تقدم مستوحى من NVIDIA يقلل احتياجات طاقة تدريب الذكاء الاصطناعي بمقدار 100 مرة

الذكاء الاصطناعي (AI) استولى على العالم بأسره، ولا قطاع لم يتأثر بسحر هذا التقدم التكنولوجي. اليوم، 77٪ من الأجهزة تدمج تقنية الذكاء الاصطناعي، رغم أن ثلث المستهلكين فقط يعتقدون أنهم يستخدمون منصات الذكاء الاصطناعي. 

عدد متزايد من المؤسسات يتبنى الذكاء الاصطناعي أيضًا لتعزيز النمو التجاري، حيث تدعم 9 من كل 10 شركات التقنية للحصول على ميزة تنافسية. من المتوقع أن يؤدي هذا الاستخدام إلى إلغاء 85 مليون وظيفة، وفي الوقت نفسه خلق 97 مليون وظيفة جديدة.

هذه الأرقام تعكس التقديرات التي تشير إلى أن سوق الذكاء الاصطناعي سيساهم بـ 15.7 تريليون دولار في الاقتصاد العالمي بحلول عام 2030. كما من المتوقع أن ينمو حجم سوق الذكاء الاصطناعي بنسبة لا تقل عن 120٪ سنويًا.

ومع ذلك، مع تزايد اعتماد الذكاء الاصطناعي، يزداد الطلب على الطاقة لتشغيل مراكز البيانات، التي تستهلك طاقة هائلة. تشغيل وتبريد آلاف الخوادم على مدار الساعة يتطلب كميات ضخمة من الطاقة. حاليًا، تُستمد هذه الطاقة من شبكة الكهرباء، مما يسبب مشاكل خلال فترات الذروة ويضع ضغطًا على النظام. وفقًا Chevron (CVX ) CEO Mike Wirth:

“يمكن أن يثقل النمو والطلب على الطاقة شبكة الكهرباء التي هي بالفعل تحت ضغط. قد يضيف ذلك تكلفة على المستهلكين. سيساعد الغاز الطبيعي في تزويد النمو السريع للذكاء الاصطناعي بطلبه غير المشبع للكهرباء الموثوقة.”

استجابةً لهذا الطلب، أعلنت شركة Chevron مؤخرًا أنها ستعمل مع GE (GE ) Verona and Engine No. 1 لتوليد الكهرباء للذكاء الاصطناعي من خلال بناء محطات طاقة بالغاز الطبيعي متصلة مباشرة بمراكز البيانات.

حاليًا، تشكل مراكز البيانات حوالي 1٪ من استهلاك الكهرباء العالمي، وفقًا لتقرير الوكالة الدولية للطاقة (IEA). 

لكن هذا مجرد البداية حيث تنفق الشركات مليارات الدولارات لبناء المزيد من مراكز البيانات. 

Microsoft (MSFT ) يخطط لاستثمار 80 مليار دولار في مراكز بيانات مدعومة بالذكاء الاصطناعي، مع تخصيص نصفها للولايات المتحدة. وفقًا لتقديرات Blackstone (BX ), سيتم استثمار أكثر من تريليون دولار في مراكز البيانات الأمريكية حتى عام 2030، مع Google (GOOGL ), Meta (META ), وAmazon (AMZN ) من بين عمالقة التقنية الذين يبنون مراكز بيانات عبر البلاد.

لذلك، سيستمر استهلاك الطاقة في هذا القطاع في التسارع من الآن. Goldman Sachs (GS ) يقدر أن طلب الطاقة لمراكز البيانات سينمو بنسبة 160٪ خلال السنوات الخمس القادمة، مما سيؤدي بطبيعة الحال إلى نمو غير مسبوق في استهلاك الكهرباء.

وفقًا لتقديرات معهد أبحاث الطاقة الكهربائية (EPRI)، قد يستهلك استهلاك الطاقة لهذه المرافق في الولايات المتحدة ما بين 4.6٪ و9.1٪ من إجمالي توليد الكهرباء بحلول نهاية هذا العقد. 

في الوقت نفسه، في أوروبا، وتحديدًا ألمانيا، استهلكت مراكز البيانات حوالي 16 مليار كيلوواط ساعي من الطاقة في عام 2020 لأغراض الحوسبة والتخزين والنقل، ومن المتوقع أن يرتفع هذا الرقم إلى 22 مليار كيلوواط ساعي بحلول عام 2025.

نتيجة لذلك، يبحث الباحثون باستمرار عن طرق لتقليل متطلبات الطاقة للذكاء الاصطناعي. 

خفض استهلاك الطاقة للذكاء الاصطناعي

تلعب تقنية الذكاء الاصطناعي دورًا أساسيًا في تعزيز كفاءة الطاقة عبر مختلف القطاعات من خلال تحسين استهلاك الطاقة، توقع الطلب، وتمكين إدارة الشبكة الذكية، مما يؤدي في النهاية إلى تقليل هدر الطاقة وانخفاض انبعاثات الكربون. 

على سبيل المثال، استخدمت Vodafone UK الذكاء الاصطناعي لتقليل استهلاك الطاقة اليومي لوحدات الراديو 5G (RUs) من خلال حلول برمجية متقدمة مدعومة بالذكاء الاصطناعي وتعلم الآلة من Ericsson. لقد نجحوا بالفعل في خفضه بنسبة 33٪ في مواقع مختارة في لندن.

نفذت Vodafone UK ثلاث ميزات رئيسية لتوفير الطاقة كجزء من التجربة. 

يشمل ذلك خريطة حرارة كفاءة طاقة الراديو، التي تستخدم تعلم الآلة لتحديد وتصنيف المواقع ذات الأداء الضعيف لتحسين الكفاءة المستهدفة من خلال إنشاء تمثيل بصري لجميع خلايا الشبكة. ثم هناك تنسيق وضع سكون خلايا 4G، الذي طور نموذجًا سلوكيًا لخلايا الشبكة لضبط معلمات السكون بدقة لإنشاء توازن بين توفير الطاقة والأداء. بينما يستخدم وضع سكون عميق 5G خوارزميات تنبؤية مدفوعة بالذكاء الاصطناعي، مما يقلل استهلاك الطاقة بنسبة 70٪ خلال ساعات غير الذروة.

لكن ماذا عن استهلاك الطاقة للذكاء الاصطناعي؟ حسنًا، يستهدف الباحثون والشركات العديد من المجالات المختلفة لتقليل استهلاك الطاقة لهذه التقنية سريعة النمو.

يشمل ذلك تحسين نماذج الذكاء الاصطناعي، واستخدام أجهزة ذات كفاءة طاقة، واعتماد ممارسات مستدامة مثل الطاقة المتجددة والتبريد الفعال في مراكز البيانات.

عند الحديث عن تحسين نماذج الذكاء الاصطناعي، يمكن اتخاذ نهج مختلفة مثل التقليم، والتكميم، والتقطير. في تقليم النموذج، تُزال المعلمات والاتصالات غير الضرورية من النموذج دون التأثير على الدقة. يتعامل التكميم مع تقليل دقة معلمات النموذج لتقليل المتطلبات الحاسوبية واستهلاك الطاقة. في التقطير، يتم تدريب نماذج أصغر لتقليد سلوك نموذج أكبر وأكثر تعقيدًا، مما يوفر نموذجًا أكثر كفاءة في الطاقة مع أداء مماثل.

كما أشار MIT Technology Review في إصدار هذا العام، النماذج الأصغر هي أحد الاختراقات التكنولوجية التي ستحدد العصر القادم. تُدرب هذه النماذج على مجموعات بيانات أكثر تركيزًا ويمكن أن تقدم دقة متخصصة في المجال، كفاءة تكلفة، وتعزيز أمان البيانات مقارنةً بالنماذج اللغوية الكبيرة (LLMs). 

GPT-4o mini من OpenAI، Phi من Microsoft، Gemini Nano من Google DeepMind، وHaiku من Claude 3 الخاص بـ Anthropic هي بعض الأمثلة على إصدارات أصغر من نماذج الذكاء الاصطناعي الكبيرة التي طورتها عمالقة التقنية.

عند الحديث عن الأجهزة، يتركز التركيز على استخدام وحدات معالجة الرسومات (GPU) ومعالجات الذكاء الاصطناعي المتخصصة الأخرى المصممة خصيصًا لأعباء العمل عالية الأداء. 

ثم هناك خوادم ومعالجات مختارة ذات كفاءة طاقة تقوم بضبط استهلاك الطاقة بناءً على طلبات عبء العمل، والافتراضية لتحسين استغلال الموارد عن طريق تشغيل عمليات متعددة على عدد أقل من الأجهزة الفعلية، وتقنيات تبريد متقدمة لتقليل الحاجة إلى أنظمة تكييف الهواء المستهلكة للطاقة.

كما شاركنا الشهر الماضي، حقق باحثون من جامعة توهوكو، وكالة الطاقة الذرية اليابانية، والمعهد الوطني لعلوم المواد تحقيق جهاز ذكاء اصطناعي عالي الكفاءة وتوفير الطاقة. استخدم الباحثون أجهزة سبيتترونية لشرائح ذكاء اصطناعي منخفضة الطاقة وأظهروا جهاز عزم دوران مغناطيسي مبرمج بالتيار (SOT) يفتح الأبواب لجيل جديد من أجهزة الذكاء الاصطناعي.

طريقة أخرى لتقليل استهلاك الطاقة للذكاء الاصطناعي هي من خلال الممارسات المستدامة. يمكن لمراكز البيانات الاستفادة من مصادر الطاقة المتجددة، تنفيذ أنظمة تبريد ذات كفاءة طاقة، وتصميم تخطيطات فعّالة لتقليل استهلاك الطاقة.

تلتزم الشركات بنشاط بهذا الاتجاه، حيث تحقق Google تقدمًا في الطاقة الحرارية الجوفية. Microsoft هي شركة أخرى، التي ستعيد فتح محطة مفاعل ثلاث أميال لتصبح محايدة كربونيًا بحلول عام 2030.

من المثير للاهتمام، يُستخدم الذكاء الاصطناعي لجلب كفاءة الطاقة للذكاء الاصطناعي أيضًا. تُستخدم التقنية لتحسين استهلاك الطاقة في المباني والصناعات، توقع متى تحتاج المعدات إلى صيانة، وتقليل الطلب الذروي من خلال الاستفادة من ظروف الشبكة في الوقت الفعلي.

وسط كل ذلك، طور باحثون من الجامعة التقنية في ميونيخ (TUM) طريقة جديدة تُدرب الشبكات العصبية بسرعة تصل إلى 100 مرة، مما يقلل بشكل كبير استهلاك الطاقة المرتبط بتطبيقات الذكاء الاصطناعي.

لهذا، حسب الباحثون المعلمات مباشرةً بناءً على الاحتمالات بدلاً من اتباع نهج تكراري، لكن النتائج حتى الآن مماثلة في الجودة للطرق التكرارية الحالية.

طريقة جديدة لتقليل استهلاك الطاقة للذكاء الاصطناعي بشكل كبير 

إلى جانب الزيادة في استخدام الذكاء الاصطناعي، سيؤدي إطلاق تطبيقات ذكاء اصطناعي أكثر تعقيدًا في السنوات القادمة إلى زيادة كبيرة في طلبات سعة مراكز البيانات. 

ستستهلك هذه التطبيقات كميات هائلة من الطاقة لتدريب الشبكات العصبية. لذا، يركز الدراسة الجديدة على تقليل الطاقة الضخمة المطلوبة لتدريب الشبكات العصبية للذكاء الاصطناعي. 

تُستخدم الشبكات العصبية في الذكاء الاصطناعي للتعرف على الصور ومعالجة اللغة وغيرها من المهام. يستلهم عمل هذه الشبكات من طريقة عمل الدماغ البشري.

تتكون الشبكة العصبية من عقد مترابطة تُسمى الخلايا العصبية الاصطناعية. هنا، تُوزن إشارات الإدخال بمعلمات محددة قبل جمعها، وإذا تم تجاوز الحد المحدد، ينتقل الإشارة إلى العقدة التالية.

الآن، لتدريب الشبكة، يتم عادةً اختيار قيم المعلمات الأولية عشوائيًا ثم تعديلها تدريجيًا لتحسين توقعات الشبكة بشكل مستمر.

هذا النهج، بالطبع، يتطلب العديد من التكرارات، مما يجعل التدريب متطلبًا للغاية، وبالتالي يؤدي إلى استهلاك كميات كبيرة من الكهرباء.

لذا، طوّر فريق من الباحثين بقيادة فليكس ديتريتش، أستاذ التعلم الآلي المعزز بالفيزياء، طريقة جديدة. ديتريتش هو عضو أساسي في معهد ميونخ لعلوم البيانات (MDSI) وعضو مشارك في مركز ميونخ للتعلم الآلي (MCML).

ما تفعله هذه التقنية الجديدة هو أنها تستخدم الاحتمالات بدلاً من تحديد المعلمات بين العقد بشكل متكرر. تجعل هذه الطريقة الاحتمالية الجديدة استخدامًا مستهدفًا للقيم في المواقع الحرجة في بيانات التدريب. هذه هي المواقع التي تحدث فيها تغييرات كبيرة وسريعة في القيم. 

من خلال هذا النهج، تهدف الدراسة إلى الحصول على أنظمة ديناميكية موفرة للطاقة من البيانات. تتغير هذه الأنظمة الديناميكية بمرور الوقت وفقًا للقواعد. يمكن العثور على هذه الأنظمة في الأسواق المالية ونماذج المناخ.

“تتيح طريقتنا تحديد المعلمات المطلوبة بأقل طاقة حوسبة. يمكن أن يجعل ذلك تدريب الشبكات العصبية أسرع بكثير، وبالتالي أكثر كفاءة في الطاقة. بالإضافة إلى ذلك، لاحظنا أن دقة الطريقة الجديدة مماثلة لتلك الخاصة بالشبكات المدربة تكراريًا.”

– ديتريتش

يمكن لهذا التقدم أن يقلل بشكل كبير من الأثر البيئي للذكاء الاصطناعي من خلال خفض الطاقة المطلوبة لتدريب الشبكات العصبية. قد نرى الصناعات التي تنشر نماذج ذكاء اصطناعي واسعة النطاق تعتمد هذه الطريقة خلال السنوات 1 إلى 3 القادمة، مما يؤدي إلى حلول ذكاء اصطناعي أكثر استدامة وفعالية من حيث التكلفة.​

شركة مبتكرة

NVIDIA Corporation

رائدة في حوسبة الذكاء الاصطناعي، تطور NVIDIA (NVDA ) وحدات معالجة رسومات (GPU) ومسرعات ذكاء اصطناعي ذات كفاءة طاقة، وتستمر في الابتكار لتعزيز الأداء مع تقليل استهلاك الطاقة.​

في العام الماضي خلال قمة الذكاء الاصطناعي في واشنطن العاصمة، أفادت الشركة أن استهلاك الطاقة لوحدات GPU لديها شهد انخفاضًا هائلًا بمقدار 2000 مرة في التدريب خلال العقد الماضي. خلال هذه الفترة، شهدت أيضًا انخفاضًا في استهلاك الطاقة لتوليد الرموز بمقدار 100,000 مرة. تم تحقيق تحسين في الكفاءة بمقدار 2000 مرة، بينما تم تسجيل تحسين في أداء الحوسبة بمقدار 4000 مرة خلال العشر سنوات الأخيرة.

وفقًا لبوب بيت، نائب رئيس Nvidia لمنصات المؤسسات في ذلك الوقت:

“لو كانت السيارات قد حسّنت كفاءتها بقدر ما حسّنا أداء الاستدلال، لكان بإمكانك القيادة لأكثر من 300 سنة بخزان وقود واحد. في صميم الحوسبة المتسارعة هي الحوسبة المستدامة.”

Blackwell من Nvidia هو بنية GPU الرائدة الجديدة، التي تحل محل Hopper وصُممت لتعزيز أداء الذكاء الاصطناعي “بطريقة ملحوظة”. يحتوي هذا المنصة على أقوى شريحة في العالم، محرك محول من الجيل الثاني، وNVLink من الجيل الخامس، مع كفاءة طاقة عالية جدًا للاستدلال والتدريب.

NVIDIA Corporation هي في الواقع شركة بنية تحتية حوسبة شاملة تشمل قطاعات الحوسبة والشبكات والرسومات.

تشمل الحوسبة والشبكات مراكز البيانات، الشبكات، حلول السيارات الذاتية والكهربائية، خدمات الحوسبة السحابية DGX، وJetson، بينما يغطي قطاع الرسومات وحدات GPU من GeForce، GeForce NOW، برامج GPU الافتراضية، وحدات NVIDIA RTX، وبرمجيات Omniverse Enterprise.

بقيمة سوقية تبلغ 2.96 تريليون دولار، تتداول أسهم NVIDIA، في وقت كتابة هذا، عند 121.50 دولار، بانخفاض 9.4٪ منذ بداية العام. تمتلك الشركة ربحية السهم (EPS) (TTM) قدرها 2.94 ومعدل السعر إلى الربحية (P/E) (TTM) 41.40، بينما عائد توزيعات الأرباح يبلغ 0.03٪.

على الرغم من الانخفاض الأخير في أسعار أسهم NVIDIA، وهو ليس حصريًا على صانع الرقائق، تواصل الشركة جذب المستثمرين. بعد كل شيء، ارتفعت قيمة سهمها بأكثر من 1800٪ منذ عام 2020، مما يجعلها واحدة من أكثر الشركات قيمة في العالم.

الاهتمام بـ NVIDIA يتركز بشكل خاص بين المستثمرين الشباب حيث تجاوزت Tesla (TSLA ) كالسهم الأكثر حيازًا على Robinhood (HOOD ). تشكل الأغلبية العظمى (75٪) من الحسابات الممولة على هذه المنصة الاستثمارية الخالية من العمولات من جيل الألفية وجيل Z. 

يعتقد الرئيس التنفيذي لـ Robinhood، فلاد تينيف، أيضًا أن Nvidia ستصبح أكثر أهمية من أي وقت مضى، بفضل الذكاء الاصطناعي.

“أعتقد أن الذكاء الاصطناعي سيجعل الاستثمار أكثر أهمية لأنه إذا كان التحكم في التكنولوجيا سيُركز في شركات التكنولوجيا، فستحتاج إلى أن تكون مستثمرًا في تلك الشركات للاستفادة.”

– تينيف

فيما يتعلق بالبيانات المالية للشركة، أفادت Nvidia عن الربع الرابع الذي انتهى في 26 يناير 2025، كاشفة عن إيرادات بلغت 39.3 مليار دولار، بزيادة 12٪ و78٪ مقارنةً بالربع السابق والسنة السابقة على التوالي. 

في قطاع مراكز البيانات، بلغت إيرادات الشركة في الربع الرابع رقمًا قياسيًا قدره 35.6 مليار دولار. خلال هذه الفترة، تم اختيار NVIDIA لتكون شريكًا تقنيًا رئيسيًا لمشروع Stargate بقيمة 500 مليار دولار.

شملت التطورات الأخرى مزودي خدمات السحابة AWS، CoreWeave (CRWV ) ، منصة Google Cloud (GCP)، Microsoft Azure، وOracle (ORCL ) Cloud Infrastructure (OCI) الذين يستخدمون أنظمة NVIDIA® GB200 لتلبية الطلب المتزايد على الذكاء الاصطناعي، مما يجعل منصة الحوسبة السحابية للذكاء الاصطناعي NVIDIA DGX™ ومت microservices NVIDIA NIM™ متاحة عبر AWS Marketplace، وتكامل Cisco لتقنية NVIDIA Spectrum-X™ في مجموعة منتجاتها الشبكية، والتعاون مع Verizon لدمج NVIDIA AI Enterprise، والشراكة مع IQVIA (IQV ) ، Mayo Clinic، Illumina، وArc Institute لتطوير اكتشاف الأدوية، علم الجينوم، والرعاية الصحية.

انخفضت إيرادات قطاع الألعاب وأجهزة الكمبيوتر الذكية إلى 2.5 مليار دولار بينما أعلنت NVIDIA عن بطاقات رسومات GeForce RTX™ 50 Series جديدة وأجهزة كمبيوتر محمولة مدعومة ببنية Blackwell، وأطلقت بطاقات GeForce RTX 5090 و5080 وطرحت DLSS 4. 

إلى جانب ذلك، بلغت إيرادات قسم التصور الاحترافي 511 مليون دولار، و570 مليون دولار من قسم السيارات والروبوتات.

خلال هذا الربع، كان ربح الشركة وفقًا لمبادئ المحاسبة المقبولة عمومًا (GAAP) لكل سهم مخفف 0.89 دولار، بارتفاع 14٪ مقارنةً بالربع السابق وبزيادة 82٪ مقارنةً بالعام الماضي. في الوقت نفسه، كان ربح الشركة غير GAAP لكل سهم مخفف 0.89 دولار.

للسنة المالية 2025، بلغت الإيرادات 130.5 مليار دولار، بزيادة هائلة قدرها 114٪ مقارنةً بالعام السابق. كان ربح الشركة وفقًا لمبادئ GAAP لكل سهم مخفف للفترة 2.94 دولار، ورصيد غير GAAP لكل سهم مخفف 2.99 دولار. 

“الطلب على Blackwell مذهل حيث يضيف الذكاء الاصطناعي الاستدلالي قانونًا توسيعيًا آخر — زيادة compute للتدريب تجعل النماذج أكثر ذكاءً وزيادة compute للتفكير الطويل تجعل الإجابة أكثر ذكاءً.”

– الرئيس التنفيذي والمؤسس جينسن هوانغ

لذلك، قامت الشركة بزيادة إنتاج حواسيبها الفائقة Blackwell للذكاء الاصطناعي، محققة مبيعات بمليارات الدولارات.

في الربع الأول من السنة المالية 2026، تتوقع الشركة أن تكون الإيرادات 43 مليار دولار، ومصروفات التشغيل وفقًا لمبادئ GAAP 5.2 مليار دولار، ودخل غير GAAP آخر حوالي 400 مليون دولار.

“يتقدم الذكاء الاصطناعي بسرعة الضوء حيث يضع الذكاء الاصطناعي الوكيل والذكاء الاصطناعي الفيزيائي الأساس للموجة التالية من الذكاء الاصطناعي التي ستحدث ثورة في أكبر الصناعات.”

– هوانغ

أحدث الأخبار عن NVIDIA Corporation

الخلاصة

من المقرر أن يحدث الذكاء الاصطناعي ثورة في الأعمال عبر القطاعات، لكن ذلك يعني زيادة غير مسبوقة في الطلب على الطاقة. يمثل هذا الطلب تحديًا كبيرًا يعمل العديد من الباحثين على التغلب عليه. 

يمثل تطوير طريقة تدريب احتمالية جديدة اختراقًا مهمًا في مجال الذكاء الاصطناعي الفعال طاقةً من خلال تقليل احتياجات الطاقة بما يصل إلى 100 مرة. مع توقع ارتفاع استهلاك الطاقة المتعلق بالذكاء الاصطناعي مع توسع مراكز البيانات، يمكن لهذا التقدم أن يقلل بشكل كبير من تكاليف التشغيل والأثر البيئي.

بالدمج مع تركيز Nvidia على وحدات GPU ومسرعات الذكاء الاصطناعي ذات كفاءة طاقة، يمكن لهذه الابتكارات أن تساعد في تسريع تبني الذكاء الاصطناعي وتعزيز الإنتاجية.

انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.