي على نطاق واسع من قِبل بعض أكبر الشركات في العالم، بما في ذلك Apple وGoogle وIBM و Intel و Microsoft.

مع زيادة السرعة و قابلية التوسع في صناعة تقنية الذكاء الاصطناعي سريعة التطور، أصبحت مُسرعات الذكاء الاصطناعي لا غنى عنها في مساعدة الشركات على الابتكار على نطاق واسع وتقديم تطبيقات الذكاء الاصطناعي الجديدة إلى السوق في وقت أقرب. تتفوق مُسرعات الذكاء الاصطناعي على نظيراتها الأقدم في ثلاث نواحٍ مهمة: السرعة والكفاءة والتصميم.

السرعة

تتميز مُسرعات الذكاء الاصطناعي بأنها أسرع بكثير من وحدات المعالجة المركزية التقليدية بسبب انخفاض زمن الانتقال بشكل كبير، وهو مقياس لحالات التأخير في النظام. ويُعد زمن الانتقال القصير أمرًا بالغ الأهمية بشكل خاص في تطوير تطبيقات الذكاء الاصطناعي في المجالات الطبية والمركبات ذاتية القيادة حيث تكون حالات التأخير بالثواني—حتى بالمللي ثانية—أمرًا خطيرًا.

الفاعلية

يمكن أن تكون مُسرعات الذكاء الاصطناعي أكثر كفاءة من مئة إلى ألف مرة من أنظمة الحوسبة القياسية الأخرى. تستهلك كل من شرائح مُسرعات الذكاء الاصطناعي الكبيرة المستخدمة في مراكز البيانات والشرائح الأصغر المستخدمة عادةً في أجهزة الحافة طاقة أقل وتبدد كميات أقل من الحرارة مقارنةً بنظيراتها القديمة.  

التصميم

تحتوي مُسرعات الذكاء الاصطناعي على ما يُعرف بالبنية غير المتجانسة، ما يتيح معالجات متعددة لدعم مهام منفصلة، وهي قدرة تزيد من أداء الحوسبة إلى المستويات التي تتطلبها تطبيقات الذكاء الاصطناعي. 

تُعد مُسرعات الذكاء الاصطناعي ضرورية لتطبيقات تقنية الذكاء الاصطناعي، ومع ذلك، هناك تحديات تواجه هذه الصناعة يجب حلها قريبًا وإلا فستعوق الابتكار.

تُصنع معظم مُسرعات الذكاء الاصطناعي حصريًا في تايوان

صُنع 60% من أشباه الموصلات في العالم و90% من شرائحها المتقدمة (بما في ذلك  مُسرعات الذكاء الاصطناعي) في جزيرة تايوان. بالإضافة إلى ذلك، تعتمد Nvidia، أكبر شركة لأجهزة الذكاء الاصطناعي وبرامجه في العالم، بشكل حصري تقريبًا على شركة واحدة—وهي شركة Taiwan Semiconductor Manufacturing Corporation (TSMC)—في مُسرعات الذكاء الاصطناعي الخاصة بها. 

تتطور نماذج الذكاء الاصطناعي بشكل أسرع من تصميم مُسرعات الذكاء الاصطناعي 

تتطلب أقوى نماذج الذكاء الاصطناعي اليوم قوة حسابية أكبر مما تستطيع العديد من مُسرعات الذكاء الاصطناعي معالجته، كما أن وتيرة الابتكار في تصميم الشريحة لا تواكب الابتكار الذي يحدث في نماذج الذكاء الاصطناعي.

تستكشف الشركات مجالات مثل الحوسبة في الذاكرة والأداء المعزز بخوارزميات الذكاء الاصطناعي والتصنيع لزيادة الكفاءة، لكنها لا تتحرك بسرعة الزيادة في الطلب الحاسوبي نفسه للتطبيقات المدعومة بالذكاء الاصطناعي. 

تحتاج مُسرعات الذكاء الاصطناعي إلى طاقة أكبر مما يسمح به حجمها

إن مُسرعات الذكاء الاصطناعي صغيرة، ومعظمها يقاس بالملليمتر، وأكبرها في العالم بحجم جهاز iPad، ما يجعل من الصعب توجيه كمية الطاقة اللازمة لتشغيلها في مثل هذه المساحة الصغيرة. وقد أصبح هذا الأمر أكثر صعوبة مع ارتفاع متطلبات الحوسبة من أحمال تشغيل الذكاء الاصطناعي في السنوات الأخيرة. يجب إحراز تقدم في القريب العاجل في بنيات شبكة توصيل الطاقة (PDN) وراء مُسرعات الذكاء الاصطناعي وإلا سيبدأ أداؤها في التأثر. 

نظرًا لتصميمها الفريد وأجهزتها المتخصصة، تعمل مُسرعات الذكاء الاصطناعي على تعزيز أداء معالجة الذكاء الاصطناعي بشكل كبير مقارنةً بسابقاتها. وتتيح الميزات المصممة خصوصًا لهذا الغرض حل خوارزميات الذكاء الاصطناعي المعقدة بمعدلات تفوق بكثير الشرائح ذات الأغراض العامة.

تُصنع مُسرعات الذكاء الاصطناعي عادةً من مادة شبه موصلة، مثل السيليكون، وترانزستور متصل بدائرة إلكترونية. تُشغل التيارات الكهربائية التي تمر عبر المادة ويتوقف تشغيلها، ما يؤدي إلى إنشاء إشارة تُقرأ بعد ذلك من خلال جهاز رقمي. في المُسرعات المتقدمة، تُشغل الإشارات ويتوقف تشغيلها مليارات المرات في الثانية الواحدة، ما يسمح للدوائر بحل العمليات الحسابية المعقدة باستخدام رمز ثنائي.

صُممت بعض مُسرعات الذكاء الاصطناعي لغرض محدد، في حين أن بعضها الآخر لديه وظائف أكثر عمومية. على سبيل المثال، وحدات المعالجة العصبية هي مُسرعات ذكاء اصطناعي مصممة خصوصًا للتعلم العميق، بينما وحدات معالجة الرسومات هي مُسرعات ذكاء اصطناعي مصممة لمعالجة الفيديو والصور.

تتمثل مهمة مُسرعات الذكاء الاصطناعي في المقام الأول في حل الخوارزميات المتقدمة، ويُعد أداؤها أمرًا بالغ الأهمية للعديد من العمليات المتعلقة بالذكاء الاصطناعي، مثل مشكلات التعلم الآلي (ML) والتعلم العميق و الشبكة العصبية العميقة.

حيث يمكنها حل العديد من الخوارزميات في وقت واحد—بسرعة ودقة—بسبب الطريقة الفريدة التي تنشر بها الموارد الحسابية، في المقام الأول من خلال المعالجة المتوازية، وهندسة الذاكرة الفريدة الخاصة بها وميزة تُعرف باسم الدقة المنخفضة.

صُممت مُسرعات الذكاء الاصطناعي الأكثر تقدمًا اليوم لمعالجة المشكلات الكبيرة والمعقدة عن طريق تقسيمها إلى مشكلات أصغر وحلها في الوقت نفسه، ما يؤدي إلى زيادة سرعتها بشكل كبير.

المعالجة المتوازية

لا توجد ميزة أخرى تعمل على تعزيز أداء مُسرع الذكاء الاصطناعي مثل قدرته على إجراء العديد من العمليات الحسابية في وقت واحد، وهي المهمة المعروفة باسم المعالجة المتوازية. على عكس الشرائح الأخرى، يمكن لمُسرعات الذكاء الاصطناعي إكمال المهام في دقائق أو ثوانٍ أو حتى أجزاء من الثانية التي كانت تستغرق في السابق ساعات وحتى أيامًا.

هذه القدرة تجعل المُسرعات لا غنى عنها لتقنيات الذكاء الاصطناعي التي تعتمد على معالجة البيانات في الوقت الفعلي ، مثل حوسبة الحافة. ونظرًا إلى العدد الهائل من الخوارزميات المعقدة في عمليات التعلم الآلي والتعلم العميق، فإن مُسرعات الذكاء الاصطناعي ضرورية لتقدم كل من التقنية وتطبيقاتها.

دقة مخفضة لتدريب الذكاء الاصطناعي

لتوفير الطاقة، يمكن لمُسرعات الذكاء الاصطناعي استخدام ميزة تُعرف باسم الحساب منخفض الدقة. لا تزال الشبكات العصبية تعمل بشكل جيد باستخدام أرقام الفاصلة العائمة ذات 16 بت أو حتى 8 بت، بدلاً من 32 بت التي تستخدمها الشرائح ذات الأغراض العامة. وهذا يعني أنها يمكن أن تحقق سرعات معالجة أسرع باستهلاك أقل للطاقة من دون التضحية بالدقة.

التسلسل الهرمي للذاكرة

تُعد طريقة نقل البيانات من مكان إلى آخر في مُسرعات الذكاء الاصطناعي أمرًا بالغ الأهمية لتحسين  أحمال تشغيل الذكاء الاصطناعي. تستخدم مُسرعات الذكاء الاصطناعي بنى ذاكرة مختلفة عن الشرائح ذات الأغراض العامة، ما يسمح لها بتحقيق أوقات انتقال أقل وإنتاجية أفضل. وتُعد ميزات التصميم المتخصصة هذه، بما في ذلك ذاكرات التخزين المؤقت على الشريحة وذاكرة عرض النطاق الترددي العالي، ضرورية لتسريع معالجة مجموعات البيانات الكبيرة اللازمة لأحمال تشغيل الذكاء الاصطناعي عالية الأداء.

تنقسم مُسرعات الذكاء الاصطناعي إلى نوعين من البنى بناءً على وظيفتها: مُسرعات الذكاء الاصطناعي  لمراكز البيانات و مُسرعات الذكاء الاصطناعي لأطر عمل حوسبة الحافة. تتطلب مُسرعات الذكاء الاصطناعي لمراكز البيانات بنية قابلة للتوسع بدرجة كبيرة وشرائح كبيرة، مثل محرك نطاق الشريحة (WSE)، الذي صممته شركة Cerebras لأنظمة التعلم العميق، بينما تركز مُسرعات الذكاء الاصطناعي المصممة للأنظمة البنائية  لحوسبة الحافة بشكل أكبر على كفاءة الطاقة والقدرة على تقديم نتائج في زمن شبه حقيقي .

التكامل على نطاق الشريحة

التكامل على نطاق الشريحة، أو اختصارًا WSI، هو عملية لبناء شبكات شرائح ذكاء اصطناعي كبيرة للغاية في شريحة واحدة "فائقة" لتقليل التكلفة وتسريع أداء نماذج التعلم العميق . إن أكثر عمليات التكامل على نطاق الشريحة شيوعًا هي شبكة شريحة WSE-3 التي أنتجتها شركة Cerebras وبنتها شركة TSMC من خلال عملية 5 نانومترات، وهي حاليًا أسرع مُسرع ذكاء اصطناعي في العالم.

وحدات المعالجة العصبية (NPUs)

وحدات المعالجة العصبية، أو اختصارًا NPUs، هي مُسرعات ذكاء اصطناعي  للتعلم العميق و الشبكات العصبية ومتطلبات معالجة البيانات الفريدة لأحمال التشغيل هذه. يمكن لوحدات المعالجة العصبية معالجة كميات كبيرة من البيانات بشكل أسرع من الشرائح الأخرى. ويمكنها أداء مجموعة كبيرة من مهام الذكاء الاصطناعي المرتبطة بالتعلم الآلي، مثل التعرف على الصور والشبكات العصبية التي تشكل أساس تطبيقات الذكاء الاصطناعي والتعلم الآلي الشائعة مثل ChatGPT.

وحدات معالجة الرسومات

تُستخدم وحدات معالجة الرسومات—وهي دوائر إلكترونية مصممة لتحسين أداء رسومات الكمبيوتر ومعالجة الصور—في مجموعة متنوعة من الأجهزة بما في ذلك بطاقات الفيديو واللوحات الأم والهواتف المحمولة. ولكن، نظرًا لقدراتها على المعالجة المتوازية، يتزايد استخدامها أيضًا في تدريب نماذج الذكاء الاصطناعي. وتتمثل إحدى الطرق الشائعة في توصيل العديد من وحدات معالجة الرسومات بنظام ذكاء اصطناعي واحد لزيادة قوة المعالجة لهذا النظام.

مصفوفات البوابات القابلة للبرمجة الميدانية (FPGAs)

مصفوفات البوابات القابلة للبرمجة الميدانية هي مُسرعات ذكاء اصطناعي قابلة للتخصيص بدرجة كبيرة وتعتمد على معرفة متخصصة لإعادة برمجتها لغرض معين. وخلافًا لمُسرعات الذكاء الاصطناعي الأخرى، فإن مصفوفات البوابات القابلة للبرمجة الميدانية لها تصميم فريد يناسب وظيفة محددة، وغالبًا ما يتعلق بمعالجة البيانات في الوقت الحقيقي. يمكن إعادة برمجة مصفوفات البوابات القابلة للبرمجة الميدانية على مستوى الأجهزة، ما يتيح مستوى تخصيص أعلى بكثير. وتشمل التطبيقات الشائعة لمصفوفات البوابات القابلة للبرمجة الميدانية الفضاء وإنترنت الأشياء (IoT) والشبكات اللاسلكية.

الدوائر المتكاملة الخاصة بالتطبيقات (ASICs)

الدوائر المتكاملة الخاصة بالتطبيقات هي مُسرعات الذكاء الاصطناعي التي صُممت مع وضع غرض أو حمل تشغيل محدد في الحسبان، مثل التعلم العميق في حالة مسرع الدوائر المتكاملة الخاصة بالتطبيقات WSE-3 الذي أنتجته شركة Cerebras. وعلى عكس مصفوفات البوابات القابلة للبرمجة الميدانية، لا يمكن إعادة برمجة الدوائر المتكاملة الخاصة بالتطبيقات، ولكن نظرًا لأنها مصممة لغرض واحد، فإنها عادةً ما تتفوق في الأداء على المُسرعات الأخرى ذات الأغراض العامة. أحد الأمثلة على ذلك هو وحدة معالجة الموتر (TPU) من Google، التي طُورت للتعلم الآلي للشبكات العصبية باستخدام برنامج TensorFlow الخاص بشركة Google.