الذكاء الاصطناعي
الاستثمار في أجهزة الذكاء الاصطناعي: من وحدات المعالجة المركزية إلى وحدات XPUs
الاستثمار في أجهزة الذكاء الاصطناعي: نهج الأدوات والمجارف
AI is promising to be the most important change in our economy, productive systems, and society in the past few decades, potentially making even the radical changes brought by the Internet trivial in comparison.
من المتوقع أن يكون الذكاء الاصطناعي أهم تغيير في اقتصادنا وأنظمتنا الإنتاجية ومجتمعنا خلال العقود القليلة الماضية، وقد يجعل حتى التغييرات الجذرية التي جلبها الإنترنت تبدو تافهة بالمقارنة.
قد يؤدي ذلك إلى اختفاء فئة كاملة من الوظائف، بما في ذلك السائقين، والمترجمين، ودعم العملاء، ومصممي الويب، وغيرها. قد تشهد وظائف أخرى انخفاضًا جذريًا في الطلب، مثل المبرمجين، والمحامين المبتدئين، ومختصي التشخيص، وغيرها.
كما ينبغي أن يخلق الكثير من القيمة الإضافية والإنتاجية للعديد من المهام الأخرى، مع احتمال أن تكون شركات البرمجيات المتخصصة في الذكاء الاصطناعي هي الأولى التي تصل إلى قيم سوقية كانت في السابق لا يمكن تصورها.
لهذه الأسباب، انبهرت أسواق رأس المال والمستثمرون بالذكاء الاصطناعي ويولون اهتمامًا كبيرًا لتقدم العديد من عمالقة التكنولوجيا في مجال الذكاء الاصطناعي، وكذلك للمنافسة القوية الناشئة من عمالقة التكنولوجيا الصينيين مثل Alibaba والشركات الناشئة مثل DeepSeek.
طريقة أخرى للاستفادة من طفرة الذكاء الاصطناعي هي اتباع الاستراتيجية المعروفة في كل موجة ذهبية: لا تبحث عن الذهب، بل بيع الأدوات والمجارف. وقد نجحت هذه الاستراتيجية بالتأكيد للشركات التي وجدت نفسها في أفضل موقع لبيع الأجهزة المخصصة للذكاء الاصطناعي، حيث حولت Nvidia (NVDA ) بطاقات الرسوميات الخاصة بالألعاب إلى شرائح تدريب الذكاء الاصطناعي، مما جعلها الشركة الأكثر قيمة في العالم، متجاوزة قيمة سوقية مذهلة تبلغ 4 تريليون دولار (تابع الرابط للحصول على تقرير كامل عن Nvidia).
نظرًا لأن الذكاء الاصطناعي يتطلب أجهزة مخصصة جدًا، تختلف إلى حد كبير عن أشكال الحوسبة السابقة، ومع كونه فرصة تجارية هائلة، فإن صناعة أشباه الموصلات الآن في سباق لتطوير أشكال جديدة من الأجهزة المصممة خصيصًا لتدريب وتشغيل برامج الذكاء الاصطناعي.
بينما من المحتمل أن تظل Nvidia واحدة من الشركات الرائدة في هذا القطاع، فإن البدائل الآن تظهر ويمكن أن توفر فرصًا مثيرة للمستثمرين الذين يولون اهتمامًا مبكرًا.
لماذا يحتاج الذكاء الاصطناعي إلى أجهزة متخصصة
العديد من الحسابات الصغيرة
Initial efforts in AI used the same computing capacity as other programs, focusing mostly on processors (Central Processing Unit – CPUs). CPUs are still important, but it quickly appeared that they are not optimal for most of the methods used currently to develop AIs.
استخدمت الجهود الأولية في الذكاء الاصطناعي نفس سعة الحوسبة التي تستخدمها البرامج الأخرى، مع التركيز في الغالب على المعالجات (وحدة المعالجة المركزية – CPUs). لا تزال وحدات المعالجة المركزية مهمة، لكن سرعان ما ظهر أنها ليست مثالية لمعظم الأساليب المستخدمة حاليًا لتطوير الذكاء الاصطناعي.
تتطلب الشبكات العصبية وغيرها من الأساليب المشابهة الكثير من الحسابات البسيطة نسبيًا، بدلاً من حساب واحد معقد جدًا. لذا فإن وجود العديد من الشرائح الصغيرة التي تعمل بالتوازي يكون عمومًا أفضل من الاعتماد على وحدات معالجة مركزية ضخمة وقوية.
هذا هو السبب الرئيسي في أن وحدات معالجة الرسوميات (GPUs) سرعان ما أصبحت أكثر شعبية، حيث أن بطاقات الرسوميات مصممة بطبيعتها لأداء آلاف الحسابات الصغيرة بالتوازي.
تدريب الذكاء الاصطناعي اليوم يعتمد إلى حد كبير على الشبكات العصبية، مفهوم فاز بجائزة نوبل في الفيزياء عام 2024، وهو الجائزة التي غطيناها بالتفصيل في مقال مخصص في ذلك الوقت.
المصدر: Nobel Prize
ثورة ثانية في تكنولوجيا الذكاء الاصطناعي جاءت مع “المحوّلات”. فهي تحل مشكلة عدم قدرة الشبكات العصبية التقليدية على معالجة سلاسل البيانات الطويلة بكفاءة، وهي سمة شائعة في أي لغة طبيعية.
تم تقديمها لأول مرة في عام 2017 من قبل باحثي Google، وهي السبب الجذري للانفجار الحالي في قدرة الذكاء الاصطناعي. تُعد المحوّلات جوهر منتجات الذكاء الاصطناعي مثل نماذج اللغة الكبيرة (LLMs)، بما في ذلك ChatGPT.
متطلبات مختلفة
أحد الفروق المهمة في سير عمل الذكاء الاصطناعي هو الفرق بين التنقيح الدقيق و الاستنتاج، وكلاهما يتطلب متطلبات أجهزة مختلفة.
- التنقيح الدقيق يتضمن تدريب نموذج على بيانات متخصصة في مجال معين، ويتطلب قدرة حوسبة وذاكرة كبيرة. إنها مهمة تقنية جدًا، غالبًا ما تكون على حافة علم الذكاء الاصطناعي.
- الاستنتاج يركز على استخدام نموذج مدرب مسبقًا لتوليد المخرجات، ويتطلب طاقة حوسبة أقل لكن يركز أكثر على انخفاض زمن الاستجابة وكفاءة التكلفة.
- يتم ذلك بشكل روتيني أكثر من قبل خبراء الذكاء الاصطناعي الذين ينشرون نماذج موجودة لحل المشكلات الواقعية.
لذلك، بينما التكلفة هي بالطبع مصدر قلق لكل من التنقيح/التدريب والاستنتاج/استخدام الذكاء الاصطناعي، فإن التدريب سيتطلب غالبًا أفضل الأجهزة المتاحة، بينما ستركز مهام الاستخدام أكثر على تكلفة الأجهزة واستهلاك الطاقة عند اختيار أفضل خيار من الأجهزة.
وحدات المعالجة المركزية مقابل وحدات معالجة الرسوميات
وحدات المعالجة المركزية (CPUs):
CPUs are general-purpose and not specifically AI hardware. They are, however, still essential for executing instructions and performing basic computations in AI systems.
وحدات المعالجة المركزية هي أجهزة عامة وليست مخصصة للذكاء الاصطناعي. ومع ذلك، لا تزال أساسية لتنفيذ التعليمات وإجراء الحسابات الأساسية في أنظمة الذكاء الاصطناعي.
معظم البرمجيات التي تتعامل مع واجهة المستخدم النهائي لنظام الذكاء الاصطناعي ستكون أيضًا متمحورة حول وحدة المعالجة المركزية، سواء على أجهزة الحاسوب الفردية أو البرمجيات السحابية.
المصدر: AnandTech
يمكن أيضًا استخدام وحدات المعالجة المركزية للذكاءات الاصطناعية البسيطة جدًا، حيث لا يكون هناك حاجة فعلية لأجهزة مخصصة. وهذا صحيح خاصة عندما لا يكون الإخراج عاجلًا، ولا تشكل معالجة الذكاء الاصطناعي الأبطأ نسبيًا على وحدات المعالجة المركزية مشكلة.
لذلك يمكن للنماذج الصغيرة التي تتعامل مع دفعات بيانات وحسابات قليلة أن تعمل جيدًا على وحدات المعالجة المركزية. إن انتشار وحدات المعالجة المركزية في الحواسيب العادية يجعلها خيارًا جيدًا للمستخدم العادي غير الراغب في الاستثمار في أجهزة مخصصة للذكاء الاصطناعي.
وحدات المعالجة المركزية أيضًا موثوقة ومستقرة للغاية، مما يجعلها خيارًا جيدًا للمهام الحرجة التي يكون فيها عدم وجود أخطاء معيارًا مهمًا.
أخيرًا، تُعد وحدات المعالجة المركزية مفيدة لبعض مهام تدريب الذكاء الاصطناعي، عادةً بالتعاون مع أنواع أخرى من الأجهزة، مثل تحميل البيانات، وتنسيقها، وتصفيةها، وتصويرها.
وحدات معالجة الرسوميات (GPUs):
Originally designed for graphics rendering, GPUs are designed for parallel processing, making them ideal for training AI models that require handling large datasets. Switching from CPUs to GPUs has reduced training times from weeks to hours.
صُممت في الأصل لمعالجة الرسوميات، وتُعد وحدات معالجة الرسوميات مناسبة للمعالجة المتوازية، مما يجعلها مثالية لتدريب نماذج الذكاء الاصطناعي التي تتطلب التعامل مع مجموعات بيانات ضخمة. أدى الانتقال من وحدات المعالجة المركزية إلى وحدات معالجة الرسوميات إلى تقليل أوقات التدريب من أسابيع إلى ساعات.
نظرًا لتوافرها الواسع وخبرة متخصصي تكنولوجيا المعلومات في العمل معها، كانت وحدات معالجة الرسوميات أول نوع من الأجهزة الحاسوبية التي تم تثبيتها على نطاق واسع لتوسيع أبحاث الذكاء الاصطناعي.
المصدر: Aorus
Also instrumental in GPUs’ success was the development of CUDA by Nvidia, a general-purpose programming interface for NVIDIA’s GPUs, opening the door for other uses than gaming. This was done because some researchers were already using GPUs to perform calculations instead of the usual supercomputers.
“Researchers realized that by buying this gaming card called GeForce, you add it to your computer, you essentially have a personal supercomputer.
Molecular dynamics, seismic processing, CT reconstruction, image processing—a whole bunch of different things.”
Arabic translation of blockquote:
“أدرك الباحثون أنه بشراء بطاقة الألعاب هذه المسماة GeForce، وإضافتها إلى حاسوبهم، فإنهم يمتلكون في الأساس حاسوبًا فائقًا شخصيًا.
ديناميكيات الجزيئات، ومعالجة الزلازل، وإعادة بناء التصوير المقطعي، ومعالجة الصور—مجموعة كاملة من التطبيقات المختلفة.”
اليوم، لا تزال وحدات معالجة الرسوميات من بين أكثر أنواع أجهزة الذكاء الاصطناعي طلبًا، حيث تكاد Nvidia تكافح لإنتاج ما يكفي لتلبية طلب عمالقة التكنولوجيا الذين يبنون مراكز بيانات للذكاء الاصطناعي بمقاييس الجيجاواط.
كما أنها بداية “عصر وحدات GPU الفائقة”، مع الإصدار الأخير من Nvidia لـ GB200 NVL72.
تم تصميم هذا الجهاز ليعمل كوحدة GPU ضخمة واحدة مباشرة من المصنع، بدلاً من الحاجة إلى ربط العديد من الوحدات الصغيرة. وهذا يجعله أقوى بكثير من نموذج H100 السابق الذي حطم الأرقام القياسية.
المصدر: Nvidia
يجب أن يكون هذا أيضًا أكثر كفاءة في استهلاك الطاقة، وهو أمر حاسم لأن صناعة الذكاء الاصطناعي قد تواجه نقصًا في الطاقة قبل أن تواجه نقصًا في الشرائح بالسرعة التي تُبنى بها مراكز بيانات الذكاء الاصطناعي. وتؤدي زيادة كفاءة الحوسبة والطاقة إلى تقليل الحرارة المهدرة، مما يحل مؤقتًا مشكلة ارتفاع الحرارة أيضًا.
| نوع الجهاز | أفضل حالة استخدام | السرعة | كفاءة الطاقة | المرونة |
|---|---|---|---|---|
| CPU | مهام عامة | منخفضة | عالية | عالية جدًا |
| GPU | تدريب الذكاء الاصطناعي والمهام المتوازية | عالية | متوسطة | متوسطة |
| TPU | عمليات التنسور والمحوّلات | عالية جدًا | عالية | منخفضة |
| ASIC | تسريع مهمة واحدة | عالية جدًا | عالية جدًا | منخفضة جدًا |
| FPGA | أعباء عمل الذكاء الاصطناعي القابلة لإعادة التكوين | متوسطة | متوسطة | عالية |
صعود ASICs وأجهزة الذكاء الاصطناعي
Application-Specific Integrated Circuits (ASICs) are computing hardware designed specifically for a given computing task, making them even more specialized than still relatively generalist GPUs.
دوائر مدمجة مخصصة للتطبيق (ASICs) هي أجهزة حوسبة صُممت خصيصًا لمهمة حوسبة معينة، مما يجعلها أكثر تخصصًا من وحدات معالجة الرسوميات التي لا تزال عامة إلى حد ما.
لذلك فهي أقل مرونة وقابلية للبرمجة مقارنة بالأجهزة العامة.
كقاعدة عامة، تميل إلى أن تكون أكثر تعقيدًا. كما أنها عادةً ما تكون أكثر تكلفة، بسبب نقص وفورات الحجم في إنتاجها وتكلفة التصاميم المخصصة.
ومع ذلك، فهي أكثر كفاءة بكثير في مهمتها المحددة، وتنتج عادةً مخرجات أسرع مع استهلاك أقل بكثير من الطاقة الحوسبية المهدرة.
تزداد استخدامات ASICs وغيرها من الأجهزة المتخصصة في الذكاء الاصطناعي، حيث يلاحظ المجال تدريجيًا أن بعض الحسابات لا تُنجز بشكل مثالي على وحدات معالجة الرسوميات بل تتطلب معدات أكثر تخصصًا.
وحدات معالجة التنسور (TPUs)
تم تطوير TPUs بواسطة Google (GOOGL ) خصيصًا لأداء حسابات التنسور (المتعلقة بالحسابات القائمة على المحولات). تم تحسينها لتحقيق إنتاجية عالية ودقة منخفضة في العمليات الحسابية.
المصدر: C#Corner
يمنح هذا TPUs أداءً عاليًا وكفاءة وقابلية توسع لتدريب الشبكات العصبية الكبيرة.
تتمتع TPUs بميزات متخصصة، مثل وحدة الضرب المصفوفي (MXU) وطوبولوجيا الاتصال المملوكة، مما يجعلها مثالية لتسريع تدريب الذكاء الاصطناعي والاستنتاج.
تُشغّل TPUs Gemini، وجميع تطبيقات Google المدعومة بالذكاء الاصطناعي مثل Search وPhotos وMaps، وتخدم أكثر من مليار مستخدم.
يمكن لهذا النوع من الأجهزة أن يسرّع بشكل كبير تطوير وعمل الشبكات العصبية، حيث يكون الخطأ العرضي أقل أهمية، نظرًا لاعتماد هذه النماذج بشكل كبير على الإحصاءات وعدد كبير من الحسابات.
من بين مهام المستخدم النهائي، الأنسب لـ TPUs هي التعلم العميق، والتعرف على الكلام، وتصنيف الصور.
معالجات الشبكات العصبية (NNPs):
Also linked to Neural Processing Units (NPUs) and called neuromorphic chips, NPPs are specialized in neural network computation, designed to mimic the neural connections in the human brain. They are also sometimes called an AI accelerator, although this term is less well-defined.
ترتبط أيضًا بوحدات المعالجة العصبية (NPUs) وتُسمى شرائح عصبية، وتُخصص NPPs لحسابات الشبكات العصبية، صُممت لتقليد الاتصالات العصبية في الدماغ البشري. تُسمى أحيانًا أيضًا مسرّعات الذكاء الاصطناعي، رغم أن هذا المصطلح غير محدد بدقة.
An NPU will also integrate storage and computation through synaptic weights. So it can adjust or “learn” over time, leading to improved operational efficiency.
ستدمج وحدة المعالجة العصبية أيضًا التخزين والحوسبة عبر الأوزان المشبكية. وبالتالي يمكنها التعديل أو “التعلم” بمرور الوقت، مما يؤدي إلى تحسين كفاءة التشغيل.
تتضمن وحدة المعالجة العصبية وحدات محددة للضرب والإضافة، ودوال التفعيل، وعمليات البيانات ثنائية الأبعاد، وفك الضغط.
تُستخدم وحدة الضرب والإضافة المتخصصة لأداء العمليات المتعلقة بمعالجة تطبيقات الشبكات العصبية، مثل حساب الضرب المصفوفي والإضافة، والالتفاف، والنقطة النقطية، وغيرها من الوظائف.
يمكن لهذا التخصص أن يساعد وحدة المعالجة العصبية على إكمال عملية بحساب واحد فقط بدلاً من عدة آلاف باستخدام أجهزة عامة. على سبيل المثال، تدعي IBM أن NPU يمكنه تحسين كفاءة حسابات الذكاء الاصطناعي بشكل جذري مقارنةً بوحدات معالجة الرسوميات.
أظهرت الاختبارات أن أداء بعض وحدات المعالجة العصبية يتفوق بأكثر من 100 مرة على وحدة معالجة الرسوميات المقابلة، مع استهلاك طاقة مماثل.
بسبب هذه الكفاءة في الطاقة، تحظى NPUs بشعبية لدى المصنعين لتثبيتها في أجهزة المستخدمين، حيث يمكنها المساعدة في تنفيذ مهام محلية لتطبيقات الذكاء الاصطناعي التوليدي، وهو مثال على “الحوسبة الطرفية”. (انظر أدناه لمزيد من التفاصيل حول هذا الموضوع).
يتم حاليًا استكشاف العديد من الأساليب لإنشاء شرائح عصبية:
- الاستفادة من الفيروكهربائية الناشئة, ظاهرة لا تزال غير مفهومة جيدًا.
- الركيزة النشطة باستخدام الفاناديوم أو التيتانيوم.
- استخدام الميمريستور, وهو نوع جديد من المكونات الإلكترونية، والذي يمكنه أداء مهام الذكاء الاصطناعي بمعدل 1/800thمن استهلاك الطاقة العادي.
وحدة المعالجة المساعدة (XPUs)
XPU merges together CPU (processor), GPU (graphics card / parallel processors), and memory into the same electronic device.
تجمع XPU بين وحدة المعالجة المركزية (CPU)، ووحدة معالجة الرسوميات (GPU) (بطاقة رسومية / معالجات متوازية)، والذاكرة في جهاز إلكتروني واحد.
المصدر: Broadcom
XPUs هو مصطلح واسع، يشمل العديد من المتغيرات لهذا المفهوم الذي يجمع جميع الأجهزة في وحدات مستقلة، بما في ذلك وحدات معالجة البيانات (DPUs)، وحدات معالجة البنية التحتية (IPUs)، وبطاقات مسرّعات الوظيفة (FACs).
تُنظر إلى XPUs كحل لمشكلة متزايدة في مراكز بيانات الذكاء الاصطناعي، وهي الحاجة المتزايدة للاتصال بين الوحدات الفرعية، إلى درجة أن تأخر البيانات يصبح عاملاً مهمًا في إبطاء الحوسبة، أكثر من قدرة الحوسبة المتاحة.
في الأساس، تنتظر الشرائح (GPUs، TPUs، NPPs، إلخ) البيانات بقدر ما هي تعمل فعليًا.
قائد هذه التقنية هو Broadcom (AVGO )، الذي ناقشنا تفاصيله في تقرير استثماري مخصص.
المصفوفات القابلة للبرمجة ميدانياً (FPGAs):
FPGAs are programmable processors, making them significantly more flexible and reconfigurable than the more rigid ASICs. FPGAs can be customized for specific AI algorithms, potentially offering higher performance and energy efficiency.
تُعد FPGAs معالجات قابلة للبرمجة، مما يجعلها أكثر مرونة وإعادة تكوينًا بكثير من ASICs الصلبة. يمكن تخصيص FPGAs لخوارزميات الذكاء الاصطناعي المحددة، مما قد يوفر أداءً أعلى وكفاءة طاقة أكبر.
المصدر: Microcontrollers Labs
تأتي المرونة بتكلفة، حيث إن FPGAs عادةً ما تكون أكثر تعقيدًا، ومكلفة، وتستهلك كهرباءً أكثر. ومع ذلك، يمكن أن تكون أكثر كفاءة من الأجهزة العامة.
يجعل ذلك منها منتجًا متخصصًا إلى حد ما، حيث تعوض مرونتها عن العيوب. على سبيل المثال، يمكن للتعلم الآلي، ورؤية الحاسوب، ومعالجة اللغة الطبيعية أن تستفيد من تنوع FPGAs.
الذاكرة ذات النطاق الترددي العالي (HBM):
The most important developments in custom AI-centric hardware have been in the field of computing power, for a long time the chokepoint in building more computing capacity to train new AIs.
كانت أهم التطورات في الأجهزة المخصصة للذكاء الاصطناعي في مجال قدرة الحوسبة، حيث كان هذا العنق الزجاجي لفترة طويلة في بناء قدرة حوسبة أكبر لتدريب الذكاءات الاصطناعية الجديدة.
ومع ذلك، تحتاج هذه الأنظمة أيضًا إلى أنظمة دعم عالية الكفاءة، ومن بينها الذاكرة التي تُعد مهمة. توفر HBM، كما يشير اسمها، نطاقًا تردديًا أعلى من ذاكرة DRAM التقليدية.
يتم تحقيق ذلك عن طريق تكديس عدة رقاقة DRAM عموديًا وربطها عبر الفتحات عبر السليكون (TSVs). تم تطوير الجيل الأول من HBM في عام 2013.
يوفر التكديس العمودي مساحة ويقلل المسافة الفيزيائية التي تحتاج البيانات للانتقال فيها، مما يسرّع نقل البيانات، وهو أمر ضروري في حوسبة الذكاء الاصطناعي.
تُعد HBM أكثر تعقيدًا في التصنيع وأكثر تكلفة من DRAM، لكن فوائد الأداء وكفاءة الطاقة غالبًا ما تبرر التكلفة الأعلى لتطبيقات الذكاء الاصطناعي.
بنية تحتية لمراكز بيانات الذكاء الاصطناعي: الطاقة، التبريد والاتصال
Besides the memory and computing power, the auxiliary systems of AI data centers are also important. Without them, the data cannot circulate fast enough, the chips would overheat, or the power available would be insufficient.
إلى جانب الذاكرة وقوة الحوسبة، تُعد الأنظمة المساعدة لمراكز بيانات الذكاء الاصطناعي مهمة أيضًا. بدونها، لا يمكن للبيانات التدفق بسرعة كافية، وستسخن الشرائح، أو قد تكون الطاقة المتاحة غير كافية.
هذا يعني أن، على سبيل المثال، أجهزة الاتصال من Broadcom تستفيد بشكل كبير من توسع مراكز بيانات الذكاء الاصطناعي، وكذلك الحلول المتخصصة مثل موردي معدات التبريد، مثل Vertiv (VRT ) أو Schneider Electric (SU.PA).
قد تصبح إمدادات الطاقة أيضًا مشكلة، ويحاول عدة عمالقة تكنولوجيا معالجة هذه المشكلة بالاعتماد على الطاقة النووية، مع الخطوة الأولى من Microsoft في عام 2024، تلتها العديد من الشركات الأخرى منذ ذلك الحين.
وبالاشتراك مع التزام شركات التكنولوجيا بخفض البصمة الكربونية للذكاء الاصطناعي، يجب أن يستفيد بشكل كبير الشركات في قطاع الطاقة النووية أو المتجددة، مثل Cameco (CCJ ), GE Vernova (GEV ), First Solar (FSLR ), NextEra (NEE ), أو Brookfield Energy Partners (BEP ) (تابع الروابط للحصول على تقرير عن كل شركة).
تقنيات حوسبة الذكاء الاصطناعي الناشئة
الحوسبة الكمومية
Because AI is so hungry for computing power, it is possible that the future of the field’s hardware is not even with the currently available silicon solutions.
نظرًا لشهية الذكاء الاصطناعي الكبيرة لقوة الحوسبة، من الممكن أن مستقبل أجهزة هذا المجال لا يكون مع حلول السيليكون المتاحة حاليًا.
إحدى الاحتمالات هي أن تُستخدم الحوسبة الكمومية لاكتشاف الأنماط بكفاءة أكبر بكثير من الحوسبة الكلاسيكية، وهو ما استكشفه الباحثون بالفعل.
يمكن استخدام الحوسبة الكمومية ككل لحل بعض الحسابات المحددة التي تكاد تكون مستحيلة مع الحوسبة الثنائية. من المحتمل أن تُطبق في النهاية على الذكاء الاصطناعي، لكن أول حواسيب كمومية تجارية لا تزال على بعد عدة سنوات، وشبكة كمومية كبيرة أبعد من ذلك.
الفوتونيات
Using light instead of electrons to carry data, photonics could be much quicker than electronic devices.
باستخدام الضوء بدلاً من الإلكترونات لنقل البيانات، قد تكون الفوتونيات أسرع بكثير من الأجهزة الإلكترونية.
نظرًا لأن الحواسيب الكمومية عادةً ما تنقل البيانات الكمومية باستخدام الفوتونات المتشابكة، هناك تداخل كبير بين الحوسبة الكمومية والفوتونيات، وقد تم الإعلان بالفعل عن أول شريحة مزدوجة كمومية-فوتونية.
الأورغنيدات
As most AI replicates in computers the functioning of the brain’s neural networks, some researchers are wondering if we could not instead use … actual brain cells.
نظرًا لأن معظم الذكاء الاصطناعي يحاكي في الحواسيب عمل الشبكات العصبية في الدماغ، يتساءل بعض الباحثين عما إذا كان بإمكاننا بدلاً من ذلك استخدام … خلايا دماغية حقيقية.
هذه فكرة مثيرة للاهتمام، خاصةً أن بعض الأبحاث قد تشير إلى أن الدماغ هو في الواقع كمبيوتر كمومي عضوي.
يُطلق على هذا النوع من “الكمبيوتر” اسم الأورغنيدات، ويتكون أساسًا من خلايا عصبية تُزرع في مختبر على شريحة حاسوب. ثم تقوم الخلايا العصبية بتنظيم أشجارها التشجيرية واتصالاتها استجابةً لمحفز الشريحة.
هذه التقنية لا تزال جديدة وتعتمد على الطباعة الحيوية ثلاثية الأبعاد.
أخرى
We explored other alternatives to silicon computing in “أفضل 10 شركات حوسبة غير سيليكونية“, such as vanadium dioxide, graphene, redox gating, or organic materials.
استكشفنا بدائل أخرى للحوسبة القائمة على السيليكون في ” Top 10 Non-Silicon Computing Companies“, مثل أكسيد الفاناديوم، والجرافين، وبوابة الأكسدة المختزلة، أو المواد العضوية.
كل منها يعد بأن يكون إما أسرع بكثير أو أقل استهلاكًا للطاقة مقارنةً بالحوسبة التقليدية القائمة على السيليكون. ومع ذلك، لا تزال هذه التقنيات جديدة نسبيًا ومن غير المرجح أن تُحدث ثورة في مجال الذكاء الاصطناعي على نطاق تجاري، على الأقل خلال الخمس إلى عشر سنوات القادمة.
الذكاء الاصطناعي السحابي والذكاء الاصطناعي الطرفي: اتجاهات الوصول
الذكاء الاصطناعي السحابي
As the most powerful AI systems are made by large tech companies, they are mostly accessible through the cloud. The same is becoming true for access to AI-specialized hardware itself.
نظرًا لأن أقوى أنظمة الذكاء الاصطناعي تُصنع بواسطة شركات تكنولوجيا كبرى، فإنها متاحة في الغالب عبر السحابة. وهذا يصبح صحيحًا أيضًا للوصول إلى الأجهزة المتخصصة في الذكاء الاصطناعي نفسها.
قائد هذا الاتجاه هو Coreweave (CRCW ), شركة انتقلت من مزود سحابي إلى تعدين العملات المشفرة باستخدام وحدات معالجة الرسوميات، وتقدم اليوم حوسبة ذكاء اصطناعي حسب الطلب.
جعل ذلك من CoreWeave شريكًا رئيسيًا للشركات الناشئة في مجال الذكاء الاصطناعي التي تحاول المنافسة مع عمالقة التكنولوجيا، مثل Inflection AI ومجموعة GPU بقيمة 1.3 مليار دولار، التي تم تمويلها بجولة تمويل جديدة.
“قبل شهرين، قد لا تكون الشركة موجودة، والآن قد حصلت على تمويل رأس مال مخاطر بقيمة 500 مليون دولار.
وأهم شيء بالنسبة لهم هو تأمين الوصول إلى الحوسبة؛ لا يمكنهم إطلاق منتجهم أو عملهم حتى يحصلوا عليها،
مع تزايد حذر الشركات المتخصصة في أجهزة الذكاء الاصطناعي من إنتاج عمالقة التقنية لأجهزة GPU، TPUs، XPUs، وغيرها، وتطورها من عملاء إلى منافسين، من 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 يتطلب قدرة حوسبة أكبر بكثير مقارنةً باستخدام الذكاءات الاصطناعية المدربة مسبقًا.
الحوسبة الطرفية وأجهزة الكمبيوتر الذكية (AI PCs)
Another case of AI computing that is quickly evolving is the need to have the computing of AI systems done on-site, as close as possible to real-life situations.
حالة أخرى من حوسبة الذكاء الاصطناعي التي تتطور بسرعة هي الحاجة إلى إجراء حوسبة أنظمة الذكاء الاصطناعي في الموقع، بأقرب ما يمكن إلى الحالات الواقعية.
This is a must for systems that might not tolerate being unplugged from AI if the connection fails, or when the latency of back and forth with the cloud is too slow.
هذا ضروري للأنظمة التي قد لا تتحمل الانفصال عن الذكاء الاصطناعي إذا فشل الاتصال، أو عندما يكون زمن الاستجابة للاتصال السحابي بطيئًا جدًا.
A good example is self-driving cars, which are expected to perform the understanding of their environment offline.
مثال جيد هو السيارات ذاتية القيادة، التي من المتوقع أن تقوم بفهم بيئتها دون اتصال بالإنترنت.
This type of calculation is called edge computing, and benefits greatly from more efficient and less power-hungry hardware.
يُطلق على هذا النوع من الحسابات اسم الحوسبة الطرفية، وتستفيد بشكل كبير من الأجهزة الأكثر كفاءة وأقل استهلاكًا للطاقة.
يمكن أن يزيد ذلك من موثوقية الذكاء الاصطناعي، ومع تحسن كفاءة النماذج، كما يتضح من القفزة الكبيرة التي حققتها DeepSeek، قد يصبح نموذجًا أكثر انتشارًا لنشر الذكاء الاصطناعي في المستقبل.
نفس السبب، قد تكون أجهزة الكمبيوتر الذكية مثل تلك التي أطلقتها Nvidia مؤخرًا كافية على المدى الطويل لتشغيل العديد من تطبيقات الذكاء الاصطناعي محليًا، مما يزيد الخصوصية والأمان مقارنةً بالاعتماد المستمر على الذكاءات الاصطناعية السحابية.
الخلاصة
AI hardware has, for a while, been somewhat synonymous with GPUs, as graphics cards were a lot more efficient at AI training than other types of hardware like CPUs. This made the fortune of Nvidia and of many of its early shareholders.
لطترة من الوقت، كان جهاز الذكاء الاصطناعي مرادفًا إلى حد ما لوحدات معالجة الرسوميات، حيث كانت بطاقات الرسوميات أكثر كفاءة في تدريب الذكاء الاصطناعي مقارنةً بأنواع الأجهزة الأخرى مثل وحدات المعالجة المركزية. وقد أدى ذلك إلى ثروة Nvidia والعديد من مساهميها الأوائل.
من المرجح أن تظل وحدات معالجة الرسوميات، خاصةً “وحدات GPU الفائقة” الموجهة للذكاء الاصطناعي، مهمة في بناء مراكز بيانات الذكاء الاصطناعي. لكنها ستتطور لتصبح مجرد أحد مكونات الأنظمة المتزايدة التعقيد والتخصص.
ستُرسل عمليات المحولات إلى TPUs، والشبكات العصبية إلى NPPs، والمهام المتكررة إلى ASICs مخصصة أو إلى FPGAs معاد تكوينها.
في الوقت نفسه، ستحافظ الذاكرة ذات النطاق الترددي العالي، والموصلات المتقدمة للاتصالات، وأنظمة التبريد فائقة الكفاءة على تشغيل جميع الوظائف المساعدة حول نواة الحوسبة.
بالنسبة للحوسبة الطرفية والذكاءات الاصطناعية الأصغر من نماذج اللغة الكبيرة الضخمة، قد يستخدم العلماء، والسيارات ذاتية القيادة، والمستخدمون المهتمون بالخصوصية أو الرقابة الحوسبة المحلية، ربما مدعومة بوحدات XPUs المتكاملة.
ما هو مؤكد هو أن أرباح بيع “الأدوات والمجارف” لأجهزة الذكاء الاصطناعي في موجة الذهب لا تزال مستمرة.
بعد فترة من هيمنة Nvidia، قد يرغب المستثمرون في تنويع المخاطر من خلال توسيع محفظة أجهزة الذكاء الاصطناعي إلى تصاميم أخرى، وربما حتى إلى شركات مرافق الطاقة التي ستوفر الجيجاواط الثمينة لتشغيل مراكز البيانات الضخمة والمتزايدة عددًا في جميع أنحاء العالم.
