الذكاء الاصطناعي
استثمار في الأجهزة الخاصة بالذكاء الاصطناعي: من معالجات Централь إلى XPUs
استثمار في الأجهزة الخاصة بالذكاء الاصطناعي: نهج المضاربين على الذهب
الذكاء الاصطناعي يعد التغيير الأكثر أهمية في اقتصادنا ونظم الإنتاج ومجتمعنا في العقود القليلة الماضية، وربما يجعل حتى التغييرات الجذرية التي جلبها الإنترنت تبدو متواضعة بالمقارنة.
قد يؤدي إلى исчезار فئة كاملة من الوظائف، بما في ذلك السائقين، والمترجمين، ودعم العملاء، ومصممي الويب، وغيرهم. قد تشهد وظائف أخرى انخفاضًا كبيرًا في الطلب، مثل المبرمجين، والمحامين في المراحل الأولى، والأخصائيين الطبيين، وغيرهم.
يجب أن يخلق أيضًا قيمة إضافية وإنتاجية كبيرة للعديد من المهام الأخرى، وسيكون الشركات الرائدة في برمجيات الذكاء الاصطناعي هي الأولى التي تصل إلى قيم سوقية كانت غير متخيلة في السابق.
من أجل جميع هذه الأسباب، فإن الأسواق المالية والمستثمرين قد سحروا بالذكاء الاصطناعي ويدفعون الكثير من الاهتمام إلى تقدم العمالقة التكنولوجية في مجال الذكاء الاصطناعي، وكذلك المنافسة القوية الناشئة من العمالقة التكنولوجية الصينية مثل أليبABA والشركات الناشئة مثل DeepSeek.
طريقة أخرى للعب دور الذكاء الاصطناعي هي اتباع الاستراتيجية المعروفة بالعمل في كل حمى ذهب: لا تبحث عن الذهب، ولكن بيع المضاربين على الذهب. هذا بالتأكيد قد نجح للشركات التي كانت في أفضل موقع لبيع الأجهزة المثلى للذكاء الاصطناعي، مع Nvidia (NVDA ) الذي حول بطاقات الرسومات الخاصة به إلى رقاقات تدريب الذكاء الاصطناعي، مما جعله الشركة الأكثر قيمة في العالم، بعد أن تجاوز الحد المذهل من 4 تريليون دولار أمريكي في القيمة السوقية (اتبع الرابط للحصول على تقرير كامل عن Nvidia).
بسبب أن الذكاء الاصطناعي يتطلب أجهزة خاصة، ومعظمها مختلفة عن أنواع الحوسبة السابقة، ويتطلب فرصة أعمال ضخمة، فإن صناعة الشبكات العصبونية الآن في سباق لتطوير أشكال جديدة من الأجهزة المصممة خصيصًا لتدريب وتنفيذ برامج الذكاء الاصطناعي.
في حين أن Nvidia قد يبقى واحدة من الشركات الرائدة في هذا القطاع، فإن بديلات أخرى تظهر الآن ويمكن أن توفر فرصًا مثيرة للاهتمام للمستثمرين الذين يلتفتون إليها في وقت مبكر.
لماذا يحتاج الذكاء الاصطناعي إلى أجهزة خاصة
حسابات صغيرة كثيرة
الجهود الأولية في مجال الذكاء الاصطناعي استخدمت نفس القدرة الحاسوبية مثل البرامج الأخرى، وتركزت بشكل رئيسي على المعالجات (وحدة المعالجة المركزية – CPUs). المعالجات لا تزال مهمة، ولكنها لا تصلح بشكل مثالي لمعظم الطرق المستخدمة حاليًا لتطوير الذكاء الاصطناعي.
الشبكات العصبونية والأساليب المماثلة تتطلب العديد من الحسابات البسيطة، بدلاً من حساب معقد واحد. لذلك، تكون الشبكات العصبونية الصغيرة التي تعمل بالتوازي أفضل من المعالجات الكبيرة والقوية.
هذا هو السبب في أن بطاقات الرسومات أصبحت شائعة، لأن بطاقات الرسومات مصممة بشكل طبيعي لتنفيذ آلاف الحسابات الصغيرة بالتوازي.
تدريب الذكاء الاصطناعي اليوم يعتمد بشكل كبير على الشبكات العصبونية، مفهوم فاز بالجائزة النوبل في الفيزياء في عام 2024، وجزء من جائزة نوبل التي غطيناها بالتفصيل في مقال مخصص في ذلك الوقت.
مصدر: جائزة نوبل
ثورة ثانية في تقنية الذكاء الاصطناعي جاءت مع “المتحولات”. وهي تحل مشكلة عدم قدرة الشبكات العصبونية التقليدية على معالجة تسلسلات البيانات الطويلة بفعالية، وهو سمة مشتركة للغة الطبيعية.
تم تقديم المتحولات لأول مرة في عام 2017 من قبل باحثين في جوجل، وهي السبب الجذري لانفجار القدرات الحالية للذكاء الاصطناعي. المتحولات هي في صميم منتجات الذكاء الاصطناعي مثل نماذج اللغة الكبيرة (LLMs)، بما في ذلك ChatGPT.
متطلبات مختلفة
فرق مهم في سير عمل الذكاء الاصطناعي هو الفرق بين التحسين الدقيق و الاستدلال، وكلاهما له متطلبات أجهزة مختلفة.
- التحسين الدقيق يتضمن تدريب نموذج على بيانات محددة للنطاق، مما يتطلب قدرة حاسوبية كبيرة وذاكرة. إنه مهمة تقنية جدًا، غالبًا ما تكون على حافة علم الذكاء الاصطناعي.
- الاستدلال يركز على استخدام نموذج مدرب بالفعل لإنشاء مخرجات، مما يتطلب قوة حاسوبية أقل ولكن يركز أكثر على انخفاض التأخير والكفاءة التكلفة.
- هذا يتم بشكل روتيني من قبل خبراء الذكاء الاصطناعي الذين يployن نماذج موجودة بالفعل لحل مشاكل حقيقية.
لذلك، في حين أن التكلفة هي بالتأكيد مصدر قلق لكلا التحسين الدقيق و الاستدلال، فإن التدريب سوف يتطلب عادةً أفضل الأجهزة المتاحة، بينما سوف تركز المهام على استخدام الذكاء الاصطناعي أكثر على تكلفة الأجهزة و استهلاك الطاقة عند اختيار أفضل خيار للأجهزة.
المعالجات المركزية مقابل بطاقات الرسومات
المعالجات المركزية (CPUs):
المعالجات المركزية هي أجهزة عامة الغرض وليست أجهزة خاصة بالذكاء الاصطناعي. ومع ذلك، لا تزال مهمة لتنفيذ الإرشادات وتنفيذ الحسابات الأساسية في أنظمة الذكاء الاصطناعي.
معظم البرمجيات التي تتعامل مع واجهة المستخدم النهائي لأنظمة الذكاء الاصطناعي سوف تكون أيضًا مركزة على المعالجات المركزية، سواء كانت أجهزة كمبيوتر فردية أو برمجيات سحابية.
مصدر: AnandTech
المعالجات المركزية يمكن استخدامها أيضًا لآلات الذكاء الاصطناعي البسيطة، حيث لا تتطلب أجهزة خاصة. هذا صحيح بشكل خاص عندما لا تكون الإخراجات خاصة بالسرعة، ولا تكون معالجة الذكاء الاصطناعي البطيئة للمعالجات المركزية مشكلة.
لذلك، يمكن أن تعمل نماذج صغيرة مع كميات صغيرة من البيانات و الحسابات على المعالجات المركزية. وجود المعالجات المركزية في أجهزة الكمبيوتر العادية يجعلها خيارًا جيدًا لمستخدم عادي لا يرغب في الاستثمار في أجهزة خاصة بالذكاء الاصطناعي.
المعالجات المركزية أيضًا موثوقة ومستقرة، مما يجعلها خيارًا جيدًا للمهام الحرجة حيث لا يسمح بأي خطأ.
أخيرًا، المعالجات المركزية مفيدة لبعض المهام في تدريب الذكاء الاصطناعي، عادةً في сотрудاء مع أنواع أخرى من الأجهزة، مثل تحميل البيانات، وتشكيلها، وتصفيتها، وتصويرها.
بطاقات الرسومات (GPUs):
تم تصميم بطاقات الرسومات في الأصل للرسومات، وهي مصممة للتعامل مع الحسابات المتوازية، مما يجعلها مثالية لتدريب نماذج الذكاء الاصطناعي التي تتطلب التعامل مع مجموعات بيانات كبيرة. انتقلت الأوقات التدريبية من أسابيع إلى ساعات بفضل التبديل من المعالجات المركزية إلى بطاقات الرسومات.
بسبب توفرها الواسع وخبرة أخصائيي تكنولوجيا المعلومات في العمل معها، كانت بطاقات الرسومات أول نوع من الأجهزة الحاسوبية التي يتم تثبيتها بالسلسلة لتوسيع أبحاث الذكاء الاصطناعي.
مصدر: Aorus
كان تطوير CUDA بواسطة Nvidia، واجهة برمجة عامة للأجهزة الرسومية من Nvidia، أيضًا حاسمًا في نجاح بطاقات الرسومات. تم ذلك لأن بعض الباحثين كانوا يستخدمون بالفعل بطاقات الرسومات لتنفيذ الحسابات بدلاً من الحواسيب الفائقة.
“لقد أدرك الباحثون أنه من خلال شراء بطاقة رسومات ألعاب تسمى GeForce، وإضافتها إلى جهاز الكمبيوتر، لديك في الأساس حاسوبًا فائقًا.
الديناميكا الجزيئية، ومعالجة الزلازل، وتركيب الصور، ومعالجة الصور – العديد من الأشياء المختلفة.”
اليوم، لا تزال بطاقات الرسومات من بين أكثر أنواع الأجهزة الحاسوبية طلبًا لتدريب نماذج الذكاء الاصطناعي، مع Nvidia التي تواجه صعوبة في إنتاج ما يكفي لتحقيق الطلب من العمالقة التكنولوجية الذين يبنيون مراكز بيانات ضخمة للغاية للذكاء الاصطناعي.
هذا هو بداية “عصر بطاقات الرسومات الفائقة”، مع إطلاق Nvidia最近 ل GB200 NVL72.
هذا الجهاز مصمم للعمل كبطاقة رسومات فائقة واحدة مباشرة من المصنع، بدلاً من شبكة العديد من البطاقات الصغيرة. هذا يجعلها أكثر قوة من النموذج H100 السابق الذي حطّم الأرقام القياسية.
مصدر: Nvidia
يجب أن يكون هذا أيضًا أكثر كفاءة في استهلاك الطاقة، وهو نقطة حاسمة لأن صناعة الذكاء الاصطناعي قد تواجه نقصًا في الطاقة قبل أن تواجه نقصًا في الرقاقات عند سرعة بناء مراكز بيانات الذكاء الاصطناعي. وأكثر من ذلك، فإن الكفاءة الحاسوبية والطاقة تعنيان أيضًا أقل من الحرارة المهدرة، مما يحل بشكل مؤقت مشكلة ارتفاع درجة الحرارة أيضًا.
| نوع الأجهزة | أفضل حالة استخدام | السرعة | كفاءة الطاقة | المرونة |
|---|---|---|---|---|
| CPU | مهام عامة | منخفضة | مرتفعة | مرتفعة جدًا |
| GPU | تدريب الذكاء الاصطناعي و المهام المتوازية | مرتفعة | متوسطة | متوسطة |
| TPU | عمليات التنسور و المتحولات | مرتفعة جدًا | مرتفعة | منخفضة |
| ASIC | تسريع المهام الفرعية | مرتفعة جدًا | مرتفعة جدًا | منخفضة جدًا |
| FPGA | أحمال عمل الذكاء الاصطناعي القابلة لإعادة التشكيل | متوسطة | متوسطة | مرتفعة |
صعود الدوائر المتكاملة التطبيقية الخاصة (ASICs) و أجهزة الذكاء الاصطناعي
الدائرة المتكاملة التطبيقية الخاصة (ASIC) هي أجهزة حاسوبية مصممة خصيصًا لمهمة حاسوبية معينة، مما يجعلها أكثر تخصصًا من بطاقات الرسومات التي لا تزال عامة نسبيًا.
لذلك، فهي أقل مرونة وقابلية للبرمجة من الأجهزة العامة.
كقاعدة عامة، فهي أكثر تعقيدًا. وهي أيضًا عادة أكثر تكلفة، بسبب عدم وجود اقتصاديات الحجم في إنتاجها وتكلفة التصميم المخصص.
然而، فهي أكثر كفاءة في المهمة المحددة، عادة ما تنتج مخرجات أسرع مع القليل من القوة الحاسوبية المهدرة والطاقة.
الدائرة المتكاملة التطبيقية الخاصة (ASICs) و أجهزة الذكاء الاصطناعي الخاصة الأخرى تزداد في الاستخدام، حيث يلاحظ المجال تدريجيًا أن بعض الحسابات ليست مثالية للقيام بها على بطاقات الرسومات ولكنها تتطلب أجهزة أكثر تخصصًا.
وحدات معالجة التنسور (TPUs)
تم تطوير وحدات معالجة التنسور (TPUs) من قبل جوجل (GOOGL ) خصيصًا لأداء حسابات التنسور (مرتبطة بالحسابات المتحولة). وهي مُحسنة للأداء العالي، والضرب المنخفض الدقة.
مصدر: C#Corner
هذا يمنح وحدات معالجة التنسور أداءً عاليًا، وكفاءة، ومقاييس قابلة للتطوير لتدريب الشبكات العصبونية الكبيرة.
تتمتع وحدات معالجة التنسور بميزات مخصصة، مثل وحدة الضرب في المصفوفة (MXU) وطوبولوجيا التوصيل المملوك، مما يجعلها مثالية لتسريع الذكاء الاصطناعي و الاستدلال.
تعتمد وحدات معالجة التنسور على Gemini، وجميع تطبيقات الذكاء الاصطناعي من جوجل مثل البحث، والصور، والخرائط، التي تخدم أكثر من مليار مستخدم.
يمكن لهذا النوع من الأجهزة أن يسرع بشكل كبير من تطوير وعمليات الشبكات العصبونية، حيث تكون الأخطاء العرضية أقل أهمية، لأن هذه النماذج تعتمد بشكل كبير على الإحصائيات وعدد كبير من الحسابات في المقام الأول.
من بين المهام التي تتم على وحدات معالجة التنسور، تعتبر التعلم العميق، واعتراف الكلام، وتصنيف الصور هي الأكثر ملاءمة.
معالجات الشبكات العصبونية (NNPs):
مرتبطة بالوحدات العصبونية (NPUs) و تسمى أحيانًا الرقاقات الشبيهة بالدماغ، فإن معالجات الشبكات العصبونية مخصصة للحسابات الشبكية العصبونية، مصممة لمحاكاة الاتصالات العصبونية في الدماغ البشري. وهي تسمى أحيانًا مقاول الذكاء الاصطناعي، على الرغم من أن هذا المصطلح أقل تحديدًا.
سوف تتضمن وحدة معالجة الشبكات العصبونية أيضًا التخزين والحساب من خلال الأوزان الشبكية. لذلك، يمكنها التعديل أو “التعلم” مع مرور الوقت، مما يؤدي إلى تحسين الكفاءة التشغيلية.
تتضمن وحدة معالجة الشبكات العصبونية وحدات مخصصة للضرب والاضافة، والدوال التنشيطية، وعمليات البيانات ثنائية الأبعاد، والتفكيك.
يتم استخدام وحدة الضرب والاضافة المخصصة لتنفيذ العمليات ذات الصلة بمعالجة تطبيقات الشبكات العصبونية، مثل حساب ضرب المصفوفات والاضافة، والضرب النقطي، والدوال الأخرى.
يمكن لمعالجات الشبكات العصبونية أن تكمل عملية معينة في حساب واحد بدلاً من الآلاف مع أجهزة عامة. على سبيل المثال، تطالب IBM أن وحدات معالجة الشبكات العصبونية يمكن أن تحسن بشكل كبير من كفاءة حساب الذكاء الاصطناعي مقارنة ببطاقات الرسومات.
“أظهر الاختبار أداء وحدات معالجة الشبكات العصبونية يفوق 100 مرة أداء بطاقة رسومات مماثلة، مع نفس استهلاك الطاقة.”
بسبب كفاءتها في استهلاك الطاقة، فإن وحدات معالجة الشبكات العصبونية شائعة بين المصنعين لتثبيتها في أجهزة المستخدمين، حيث يمكنها مساعدة تطبيقات الذكاء الاصطناعي التوليدية في أداء المهام محليًا، وهو ما يسمى “حوسبة الحواف”.
هناك العديد من الطرق التي يتم استكشافها حاليًا لإنشاء رقاقات شبيهة بالدماغ:
- استغلال التأثير الكهربي الناشئ، وهو ظاهرة لا يزال فهمها ضعيفًا.
- الطبقة الفعالة باستخدام الفاناديوم أو التيتانيوم.
- استخدام الميمريستور، وهو نوع جديد من المكونات الإلكترونية، والذي يمكن أن يؤدي مهام الذكاء الاصطناعي باستهلاك طاقة يصل إلى 1/800 من استهلاك الطاقة العادي.
وحدة المعالجة المساعدة (XPU)
تجمع وحدة المعالجة المساعدة (XPU) معالجًا مركزيًا (CPU)، و بطاقة رسومات (GPU)، وذاكرة في نفس الجهاز الإلكتروني.
مصدر: Broadcom
وحدة المعالجة المساعدة (XPU) هي مصطلح широк، يشمل العديد من المتغيرات لهذا Concept من جلب جميع الأجهزة في وحدات منفصلة، بما في ذلك وحدات معالجة البيانات (DPUs)، و وحدات معالجة البنية التحتية (IPUs)، و بطاقات تسريع الوظيفة (FACs).
تعتبر وحدات المعالجة المساعدة (XPUs) حلاً لمشكلة متزايدة في مراكز بيانات الذكاء الاصطناعي، وهي الحاجة المتزايدة إلى الاتصال بين الوحدات الفرعية، إلى الحد الذي يصبح فيه التأخير في البيانات عاملاً مهمًا في إبطاء الحوسبة، أكثر من القوة الحاسوبية المتاحة.
بصورة أساسية، تكون الرقاقات (GPUs، TPUs، NPPs، إلخ) في انتظار البيانات كما أنها تعمل بشكل فعلي.
قائد هذه التكنولوجيا هو Broadcom (AVGO )، الذي ناقشناه بالتفصيل في تقرير استثماري مخصص.
مصفوفات البوابات القابلة للبرمجة (FPGAs):
مصفوفات البوابات القابلة للبرمجة (FPGAs) هي معالجات قابلة للبرمجة، مما يجعلها أكثر مرونة وقابلية لإعادة التشكيل من الدوائر المتكاملة التطبيقية الخاصة (ASICs) الأكثر صلابة. يمكن تخصيص مصفوفات البوابات القابلة للبرمجة (FPGAs) لخوارزميات الذكاء الاصطناعي الخاصة، مما قد يوفر أداءً أعلى وكفاءة طاقة.
مصدر: Microcontrollers Labs
تأتي المرونة بتكلفة، حيث أن مصفوفات البوابات القابلة للبرمجة (FPGAs) عادة ما تكون أكثر تعقيدًا، وأكثر تكلفة، وتستهلك أكثر من الطاقة.
然而، يمكن أن تكون أكثر كفاءة من الأجهزة العامة.
هذا يجعلها منتجًا نوعيًا، حيث يمكن أن تعوض مرونتها عن عيوبها. على سبيل المثال، يمكن أن تستفيد التعلم الآلي، والرؤية الحاسوبية، ومعالجة اللغة الطبيعية من مرونة مصفوفات البوابات القابلة للبرمجة (FPGAs).
ذاكرة النطاق العريض (HBM):
أهم التطورات في الأجهزة المخصصة للذكاء الاصطناعي كانت في مجال القوة الحاسوبية، والتي كانت لفترة طويلة معضلة في بناء قدرة حاسوبية أكبر لتدريب الذكاء الاصطناعي.
然而، هذه الأنظمة تحتاج أيضًا إلى أنظمة دعم كفئة، ومنها الذاكرة.
توفير ذاكرة النطاق العريض (HBM) نطاقًا عريضًا hơn من الذاكرة العادية (DRAM).
يتم تحقيق ذلك عن طريق تجميع عدة رقاقات ذاكرة (DRAM) رأسيًا وتركيبها بوسائط التوصيل عبر السيليكون (TSVs). تم تطوير الجيل الأول من ذاكرة النطاق العريض (HBM) في عام 2013.
توفير التخزين الرأسي يوفر مساحة ويقلل من المسافة التي يجب أن تسافر البيانات، مما يسرع من نقل البيانات، وهو أمر ضروري في حوسبة الذكاء الاصطناعي.
ذاكرة النطاق العريض (HBM) أكثر تعقيدًا في التصنيع وأكثر تكلفة من ذاكرة (DRAM)، ولكن المنافع في الأداء والكفاءة في استهلاك الطاقة غالبًا ما تبرر التكلفة الأعلى لتدريبات الذكاء الاصطناعي.
بنية تحتية مركز بيانات الذكاء الاصطناعي: الطاقة، والتبريد، والاتصال
بجانب الذاكرة والقوة الحاسوبية، فإن الأنظمة المساعدة لمراكز بيانات الذكاء الاصطناعي مهمة أيضًا. بدونها، لا يمكن لنقل البيانات بسرعة كافية، أو سوف تتجاوز الرقاقات درجة الحرارة، أو سوف تكون الطاقة المتاحة غير كافية.
هذا يعني أن أجهزة الاتصال من Broadcom، على سبيل المثال، سوف تستفيد بشكل كبير من بناء مركز بيانات الذكاء الاصطناعي، كما سوف تفعل حلول متخصصة مثل موردي معدات التبريد، مثل Vertiv (VRT ) أو Schneider Electric (SU.PA).
قد يصبح إمداد الطاقة أيضًا مشكلة، وقد حاولت عدة عمالقة تكنولوجية مواجهة هذه القضية من خلال الرهان على الطاقة النووية، مع أول تحرك من مايكروسوفت في عام 2024، تلاه العديد من الآخرين منذ ذلك الحين.
وبالإضافة إلى الالتزام بخفض بصمة الكربون لمراكز بيانات الذكاء الاصطناعي من قبل الشركات التكنولوجية، يجب أن يستفيد من هذا الشركات في القطاع النووي أو الطاقة المتجددة، مثل Cameco (CCJ )، GE Vernova (GEV )، First Solar (FSLR )، NextEra (NEE )، أو Brookfield Energy Partners (BEP ) (اتبع الروابط للحصول على تقرير عن كل شركة).
تكنولوجيات الحوسبة الناشئة
الحوسبة الكمومية
بسبب أن الذكاء الاصطناعي جائع للقوة الحاسوبية، فمن الممكن أن مستقبل مجال الأجهزة ليس حتى مع الحلول السيليكونية المتاحة حاليًا.
إحدى الإمكانيات هي أن الحوسبة الكمومية يمكن استخدامها لاكتشاف الأنماط بكفاءة أعلى من الحوسبة الكلاسيكية، شيء تم استكشافه بالفعل من قبل الباحثين.
الحوسبة الكمومية يمكن استخدامها ككل لحل بعض الحسابات التي تكون صعبة أو مستحيلة تقريبًا مع الحوسبة الثنائية. من المحتمل أن يتم تطبيق هذا في النهاية على الذكاء الاصطناعي، ولكن أول حواسيب كمومية تجارية لا تزال بعيدة بعدة سنوات، وشبكة كمومية كبيرة بعد ذلك.
الضوئيات
باستخدام الضوء بدلاً من الإلكترونات لنقل البيانات، يمكن أن تكون الضوئيات أسرع من الأجهزة الإلكترونية.
نظرًا لأن الحواسيب الكمومية عادة ما تحمل بيانات كمومية بواسطة فوتونات مترابطة، فهناك الكثير من الت重 بين الحوسبة الكمومية والضوئيات، وقد تم الإعلان بالفعل عن الرقاقة الضوئية الكمومية الهجينة الأولى.
العضيات
كما أن معظم الذكاء الاصطناعي يكرر في الكمبيوتر عمل شبكات الأعصاب في الدماغ، فبعض الباحثين يطرحون سؤالاً عن عدم استخدام … الخلايا العصبية الفعلية.
هذا هو فكرة مثيرة، خاصة وأن البحث قد يشير إلى أن الدماغ هو في الواقع حاسوب كمومي عضوي.
هذا النوع من “الحاسوب” يسمى العضيات، ويتكون أساسًا من خلايا عصبية نموها في مختبر على رقاقة حاسوب.
تتألف هذه التكنولوجيا من خلايا عصبية تنمو وتتأثر بالتغيرات في الرقاقة.
هذه التكنولوجيا جديدة وتعتمد على الطباعة الحيوية ثلاثية الأبعاد.
أخرى
قمنا ببحث بديل للحوسبة السيليكونية في “أفضل 10 شركات للحوسبة غير السيليكونية”، مثل الفاناديوم، والغرافين، والتحكم بالاكسدة، أو المواد العضوية.
كلها واعدة بأداء أسرع أو استهلاك طاقة أقل من الحوسبة السيليكونية التقليدية. ومع ذلك، فهي لا تزال جديدة نسبيًا وغالبًا ما تكون غير محتملة لتغيير مجال الذكاء الاصطناعي على نطاق تجاري، على الأقل في течение 5-10 سنوات القادمة.
الحوسبة السحابية للذكاء الاصطناعي و الحوسبة على الحواف: اتجاهات الوصول
الحوسبة السحابية للذكاء الاصطناعي
كما أن أنظمة الذكاء الاصطناعي الأكثر قوة يتم إنشاؤها من قبل الشركات التكنولوجية الكبيرة، فإنها في الغالب متاحة من خلال السحابة. نفس الشيء يصبح صحيحًا لوصول إلى الأجهزة المخصصة للذكاء الاصطناعي نفسها.
قائد هذا الاتجاه هو Coreweave (CRCW )، شركة انتقلت من مزود سحابي إلى تعدين العملات الرقمية باستخدام بطاقات الرسومات، إلى توفير حوسبة الذكاء الاصطناعي حسب الطلب.
جعل CoreWeave شريكًا رئيسيًا للشركات الناشئة القادمة في مجال الذكاء الاصطناعي التي تحاول المنافسة مع العمالقة التكنولوجية، مثل Inflection AI و خادمها الكمومي بقيمة 1.3 مليار دولار، مدعومًا بجولة تمويل جديدة.
“منذ شهرين، قد لا توجد شركة، والآن قد تصل إلى 500 مليون دولار من التمويل الريعي.
والأهم من ذلك كله هو أنهم يأمّنون وصولهم إلى الحوسبة؛ لا يمكنهم إطلاق منتجهم أو إطلاق عملهم حتى يحصلوا عليه،”
كما أن شركة الحوسبة النقية في مجال الأجهزة الخاصة بالذكاء الاصطناعي تزداد حذرًا من العمالقة التكنولوجية التي تنتج أجهزتها الخاصة، مثل بطاقات الرسومات، ووحدات معالجة التنسور، ووحدات المعالجة المساعدة، وغيرها، وتتطور من العملاء إلى منافسين، فمن المحتمل أن تحصل شركات مثل CoreWeave على وصول أولوية إلى أحدث إصدارات الأجهزة من Nvidia وغيرها.
من المحتمل أن يكون هذا النموذج التجاري مهمًا بشكل خاص لتدريب الذكاء الاصطناعي، الذي يحتاج إلى قدرة حاسوبية أكبر بكثير من استخدام الذكاء الاصطناعي المُدرب بالفعل.
حوسبة الحواف و أجهزة الكمبيوتر الذكية
هناك حالة أخرى من حوسبة الذكاء الاصطناعي التي تتطور بسرعة هي الحاجة إلى أداء الحوسبة للنظم الذكية في الموقع، أقرب ما يمكن إلى الحالات الواقعية.
هذا هو أمر ضروري لأنظمة قد لا تتسامح مع انقطاع الاتصال بالذكاء الاصطناعي إذا فشل الاتصال، أو عندما يكون التأخير في الاتصال مع السحابة بطيئًا جدًا.
يسمى هذا النوع من الحوسبة “حوسبة الحواف”.
يمكن أن زيادة موثوقية الذكاء الاصطناعي، و随ما تصبح النماذج أكثر كفاءة، كما هو موضح في القفزة الكبيرة لشركة DeepSeek، قد يصبح نموذجًا أكثر شيوعًا لتنفيذ الذكاء الاصطناعي في المستقبل.
لأنه نفس السبب، أجهزة الكمبيوتر الذكية مثل التي أطلقتها Nvidia مؤخرًا، قد تكون كافية لتشغيل العديد من تطبيقات الذكاء الاصطناعي محليًا، مما يزيد من الخصوصية والأمان مقارنة بأجهزة الذكاء الاصطناعي المتصلة دائمًا بالسحابة.
الخلاصة
أجهزة الذكاء الاصطناعي كانت لفترة طويلة مرادفة لبطاقات الرسومات، لأن بطاقات الرسومات كانت أكثر كفاءة في تدريب الذكاء الاصطناعي من أنواع أخرى من الأجهزة مثل المعالجات المركزية. هذا جعل حظًا سعيدًا لشركة Nvidia و许多 من المساهمين الأوائل فيها.
من المحتمل أن تبقى بطاقات الرسومات، خاصة “ال超 بطاقات الرسومات”، مهمة في بناء مراكز بيانات الذكاء الاصطناعي. ومع ذلك، سوف تتطور إلى مجرد واحدة من المكونات في أنظمة معقدة ومتخصصة بشكل متزايد.
سوف يتم إرسال عمليات التنسور إلى وحدات معالجة التنسور، وشبكات عصبونية إلى وحدات معالجة الشبكات العصبونية، والمهام المتكررة إلى دوائر متكاملة تطبيقية خاصة أو مصفوفات بوابات قابلة للبرمجة.
في نفس الوقت، سوف تظل ذاكرة النطاق العريض، ووصلات الاتصالات المتقدمة، والتبريد الفائق الكفاءة تدعم جميع الوظائف المساعدة حول النواة الحاسوبية.
للحوسبة على الحواف و الذكاء الاصطناعي الأصغر من النماذج الكبيرة للغة، قد يتم استخدام الحوسبة المحلية، ربما مدعومة بوحدات معالجة مساعدة كل في واحد، من قبل العلماء، وسيارات ذاتية القيادة، ومستخدمين مهتمين بالخصوصية أو الرقابة، ربما مع نماذج ذكاء اصطناعي مفتوحة المصدر.
ما هو مؤكد هو أن الأرباح من بيع “المجارف والمعاول” لأجهزة الذكاء الاصطناعي في حمى الذكاء الاصطناعي لم تنتهِ بعد.
بعد فترة من الهيمنة من Nvidia، قد يرغب المستثمرين في تنويع المخاطر من خلال распростран الاستثمارات في تصاميم أخرى، وربما حتى شركات المرافق التي سوف توفر الغيغاواط القيمة لتشغيل مراكز بيانات الذكاء الاصطناعي الكبيرة والمتزايدة في العالم.
