ما الفرق بين مسرِّعات الذكاء الاصطناعي ووحدات معالجة الرسومات؟

مسرِّع الذكاء الاصطناعي هو أي قطعة من الأجهزة -بما في ذلك وحدة معالجة الرسومات (GPU)- تُستخدَم لتسريع التعلم الآلي (ML) ونماذج التعلم العميق (DL) ومعالجة اللغة الطبيعية وعمليات الذكاء الاصطناعي الأخرى.

ومع ذلك، يُستخدم مصطلح مسرِّع الذكاء الاصطناعي بشكل متزايد لوصف شرائح الذكاء الاصطناعي الأكثر تخصصًا، مثل وحدات المعالجة العصبية (NPUs) أو وحدات معالجة التنسور (TPUs). بينما تُعَد وحدات معالجة الرسوميات (GPUs) متعددة الأغراض -التي صُممت في الأصل لمعالجة الصور والرسوم- فعَّالة جدًا عند استخدامها كمسرِّعات للذكاء الاصطناعي، قد تقدِّم أنواع أخرى من الأجهزة المخصصة للذكاء الاصطناعي قوة حسابية مشابهة أو أفضل مع كفاءة طاقة محسَّنة، وزيادة في معدل نقل البيانات، وتحسينات أخرى ذات قيمة لأعباء عمل الذكاء الاصطناعي. 

تعمل وحدات المعالجة المركزية (CPUs) القياسية ضمن إطار خطي، تستجيب للطلبات واحدة تلو الأخرى وغالبًا ما تواجه صعوبة في التعامل مع متطلبات معالجة البيانات عالية الأداء. تم تصميم وحدات معالجة الرسومات بشكل مختلف وهي متفوقة في مثل هذه الطلبات.

تتميز وحدات معالجة الرسوميات (GPUs) بنوى متعددة منطقية، حي تقسِّم المشكلات المعقدة إلى أجزاء أصغر يمكن حلها في وقت واحد، وهي منهجية تُعرَف باسم المعالجة المتوازية. طوَّرت شركة Nvidia واجهة برمجة التطبيقات CUDA في الأصل عام 2006، والتي فتحت القوة الكبيرة للمعالجة المتوازية لوحدة معالجة الرسومات (GPU). يُتيح هذا للمبرمجين استخدام وحدات معالجة الرسوميات من Nvidia لأغراض معالجة عامة في الآلاف من حالات الاستخدام، مثل تحسين مراكز البيانات، وعمليات التشغيل الآلي، وتصنيع الهواتف الذكية، وتعدين العملات الرقمية، وغيرها.

لقد أثبتت قدرات المعالجة المتوازية المذهلة لوحدات معالجة الرسومات (GPU) جدواها الكبيرة في مهام الذكاء الاصطناعي مثل تدريب النماذج اللغوية الكبيرة (LLMs) أو الشبكات العصبية. ومع ذلك، مع زيادة الطلب تأتي زيادة استهلاك الطاقة. بالإضافة إلى ذلك، تشتهر وحدات معالجة الرسومات عالية الأداء باستهلاكها الكبير للطاقة وارتفاع تكلفتها. 

على الرغم من كونها مناسبة تمامًا لتطبيقات الذكاء الاصطناعي مثل معالجة مجموعات البيانات الكبيرة، إلا إن وحدات معالجة الرسومات ليست مصممة خصيصًا للاستخدام في نماذج الذكاء الاصطناعي. بوصفها معالج رسومي، تخصِّص وحدة معالجة الرسومات العادية عددًا معينًا من النوى المنطقية للمهام المتعلقة بالرسومات. تشمل هذه المهام ترميز الفيديو وفك ترميزه، وحساب قِيَم الألوان، والعمليات المختلفة للعرض التي تُعَد حاسمة لمهام مثل تحرير الفيديو، والنمذجة ثلاثية الأبعاد، والألعاب. ومع ذلك، يتم ضبط شرائح مسرِّع الذكاء الاصطناعي للتعامل مع المهام اللازمة فقط لعمليات الذكاء الاصطناعي. 

بشكل عام، يجب أن تكون وحدة معالجة الرسومات قادرة على معالجة كمية كبيرة (لكنها ليست ضخمة) من البيانات بسرعة عالية لتتمكن من عرض الرسومات المعقدة والسريعة بسلاسة وفي الوقت الفعلي. وعلى هذا النحو، تعطي وحدات معالجة الرسومات الأولوية للعمليات ذات زمن الانتقال القصير لضمان جودة صورة ثابتة ومتسقة وعالية.

ورغم أن السرعة مهمة أيضًا في نماذج الذكاء الاصطناعي، إلا إن مجموعات بيانات الذكاء الاصطناعي أكبر بكثير من متطلبات وحدة معالجة الرسومات العادية. وعلى عكس وحدات معالجة الرسومات، تم تصميم مسرِّعات الذكاء الاصطناعي لتحسين عرض النطاق الترددي، ونتيجةً لذلك، غالبًا ما توفِّر كفاءة طاقة محسَّنة. 

رغم أن وحدات معالجة الرسومات تُستخدَم كثيرًا كمسرِّعات للذكاء الاصطناعي، إلا إنها قد لا تكون الخيار الأفضل مقارنةً بمسرِّعات الذكاء الاصطناعي المتخصصة أكثر. تتمثل الاختلافات الرئيسية بين وحدات معالجة الرسومات ذات الأغراض العامة وشرائح الذكاء الاصطناعي المتخصصة في التخصص والكفاءة وسهولة الوصول وفائدة الاستخدام.

• التخصص: تم تصميم وحدات معالجة الرسومات للمعالجة المتوازية المتقدمة التي يمكن إعادة استخدامها لمجموعة متنوعة من المهام الصعبة. ومع ذلك، فهي متخصصة في مهام معالجة الفيديو والرسومات وتُستخدَم بشكل أساسي لهذه الأغراض. 

• الكفاءة: تُعرَف وحدات معالجة الرسومات بأنها تتطلب كميات كبيرة من الكهرباء ولا تُعَد حلولًا موفرة للموارد. يمكن أن يؤثِّر الاستهلاك العالي للطاقة سلبًا في قابلية التوسع في أي عملية تعتمد على وحدة أو وحدات معالجة الرسومات كنوع رئيسي من المعالجات. 

• سهولة الوصول: يتم إنتاج وحدات معالجة الرسومات من قِبَل العديد من الشركات المصنِّعة الكبرى المختلفة، بما في ذلك AMD وNvidia وIntel، وهي متاحة على نطاق واسع، على الرغم من أن زيادة الطلب يمكن أن تؤثِّر في التكلفة. نظرًا لوجود وحدات معالجة الرسومات في السوق منذ سنوات عديدة، تتمتع وحدات معالجة الرسومات أيضًا بمجتمع قوي من الموارد الموجودة مسبقًا ويمكن برمجتها بسهولة من خلال أُطر العمل مثل CUDA. 

• حالات الاستخدام: وحدات معالجة الرسومات هي المعالجات المفضلة للألعاب والرسوم المتحركة على الكمبيوتر ومعالجة الفيديو. كما أن المعالجة المتوازية التي تتميز بها جعلتها مرغوبةً للتطبيقات الأخرى التي تتطلب معالجة البيانات على نطاق واسع، مثل مراكز البيانات، والتعدين المشفَّر، وبعض حالات استخدام الذكاء الاصطناعي.

• التخصص: تتخصص مسرِّعات الذكاء الاصطناعي في مهام الذكاء الاصطناعي ويمكن أن تكون أكثر تخصصًا لأنواع محددة من تطبيقات الذكاء الاصطناعي. في حين أن مسرِّعات الذكاء الاصطناعي يمكن أن توفِّر قيمة داخل الأنظمة التي تؤدي وظائف لا تتعلق بالذكاء الاصطناعي، إلا إنها مصممة لمهام الذكاء الاصطناعي وتطبَّق بشكل أفضل على مهام الذكاء الاصطناعي.

• الكفاءة: غالبًا ما تكون مسرِّعات الذكاء الاصطناعي مصممة لتطبيقات محددة للغاية وعادةً ما تكون أكثر كفاءة من وحدات معالجة الرسومات، حيث توفِّر قدرات معالجة متوازية مماثلة بينما تتطلب موارد طاقة أقل بكثير. تستطيع مسرِّعات الذكاء الاصطناعي التخلص من الميزات الزائدة التي تستخدمها وحدات معالجة الرسومات في معالجة الرسومات لتحسين مهام الذكاء الاصطناعي، مثل العمليات الحسابية القصيرة والمتكررة وخوارزميات الذكاء الاصطناعي المستخدمة في الشبكات العصبية.

• سهولة الوصول: تُعَد مسرِّعات الذكاء الاصطناعي أحدث من وحدات معالجة الرسومات وأقل سهولة في الوصول إليها بشكل عام. قد تكون مسرِّعات الذكاء الاصطناعي الخاصة مثل وحدة معالجة Tensor من Google أقل توفرًا للسوق بشكل عام. ومع ذلك، تعمل مجتمعات التعلم الآلي مثل PyTorch وTensorFlow مفتوح المصدر على جعل مسرِّعات الذكاء الاصطناعي أكثر سهولة في الوصول من خلال مكتبات متنامية من الأدوات والموارد.

• حالات الاستخدام: باعتبارها نوعًا أكثر تخصصًا من الأجهزة، فإن حالات استخدام مسرِّعات الذكاء الاصطناعي أضيق نطاقًا مقارنةً بوحدات معالجة الرسومات، حيث تُخصَّص للمهام الصعبة في مجال الذكاء الاصطناعي مثل رؤية الكمبيوتر/التعرُّف على الصور، ومعالجة اللغة الطبيعية، والمركبات ذاتية القيادة. ومع ذلك، ومع زيادة اندماج الذكاء الاصطناعي في حياتنا اليومية، بدأت الشركات المصنِّعة في دمج مسرِّعات الذكاء الاصطناعي مثل وحدات المعالجة العصبية في الأجهزة الإلكترونية الاستهلاكية الأكثر شيوعًا، مثل الكمبيوتر المحمول والهواتف الذكية.  

بالنسبة إلى تطبيقات الذكاء الاصطناعي، يمكن أن تكون وحدة معالجة الرسومات (GPU) حلًا عامًا جيدًا، تمامًا كما تُعَد شاحنة البيك أب خيارًا وسطًا مناسبًا بين سيارة رياضية وشاحنة نقل ضخمة. رغم أن الشاحنة ذات 18 عجلة أبطأ من السيارة الرياضية، إلا إنها قادرة على حمل كميات أكبر من البضائع. يمكن للشاحنة الصغيرة نقل بعض البضائع وهي أسرع من الشاحنة ذات 18 عجلة، ولكنها أبطأ من السيارة الرياضية.

تشبه وحدة معالجة الرسومات الشاحنة الصغيرة، لكن حسب أولويات تطبيقات الذكاء الاصطناعي، قد تكون الشريحة المتخصصة خيارًا أفضل، تمامًا كما قد تكون المركبة المتخصصة أنسب في بعض المهام.

تم ابتكار وحدات معالجة الرسومات، والتي تُعرَف أحيانًا بوحدات المعالجة الرسومية، في تسعينيات القرن الماضي لتخفيف الضغط عن وحدات المعالجة المركزية، مع تحوُّل الحوسبة من النمط النصي إلى الأنظمة الرسومية وازدياد شعبية ألعاب الفيديو.

منذ اختراع الحاسوب الحديث في أوائل الخمسينيات، كانت وحدة المعالجة المركزية (CPU) مسؤولة تاريخيًا عن أهم المهام الحسابية، بما في ذلك جميع المعالجات اللازمة لتشغيل البرامج، والمنطق، والتحكم في عمليات الإدخال/الإخراج (I/O).

بحلول التسعينيات، أصبحت ألعاب الفيديو والتصميم بمساعدة الحاسوب (CAD) تتطلب طريقة أكثر كفاءة لتحويل البيانات إلى صور. وقد دفعت هذه التحديات المهندسين إلى تصميم أولى وحدات معالجة الرسومات (GPU) بهندسة شرائح فريدة قادرة على تنفيذ المعالجة المتوازية.

منذ عام 2007، عندما قدمت Nvidia منصة برمجة GPU المسماة CUDA، انتشر تصميم وحدات معالجة الرسومات بشكل واسع، مع اكتشاف تطبيقات لها في مختلف الصناعات وما يتجاوز معالجة الرسومات (رغم أن عرض الرسومات لا يزال التطبيق الأكثر شيوعًا لمعظم وحدات معالجة الرسومات).

على الرغم من وجود مئات الأنواع من وحدات معالجة الرسومات التي تتنوع من حيث الأداء والكفاءة، إلا إن الغالبية العظمى منها تندرج تحت واحدة من ثلاث فئات رئيسية:

• المنفصلة: وحدات معالجة الرسومات المنفصلة، أو dGPUs، منفصلة عن وحدة المعالجة المركزية للنظام. وكقطع متميزة وفردية من الأجهزة، غالبًا ما تُستخدَم وحدات معالجة الرسومات المنفصلة (dGPU) في التطبيقات المتقدمة، مثل تحرير الفيديو على نطاق واسع أو الألعاب عالية الأداء. 

• المدمجة: وحدات معالجة الرسومات المدمجة، أو (iGPUs)، مدمجة مباشرةً في البنية التحتية للنظام ومدمجة مع وحدة المعالجة المركزية. توفِّر وحدات معالجة الرسومات المدمجة بنية تحتية مبسطة دون المساس بالأداء، وكثيرًا ما تُستخدَم في الكمبيوتر المحمول والألعاب المحمولة. 

• الافتراضية: توفِّر وحدات معالجة الرسومات الافتراضية الوظائف نفسها التي توفرها الأنواع الأخرى من وحدات معالجة الرسومات، دون الأجهزة. تستخدِم وحدة معالجة الرسومات الافتراضية برنامج المحاكاة الافتراضية لإنشاء وحدة معالجة رسومات تعتمد على التعليمات البرمجية وتكون مفيدة للتطبيقات المستندة إلى السحابة. ولأن وحدات معالجة الرسومات الافتراضية لا تتطلب أي أجهزة مخصصة، فهي أبسط وأقل تكلفة في التنفيذ والصيانة. 

في حين يُقصَد بمسرِّع الذكاء الاصطناعي أي جهاز مادي يُستخدَم لتسريع تطبيقات الذكاء الاصطناعي، فإن المسرِّع عادةً ما يشير إلى شرائح ذكاء اصطناعي متخصصة محسَّنة لمهام محددة مرتبطة بنماذج الذكاء الاصطناعي.

على الرغم من أنها تُعَد أجهزة متخصصة للغاية، إلا إن مسرِّعات الذكاء الاصطناعي يتم بناؤها واستخدامها من قبل شركات الحوسبة القديمة بما في ذلك IBM وAmazon Web Services (AWS) ومايكروسوفت، بالإضافة إلى الشركات الناشئة مثل Cerebras. ومع تطور الذكاء الاصطناعي وازدياد شعبيته، أصبحت مسرِّعات الذكاء الاصطناعي وأدواتها المصاحبة أكثر شيوعًا. 

قبل اختراع أول مسرِّعات مخصصة للذكاء الاصطناعي، كانت وحدات معالجة الرسومات العامة تُستخدَم (ولا تزال) بشكل متكرر في تطبيقات الذكاء الاصطناعي، نظرًا لقدرتها العالية على المعالجة المتوازية. ومع ذلك، مع تقدُّم أبحاث الذكاء الاصطناعي على مر السنين، سعى المهندسون إلى إيجاد حلول مسرِّعات الذكاء الاصطناعي التي توفِّر كفاءة طاقة محسَّنة وتحسينات متخصصة في الذكاء الاصطناعي. 

تختلف مسرِّعات الذكاء الاصطناعي من حيث الأداء ودرجة التخصص، حيث يتم احتكار بعض التقنيات الخاصة من قِبَل جهات تصنيع محددة فقط. ومن بين الأنواع الأكثر شهرة لمسرِّعات الذكاء الاصطناعي ما يلي:

• وحدات معالجة الرسومات: باعتبارها مُسرِّع ذكاء اصطناعي للأغراض العامة، تُقدَّر وحدات معالجة الرسومات بفضل قوتها في المعالجة المتوازية. لكن من عيوبها استهلاك الطاقة المرتفع وقابلية التوسع المحدودة. 

• مصفوفات البوابات المنطقية القابلة للبرمجة ميدانيًا (FPGAs): تُعَد FPGAs نوعًا من المعالجات القابلة للتهيئة، حيث يمكن برمجتها وإعادة برمجتها لتلبية متطلبات تطبيقات محددة. تُعَد هذه الأنواع من الشرائح ذات قيمة عالية في النمذجة الأولية لأنها يمكن تخصيصها وتعديلها طوال عملية التطوير لتلبية متطلبات التطبيقات الجديدة. 

• الدوائر المتكاملة المخصصة للتطبيقات (ASICs): تُعَد ASICs شرائح مخصصة مصممة لأداء مهام محددة. ونظرًا لأن الدوائر المتكاملة المخصصة (ASICs) تُصمَّم عادة خصيصًا لوظيفتها الفريدة، فهي غالبًا ما تكون محسَّنة للغاية من حيث الأداء واستهلاك الطاقة. 

• وحدات المعالجة العصبية (NPUs): يُحاكي تصميم وحدات المعالجة العصبية المسارات العصبية في الدماغ البشري ويركِّز على تدفق البيانات وتسلسل الذاكرة لتحسين معالجة أعباء عمل الذكاء الاصطناعي في الوقت الفعلي.

• وحدات معالجة التنسور (TPUs): تُشبه وحدات معالجة التنسور وحدات المعالجة العصبية (NPUs)، وهي مسرِّعات ذكاء اصطناعي مملوكة لشركة Google ومصممة لمعالجة حجم كبير من العمليات الحسابية منخفضة الدقة، مثل عمليات التنسور المستخدمة في ضرب المصفوفات الشائعة في معظم نماذج الذكاء الاصطناعي. في حين أن معظم مسرِّعات الذكاء الاصطناعي قادرة أيضًا على إجراء هذه الأنواع من العمليات الحسابية، إلا إنه تم تحسين TPUs لتناسب منصة Google TensorFlow. 

بينما توفر وحدات معالجة الرسومات الجاهزة بعض المزايا مثل التوفر وسهولة الوصول، فإن مسرِّعات الذكاء الاصطناعي المتخصصة عادةً ما تتفوق على التكنولوجيا القديمة في ثلاثة مجالات رئيسية: السرعة، والكفاءة، والتصميم.

تتفوق مسرِّعات الذكاء الاصطناعي الحديثة، بما في ذلك وحدات معالجة الرسومات (GPUs)، بشكل كبير على وحدات المعالجة المركزية (CPUs) في معالجة البيانات واسعة النطاق ذات زمن الانتقال القصير. في التطبيقات الحساسة مثل أنظمة السيارات ذاتية القيادة، تصبح السرعة أمرًا حيويًا للغاية. تُعَد وحدات معالجة الرسومات أفضل من وحدات المعالجة المركزية، ولكن وحدات ASIC المصممة لتطبيقات محددة مثل رؤية الكمبيوتر المستخدمة في السيارات ذاتية القيادة أسرع. 

قد تكون مسرِّعات الذكاء الاصطناعي المصممة لمهام محددة أكثر كفاءة في استهلاك الطاقة بمعدل يتراوح بين 100 إلى 1,000 مرة مقارنةً بوحدات معالجة الرسومات التي تستهلك طاقة عالية. يمكن أن يؤدي تحسين الكفاءة إلى تقليل كبير في النفقات التشغيلية، والأهم من ذلك، تقليل الأثر البيئي بشكل كبير. 

تعتمد مسرِّعات الذكاء الاصطناعي على نوع من بنية الشرائح يُعرَف بالتصميم غير المتجانس، والذي يُتيح وجود معالجات متعددة لدعم مهام منفصلة ويزيد من أداء الحوسبة من خلال معالجة متوازية متقدمة جدًا.

نظرًا لأن وحدات معالجة الرسومات تُعَد مسرِّعات ذكاء اصطناعي بحد ذاتها، فإن حالات استخدامها تتداخل كثيرًا مع الأجهزة المتخصصة في الذكاء الاصطناعي. ومع مرور الوقت، قد يتراجع دور وحدات معالجة الرسومات في تطبيقات الذكاء الاصطناعي. 

تظل وحدات معالجة الرسومات متعددة الاستخدامات مستخدمة على نطاق واسع في تطبيقات الذكاء الاصطناعي وأنواع أخرى من التطبيقات، ومن المؤكد أن هذا سيستمر. وتُستخدَم وحدات معالجة الرسومات في مجموعة من التطبيقات التي تتطلب معالجة متوازية متقدمة، ومنها ما يلي:

• الذكاء الاصطناعي والتعلم الآلي والتعلم العميق: رغم أن الأجيال الجديدة من مسرِّعات الذكاء الاصطناعي قد تحل محل وحدات معالجة الرسومات في تطبيقات الذكاء الاصطناعي في المستقبل، من المرجح أن تظل وحدات معالجة الرسومات ذات قيمة عالية كوحدات مساعدة ضمن أنظمة الذكاء الاصطناعي. في الوقت الحالي، تعتمد العديد من تطبيقات الذكاء الاصطناعي الرائدة، مثل الحاسوب الفائق السحابي للذكاء الاصطناعي Vela من IBM، على وحدات معالجة الرسومات التي توفِّر سرعات عالية لتدريب نماذجها على مجموعات بيانات متزايدة الحجم. وتستمر وحدات معالجة الرسومات في توفير قيمة لتطبيقات التعلم الآلي والتعلم العميق -مثل تدريب الشبكات العصبية- أيضًا. 

• سلسلة الكتل (البلوك تشين): تُستخدم تقنية سلسلة الكتل (البلوك تشين) ذات الثقة الصفرية لتسجيل المعاملات في دفاتر حسابات افتراضية، وهي الأساس للعملات الرقمية الشهيرة مثل بيتكوين. تظل قوة المعالجة المتقدمة لوحدات معالجة الرسومات ذات قيمة كبيرة في تطبيقات سلسلة الكتل، خاصةً عندما يتعلق الأمر بالعمليات التي تتحقق من صحة المعاملات في السجل. 

• الرسومات: تعتمد التطبيقات التي تتطلب تقديم رسومات عالية الأداء على وحدات معالجة الرسومات. تُعَد وحدات معالجة الرسومات جزءًا لا يتجزأ من الصناعات الرئيسية بما في ذلك الألعاب وتحرير الفيديو وإنشاء المحتوى. تؤدي وحدات معالجة الرسومات أيضًا دورًا مهمًا في مهام التصور والمحاكاة، مثل النمذجة ثلاثية الأبعاد والتنبؤ بالطقس والتصوير الطبي والزلزالي والجيوفيزيائي. 

مع تطور تقنية الذكاء الاصطناعي، أصبحت الأجهزة المتخصصة أكثر انتشارًا. ومن خلال دمج قوة المعالجة المتوازية لوحدات معالجة الرسومات مع التخلص من الميزات غير الضرورية، يتم استخدام مسرِّعات الذكاء الاصطناعي ASIC في مجموعة متزايدة من التطبيقات، منها ما يلي:

• المركبات ذاتية القيادة: أصبحت مسرِّعات الذكاء الاصطناعي المتخصصة، القادرة على معالجة البيانات في الوقت الفعلي، عنصرًا حساسًا في أنظمة المركبات ذاتية القيادة حيث تكون أجزاء من الثانية هي الأكثر أهمية. تعمل مسرِّعات الذكاء الاصطناعي على التقاط ومعالجة البيانات من أجهزة استشعار الإدخال بما في ذلك الكاميرات وLiDAR، ما يسمح للسيارات ذاتية القيادة بتفسير العالم من حولها والتفاعل معه. 

• حوسبة الحافة والذكاء الاصطناعي للحافة: حوسبةالحافة والذكاء الاصطناعي للحافة يُشيران إلى أطر العمل التي تجعل التطبيقات وقوة الحوسبة أقرب إلى مصادر البيانات القائمة على السحابة مثل إنترنت الأشياء (IOT)، ما يساعد على تسهيل اتصالات أسرع وأكثر أمانًا. يمكن للذكاء الاصطناعي المستند إلى السحابة أن يتسبب في مخاوف أمنية، وتساعد مسرِّعات الذكاء الاصطناعي على توطين نماذج الذكاء الاصطناعي لتقليل فرصة تعرُّض البيانات الحساسة للاختراق. 

• الذكاء الاصطناعي التوليدي: تعتمد نماذج الذكاء الاصطناعي التوليدي، مثل النماذج اللغوية الكبيرة، على مسرِّعات الذكاء الاصطناعي لمعالجة اللغة الطبيعية، ما يساعد نموذج الذكاء الاصطناعي على فهم أوامر المحادثة غير الرسمية وإنتاج استجابات مفهومة بسهولة في تطبيقات مثل روبوتات المحادثة.