الذكاء الاصطناعي
الذكاء الاصطناعي يلتقي بالكفاءة: رقاقة جديدة تقلل استهلاك الطاقة لنماذج اللغة الكبيرة بنسبة 50%
أضف Securities.io إلى مصادرك المفضلة على Google
الازدهار المستمر للذكاء الاصطناعي (AI) يؤدي إلى زيادة في مراكز البيانات، مما يخلق طلبًا هائلًا على الطاقة لتشغيل وتبريد الخوادم داخلها.
بينما يوجد أكثر من 8,000 مركز بيانات حول العالم، معظمها في الولايات المتحدة، من المتوقع أن يزداد هذا العدد بشكل كبير في السنوات القادمة.
وفقًا لتقدير مجموعة بوسطن للاستشارات، سيزداد الطلب على مراكز البيانات بنسبة 15% إلى 20% كل عام حتى عام 2030. في هذه المرحلة، تتوقع الشركة أن تشكل مراكز البيانات 16% من إجمالي استهلاك الطاقة في الولايات المتحدة، مقارنةً بـ 2.5% فقط قبل إصدار ChatGPT من OpenAI في عام 2022.
في الوقت نفسه، تقرير الطاقة والذكاء الاصطناعي الخاص بالوكالة الدولية للطاقة (IEA) الصادر هذا العام، يتوقع أن يتضاعف الطلب على الكهرباء من مراكز البيانات حول العالم على الأقل بحلول نهاية هذا العقد ليصل إلى حوالي 945 تيرواط ساعي. وهذا يعادل تقريبًا ما تستهلكه اليابان اليوم.
تُقر المنظمة الدولية المستقلة في باريس أن الذكاء الاصطناعي هو الدافع الأكبر وراء هذه الزيادة، مع توقع أن يتجاوز الطلب على الكهرباء من مراكز البيانات المُحسّنة للذكاء الاصطناعي أربعة أضعاف بحلول عام 2030.
في الولايات المتحدة تحديدًا، من المتوقع أن يشكل استهلاك الطاقة من قبل مراكز البيانات حوالي نصف النمو في الطلب على الكهرباء بين الآن وعام 2030. وبفضل استخدام الذكاء الاصطناعي، ستستهلك الاقتصاد الأمريكي، وفقًا للتقرير، طاقة كهربائية لمعالجة البيانات أكثر من ما يُستهلك في تصنيع جميع السلع ذات الاستهلاك العالي للطاقة مجتمعة.
هذا الشغف اللامحدود للطاقة يشكل مشكلة ضخمة في تقدم واعتماد الذكاء الاصطناعي. ومع ذلك، فإن الجانب المشرق هو العدد المتزايد من الباحثين والشركات الذين يعملون على تقليل استهلاك الطاقة للذكاء الاصطناعي وجعله أكثر كفاءة.
ما يثير الاهتمام في هذه الجهود هو أن الكثير منها يستخدم الذكاء الاصطناعي لمعالجة تحديات الطاقة الخاصة به.
فقط هذا الشهر، عرض فريق من الباحثين رقاقة جديدة تستخدم الذكاء الاصطناعي لتقليل البصمة الطاقية لنماذج اللغة الكبيرة (LLMs) بنسبة 50%، مما يمثل تطورًا كبيرًا في جعل تشغيل نماذج اللغة الكبيرة أكثر تكلفةً واستدامة.
New Chip Leverages AI to Reduce LLM’s Energy Consumption
طور باحثون من كلية الهندسة بجامعة ولاية أوريغون رقاقة ذكاء اصطناعي جديدة لحل مشكلة استهلاك الكهرباء الضخم لتطبيقات الذكاء الاصطناعي القائمة على نماذج اللغة الكبيرة مثل GPT-4 من OpenAI وGemini من Google.
A type of machine learning (ML) model, a large language model (LLM) is pre-trained on vast amounts of data to perform natural language processing (NLP) tasks like text generation, summarization, simplification, text reasoning, language translation, and more.
تشمل أكثر الدردشات شيوعًا واستخدامًا اليوم GPT-4o وo3 وo1 من OpenAI، وGemini وGemma من Google، وLlama من Meta، وR1 وV3 من DeepSeek، وClaude من Anthropic، وNova من Amazon (AMZN ) ، وPhi من Microsoft (MSFT ) ، وGrok من xAI.
على مدار السنوات القليلة الماضية، غيرت نماذج اللغة الكبيرة مجال الذكاء الاصطناعي تمامًا من خلال تمكين الآلات من فهم وتوليد نص يشبه النص البشري بدقة أكبر. ومع ذلك، أدى هذا التطور إلى زيادة هائلة في حجم النماذج.
حجم نموذج اللغة الكبيرة، الذي يُقاس بعدد المعلمات، هو العامل الرئيسي في استهلاك الطاقة. وهذا يعني أن كلما كان النموذج أكبر، زادت الحاجة إلى القدرة الحاسوبية للتدريب والاستدلال.
على سبيل المثال، كان لدى ChatGPT-1 أقل من 120 مليون معلمة، ثم ارتفع إلى 175 مليار معلمة مع GPT-3، ثم إلى حوالي 1.8 تريليون معلمة مع GPT-4.
هذا الارتفاع الضخم في حجم وقدرات نماذج اللغة الكبيرة يعني أن استهلاك الطاقة يرتفع أيضًا على نطاق غير مسبوق. إلى جانب حجم النموذج، تؤثر عوامل مثل نوع العتاد المستخدم لتدريب هذه النماذج، مدة عملية التدريب، البنية التحتية (مراكز البيانات)، معالجة البيانات، تحسين النموذج، وكفاءة الخوارزميات على استهلاك الطاقة.
ومن هنا جاءت الرقاقة الجديدة من باحثي OSU. وفقًا لتيجاسفي أناند، أستاذ مشارك في الهندسة الكهربائية بجامعة OSU ومدير مختبر الدوائر المختلطة والإشارات والأنظمة في الجامعة:
“المشكلة هي أن الطاقة المطلوبة لنقل بتة واحدة لا تُقلل بنفس معدل زيادة طلب معدل البيانات. وهذا ما يجعل مراكز البيانات تستهلك طاقةً هائلة.”
لتجاوز هذه المشكلة، صمم الفريق رقاقة جديدة تستهلك نصف الطاقة مقارنةً بالتصاميم التقليدية.
قدم أناند وطالب الدكتوراه رامين جافادي هذه التقنية الجديدة في مؤتمر IEEE للدوائر المتكاملة المخصصة (CIC) الذي عُقد في بوسطن الشهر الماضي. المؤتمر، الذي يضم منتديات، لجان، معارض، وعروض شفهية، يكرس لتطوير الدوائر المتكاملة التي تُعد لبنة البناء للأنظمة الإلكترونية الحديثة من خلال توفير الوظائف والقوة الحاسوبية في حزمة مدمجة وفعّالة.
تم بناء التقنية الحديثة بدعم من مركز الاتصال الشامل (CUbiC)، ومؤسسة أبحاث أشباه الموصلات (SRC)، ووكالة مشاريع البحوث الدفاعية المتقدمة (DARPA). كما حصل جافادي على جائزة أفضل ورقة طلابية في المؤتمر.
بالنسبة للرقاقة الجديدة، استفاد الباحثون فعليًا من مبادئ الذكاء الاصطناعي التي، كما أشار جافادي، تقلل من استهلاك الكهرباء لمعالجة الإشارات.
كما أوضح، تُرسل نماذج اللغة الكبيرة وتستقبل كميات هائلة من البيانات عبر وصلات سلكية داخل مراكز البيانات، وهي وصلات تعتمد على النحاس. تتطلب هذه العملية بأكملها طاقة كبيرة، لذا فإن أحد “الحلول” المحتملة هو تطوير رقاقة اتصال سلكية أكثر كفاءة.
أشار جافادي أيضًا إلى أنه عندما تُرسل البيانات بسرعات عالية، تتلف في نهاية المستقبل، وبالتالي تحتاج إلى تصحيح. لهذا الغرض، يستخدم معظم أنظمة الاتصال السلكية موازنًا يستهلك طاقةً كبيرة.
“نحن نستخدم تلك المبادئ الذكائية على الرقاقة لاستعادة البيانات بطريقة أذكى وأكثر كفاءة عن طريق تدريب المصنف على الرقاقة للتعرف على الأخطاء وتصحيحها.”
– جافادي
على الرغم من كونه تطورًا كبيرًا، فإن هذه النسخة ما زالت أولية. النسخة التالية قيد التطوير حاليًا لتعزيز كفاءتها الطاقية أكثر.
بشكل عام، تُظهر هذه الأبحاث المستمرة إمكانات هائلة قد يكون لها تأثير بعيد المدى على مستقبل بنية تحتية الذكاء الاصطناعي وتشغيل مراكز البيانات. ولكن بالطبع، سيتطلب ذلك تنفيذ التقنية على نطاق واسع، وهو أمر ليس سهلًا أبدًا.
انقر هنا لتعرف كيف يغيّر الذكاء الاصطناعي هندسة الرقائق الدقيقة.
Taming AI’s Energy Appetite with Breakthroughs Across Layers
هذا التطور الأخير في الرقاقة هو مجرد أحد العديد من المشاريع البحثية التي تتصدى لمشكلة استهلاك الطاقة للذكاء الاصطناعي. لذا، لنلق نظرة سريعة على الطرق المبتكرة التي تبنى عليها الأبحاث.
Using Light for AI Energy Efficiency
في وقت سابق من هذا العام، طور علماء USST رقاقة ذكاء اصطناعي دقيقة1 أصغر من حبة غبار أو حبة ملح، تستخدم الضوء لمعالجة البيانات من كابلات الألياف الضوئية. وهذا يَعِد بحسابات أسرع مع استهلاك طاقة أقل.
تُعالج الرقاقة الضوء لإجراء الحسابات فورًا بدلاً من تفسير إشارات الضوء كما تفعل الحواسيب التقليدية. لهذا، تستخدم “شبكة عصبونية عميقة انكسارية بصرية بالكامل”، تقنية تستفيد من طبقات مطبوعة ثلاثية الأبعاد من المكونات المكدسة معًا. وعلى الرغم من كونها رائدة، إلا أن هناك تحديات مثل التصميم المتخصص للمهام، الحساسية للعيوب، وصعوبة الإنتاج على نطاق واسع يجب التغلب عليها لتحقيق “وظائف غير مسبوقة” في التصوير التنظيري، الحوسبة الكمومية، ومراكز البيانات.
قبل ذلك بعدة أشهر، استخدم علماء MIT الضوء أيضًا لأداء العمليات الأساسية لشبكة عصبونية على رقاقة، مما مكن من حسابات ذكاء اصطناعي فائقة السرعة (في نصف نانوثانية) بدقة 92% وكفاءة طاقة هائلة.
“هذا العمل يوضح أن الحوسبة — في جوهرها، تحويل المدخلات إلى مخرجات — يمكن تجميعها على بنى جديدة للفيزياء الخطية واللاخطية التي تتيح قانونًا مختلفًا جذريًا لتدرج الحوسبة مقابل الجهد المطلوب.”
– المؤلف الرئيسي ديرك إنغلوند
طور العلماء الرقاقة الضوئية2، التي تتكون من وحدات مترابطة تشكّل شبكة عصبونية بصرية. ومن الجدير بالذكر أن استخدام عمليات المصانع التجارية لتصنيعها يعني إمكانية توسيعها وتكاملها مع الإلكترونيات. كما تغلب العلماء على تحدي اللاخطية في البصريات من خلال تصميم وحدات وظيفية بصرية غير خطية (NOFUs) تجمع بين الإلكترونيات والبصريات.
A Software Tool for AI Training & a Cooling System for Data Centres
في الوقت نفسه، استهدف باحثو جامعة ميتشيغان هدر الطاقة الناتج عن تدريب الذكاء الاصطناعي، وتحديدًا عندما يتم توزيعها بين وحدات معالجة الرسوميات (GPUs) بشكل غير متساوٍ.
لذلك، طوروا أداة برمجية تُدعى Perseus تُحدد المهام الفرعية التي تستغرق أطول وقت وتُقلل سرعة المعالجات غير الموجودة على “المسار الحاسم” لتمكين جميعها من إكمال مهامها في آنٍ واحد، مما يزيل استهلاك الطاقة غير الضروري.
هذه الأداة مفتوحة المصدر متوفرة كجزء من Zeus، أداة لقياس وتحسين استهلاك الطاقة للذكاء الاصطناعي.
في الوقت نفسه، لجأ باحثون من جامعة ميسوري إلى تصميم نظام تبريد من الجيل التالي لمساعدة مراكز البيانات على أن تصبح أكثر كفاءةً في استهلاك الطاقة. كما يقومون بتصنيع نظام تبريد سهل الاتصال والفصل داخل رفوف الخوادم.
“التبريد وتصنيع الرقائق يسيران جنبًا إلى جنب. بدون تبريد مناسب، ترتفع درجة حرارة المكونات وتفشل. ستكون مراكز البيانات ذات الكفاءة الطاقية المفتاح لمستقبل حوسبة الذكاء الاصطناعي.”
– تشانواو بارك، أستاذ الهندسة الميكانيكية والفضائية في كلية الهندسة بجامعة ميسوري
بدعم من تمويل بقيمة 1.5 مليون دولار من مبادرة COOLERCHIPS التابعة لوزارة الطاقة، طور الفريق نظام تبريد ذو مرحلتين يبدد الحرارة من رقاقة الخادم عبر تغير الطور. يمكنه العمل بشكل سلبي دون استهلاك أي طاقة عندما لا يحتاج إلى تبريد كبير، وحتى في الوضع النشط يستخدم كمية طاقة قليلة جدًا.
CRAM Hardware Could Cut AI Energy Use by 1000x
في الصيف الماضي، طور مهندسون في جامعة مينيسوتا توين سيتيز جهازًا متقدمًا للعتاد3 يمكنه خفض استهلاك الطاقة للذكاء الاصطناعي بنحو 1,000 مرة.
هذا النموذج الجديد يُسمى الذاكرة العشوائية الحاسوبية (CRAM)، حيث لا تغادر البيانات الذاكرة؛ بل تُعالج بالكامل داخل مصفوفة الذاكرة، مما يلغي الحاجة إلى نقل البيانات المستهلك للطاقة والبطيء.
بعد عقدين من البحث، تُعد هذه الدراسة جزءًا من جهود الفريق لبناءً على أبحاث المؤلف الرئيسي جيان-بينغ وانغ المسجلة لجهات التقاطع المغناطيسية (MTJs). تُستخدم هذه الأجهزة النانوية لتحسين المستشعرات، الأقراص الصلبة، وأنظمة الميكروإلكترونيات الأخرى مثل الذاكرة العشوائية المغناطيسية (MRAM).
“باعتبارها ركيزة حوسبة رقمية داخل الذاكرة ذات كفاءة طاقة عالية للغاية، فإن CRAM مرنة جدًا حيث يمكن إجراء الحسابات في أي موقع داخل مصفوفة الذاكرة”، أضافت المساهمة المشتركة أولاى كارپوزكو، أستاذ مشارك في قسم الهندسة الكهربائية والحاسوبية. كما يمكن إعادة تكوينها لتناسب احتياجات الأداء المختلفة للخوارزميات.
Brain-Inspired AI: Reducing Power Use by Mimicking Human Efficiency
كما رأينا، يبحث الباحثون في جوانب مختلفة من الذكاء الاصطناعي لمعالجة مشاكله الطاقية. ومن المثير للاهتمام أنهم يتطلعون أيضًا إلى الدماغ البشري للإلهام. وهذا منطقي، فبعد كل شيء، الذكاء الاصطناعي هو محاكاة لعمليات الذكاء البشري بواسطة الآلات، رغم أنه ليس قريبًا من التفكير والاستدلال البشري بسبب قدرته على التعميم عبر المتغيرات التي “أضعف بكثير من الإدراك البشري”.
The brain-inspired energy reduction research includes the work of Associate Professor Chang Xu in the University’s Sydney AI Centre, who noted that LLMs utilizing the resources at full capacity, even for simple tasks, is not the right way to do things. He explained:
“عندما تفكر في دماغ إنسان صحي – لا يطلق جميع الخلايا العصبية أو يستخدم كل طاقة دماغه مرة واحدة. يعمل بكفاءة طاقة مذهلة، فقط 20 وات على الرغم من امتلاكه نحو 100 مليار خلية عصبية، والتي يستخدمها بشكل انتقائي من أنصاف الكرة المخية المختلفة لأداء مهام أو تفكير مختلف.”
وبالتالي، يطورون خوارزميات تتجاوز الحسابات الزائدة غير الضرورية ولا تنتقل إلى وضعية عالية السرعة تلقائيًا.
في حالات أخرى، استلهم البحث من تعديل الأعصاب في الدماغ وأنشأ خوارزمية تسمى ‘نظام التخزين’ لتقليل الطاقة بنسبة 37% دون أي تدهور في الدقة، ووظيفة الإصلاح الذاتي لخلايا الدماغ المسماة الخلايا النجمية للأجهزة الصلبة، واستخدام الحوسبة النيورومورفية (المستوحاة من الدماغ) (الميمريستور) لتعمل معًا في عدة مجموعات فرعية من الشبكات العصبونية.
Investing in Artificial Intelligence
شركة عالمية للرقائق نصف الموصلة، AMD (AMD ) معروفة بتقنيات الحوسبة عالية الأداء، الرسوميات، وتكنولوجيا التصور. بينما تتنافس مباشرة مع نجمة الذكاء الاصطناعي NVIDIA (NVDA )، فإنها تكسب حصة سريعة في أسواق مراكز البيانات ومسرعات الذكاء الاصطناعي. تستهدف سلسلة MI300 الخاصة بها بشكل خاص أعباء عمل الذكاء الاصطناعي الجينية وتطبيقات الحوسبة عالية الأداء.
وجودها القوي في مجال معالجات مراكز البيانات، تركيزها القوي على البحث والتطوير، نمو إيراداتها، قاعدة عملائها، واستحواذاتها تجعل من AMD لاعبًا قويًا في هذا القطاع.
Advanced Micro Devices (AMD )
في عام 2022، أبرمت AMD صفقة تاريخية في صناعة الرقائق بقيمة 50 مليار دولار من خلال الاستحواذ على Xilinx لتصبح رائدة في الحوسبة عالية الأداء والتكيفية. ومؤخرًا، أكملت استحواذها على ZT Systems لتستهدف فرصة مراكز البيانات ومسرعات الذكاء الاصطناعي التي تبلغ قيمتها 500 مليار دولار بحلول عام 2028.
تشهد أداءات AMD أيضًا انتعاشًا هذا العام بعد أن تأثرت بتقلبات التعريفات الجمركية. في وقت كتابة هذا المقال، تُتداول أسهم AMD عند 120 دولارًا، بانخفاض 6.9% منذ بداية العام ولكنها لا تزال على بعد حوالي 47% من أعلى مستوى لها في مارس 2024. وبذلك، تبلغ قيمتها السوقية 182.34 مليار دولار مع ربحية السهم (TTM) تبلغ 1.36 ومضاعف السعر إلى الأرباح (TTM) 82.44.
أما بالنسبة للبيانات المالية للشركة، فقد أبلغت AMD عن زيادة بنسبة 36% على أساس سنوي في الإيرادات لتصل إلى 7.4 مليار دولار للربع الأول من 2025، وهو ما وصفته الرئيسة التنفيذية الدكتورة ليزا سو بأنه “بداية متميزة” للعام، “على الرغم من البيئة الماكروية والتنظيمية المتقلبة.” وقد دفعت هذه النمو “توسيع زخم مراكز البيانات والذكاء الاصطناعي”، كما أضافت.
خلال هذه الفترة، بلغ دخل AMD التشغيلي 806 ملايين دولار، وصافي الدخل 709 ملايين دولار، وربح السهم المخفف 0.44 دولار. للربع الثاني من 2025، تتوقع الشركة إيرادات تقريبية تبلغ 7.4 مليار دولار.
من بين التطورات الرئيسية التي قامت بها الشركة توسيع الشراكات الاستراتيجية مع Meta Platforms, Inc. (META ) (Llama)، Alphabet Inc. (GOOG ) (GOOGL ) (Gemma)، Oracle Corporation (ORCL )، Core42، Dell Technologies (DELL )، وغيرها. كما أعلنت AMD، بالتعاون مع Nokia، Cisco Systems, Inc. (CSCO )، وJio، عن منصة AI للاتصالات المفتوحة لتقديم حلول مدفوعة بالذكاء الاصطناعي لتعزيز الكفاءة والأمان والقدرات.
الآن، هذا الأسبوع، تعاونت AMD وNvidia مع Humain، شركة تابعة لصندوق الاستثمارات العامة السعودي، لتوريد أشباه الموصلات لمشروع مركز بيانات واسع النطاق من المتوقع أن تكون طاقته 500 ميجاوات.
انقر هنا للحصول على قائمة بأهم الشركات غير القائمة على السيليكون.
Latest Advanced Micro Devices (AMD) Trends and Developments
Conclusion
على مدى السنوات القليلة الماضية، شهدت هوس الذكاء الاصطناعي نموًا هائلًا، ولأسباب وجيهة. فهذه التقنية، في النهاية، لديها إمكانات كبيرة لتحويل مجموعة واسعة من الصناعات من الرعاية الصحية، التصنيع، وعلوم المواد إلى المالية، الترفيه، التعليم، التجزئة، والأمن السيبراني.
ومع ذلك، أدى التقدم التكنولوجي، والاعتماد المتزايد، والتوسع اللاحق لهذه النماذج الكبيرة إلى طلب كبير على الطاقة، مما يساهم في انبعاثات الغازات الدفيئة (GHG) وتغير المناخ، ويزيد من التكلفة الاقتصادية، ويؤثر على استدامة التقنية.
هذا يشكل تحديًا رئيسيًا للذكاء الاصطناعي. إذا أردنا تحقيق إمكاناته الحقيقية من حيث خفض التكاليف، وزيادة الإنتاجية، وتحسين اتخاذ القرار على نطاق واسع، يجب أن تكون النماذج ذات تكلفة فعّالة ومستدامة.
الخبر السار هو أن الباحثين حول العالم يعملون بجد لجعل الذكاء الاصطناعي أكثر كفاءةً في استهلاك الطاقة، كما يتضح من رقاقة OSU المدعومة بالذكاء الاصطناعي، مما يشير إلى احتمال قوي لتوفيق الابتكار مع الاستدامة.
بالطبع، يجب على التقنيات المقترحة التغلب على أكبر عقبة وهي تحقيق تأثير حقيقي على نطاق واسع. ومع ذلك، شيء واحد واضح: مستقبل الذكاء الاصطناعي الأخضر ممكن، وهو قادم!
انقر هنا لتتعرف على كل ما تحتاج معرفته حول الاستثمار في الذكاء الاصطناعي.
Studies Referenced:
1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). All-optical image transportation through a multimode fibre using a miniaturized diffractive neural network on the distal facet. Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). Single-chip photonic deep neural network with forward-only training. Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). Experimental demonstration of magnetic tunnel junction-based computational random-access memory. npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3
