لكي يحقق الذكاء الاصطناعي إمكاناته، يجب معالجة متطلبات الطاقة

يواصل الذكاء الاصطناعي دفع الثورة الصناعية الرابعة، وتتزايد معه احتياجات الطاقة. ويمكن اليوم لأي شخص الوصول إلى أدوات ذكاء اصطناعي متقدمة ودمجها في أنظمته لتحسين الكفاءة وتخفيف عبء العمل. وتزداد الطاقة اللازمة لتشغيل هذه الخوارزميات كلما زاد الطلب على تطبيقاتها. لذلك، بدأ المدافعون عن البيئة بالفعل بالإشارة إلى مخاوف الاستدامة المرتبطة بهذه التقنية. ولحسن الحظ، ابتكر فريق من الباحثين بديلًا عالي الكفاءة. إليك ما ينبغي معرفته.

متطلبات الطاقة المتزايدة للذكاء الاصطناعي تُحدث أزمة طاقة

يتواصل إطلاق أنظمة ذكاء اصطناعي جديدة بوتيرة متسارعة. وتتوقع أحدث تقديرات استخدام الطاقة عالميًا أن يتضاعف استهلاك الذكاء الاصطناعي للطاقة من 460 تيراواط ساعة في عام 2022 إلى 1,000 تيراواط ساعة بحلول عام 2026. وتشمل هذه الأنظمة أنظمة التوصية، والنماذج اللغوية الكبيرة (LLMs)، ومعالجة الصور والفيديو وإنشاءها، وخدمات Web3 وغيرها.

وفقًا لـدراسة الباحث، تتطلب أنظمة الذكاء الاصطناعي نقل بيانات يستهلك “200 ضعف الطاقة المستخدمة في الحوسبة عند قراءة ثلاثة معاملات مصدر بطول 64 بت من الذاكرة الرئيسية خارج الشريحة وكتابة معامل وجهة واحد بطول 64 بت إليها.” لذلك، يمثل خفض استهلاك الطاقة في تطبيقات حوسبة الذكاء الاصطناعي أولوية للمطورين، الذين سيتعين عليهم تجاوز هذه العقبة لتحقيق انتشار واسع النطاق وإنضاج التقنية.

لحسن الحظ، طرح فريق من المهندسين المبتكرين في جامعة مينيسوتا حلًا محتملًا قد يخفض استهلاك بروتوكولات الذكاء الاصطناعي للطاقة بعدة رتب مقدار. ولتحقيق ذلك، يقدم الباحثون تصميمًا جديدًا للشرائح يحسّن بنية فون نيومان الموجودة في معظم شرائح اليوم.

بنية فون نيومان

أحدث جون فون نيومان ثورة في قطاع الحوسبة عام 1945 عندما فصل وحدات المنطق عن وحدات الذاكرة، مما أتاح حوسبة أكثر كفاءة آنذاك. وفي هذا الترتيب، يُخزّن المنطق والبيانات في مواقع مادية مختلفة. وقد حسّن ابتكاره الأداء لأنه أتاح الوصول إليهما في الوقت نفسه.

المصدر – جامعة مينيسوتا توين سيتيز

RAM

لا تزال معظم الحواسيب تستخدم اليوم بنية فون نيومان، إذ يخزّن القرص الصلب البرامج بينما تحتفظ ذاكرة الوصول العشوائي (RAM) بالتعليمات البرمجية والبيانات المؤقتة. وتؤدي ذاكرة RAM الحديثة هذه المهمة بطرق مختلفة، منها DRAM التي تستخدم المكثفات، وSRAM التي تحتوي على دوائر متعددة.

وقد عملت هذه البنية بكفاءة لعقود. إلا أن النقل المستمر للبيانات بين المنطق والذاكرة يتطلب طاقة كبيرة. وتزداد الطاقة اللازمة للنقل مع زيادة متطلبات البيانات وعبء الحوسبة. لذلك، تنشأ نقطة اختناق في الأداء تحدّ من الكفاءة مع ارتفاع القدرة الحاسوبية.

محاولات تحسين متطلبات الطاقة

على مر السنوات، جرت محاولات عديدة لتحسين بنية فون نيومان. وأنتجت هذه المحاولات أشكالًا مختلفة لعمليات الذاكرة، بهدف تقريب العمليتين ماديًا. وتشمل الأشكال الرئيسية الثلاثة حاليًا ما يلي.

المعالجة القريبة من الذاكرة

يقرب هذا التحسين المنطق ماديًا من الذاكرة، وذلك باستخدام بنية مكدسة ثلاثية الأبعاد. ويقلل هذا التقريب المسافة والطاقة اللازمتين لنقل البيانات المطلوبة لإجراء العمليات الحسابية. وقد وفّرت هذه البنية كفاءة أفضل.

الحوسبة داخل الذاكرة

تُعد الحوسبة داخل الذاكرة طريقة أخرى مستخدمة حاليًا لتحسين البنية الحاسوبية. ويوجد شكلان من هذا النوع من الشرائح. يدمج الشكل الأصلي مجموعات من المنطق بجوار الذاكرة على شريحة واحدة. ويتيح هذا الترتيب الاستغناء عن ترانزستورات كانت مستخدمة في التصاميم السابقة. لكن كثيرين لا يعدّونه مطابقًا حقًا لبنية الحوسبة داخل الذاكرة، لأنه لا يزال يحتفظ بمواقع ذاكرة منفصلة، مما يعني استمرار مشكلات الأداء الناتجة عن نقل البيانات، وإن كان على نطاق أصغر.

الحوسبة الحقيقية داخل الذاكرة

النوع الأخير من بنى الشرائح هو «الحوسبة الحقيقية داخل الذاكرة». ولكي تندرج البنية ضمن هذا النوع، يجب أن تجري الذاكرة العمليات الحسابية مباشرة. ويعزز هذا الترتيب الإمكانات والأداء لأن بيانات العمليات المنطقية تبقى في موقعها. وأحدث نسخة قدمها الباحثون من هذه البنية هي CRAM.

(CRAM)

تتيح ذاكرة الوصول العشوائي الحاسوبية (CRAM) إجراء العمليات الحسابية فعليًا داخل الذاكرة، إذ تُعالج البيانات ضمن المصفوفة نفسها. وقد عدّل الباحثون بنية STT-MRAM قياسية من نوع 1T1M لجعل CRAM ممكنة. ويدمج تصميم CRAM ترانزستورات دقيقة في كل خلية، ويستند إلى وحدات المعالجة القائمة على الوصلات النفقية المغناطيسية.

يوفر هذا النهج تحكمًا وأداءً أفضل. ثم أضاف الفريق ترانزستورًا آخر وخط منطق (LL) وخط بت منطقي (LBL) إلى كل خلية، مما يتيح إجراء الحسابات آنيًا داخل بنك الذاكرة نفسه.

تاريخ CRAM

تتطلب أنظمة الذكاء الاصطناعي الحالية بنية جديدة تستطيع تلبية احتياجاتها الحاسوبية دون إغفال مخاوف الاستدامة. وإدراكًا لهذا الطلب، قرر المهندسون التعمق في إمكانات CRAM للمرة الأولى. ونُشرت نتائجهم في مجلة NPJ العلمية ضمن تقرير بعنوان «عرض تجريبي لذاكرة وصول عشوائي حاسوبية قائمة على الوصلات النفقية المغناطيسية.»

اعتمدت أول ذاكرة CRAM على بنية جهاز ذي وصلة نفقية مغناطيسية (MTJ). وقد حسّنت هذه الأجهزة الإلكترونية المغزلية أساليب التخزين السابقة باستخدام لف الإلكترون المغزلي بدلًا من الترانزستورات لنقل البيانات وتخزينها بطريقة MTJ. وتستخدم هذه الطريقة حاجزًا نفقيًا رقيقًا يقع بين طبقتين مغناطيسيتين حديديتين (FM). ويؤدي جهد صغير إلى إثارة هذه الإلكترونات وانتقالها بين الطبقتين.

ينشأ عن هذا الانتقال تيار كهربائي، كما يوفر طريقة فعالة لقراءة الذاكرة والكتابة إليها. ويطوّر أحدث تحسين لـCRAM هذا المفهوم، فيقدم أداءً مرتفعًا مع خفض متطلبات الطاقة.

دراسة CRAM

ظل مفهوم CRAM قيد التطوير لسنوات، لكن قدراته لم تخضع لاختبارات متعمقة كثيرة حتى الآن. وقد استخدمت الدراسة مجموعة من المفاهيم المحمية ببراءات اختراع التي طوّرها الفريق ومن سبقه خلال هذه المسيرة. فعلى سبيل المثال، استُخدمت ذاكرة الوصول العشوائي المغناطيسية (MRAM)، وهي مكوّن أساسي في الساعات الذكية والمستشعرات والمتحكمات الدقيقة الحالية، إلى جانب أجهزة MTJ معدّلة لتحسين الأداء.

اختبارات CRAM

تطلبت مرحلة الاختبار قياس أداء الشرائح أثناء تنفيذ العمليات المنطقية. واستخدم الباحثون استراتيجيات متنوعة للحصول على أعمق فهم ممكن، بما في ذلك جمع القيم العددية، والضرب، وضرب المصفوفات.

كانت الخطوة الأولى قياس النشاط أثناء عمليات الذاكرة الأساسية. ثم زاد الفريق مستوى الحسابات باستخدام عمليات منطقية ذات مدخلين وثلاثة وخمسة مدخلات. وبعد هذه المرحلة، أُدخل جامع كامل من بت واحد بتصميمين مختلفين وأُعيد اختباره. وشمل الاختبار النهائي مصفوفة بحجم 1 × 7، أسفرت عن نتائج مثيرة للاهتمام.

نتائج اختبار CRAM تُظهر انخفاض متطلبات الطاقة

أظهرت نتائج الاختبار مدى كفاءة عملية إثبات المفهوم الجديدة مقارنة بالنماذج الحالية. وبينت البيانات أن استهلاك الطاقة أثناء الحساب كان أقل بمتوسط 1000 مرة. وعند دمج النهج مع أساليب أخرى لتوفير الطاقة، أظهر انخفاضًا في الاستهلاك بمقدار 2,500 و1,700 مرة مقارنة بالأساليب التقليدية.

ميزات إضافية

ومن الاكتشافات المهمة الأخرى أن CRAM أتاحت الوصول العشوائي المتزامن إلى البيانات والمعاملات. وتحسّن هذه الميزة قدرات الحوسبة المتوازية بدرجة كبيرة، مما قد يؤدي مستقبلًا إلى بروتوكولات أكثر أمانًا واستقرارًا.

الفوائد التي يجلبها CRAM إلى السوق

يساعد استعراض فوائد CRAM على فهم سبب اعتبارها اختراقًا قد يغيّر قواعد اللعبة ويؤثر قريبًا بشكل مباشر في الأنشطة اليومية للشخص العادي. وتتيح CRAM للمطورين والمصنّعين إنشاء عتاد مهيأ على نحو مثالي لمهمته الرئيسية، مع تقليل احتياجات الطاقة وتحسين الأداء.

التركيز على الذكاء الاصطناعي

يغيّر الذكاء الاصطناعي بالفعل جوانب كثيرة. ويزداد الطلب على هذه الأنظمة، لكنها تحتاج إلى عتاد وبرمجيات محددة لكي تعمل بصورة صحيحة. وتتيح CRAM للمصنّعين إنشاء عتاد مصمم منذ البداية لدعم التطبيقات كثيفة البيانات أو المتمحورة حول الذاكرة أو الحساسة لاستهلاك الطاقة.

في المستقبل، ستدعم CRAM خوارزميات الذكاء الاصطناعي المتقدمة في مجالات مثل المعلوماتية الحيوية ومعالجة الإشارات والشبكات العصبية والحوسبة الطرفية وأحدث المعدات العسكرية. وستتيح مصفوفة CRAM للمطورين إنشاء تطبيقات تعلم آلي أفضل أداءً ومرنة بما يكفي لتلبية احتياجات المجتمع.

يستخدم بنية مثبتة

من المزايا الرئيسية الأخرى التي تجعل CRAM خيارًا جيدًا استخدامها لأنظمة عتاد مثبتة الفاعلية. فهي تعتمد على تقنية شائعة وناضجة، مما يعزز ثقة المستهلك. ويضمن ذلك أيضًا أن تكون مشكلات العتاد مصدر قلق محدودًا للمستخدمين.

مرن

توفر CRAM مرونة حقيقية للمطورين. ويمكن للمبرمجين معالجة البيانات في أي موضع داخل مصفوفة الذاكرة باستخدام مجموعة من العمليات المنطقية الشائعة. وتحديدًا، تدعم CRAM عمليات AND وOR وNAND وNOR وMAJ، مما يزيد تنوع استخداماتها.

أسرع

تُعد السرعة فائدة أخرى لا يمكن تجاهلها. فنقل البيانات بين مواقع المنطق وتخزين الذاكرة يستغرق وقتًا. ورغم أن هذا الوقت قد لا يتجاوز جزءًا من الثانية، فإنه يمكن أن يتراكم ويضعف تجربة المستخدم. وتلغي CRAM الحاجة إلى عمليات نقل البيانات البطيئة وكثيفة استهلاك الطاقة بجعل الذاكرة نفسها مسؤولة عن هذه المهام.

التوازي

التوازي هو القدرة على تشغيل الشيفرة نفسها بالتوازي وفي الوقت نفسه. وهو مكوّن أساسي في كثير من عمليات التصنيع والسلامة والعمليات الصناعية. وبفضل بنية CRAM، يمكنها تنفيذ المنطق نفسه بالتوازي عبر مصفوفة الذاكرة نفسها في آن واحد.

تكاليف التصنيع

ستخفض CRAM أيضًا تكاليف تصنيع الأجهزة المتطورة بتقليل عدد المكونات اللازمة لبناء المنتج. فهي تستخدم الذاكرة نفسها للمنطق والبيانات، مما يعني قدرة المصنّعين على إنشاء شرائح بأجزاء أقل. وتقلل هذه البنية التكاليف وتحسّن الاعتمادية والأداء.

الباحثون

قاد هذا البحث فريق من جامعة مينيسوتا. وشمل الباحثون الرئيسيون جيان بينغ وانغ، أستاذ ماكنايت، وروبرت إف. هارتمان. كما أدّى أوليا كاربوزجو وروبرت بلوم وحسرف جيلاسون وروبرت ومارجوري هنلي وساشين ساباتنيكار وبراندون زينك وزامشد تشودري وسالونيك ريش أدوارًا مهمة في الدراسة. وساعد أيضًا فريق من جامعة أريزونا ضم برافين خانال وعلي حبيب أوغلو والأستاذ ويغانغ وانغ.

أصبح البحث ممكنًا بفضل منح من وكالة مشاريع الأبحاث الدفاعية المتقدمة الأمريكية (DARPA)، والمعهد الوطني للمعايير والتكنولوجيا (NIST)، والمؤسسة الوطنية للعلوم (NSF)، وشركة Cisco. كما أجرى المشروع اختبارات ودراسات في مركز مينيسوتا للنانو ومعهد مينيسوتا للحوسبة الفائقة بجامعة مينيسوتا.

شركتان قد تستفيدان من تقليل متطلبات الطاقة للذكاء الاصطناعي

يمكن للعديد من المصنّعين تحقيق إيرادات إضافية أو تحسين خطوط منتجاتهم بمجرد دمج خيارات CRAM. وتمتلك هذه الشركات مواقع قوية في السوق والقدرة على دمج التقنية الجديدة بما يحسّن عروضها بدرجة كبيرة.

Microsoft

MSFT مخطط السعر

تُعد Microsoft (MSFT ) لاعبًا رئيسيًا في سوقي الذكاء الاصطناعي والحوسبة. وتظل الشركة رائدة في القطاع، وقد قدمت مساهمات كبيرة في التكنولوجيا لأكثر من عقد. واليوم، تمتلك Microsoft حضورًا كبيرًا في قطاع الذكاء الاصطناعي وتسعى إلى البقاء منافسًا قويًا مستقبلًا.

تتمتع خدمات الذكاء الاصطناعي من Microsoft بميزة كبيرة على منافسيها، إذ يظل نظام تشغيل الشركة الأكثر استخدامًا عالميًا. ولذلك، تمتلك أنظمة Microsoft للذكاء الاصطناعي قاعدة مستخدمين ضخمة وبيانات متاحة. وقد ساعدت هذه البيانات Microsoft على إنشاء خوارزميات ذكاء اصطناعي جديدة قوية ستشكل يومًا ما جوهر أحدث أنظمة تشغيل Windows.

Arm Holdings

ARM مخطط السعر

دخلت Arm Holdings السوق عام 1990، وأسّسها صوفي ويلسون وستيف فوربر. وكان اسم الشركة في الأصل Advanced RISC Machines (ARM) Ltd. قبل أن تتخذ اسم Arm Holdings عام 1998. وفي أوائل العقد الأول من الألفية، اكتسبت Arm Holdings سمعة باعتبارها شركة تصنيع عالية الجودة تقدم وحدات معالجة رسومية ومنتجات أخرى للسوق.

واليوم، لا تزال مزودًا رائدًا للملكية الفكرية ومصنّعًا لأشباه الموصلات. وقد اشترتها Softbank عام 2016 مقابل 32 مليار دولار، وشهدت نموًا ملحوظًا منذ ذلك الحين. ويمكن للشركة أن تقلل أثرها البيئي بدرجة كبيرة، مع تحسين الأداء والإيرادات، من خلال دمج CRAM في عروضها الحالية.

مستقبل الذكاء الاصطناعي سيعتمد على متطلبات الطاقة الخاصة به

العامل الرئيسي الذي يحدّ من تبني الذكاء الاصطناعي هو احتياجاته من الطاقة. وتتطلب هذه الاحتياجات التفكير خارج المألوف لإيجاد حلول لنقاط الاختناق التي تحدّ من الأداء. وتفتح هذه الدراسة الحديثة الباب لمستقبل أفضل تستطيع فيه خدمات الذكاء الاصطناعي استخدام حلول منخفضة الاستهلاك للطاقة تدعم المجتمع بأكمله.

تعرف على مشاريع الذكاء الاصطناعي الرائعة الأخرى الآن.