ما المقصود بأجهزة الذكاء الاصطناعي؟

تتطلب أنظمة الذكاء الاصطناعي، مثل النماذج اللغوية الكبيرة (LLMs) أو الشبكات العصبية، أجهزة ذات نطاق ترددي عالٍ لمعالجة أنواع مجموعات البيانات الكبيرة المستخدمة في التعلم الآلي (ML) والتعلم العميق (DL) وأنواع أخرى من خوارزميات الذكاء الاصطناعي لمحاكاة طريقة تفكير الإنسان وتعلُّمه وحلّه للمشكلات.

رغم أن الأجهزة العامة مثل وحدة المعالجة المركزية (CPU) يمكنها تنفيذ معظم المهام الحسابية، إلا أن بنية الذكاء الاصطناعي التحتية تتطلب قدرة حسابية أكبر بكثير. بالنسبة إلى أعباء عمل الذكاء الاصطناعي الثقيلة، مثل تلك المرتبطة بتطوير الذكاء الاصطناعي وتدريبه، توفِّر أجهزة الذكاء الاصطناعي مثل مسرِّعات الذكاء الاصطناعي ورقائق الذكاء الاصطناعي تحسينات معينة تتناسب بشكل أفضل مع قابلية التوسع وتحسين النظام البيئي.

مع استمرار تطور القطاع بوتيرة سريعة، تُحقق إنجازات الذكاء الاصطناعي حضورًا يوميًا في عناوين الأخبار. في ظل انتقالنا إلى عصر الذكاء الاصطناعي، تشكِّل أجهزة الذكاء الاصطناعي العناصر الأساسية للبنية التحتية التي تُشغِّل هذه التطبيقات المذهلة.

على سبيل المثال، يعتمد تطبيق التعرُّف على الوجوه –الذي أصبحنا نعتبره أمرًا بديهيًا– بشكل كبير على أجهزة الذكاء الاصطناعي ليعمل بكفاءة. يجب أن يعالج صورتك محليًا، ويقارنها بالصور المعتمدة، ويتعرَّف على أي تغيُّرات طبيعية لتتمكن من فتح هاتفك أو جهازك اللوحي. دون أجهزة الذكاء الاصطناعي، فإن التقنيات مثل التعرُّف على الوجه أو المساعدين الأذكياء ستكون أقل عملية وأكثر تكلفة.

فيما يلي بعض الفوائد الرئيسية لأجهزة الذكاء الاصطناعي:

النوع الأكثر شيوعًا من أجهزة الذكاء الاصطناعي هو شرائح الذكاء الاصطناعي، وهي معالجات شرائح متقدمة تعتمد على أشباه الموصِّلات وتعمل كأنها وحدات معالجة مركزية متخصصة. تعمل شركات كبرى مثل Nvidia وIntel وAMD، إلى جانب شركات ناشئة مثل Cerebras Systems، على تصميم هذه الدوائر المتكاملة بأنواع مختلفة من بِنى الشرائح. يُسهم ذلك في تحقيق مواءمة أفضل لمختلَف أنواع حلول الذكاء الاصطناعي، ويزيد من كفاءة الطاقة ويقلِّل من العوائق. 

رغم أن أجهزة الذكاء الاصطناعي تشمل أيضًا أنواعًا أخرى من الأجهزة المتقدمة، مثل الوصلات ذات زمن الانتقال القصير لتوفير نتائج حسابية في الوقت الفعلي، إلا أن الفئتين الرئيسيتين لهذه الأجهزة هما المعالجات والذاكرة.

تُعَد المعالجات عالية الأداء مثل وحدات معالجة الرسومات (GPU)، ووحدات معالجة التنسور (TPU)، ووحدات المعالجة العصبية (NPU)، والدوائر المتكاملة الخاصة بالتطبيقات (ASIC)، ومصفوفات البوابة القابلة للبرمجة الميدانية (FPGA) من أكثر أنواع أجهزة الذكاء الاصطناعي شيوعًا. وتوفِّر المعالجات، مثل شرائح الذكاء الاصطناعي، القدرة الحاسوبية اللازمة للتعامل مع أعباء عمل الذكاء الاصطناعي المعقدة. ورغم أن هذه المعالجات القوية تستهلك عادةً كميات كبيرة من الطاقة، فإن التطورات المستمرة في أجهزة الذكاء الاصطناعي تسعى إلى تحسين كفاءة الطاقة مع كل جيل جديد. 

• وحدات معالجة الرسوميات (GPU): صُممت في الأصل لمعالجة الرسومات، لكنها تستخدِم المعالجة المتوازية، ما يجعلها مناسبة أيضًا لمهام الذكاء الاصطناعي مثل الاستدلال والتدريب.

• الدوائر المتكاملة الخاصة بالتطبيقات (ASIC): هي معالجات متخصصة للغاية، يتم تصميمها وتصنيعها لتلبية تطبيقات محددة. لا يتم تصميم هذه الأنواع من شرائح الذكاء الاصطناعي خصيصًا لتطبيقات الذكاء الاصطناعي فحسب، بل أيضًا لتتناسب مع أي تطبيق فريد قد يتم فيه استخدام حلول ذكاء اصطناعي معينة. ونظرًا لأن هذه الأنواع من الشرائح مصممة لتطبيقات محددة، فهي لا تتمتع بمستوى المرونة نفسه الذي توفِّره بعض البدائل الأخرى. ومع ذلك، وللسبب نفسه، يمكنها تقديم الأداء الأمثل. 

• مصفوفات البوابة القابلة للبرمجة الميدانية (FPGA): تُعَد FPGA بمثابة نسخ قابلة لإعادة البرمجة من دوائر ASIC. بينما تتم برمجة دائرة ASIC مرة واحدة ولا يمكن تعديلها لاحقًا، يجب برمجة وحدات FPGA قبل الاستخدام، ويمكن إعادة برمجتها وضبطها مرارًا وتكرارًا. تتميّز هذه الأنواع من الشرائح بمرونة عالية، وغالبًا ما تُستخدم في تصميم النماذج الأولية لدوائر ASIC الجديدة. 

• وحدات المعالجة العصبية (NPU): هي نوع من دوائر ASIC تم تصميمه خصيصًا لتعزيز قدرات التعلم العميق والشبكات العصبية. تُستخدَم وحدات المعالجة العصبية (NPU) في تنفيذ المهام كثيفة البيانات مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP).

• وحدات TPU: هي نوع خاص من مسرِّعات الذكاء الاصطناعي صممته Google خصيصًا للتعامل مع العمليات الرياضية الخاصة بوحدات التنسور، والمستخدمة على نطاق واسع في تطبيقات الذكاء الاصطناعي. تم تصميم وحدات TPU من Google خصيصًا لتدريب النماذج اللغوية الكبيرة والذكاء الاصطناعي التوليدي.

• WSE-3: وفقًا لبعض مؤشرات الأداء، يُعَد معالج Wafer Scale Engine 3 (WSE-3) من شركة Cerebras Systems أسرع معالج تم تصنيعه على الإطلاق، إذ يحتوي على 900,000 نواة ذكاء اصطناعي في وحدة واحدة. تتمتع كل نواة بإمكانية الوصول إلى عرض نطاق ذاكرة يبلغ 21 بيتابايت في الثانية، ما يُتيح معالجة البيانات بسرعة وعلى نطاق واسع. 

• شريحة Telum II: تُعَد تحسينًا على أول شريحة ذكاء اصطناعي من IBM، حيث تم تصميم معالجات IBM® Telum II خصيصًا لتعزيز عمليات الذكاء الاصطناعي، خاصةً عند استخدامها مع المسرِّع IBM™ Spyre AI Accelerator. 

تؤدي الذاكرة دورًا محوريًا في بنية معظم أجهزة الكمبيوتر، بما في ذلك الأجهزة المزودة بتقنيات الذكاء الاصطناعي. تضمن هياكل وأجهزة تخزين الذاكرة وصول أنظمة الذكاء الاصطناعي بسرعة إلى البيانات والتعليمات اللازمة لتنفيذ مهام الذكاء الاصطناعي. تؤثر سعة الذاكرة وسرعتها في النظام بشكل مباشر في مستوى الأداء. قد يؤدي نقص الذاكرة إلى حدوث عوائق تُبطئ أو تعيق جميع عمليات النظام، وليس فقط مهام الذكاء الاصطناعي.

لكن ليست كل أنواع الذاكرة متساوية، فلكل نوع استخدامه، غير أن بعضها مُحسَّن بشكل أفضل من غيره ليناسب تطبيقات الذكاء الاصطناعي العامة والمتخصصة. تُستخدم في أنظمة الذكاء الاصطناعي أنواع متعددة من الذاكرة معًا لتلبية متطلبات مراحل مختلفة من العملية، وذلك وفقًا للاحتياجات الفريدة للمشروع أو المتطلبات التشغيلية الخاصة. 

• ذاكرة الوصول العشوائي (RAM): تُعَد الشكل الأساسي للذاكرة في الحوسبة العامة وتطبيقات الذكاء الاصطناعي على حد سواء، حيث توفِّر تخزينًا مؤقتًا وسريعًا للبيانات أثناء العمليات النشطة. يمكن لذاكرة RAM قراءة البيانات وكتابتها بسرعة، ما يجعلها مثالية للمعالجة في الوقت الفعلي. ونظرًا لقدرتها المحدودة وتقلبها العالي، تُعَد RAM خيارًا غير مثالي للعمليات الكبيرة في مجال الذكاء الاصطناعي. 

• ذاكرة الوصول العشوائي للفيديو (VRAM): تُعَد VRAM نوعًا من ذاكرة RAM المتخصصة تُستخدَم تحديدًا في وحدات معالجة الرسومات (GPU). توفِّر VRAM مستوى أعلى من التوازي المطلوب في المهام المعقدة للذكاء الاصطناعي؛ ومع ذلك، فهي عادةً أكثر تكلفة وأقل سعة مقارنة بذاكرة RAM التقليدية. 

• ذاكرة النطاق الترددي العالي (HBM): طُوّرت في الأصل لاستخدامها في الحوسبة عالية الأداء، ويتم تصميم ذاكرة HBM لنقل البيانات بسرعة فائقة بين وحدات المعالجة، ما يشكِّل ميزة كبيرة لتطبيقات الذكاء الاصطناعي. ورغم أن سرعة HBM قد ترتبط بتكلفة مرتفعة، إلا أن هذا النوع من الذاكرة عالية السرعة يُعَد خيارًا مثاليًا لتطبيقات الذكاء الاصطناعي. 

• الذاكرة غير المتطايرة: تتطلب أنواع الذاكرة المتطايرة طاقة مستمرة للاحتفاظ بالبيانات، في حين أن الذاكرة غير المتطايرة، مثل محركات الأقراص ذات الحالة الصلبة (SSD) ومحركات الأقراص التقليدية HDD، توفِّر تخزينًا طويل الأجل دون الحاجة إلى طاقة أو صيانة. ونظرًا لأن سرعة الذاكرة غير المتطايرة أبطأ بكثير من RAM أو VRAM، فهي لا تُعَد خيارًا مناسبًا لنقل البيانات النشط، لكنها مفيدة في أنظمة الذكاء الاصطناعي للاحتفاظ بالبيانات على المدى الطويل. 

تتعدد حالات استخدام أجهزة الذكاء الاصطناعي بقدر تنوع تطبيقات الذكاء الاصطناعي نفسه. تمامًا كما استفادت تقنيات الذكاء الاصطناعي سابقًا من أجهزة المعالجة الرسومية المتقدمة والحوسبة عالية الأداء، باتت هذه التقنيات الآن تعتمد على أجهزة الذكاء الاصطناعي لتحسين عملياتها الخاصة. من مراكز البيانات إلى نوافذ طلبات الوجبات السريعة، تُعَد أجهزة الذكاء الاصطناعي مفيدة في جميع تطبيقات تقنيات الذكاء الاصطناعي دون استثناء.

في الواقع، قد تكون تستخدِم أجهزة تعتمد على الذكاء الاصطناعي لقراءة هذا المقال. تظهر شرائح الذكاء الاصطناعي بشكل متزايد في أجهزة الكمبيوتر المحمول والهواتف الذكية من شركات مثل Apple وGoogle، بهدف تعزيز الأداء في المهام الذكية مثل التعرُّف على الصوت وتحرير الصور. أصبحت أجهزة الذكاء الاصطناعي أكثر قوة وكفاءة في الحجم، ما يُمكِّنها من تنفيذ العديد من هذه المهام محليًا، وبالتالي تقليل استهلاك النطاق الترددي وتحسين تجربة المستخدم. 

في مجالات أخرى، أصبحت أجهزة الذكاء الاصطناعي عنصرًا ذا قيمة في بنية الحوسبة السحابية التحتية. يمكن أن تكون وحدات معالجة الرسومات (GPU) ووحدات معالجة التنسور (TPU) المخصصة للمؤسسات والمدعومة بالذكاء الاصطناعي باهظة التكلفة، لكن مزودي الخدمات مثل IBM وAmazon وOracle وMicrosoft يوفرون إمكانية استئجار هذه المعالجات القوية عبر خدماتهم السحابية كخيار أكثر فاعلية من حيث التكلفة. 

فيما يلي بعض الاستخدامات الإضافية لأجهزة الذكاء الاصطناعي.

يُعد عتاد الذكاء الاصطناعي عنصرًا أساسيًا في تطوير السيارات ذاتية القيادة والمركبات المستقلة. تستخدِم هذه المركبات شرائح ذكاء اصطناعي لمعالجة وتحليل كميات هائلة من البيانات القادمة من الكاميرات والمستشعرات، ما يُتيح لها التفاعل في الوقت الفعلي للمساعدة على تفادي الحوادث وضمان سلامة الركاب والمشاة.

توفِّر أجهزة الذكاء الاصطناعي نوعًا من التوازي الضروري لأشياء مثل رؤية الكمبيوتر، والتي تساعد أجهزة الكمبيوتر على "رؤية" وتفسير لون إشارة التوقف أو حركة المرور في تقاطع الطرق.

تُعَد حوسبة الحافة إطار عمل حوسبيًا سريع النمو، يعمل على نقل التطبيقات المؤسسية والطاقة الحاسوبية الفائضة إلى أقرب نقطة من مصادر البيانات مثل أجهزة إنترنت الأشياء وخوادم الحافة المحلية. مع ازدياد اعتماد البنية التحتية الرقمية على الحوسبة السحابية، توفِّر حوسبة الحافة سرعات نطاق ترددي أعلى وأمانًا أقوى لأولئك المهتمين بتحسين الخصوصية.

وبالمثل، يسعى الذكاء الاصطناعي للحافة إلى نقل عمليات الذكاء الاصطناعي إلى أقرب نقطة من المستخدمين. أصبحت أجهزة الذكاء الاصطناعي عنصرًا مفيدًا في البنية التحتية للحافة، حيث يُستخدَم في تشغيل خوارزميات التعلم الآلي والتعلم العميق لمعالجة البيانات بشكل أفضل عند المصدر، ما يقلل من زمن الانتقال واستهلاك الطاقة.

على الرغم من أن تقنية الذكاء الاصطناعي قيد التطوير منذ عقود، إلا أنها لم تحظَ بالاهتمام الكبير إلا مؤخرًا، ويرجع ذلك جزئيًا إلى تقنيات الذكاء الاصطناعي التوليدي المتقدمة مثل ChatGPT وMidjourney. تستخدم أدوات مثل هذه نماذج لغوية كبيرة وتقنيات معالجة اللغة الطبيعية لفهم الكلام البشري وتوليد محتوى جديد بناءً على مدخلات المستخدمين.