تتقدم صناعة الذكاء الاصطناعي بوتيرة سريعة، حيث يتصدر التعلم الآلي والذكاء الاصطناعي التوليدي الأخبار كل يوم تقريبًا. مع تطور تقنية الذكاء الاصطناعي، أصبحت شرائح الذكاء الاصطناعي ضرورية في إنشاء حلول الذكاء الاصطناعي على نطاق واسع. على سبيل المثال، كان تقديم تطبيق ذكاء اصطناعي حديث مثل التعرف على الوجه أو تحليل البيانات على نطاق واسع باستخدام وحدة المعالجة المركزية التقليدية—أو حتى شريحة ذكاء اصطناعي من بضع سنوات مضت—سيكلف أكثر بكثير. تتفوق شرائح الذكاء الاصطناعي الحديثة على سابقاتها من 4 نواحٍ مهمة: فهي أسرع وأعلى أداءً وأكثر مرونة وكفاءة.

تستخدم شرائح الذكاء الاصطناعي طريقة حوسبة مختلفة وأسرع من الأجيال السابقة من الشرائح. المعالجة المتوازية، والمعروفة أيضًا باسم الحوسبة المتوازية، هي عملية تقسيم المشكلات أو المهام الكبيرة والمعقدة إلى مشكلات أو مهام أصغر وأبسط. بينما تستخدم الشرائح الأقدم عملية تسمى المعالجة المتسلسلة (الانتقال من عملية حسابية إلى أخرى)، تُجري شرائح الذكاء الاصطناعي آلاف أو ملايين—بل حتى مليارات—العمليات الحسابية في آن واحد. تسمح هذه القدرة لشرائح الذكاء الاصطناعي بمعالجة المشكلات الكبيرة والمعقدة عن طريق تقسيمها إلى مشكلات أصغر وحلها في الوقت نفسه، ما يزيد من سرعتها بشكل كبير. 

إن شرائح الذكاء الاصطناعي أكثر قابلية للتخصيص من نظيراتها ويمكن تصميمها لوظيفة ذكاء اصطناعي أو نموذج تدريب محدد. شرائح الذكاء الاصطناعي للدوائر المتكاملة الخاصة بالتطبيقات، على سبيل المثال، صغيرة للغاية وقابلة للبرمجة بشكل كبير وقد استُخدمت في مجموعة واسعة من التطبيقات—بدايةً من الهواتف المحمولة وحتى الأقمار الصناعية الدفاعية. وعلى عكس وحدات المعالجة المركزية التقليدية، صُممت شرائح الذكاء الاصطناعي لتلبية الاحتياجات ومتطلبات الحوسبة لمهام الذكاء الاصطناعي النموذجية، وهي ميزة ساعدت في دفع التطورات والابتكارات السريعة في صناعة الذكاء الاصطناعي.

تتطلب شرائح الذكاء الاصطناعي الحديثة طاقة أقل من الأجيال السابقة. ويرجع ذلك إلى حد كبير إلى التحسينات في تقنية الشرائح التي تسمح لشرائح الذكاء الاصطناعي بتوزيع مهامها بكفاءة أكبر من الشرائح القديمة. تمكّن ميزات الشرائح الحديثة، مثل العمليات الحسابية منخفضة الدقة، شرائح الذكاء الاصطناعي من حل المشكلات باستخدام عدد أقل من الترانزستورات ، ومن ثَمّ استهلاك أقل للطاقة. يمكن أن تساعد هذه التحسينات الصديقة للبيئة على تقليل البصمة الكربونية للعمليات التي تستخدم كمًا هائلاً من الموارد مثل مراكز البيانات.  

نظرًا لأن شرائح الذكاء الاصطناعي مصممة خصوصًا لهذا الغرض، وغالبًا ما تكون مصممة لمهمة محددة للغاية، فإنها تقدم نتائج أكثر دقة عند أداء المهام الأساسية مثل معالجة اللغة الطبيعية (NLP) أو تحليل البيانات. وهذا المستوى من الدقة ضروري بشكل متزايد حيث تُستخدم تقنية الذكاء الاصطناعي في المجالات التي تكون فيها السرعة والدقة أمرًا بالغ الأهمية، مثل المجال الطبي.

في حين أن هناك العديد من الخصائص التي تجعل شرائح الذكاء الاصطناعي ضرورية لتقدم تقنية الذكاء الاصطناعي، فإن هناك أيضًا تحديات تواجه الاعتماد الواسع النطاق لهذه الأجهزة الفعالة:

وفقًا لمجلة The Economist، ينتج صانعو الشرائح في جزيرة تايوان أكثر من 60% من أشباه الموصلات في العالم وأكثر من 90% من الشرائح الأكثر تقدمًا. ولسوء الحظ، فإن النقص الحاد والوضع الجغرافي السياسي الهش يحدان من النمو.¹ 

تعتمد شركة Nvidia، وهي أكبر شركة مصنعة لأجهزة الذكاء الاصطناعي وبرامجه في العالم، بشكل حصري تقريبًا على شركة Taiwan Semiconductor Manufacturing Corporation (TSMC) لتصنيع شرائح الذكاء الاصطناعي الأكثر تقدمًا. لا يزال كفاح تايوان من أجل البقاء مستقلة عن الصين مستمرًا، وقد تكهن بعض المحللين بأن الغزو الصيني للجزيرة قد يوقف قدرة شركة TSMC على تصنيع شرائح الذكاء الاصطناعي تمامًا.

مع بناء المطورين نماذج ذكاء اصطناعي أكبر وأكثر قوة، تتزايد المتطلبات الحاسوبية بوتيرة أسرع من التطورات في تصميم شرائح الذكاء الاصطناعي. وتتوالى التحسينات في أجهزة الذكاء الاصطناعي، حيث تستكشف الشركات مجالات مثل الحوسبة داخل الذاكرة والأداء المحسّن لخوارزميات الذكاء الاصطناعي والتصنيع لزيادة كفاءة خوارزميات الشرائح، ولكنها لا تتحرك بسرعة الزيادة في الطلب الحاسوبي لتطبيقات الذكاء الاصطناعي نفسها. 

مع زيادة متطلبات الأداء، يزداد حجم شرائح الذكاء الاصطناعي وتتطلب كميات أكبر من الطاقة لتعمل. تحتاج شرائح الذكاء الاصطناعي الحديثة والمتقدمة إلى مئات الواط من الطاقة لكل شريحة، وهي كمية من الطاقة يصعب توجيهها إلى مساحات صغيرة. هناك حاجة إلى تطورات كبيرة في بنية شبكة توصيل الطاقة (PDN) لتشغيل شرائح الذكاء الاصطناعي وإلا سيتأثر أداؤها.

يشير مصطلح شريحة الذكاء الاصطناعي إلى وحدة دائرة متكاملة مبنية من أشباه الموصلات (عادةً ما تكون من السيليكون) والترانزستورات.الترانزستورات هي مواد شبه موصلة متصلة بدائرة إلكترونية. عند إرسال تيار كهربائي عبر الدائرة وتشغيلها وإيقاف تشغيلها، فإنها تصدر إشارة يمكن قراءتها من خلال جهاز رقمي على أنها واحد أو صفر.

في الأجهزة الحديثة، مثل شرائح الذكاء الاصطناعي، تتبدل الإشارات بين التشغيل والإيقاف بمعدل مليارات المرات في الثانية، ما يمكّن الدوائر من حل العمليات الحسابية المعقدة باستخدام شيفرة ثنائية لتمثيل أنواع مختلفة من المعلومات والبيانات.

يمكن أن تكون للشرائح وظائف مختلفة؛ على سبيل المثال عادةً ما تخزن شرائح الذاكرة البيانات وتسترجعها بينما تنفذ الشرائح المنطقية عمليات معقدة تمكّن من معالجة البيانات. شرائح الذكاء الاصطناعي هي شرائح منطقية تعالج كميات هائلة من البيانات اللازمة لأحمال تشغيل الذكاء الاصطناعي.

وعادةً ما تكون الترانزستورات الخاصة بها أصغر حجمًا وأكثر كفاءة من تلك الموجودة في الشرائح القياسية، ما يمنحها قدرات معالجة أسرع وبصمات طاقة أصغر.

المعالجة المتوازية

ربما لا توجد ميزة أخرى من ميزات شرائح الذكاء الاصطناعي أكثر أهمية لأحمال تشغيل الذكاء الاصطناعي من ميزة المعالجة المتوازية التي تسرع حل خوارزميات التعلم المعقدة. على عكس الشرائح ذات الأغراض العامة التي لا تتسم بقدرات معالجة متوازية، يمكن لشرائح الذكاء الاصطناعي إجراء العديد من العمليات الحسابية في آن واحد، ما يمكّنها من إنجاز المهام في بضع دقائق أو ثوانٍ التي قد تستغرق الشرائح القياسية في إنجازها وقتًا أطول بكثير.

بسبب عدد العمليات الحسابية التي ينطوي عليها تدريب نماذج الذكاء الاصطناعي وتعقيدها، تُعد قدرات المعالجة المتوازية لشرائح الذكاء الاصطناعي مهمة للغاية بالنسبة إلى فعالية التقنية وقابليتها للتوسع.

هناك عدة أنواع مختلفة من شرائح الذكاء الاصطناعي التي تتنوع من حيث التصميم والغرض:

وحدات معالجة الرسومات

وحدات معالجة الرسومات (GPUs) هي دوائر إلكترونية مصممة لتسريع رسومات الكمبيوتر ومعالجة الصور على أجهزة مختلفة، بما في ذلك بطاقات الفيديو ولوحات النظام والهواتف المحمولة وأجهزة الكمبيوتر الشخصي (PCs).

على الرغم من أنها صُممت في البداية لأغراض الرسومات، فإن شرائح وحدة معالجة الرسومات أصبحت لا غنى عنها في تدريب نماذج الذكاء الاصطناعي بسبب قدراتها على المعالجة المتوازية. عادةً ما يوصل المطورون  وحدات معالجة رسومات متعددة بنظام الذكاء الاصطناعي نفسه حتى يتمكنوا من الحصول على قوة معالجة أكبر.

مصفوفات البوابات القابلة للبرمجة الميدانية

مصفوفات البوابات القابلة للبرمجة الميدانية (FPGAs) هي شرائح ذكاء اصطناعي قابلة للبرمجة حسب الطلب وتتطلب معرفة متخصصة في إعادة البرمجة. وعلى عكس شرائح الذكاء الاصطناعي الأخرى، التي غالبًا ما تكون مصممة خصوصًا لتطبيق معين، فإن مصفوفات البوابات القابلة للبرمجة الميدانية تتميز بتصميم فريد من نوعه يضم سلسلة من الكتل المنطقية المترابطة والقابلة للتكوين. يمكن إعادة برمجة مصفوفات البوابات القابلة للبرمجة الميدانية على مستوى الأجهزة، ما يتيح مستوى أعلى من التخصيص. 

وحدات المعالجة العصبية

وحدات المعالجة العصبية (NPUs) هي شرائح ذكاء اصطناعي مصممة خصوصًا للتعلم العميق و الشبكات العصبية والكميات الكبيرة من البيانات التي تتطلبها أحمال التشغيل هذه. يمكن لوحدات المعالجة العصبية معالجة كميات كبيرة من البيانات بشكل أسرع من الشرائح الأخرى وأداء مهام الذكاء الاصطناعي المختلفة مثل التعرف على الصور وقدرات معالجة اللغة الطبيعية للتطبيقات الشائعة مثل ChatGPT.

الدوائر المتكاملة الخاصة بالتطبيقات

الدوائر المتكاملة الخاصة بالتطبيقات (ASICs) هي شرائح مصممة خصوصًا لتطبيقات الذكاء الاصطناعي ولا يمكن إعادة برمجتها مثل مصفوفات البوابات القابلة للبرمجة الميدانية. ومع ذلك، نظرًا لأنها مصممة لغرض واحد محدد، وهو غالبًا تسريع أحمال تشغيل الذكاء الاصطناعي، فإنها عادةً ما تتفوق على نظيراتها ذات الأغراض العامة.