التقنيات الناشئة التي تشكل مستقبل أجهزة الذكاء الاصطناعي

نوع جديد من الحوسبة

مع التقدم المتسارع في تكنولوجيا الذكاء الاصطناعي خلال السنوات القليلة الماضية، كان الفائزون الرئيسيون هم صانعو أجهزة الذكاء الاصطناعي. ذلك لأن الذكاء الاصطناعي الحديث، الذي يعتمد في الغالب على تقنية الشبكات العصبية، يستخدم طاقة الحوسبة بطريقة مختلفة تمامًا عن الحواسيب التقليدية.

بدلاً من إجراء حسابات معقدة باستخدام وحدة معالجة مركزية قوية، تقوم بتنفيذ آلاف أو ملايين الحسابات الأبسط بشكل متوازي.

(يمكنك معرفة المزيد عن كيفية اختراع الشبكات العصبية وعملها في “الاستثمار في إنجازات جائزة نوبل – الشبكات العصبية الاصطناعية، أساس الذكاء الاصطناعي”)

حتى الآن، كانت بطاقات الرسوميات، أو وحدات معالجة الرسوميات (GPUs)، الأداة المفضلة لتطوير الذكاء الاصطناعي، مما أدى إلى زيادة هائلة في إيرادات وأرباح رواد القطاع مثل Nvidia (NVDA ).

من المتوقع أن يستمر سوق أجهزة الذكاء الاصطناعي في النمو بسرعة استثنائية، بمعدل نمو سنوي مركب يبلغ 31.2٪ من 2025 إلى 2035.

المصدر: Roots Analysis

من المتوقع أن يشهد هذا الفترة أيضًا ظهور العديد من الأنواع الجديدة من أجهزة الذكاء الاصطناعي، حيث يتم استبدال وحدات معالجة الرسوميات التي أُعيد توجيهها لحسابات الذكاء الاصطناعي تدريجيًا بشرائح صُممت خصيصًا لهذا الغرض.

على المدى الطويل، من المرجح أن تدخل أشكال أكثر غرابة من الحوسبة إلى سوق أجهزة الذكاء الاصطناعي، بدءًا من التصاميم المخصصة للتطبيقات إلى الشرائح غير السيليكونية أو حتى استخدام الخلايا العصبية البيولوجية الفعلية.

كيف يعمل التفكير الذكائي

الفرق الأساسي بين الحواسيب الفائقة التقليدية والذكاءات الاصطناعية هو طريقة معالجة البيانات. بدلاً من حل حسابات معقدة، تُنشئ الشبكات العصبية عقدًا افتراضية متصلة بشبكة. بينما احتوت الشبكة العصبية الأولية على عدد قليل من العقد، مع بضع مئات الاتصالات، تستخدم الشبكات العصبية الحديثة مثل تلك التي يستخدمها ChatGPT تريليونات من الاتصالات المحتملة، لتصل إلى مستويات تعقيد لا تختلف كثيرًا عن دماغ الإنسان.

المصدر: Nobel Prize

تتطلب هذه الطريقة المختلفة في الحسابات أجهزة قادرة على تنفيذ ملايين العمليات بشكل متوازي، حتى وإن كانت طاقة الحوسبة المخصصة لكل عملية صغيرة نسبيًا.

لحسن الحظ، هذا النوع من الأجهزة موجود بالفعل منذ سنوات عديدة، مثل معالجة الرسوميات باستخدام وحدات معالجة الرسوميات، خاصةً لمحاكاة ثلاثية الأبعاد وألعاب الفيديو، والتي تستخدم أيضًا هذا النوع من الحسابات الصغيرة المتعددة بشكل متوازي.

لهذا السبب كان الفائز الأول (والحالي) في السباق لتأمين عدد كافٍ من شرائح الذكاء الاصطناعي هو Nvidia، الرائد في سوق وحدات معالجة الرسوميات.

وحدات معالجة الرسوميات الأسرع باستمرار

مع اختراع خوارزميات أكثر كفاءة والتقدم السريع في الذكاء الاصطناعي الذي أنشأوه، انفجرت التطبيقات المحتملة للذكاء الاصطناعي في عقد 2020.

أدى ذلك إلى سباق متزايد باستمرار لتأمين عدد كافٍ من الأجهزة، خاصةً وحدة معالجة الرسوميات من Nvidia في عام 2023.

وبالتوازي، تتطلب التوقعات المتزايدة من التطبيقات المحتملة للذكاء الاصطناعي ذكاءً اصطناعيًا أكثر ذكاءً، وهو ما يتطلب مزيدًا من قوة الحوسبة. وبينما كان تأمين المزيد من وحدات معالجة الرسوميات حلاً، كانت هناك حاجة أيضًا إلى وحدات معالجة رسومات أفضل.

قامت الصناعة بتلبية ذلك، حيث شهدت نموًا في الأداء بمقدار 1000 مرة في أقل من 8 سنوات.

المصدر: NVIDIA

هل يمكن أن تستمر؟

هناك مؤشرات تشير إلى أن تقدم أداء وحدات معالجة الرسوميات قد يتباطأ قريبًا. أولاً، جميع التحسينات “السهلة” مثل جعل الوحدات أكبر ومع ترانزستورات أصغر وأكثر كثافة، قد وصلت إلى حدها الأقصى. لذا، يجب أن تأتي التحسينات الإضافية من إعادة تصميم أكثر جذرية وابتكارات.

تظهر أيضًا مشاكل ثانوية في الصناعة. على سبيل المثال، الوحدات الأكثر كثافة وقوة تنتج الكثير من الحرارة المهدرة، إلى درجة أن المزيد من نفس النوع قد يذيب الشرائح.

هذه الحرارة المهدرة تشير أيضًا إلى هدر كبير في الطاقة. يصبح تأمين إمداد كافٍ من الطاقة المستقرة قاعدة أساسية مشكلة لشركات الذكاء الاصطناعي، حيث تتسارع جميع شركات التكنولوجيا الكبرى لتأمين الإمداد من محطات الطاقة النووية.

أخيرًا، يصبح حوسبة الذكاء الاصطناعي أكثر تخصصًا، مع ظهور منهجيات مختلفة في شركات مختلفة ولتطبيقات مختلفة، كل منها يتطلب متطلبات مختلفة فيما يتعلق بالأجهزة. لذا من المرجح أن عصر وحدات معالجة الرسوميات العامة المستخدمة من قبل جميع شركات الذكاء الاصطناعي يقترب من نهايته، حتى وإن كان ذلك ببطء.

عصر وحدات معالجة الرسوميات الفائقة

حتى الآن، تتكون معظم مراكز بيانات الذكاء الاصطناعي من ربط آلاف وحدات معالجة الرسوميات معًا في خوادم مخصصة.

الحل الفوري لمشكلة ارتفاع الحرارة المتزايدة واستهلاك الطاقة سيكون بناء أجهزة مدمجة تتجاوز مجرد تجميع وحدات معالجة الرسوميات الفردية.

“في مراكز البيانات اليوم، لا يمكنك وضع نفس عدد خوادم NVIDIA H100 أو صواني حوسبة GB200 Superchip في خزانة كما كان يمكنك مع أجيال وحدات معالجة الرسوميات السابقة بسبب الطلبات الأعلى على الطاقة والتبريد.

خطوة رئيسية في هذا الاتجاه هي الإصدار الأخير من Nvidia لمنتج GB200 NVL72. تم تصميم هذا الجهاز ليعمل كوحدة معالجة رسومات ضخمة واحدة، مما يجعله أقوى بكثير من نموذج H100 السابق الذي حطم الأرقام القياسية.

تحسين الكفاءة الحرارية وتوفير الطاقة يتيح لنا أن نكون أكثر سخاءً في عدد وحدات معالجة الرسوميات التي يمكننا وضعها في الرف — مما يعني المزيد من وحدات معالجة الرسوميات لعملائنا.”

يجب أن يكون هذا أيضًا أكثر كفاءة في استهلاك الطاقة، وهو أمر حاسم حيث قد يواجه قطاع الذكاء الاصطناعي نقصًا في الطاقة قبل أن ينفد من الشرائح بالسرعة التي تُبنى بها مراكز بيانات الذكاء الاصطناعي. كما أن زيادة الكفاءة في الحوسبة والطاقة تعني حرارة مهدرة أقل، مما يحل مؤقتًا مشكلة ارتفاع الحرارة.

المصدر: Nvidia

حاليًا، أصبحت CoreWeave أول مزود سحابي يقدم مثيلات Nvidia GB200 NLV 72 المتاحة بشكل عام.

(يمكنك قراءة المزيد عن CoreWeave وتوفيرها لحوسبة السحابة للذكاء الاصطناعي للشركات التي تطور حلول الذكاء الاصطناعي في “CoreWeave: The Cloud AI Hyperscaler”).

أجهزة الذكاء الاصطناعي غير المعتمدة على وحدات معالجة الرسوميات

المصفوفات القابلة للبرمجة ميدانياً (FPGAs)

نوع آخر من الأجهزة المستخدمة في تطوير الذكاء الاصطناعي هو المصفوفات القابلة للبرمجة ميدانياً (FPGAs). تُعد FPGAs دوائر متكاملة يمكن إعادة برمجتها لأداء مهام محددة بكفاءة أعلى. تعمل من خلال وجود وصلات قابلة للتكوين بين مكوناتها.

المصدر: Microcontrollers Labs

يمكن أن يجعل ذلك الـ FPGAs أكثر مرونة من وحدات معالجة الرسوميات وتوفر إمكانات أكبر للتحسين في أنواع معينة من الحسابات.

تُعد الـ FPGAs أيضًا أكثر كفاءة في استهلاك الطاقة مقارنةً بوحدات معالجة الرسوميات. كما أن انخفاض زمن الاستجابة (الوقت السريع للتفاعل) يجعلها فعّالة جدًا للتطبيقات الواقعية التي تتطلب ردود فعل سريعة.

ومع ذلك، تكون الـ FPGAs أقل قدرة على التعامل مع الحسابات ذات المتطلبات العالية التي تتطلب طاقة كبيرة.

مشكلة أخرى هي أنه على الرغم من أن الـ FPGAs قابلة لإعادة البرمجة، فإن ذلك قد يكون عملية تستغرق وقتًا وجهدًا كبيرين. لذا قد تكون أبطأ كثيرًا في التصميم والبناء والبرمجة. يمكن أن تكون هذه مشكلة جدية في مجال يحقق تقدمًا ثوريًا كل ستة أشهر.

هذا يعني أنه حتى الآن، تتركز حالات استخدام الـ FPGAs على تطبيقات معينة للذكاء الاصطناعي، بينما لا يزال التطوير العام يعتمد على وحدات معالجة الرسوميات العامة الأقل كفاءة ولكن متعددة الاستخدامات:

• المعالجة في الوقت الحقيقي: عندما تحتاج البيانات الواردة إلى معالجة سريعة، مثل معالجة الإشارات الرقمية، أنظمة الرادار، المركبات الذاتية القيادة، والاتصالات.
• تسريع الأجهزة المخصص: يمكن ضبط الـ FPGAs القابلة للتكوين بدقة لتسريع مهام التعلم العميق المحددة ومجموعات الحوسبة عالية الأداء من خلال تحسين أنواع معينة من البيانات أو الخوارزميات.

• لذا قد تصبح مراكز بيانات الذكاء الاصطناعي الحديثة مزيجًا تدريجيًا من وحدات معالجة الرسوميات والـ FPGAs، حيث يخصص كل جهاز للمهام الفرعية التي يمكنه تنفيذها بأفضل شكل.
  • الحوسبة الطرفية: يعني ذلك نقل قدرات الحوسبة والتخزين أقرب إلى المستخدم النهائي محليًا، على سبيل المثال، مباشرةً داخل سيارة أو طائرة بدون طيار. في هذه الحالات، يعتبر استهلاك الطاقة المنخفض وحجم الـ FPGA الصغير ميزة.

الدوائر المتكاملة المخصصة للتطبيقات (ASICs)

تم بناء أنظمة ASIC لأداء أنواع محددة من الحسابات ولا يمكنها تنفيذ غيرها. لذا فهي ليست شريحة حاسوب بقدر ما هي دائرة متكاملة خالصة؛ تُطلق أحيانًا على الـ FPGAs اسم ASICs القابلة للبرمجة.

السبب في استخدام ASICs بدلاً من الـ FPGAs أو وحدات معالجة الرسوميات هو أن ASICs أسرع بكثير من أي جهاز منطقي آخر. كما أنها أكثر كفاءة في استهلاك الطاقة وأصغر حجمًا.

هذا هو السبب، على سبيل المثال، في استخدام ASIC miners في تعدين العملات المشفرة، حيث يتم تحسين التصميم لأداء نوع الحساب المحدد المطلوب.

المصدر: Wevolver

ومع ذلك، فإن ASICs أكثر تعقيدًا في التصميم، لذا لا يكون من المنطقي تطوير واحدة لمهمة ستتكرر بشكل كافٍ لتغطية تكاليف التصميم. بشكل عام، تكون ASICs مجدية اقتصاديًا فقط عندما تُنظر إليها للإنتاج الضخم.

تتطلب التصاميم المخصصة أيضًا معرفة خبراء، وقد لا تكون لغات البرمجة والمكتبات الشائعة قابلة للاستخدام.

ومع ذلك، يمكن أن تكون الحاجة إلى تصميم مخصص ميزة أيضًا، حيث تُنشئ حماية إضافية للملكية الفكرية (IP).

تشبه حالات استخدام ASICs تلك الخاصة بالـ FPGAs: الحوسبة الطرفية، التعرف على الصور، الاتصالات، ومعالجة الإشارات، ولكنها تتطلب حسابًا متكررًا بشكل أكبر من الـ FPGAs.

نظرًا لعدم مرونتها، فمن غير المرجح أن تكون كافية بمفردها لأي مهام ذكاء اصطناعي معقدة. ومع ذلك، قد يتم دمجها في نظام أجهزة الذكاء الاصطناعي لمنحه مزيدًا من الكفاءة والسرعة.

ومن الجدير بالذكر أن شركات مثل Etched تطور ASICs مصممة خصيصًا لأداء حسابات المحولات (الحرف “T” في chatGPT).

المصدر: Etched

رقائق النيورومورفية

بعيدًا عن تحسين وحدات معالجة الرسوميات أو بناء ASICs أكثر كفاءة، تتطلع مفاهيم أخرى إلى تغيير طريقة الحوسبة بالكامل.

إحدى الأفكار هي أنه إذا كنا نصمم شبكة عصبية، يجب أن يكون لدينا بنية شريحة تعكس ذلك.

هذه هي فكرة الرقائق النيورومورفية، التي تعمل كخلايا عصبية مترابطة على مستوى الأجهزة بدلاً من محاكاتها عبر معادلات رياضية معقدة وملايين الحسابات المتوازية.

تُسمى هذه الأجهزة أحيانًا بـ NPUs (وحدة معالجة عصبية)، عادةً ما تجمع بين أنواع مختلفة من المكونات في وحدة واحدة.

غالبًا ما تستخدم الرقائق النيورومورفية إشارات كهربائية معقدة، أقرب إلى البيانات التناظرية. وهذا يختلف عن الحواسيب “العادية” التي تستخدم تصميم فون نيومان مع إشارات ثنائية (0 و 1).

المصدر: Tech Target

يتم حاليًا استكشاف العديد من الأساليب لإنشاء رقائق نيورومورفية:

• الاستفادة من الفيروكهربيّة الناشئة, ظاهرة لا تزال غير مفهومة جيدًا.
• الركيزة النشطة باستخدام الفاناديوم أو التيتانيوم.
• استخدام الميمريستور، نوع جديد من المكونات الإلكترونية، الذي يمكن أداء مهام الذكاء الاصطناعي بقدرة 1/800^thمن استهلاك الطاقة العادي.

رقائق الفوتونيات

خيار آخر لتجاوز العديد من القيود الحالية لأجهزة السيليكون هو التحول إلى الحواسيب الفوتونية. بدلاً من الإلكترونات التي تنقل المعلومات، تقوم الفوتونات من الليزر بذلك.

توفر هذه الطريقة ميزة كونها أقل عرضة للارتفاع الحراري، بالإضافة إلى أن الضوء هو أسرع شيء يتحرك في الكون.

في الوقت الحالي، كانت متانة مكونات الفوتونيات، وخاصة الذاكرة، مشكلة، لكن هذا يتغير بسرعة.

• ترانزستور عالي الحركة الإلكترونية الفيروكهربي (FeHEMT)، يساهم في تصغير أجهزة الاتصال على الهواتف الذكية.
• المركبات البيروڤيسكيت، وتحديدًا بلورات CsPbBr3 (سيزيوم-رصاص-بروميد)، التي تمزج الفوتونيات مع الركائز “العادية” من السيليكون والجاليوم-أرسينيد.
• الكتابة بالليزر فائق السرعة، لتصميم مكونات فوتونية باستخدام النقش النانوي.
• طريقة تصنيع الفوتونيات السيليكونية متعددة الطبقات.
• استخدام المغنيتيت لإنشاء حواسيب السبينترونيك-فوتونية.

استخدام الخلايا العصبية الفعلية

طريقة أخرى لدفع الذكاء الاصطناعي لتحقيق أداء مماثل للدماغ الفعلي قد تكون ببساطة استخدام الأدمغة في المقام الأول.

بعد كل شيء، إذا كانت الشبكة العصبية المكوّنة من خلايا عصبية فعلية قادرة على التكيف العالي والتفوق في التعرف على الأنماط في الطبيعة، لماذا لا يمكن أن تعمل في سياق أكثر اصطناعية؟

في مارس 2025، تقدم هذا المفهوم مع إصدار شركة Cortical Labs لـ CL1، أول ذكاء بيولوجي اصطناعي (SBI).

المصدر: Cortical Labs

يتم زراعة الخلايا العصبية الحقيقية داخل محلول غني بالمغذيات، يزودها بكل ما تحتاجه لتكون صحية. تنمو عبر شريحة سيليكون، التي ترسل وتستقبل النبضات الكهربائية إلى الهيكل العصبي.

هذا يطمس حقًا الخط الفاصل بين الذكاء الاصطناعي والطبيعي. هل لا يزال الحاسوب المصنوع من خلايا عصبية فعلية اصطناعيًا؟

نقوم بدمج الخلايا العصبية في نظام biOS مع مزيج من السيليكون الصلب والأنسجة الناعمة. يمكنك الاتصال مباشرة بهذه الخلايا العصبية. نشر التعليمات البرمجية مباشرة إلى الخلايا العصبية الحقيقية، وحل أصعب التحديات اليوم.

الخلايا العصبية ذاتية البرمجة، مرنة إلى ما لا نهاية، وهي نتيجة لأربعة مليارات سنة من التطور. ما تنفق نماذج الذكاء الاصطناعي الرقمية موارد هائلة لمحاكاته، نبدأ به.

قد يكون هذا اختراقًا حقيقيًا إذا ثبت صحة بعض النظريات التي تعتبر الدماغ البشري أكثر كحاسوب كمومي من كونه نظامًا كهربائيًا.

على الرغم من أنه لا يزال تقنية ناشئة إلى حد كبير، قد يحصل على دفعة مع التقدم في المجالات المرتبطة، مثل الطباعة ثلاثية الأبعاد للأعضاء البشرية، بما في ذلك نسيج الدماغ الوظيفي، وكذلك إنتاج الأوريغنويدات (الدماغ المصغر) بواسطة شركات مثل Final Spark و BiologIC.

واجهة الدماغ-الكمبيوتر

طريقة أخرى لتعزيز أجهزة الذكاء الاصطناعي قد تكون استخدامها في واجهة مباشرة مع نوع آخر من الحواسيب الفائقة البيولوجية: الدماغ الموجود داخل جمجمتنا والذي يقوم بعملية التفكير.

في البداية، من المرجح أن تُستخدم واجهات الدماغ-الكمبيوتر (BCI) في الغالب لمساعدة الأشخاص الذين يعانون من حالات عصبية.

ستساعد الأساليب الجديدة لجعل الزرعات أكثر دوامًا وأقل توغلاً أيضًا.

على المدى الطويل، قد يطمس هذا أيضًا الخط الفاصل بين الآلة والذكاء البشري. إذا كنت تفكر بشيء بمساعدة الذكاء الاصطناعي من خلال تفاعل مباشر عبر BCI، فمن الذي قام بالتفكير بالضبط؟

ومع ذلك، بسبب المخاوف الأخلاقية والسلامة، من المحتمل أن تكون هذه واحدة من أكثر التقنيات بُعدًا، على الرغم من التوقعات المستندة إلى أعمال الخيال العلمي مثل Altered Carbon و Neuromancer أو Cyberpunk 2077.

(لقد غطينا أبرز الشركات في هذا المجال في “5 أفضل شركات واجهات الدماغ-الكمبيوتر (BCI)”.)

كمية الحوسبة المطلوبة فعليًا؟

DeepSeek

لسنوات عديدة، كان كل شركة ذكاء اصطناعي تتسابق لإضافة أكبر قدر ممكن من الحوسبة بأسرع ما يمكن، معتقدة أن المزيد دائمًا أفضل.

تم تحدي ذلك مع وصول شركة الذكاء الاصطناعي الصينية DeepSeek. حيث أن نموذجها أكثر كفاءة بـ10-100 مرة مقارنةً بمنافسيها، وتكلفتها فقط 3%-5% من حيث الأداء المكافئ أو المتفوق، فقد تحدى DeepSeek الحاجة إلى مزيد من قوة الحوسبة لبناء ذكاءات اصطناعية أفضل.

سبب رئيسي لتركيز DeepSeek الكبير على كفاءة النموذج كان محدودية وصول الشركات الصينية للشرائح الذكائية. ظهر ذلك بوضوح عندما كشف الإطلاق المبكر أن نماذج الذكاء الاصطناعي من شركات صينية أخرى أدت بشكل مثير للإعجاب: Qwen من Alibaba، Kimi من Moonshot AI، Doubao من ByteDance، أو Ernie Bot من Baidu.

كما يقول المثل، “الحاجة أم الاختراع”.

من المرجح أنه في السنوات القادمة، سيسود التركيز المزدوج على الأداء الأفضل والكفاءة الأعلى في صناعة الذكاء الاصطناعي.

ومع ذلك، لا يعني ذلك أن المزيد من الحوسبة لن يحقق نتائج أفضل. ببساطة، ليس هذا هو المسار الوحيد للنجاح في صناعة الذكاء الاصطناعي، وقد تكون الشركات المموَّلة جيدًا مثل OpenAI متساهلة قليلًا في إنفاقها.

في الوقت الحالي، معظم الذكاءات الاصطناعية ما زالت قيد التطوير وتصاميم تجريبية ذات تطبيقات محدودة. كلما تم دمجها أكثر في سير عمل ملايين الشركات حول العالم، زادت الحاجة إلى حوسبة الذكاء الاصطناعي.

وكلما زادت الحاجة إلى الحوسبة، زاد الطلب على أجهزة أكثر كفاءة وأقل استهلاكًا للطاقة.

لذا، كما هو الحال في الحوسبة التقليدية، يمكننا افتراض أن السوق سيستمر في طلب شرائح محسنة باستمرار، خاصةً مع احتمال أن يصبح الذكاء الاصطناعي قريبًا أحد أكبر مستهلكي الطاقة في العالم.

EdgeAI وأجهزة الكمبيوتر الذكية

أحد تأثيرات ظهور DeepSeek ونماذج الذكاء الاصطناعي الصينية الأخرى ذات المتطلبات الحوسبية الأقل هو أن نماذج الذكاء الاصطناعي، خاصةً النماذج “المُستخلصة”، يمكنها الآن التشغيل على أجهزة فردية عالية الأداء، بدلاً من مراكز البيانات الضخمة التي تستهلك جيجاواط.

هذا يدعم مؤيدي EdgeAI، الذين يجادلون بأن جزءًا كبيرًا من حوسبة الذكاء الاصطناعي يجب أن يتم “في الموقع”، بدلاً من الاعتماد فقط على السحابة.

نظرًا لأن DeepSeek نموذج مفتوح المصدر، فإن ذلك يفتح المجال للعديد من التجارب الفردية مع حواسيب الذكاء الاصطناعي: قوية بما يكفي لتشغيل نماذج الذكاء الاصطناعي، ولكن رخيصة وصغيرة بما يكفي ليشتريها الأفراد. بشكل عام، لا يؤدي ذلك إلى تقليل الطلب على حوسبة الذكاء الاصطناعي، بل ربما إلى عملية أكثر لامركزية لتطوير واستخدام تطبيقات الذكاء الاصطناعي.

لذا من المرجح أن تكون أجهزة الكمبيوتر الذكية (AI PCs) هي الاتجاه الكبير الجديد في بناء الحواسيب، حيث يناقش الإعلام المتخصص بالفعل بالتفصيل السؤال وأي علامة تجارية هي الأفضل، خاصةً مع تزايد دمج الذكاء الاصطناعي في معظم شركات التقنية، بما في ذلك Microsoft (MSFT ), حيث يصبح Copilot شبه موجود في نظام تشغيل Windows وغيرها من برامج الشركة.

الخلاصة

من وحدات معالجة الرسوميات المخصصة للألعاب، تتطور أجهزة الذكاء الاصطناعي بسرعة. بدأ ذلك بوحدات معالجة الرسوميات المصممة للذكاء الاصطناعي وتطور الآن إلى “وحدات معالجة رسومات فائقة” مصممة من الصفر لتناسب مراكز بيانات الذكاء الاصطناعي مع استهلاك طاقة أقل وإنتاج حرارة أقل.

الخطوة التالية من المحتمل أن تكون دمجًا أعمق بين وحدات معالجة الرسوميات العامة وشرائح ASICs وFPGAs لأداء مهام ذكاء اصطناعي محددة باستخدام طاقة ومساحة أقل.

في المستقبل البعيد، تتنافس التقنيات لتحديد أيها سيفوز في حوسبة الذكاء الاصطناعي: الرقائق النيورومورفية، الفوتونيات، السبينترونيك، أو حتى الخلايا العصبية البيولوجية الفعلية المدربة للتفاعل مع ركائز السيليكون، وربما الذكاء الاصطناعي الذي يتفاعل مباشرةً مع أدمغتنا عبر واجهات مباشرة.

بالنسبة لجميع هذه التقنيات، من المؤكد أن النمو المتسارع في قدرة الذكاء الاصطناعي والنمو المتسارع المرتبط بالتطبيقات سيستمر في زيادة الطلب على أجهزة ذكاء اصطناعي أكثر وأفضل.

لذا حتى إذا ظهرت نماذج ذكاء اصطناعي أكثر كفاءة في السوق، مثل DeepSeek، فإن الاندفاع المفاجئ للطلب على أجهزة الكمبيوتر الذكية قد يكون مؤشرًا جيدًا على أن أجهزة الذكاء الاصطناعي ستظل على الأرجح في نقص نسبي مقارنة بالطلب في السنوات القادمة.

قائد في أجهزة الذكاء الاصطناعي

Nvidia

تحولت NVIDIA من شركة متخصصة في أشباه الموصلات المتخصصة في بطاقات الرسوميات إلى عملاق تقني في طليعة ثورة الذكاء الاصطناعي والكمية الضخمة من الأجهزة التي يحتاجها.

تحقق ذلك من خلال تطوير CUDA، واجهة برمجة عامة للأغراض لوحدات معالجة الرسوميات الخاصة بـ NVIDIA، مما فتح الباب لاستخدامات غير الألعاب.

«أدرك الباحثون أنه بشراء بطاقة الألعاب هذه المسماة GeForce وإضافتها إلى حاسوبك، فإنهم يمتلكون في الأساس حاسوبًا فائقًا شخصيًا. الديناميكيات الجزيئية، معالجة الزلازل، إعادة بناء التصوير المقطعي، معالجة الصور—مجموعة من الأشياء المختلفة.» Jensen Huang, in an interview with Sequoia

خلق هذا الاعتماد الواسع لوحدات معالجة الرسوميات، وخاصةً أجهزة NVIDIA، حلقة تغذية راجعة إيجابية تستند إلى تأثيرات الشبكة: كلما زاد عدد الاستخدامات، زاد عدد المستخدمين النهائيين والمبرمجين الذين يعرفونها، وبالتالي زادت المبيعات، وزاد ميزانية البحث والتطوير، وتزايد تسارع سرعة الحوسبة، وزادت الاستخدامات، وما إلى ذلك.

المصدر: Nvidia

اليوم، تشمل القاعدة المثبتة مئات الملايين من وحدات معالجة الرسوميات CUDA.

شيء ملحوظ آخر حول تطور قوة حوسبة الذكاء الاصطناعي هو أنها تتبع قانونًا أسيًا بدلاً من قانون مور الأكثر خطية للمعالجات. ذلك لأن ليس فقط أجهزة GPU تتحسن، بل إن القوة المعالجة المطلوبة قد انخفضت بفضل التحسين الجذري في طريقة تدريب الشبكات العصبية.

بينما هي رائدة في مجال وحدات معالجة الرسوميات والذكاء الاصطناعي، فإن NVIDIA نشطة أيضًا في تطوير الحوسبة الكمومية لتصبح محرك نمو جديد.

على غرار ما نشرته CUDA لتطبيقات الشبكات العصبية، أطلقت Nvidia CUDA-Q للحوسبة الكمومية، مقدمة نظام سحابة كمومية يمكنك من خلاله استئجار قدرة الحوسبة الكمومية من NVIDIA عبر خدمة سحابية.

المصدر: NVIDIA

يتضمن ذلك أيضًا تقنيات مثل cuQuantum من NVIDIA للباحثين لمحاكاة الحواسيب الكمومية، وcuPQC للتشفير الكمومي، وDGX Quantum لدمج الحوسبة الكلاسيكية والكمومية.

بشكل عام، تتصدر NVIDIA بناء نظام إيكولوجي للحوسبة الكمومية، مستفيدة من موقعها كقائد في مجال الذكاء الاصطناعي وأجهزة الذكاء الاصطناعي.

المصدر: NVidia

مع موقع قوي في مجال الذكاء الاصطناعي، وتعدين العملات المشفرة، وربما قريبًا الحوسبة الكمومية، فإن Nvidia في موقع ممتاز لتكون واحدة من الشركات الرائدة في مجال أجهزة الحوسبة في العقد القادم.

يمكنك قراءة المزيد عن تاريخ Nvidia، نموذج أعمالها، وابتكاراتها في “NVIDIA (NVDA) Spotlight: From Graphics Giant to AI Titan“.

آخر الأخبار عن NVIDIA