وحدة المعالجة العصبية (NPU) في مقابل وحدة معالجة الرسومات (GPU): ما هي أوجه الاختلاف بينهما؟

تحتوي وحدات معالجة الرسوميات على آلاف النوى لتحقيق المهام الحسابية السريعة والدقيقة اللازمة لعرض الرسوميات. تعطي وحدات المعالجة العصبية الأولوية لتدفق البيانات والتسلسل الهرمي للذاكرة لمعالجة أحمال التشغيل على نحو أفضل في الوقت الفعلي.

يتفوق كلا النوعين من المعالجات الدقيقة في أنواع المعالجة المتوازية المستخدمة في الذكاء الاصطناعي، ولكن وحدات المعالجة العصبية مصممة خصوصًا لمهام التعلم الآلي والذكاء الاصطناعي. 

تحظى وحدات المعالجة العصبية (NPUs) حاليًا باهتمام كبير، ولكن لماذا بدأت هذه التكنولوجيا التي يبلغ عمرها ما يقرب من عقد من الزمن في سرقة الأضواء فجأة؟ تكمن الإجابة في التطورات الأخيرة في الذكاء الاصطناعي التوليدي التي أعادت إشعال الاهتمام العام بتطبيقات الذكاء الاصطناعي، وبالتالي، شرائح تسريع الذكاء الاصطناعي مثل وحدات المعالجة العصبية ووحدات معالجة الرسومات. 

تختلف هندسة وحدة المعالجة العصبية (NPU) بصورة كبيرة عن هندسة وحدة المعالجة المركزية (CPU) أو وحدة معالجة الرسومات (GPU). تتميز وحدات المعالجة المركزية، المصممة لتنفيذ التعليمات بالتتابع، بعدد أقل من أنوية المعالجة مقارنة بوحدات معالجة الرسومات، التي تتميز بعدد أكبر من الأنوية وهي مصممة للعمليات الصعبة التي تتطلب مستويات عالية من المعالجة المتوازية. 

بينما تواجه وحدات المعالجة المركزية صعوبة مع مهام المعالجة المتوازية وتتفوق وحدات معالجة الرسومات على حساب الاستهلاك العالي للطاقة، تزدهر بنية وحدات المعالجة العصبية من خلال محاكاة الطريقة التي تعالج بها العقول البشرية البيانات. وحيث أنها أكثر من مجرد إضافة أنوية إضافية، فإن وحدات المعالجة العصبية (NPU) تحقق توازيًا عالي المستوى مع استهلاك أقل للطاقة من خلال عدد من الميزات والتقنيات الفريدة:

• وحدات الحوسبة المتخصصة: تدمج وحدة المعالجة العصبية (NPU) أجهزة مخصصة لعمليات الضرب والجمع، وهي ضرورية لتدريب نماذج الشبكة العصبية وإجراء الاستنتاجات.

• ذاكرة عالية السرعة على الرقاقة: لتقليل الاختناقات المتعلقة بالوصول إلى الذاكرة، تتميز وحدات المعالجة العصبية بميزة ذاكرة مدمجة عالية السرعة، ما يسمح بالوصول السريع إلى بيانات النموذج والأوزان.

• بنية متوازية: صُممت وحدات المعالجة العصبية لأداء آلاف العمليات المتوازية، ما يجعلها فعالة للغاية في معالجة دفعات البيانات.

عند مقارنة وحدات المعالجة العصبية (NPU) ووحدات معالجة الرسومات (GPU)، قد يكون من المفيد تقييم الأداء عبر السمات الرئيسية.

• صُممت وحدات معالجة الرسومات (GPU) لتقسيم مهام معالجة الصور الصعبة إلى عمليات أصغر يمكن معالجتها بالتوازي.  

• صُممت وحدات المعالجة العصبية (NPU)لتقليد الدماغ البشري باستخدام وحدات لتسريع عمليات الضرب والجمع مع تحسين الذاكرة على الرقاقة.

• توفر وحدات معالجة الرسومات (GPUs) قدرات حوسبة متوازية ممتازة، إلا أن ذلك يأتي على حساب استهلاك عالٍ للطاقة. 

• توفر وحدات المعالجة العصبية توازيًا مساويًا (أو حتى أفضل)، خاصةً عندما يتعلق الأمر بالحسابات القصيرة والمتكررة. صُممت وحدات المعالجة العصبية للتعامل مع أنواع خوارزميات الذكاء الاصطناعي المستخدمة في الشبكات العصبية، وهي مناسبة بشكل خاص لمعالجة مجموعات البيانات واسعة النطاق التي تتطلب ضرب المصفوفات.

• على الرغم من أن وحدات معالجة الرسومات أكثر تخصصًا من وحدات المعالجة المركزية، إلا أنها أكثر ملاءمة للحوسبة للأغراض العامة.

• وحدات المعالجة العصبية (NPUs) عبارة عن معالجات متخصصة نشأت خصوصًا لمهام الذكاء الاصطناعي والتعلم الآلي. لقد تخلصوا من بعض الميزات الزائدة التي تستخدمها وحدات معالجة الرسومات لترشيد استخدام الطاقة.

• تستفيد وحدات معالجة الرسومات، كإحدى سابقات وحدات المعالجة العصبية (NPU)، من بيئة أكثر تطورًا ومتاحة على نطاق واسع في السوق الاستهلاكية. تتيح لغة CUDA من Nvidia، المتاحة للمحترفين والهواة، برمجة وحدة معالجة الرسومات GPU بسهولة مع التجميع مفتوح المصدر لأنظمة التشغيل المختلفة. 

• تُعد وحدات المعالجة العصبية (NPU) أحدث من وحدات معالجة الرسومات وهي أقل سهولة في الوصول إليها بشكل عام. قد لا تكون العديد من وحدات المعالجة العصبية (NPU) المملوكة، مثل وحدة معالجة Tensor (TPU) من Google أو Snapdragon من Qualcomm (التي تستخدمها Apple)، متاحة للسوق الأوسع. تحتوي رقائق وحدة المعالجة العصبية (NPU) التي تنتجها الشركات المصنعة مثل Intel أو AMD على موارد مجتمعية أقل نسبيًا.

• تُستخدم وحدات معالجة الرسومات بشكل متكرر في الألعاب والرسوم المتحركة على الكمبيوتر، حيث تكون بطاقات الرسوميات مسؤولة عن تحسين معالجة الصور. كما أنها فعالة في التطبيقات الأخرى التي تتطلب مستويات عالية من التوازي، مثل مراكز البيانات أو تعدين العملات المشفرة أو تدريب نماذج الذكاء الاصطناعي.

• تُستخدم وحدات المعالجة العصبية في نطاق أكثر تركيزًا وتوفر توازيًا استثنائيًا مع استهلاك طاقة أقل. عادة ما تُدمج مع وحدات معالجة الرسومات، تقوم وحدة المعالجة العصبية (NPU) بتفريغ مهام الذكاء الاصطناعي الأكثر تطلبًا وهي الأنسب لمهام التعلم الآلي مثل معالجة أحمال التشغيل في نماذج اللغة الكبيرة (LLM) أو التعلم العميق للتعرف على الصور أو سلسلة الكتل والذكاء الاصطناعي. 

يوفر دمج وحدة المعالجة العصبية (NPU) في الأنظمة المتكاملة عددًا من المزايا البارزة مقارنة بالمعالجات التقليدية من حيث السرعة والكفاءة والراحة. وتشمل الميزات ما يلي:

• التوطين: تتطلب معالجة تطبيقات الذكاء الاصطناعي موارد حوسبة كبيرة، ولهذا السبب، غالبًا ما يتم إحالتها إلى السحابة. ومع ذلك، يمكن أن يؤدي الاعتماد على خادم بعيد إلى إبطاء العمليات وترك المعلومات الحساسة عرضة لتسريبات محتملة للبيانات. وتسمح وحدات المعالجة العصبية بمعالجة مهام الذكاء الاصطناعي في الوقت الفوري على المستوى المحلي، ما يقلل من زمن الاستجابة للتطبيقات المهمة مثل التعرف على الصوت أو التعرف على الوجوه والتشخيص الطبي وأنظمة القيادة الآلية. 

• إدارة الموارد: يمكن أن تساعد وحدات المعالجة العصبية المدمجة بشكل عام على تحسين موارد النظام الإجمالية من خلال تحمل المهام المتكررة اللازمة لتطبيقات الذكاء الاصطناعي. يؤدي إلغاء تحميل هذه الأنواع من المهام إلى وحدة المعالجة العصبية إلى تحرير موارد وحدة معالجة الرسومات لمعالجة أحجام البيانات الكبيرة لإجراء عمليات حسابية أكثر عمومية.

• الكفاءة: في حين أن وحدات معالجة الرسومات قادرة على التعامل مع العديد من المهام الصعبة المرتبطة بالذكاء الاصطناعي، فإن وحدات المعالجة العصبية مصممة خصوصًا لهذه الطلبات ويمكنها تلبية معايير أداء مماثلة أو أفضل مع احتياجها إلى طاقة أقل بكثير، وهي ميزة قيّمة خاصةً للأجهزة التي تعمل بالبطارية ذات السعة المحدودة. 

كمعالج مساعد، استخدمت وحدات المعالجة العصبية لعدد من السنوات، وعادة ما تدمج مع وحدات معالجة الرسومات لتوفير الدعم لمهام متكررة محددة. تظل وحدات المعالجة العصبية ذات قيمة في التكنولوجيا على مستوى المستهلك (مثل AI Copilot من Microsoft Windows) ومختلف أجهزة إنترنت الأشياء (IOT) (مثل مكبرات الصوت الذكية التي تستخدم وحدات المعالجة العصبية لمعالجة التعرف على الكلام). 

ومع ذلك، فقد سلطت التطورات الأخيرة في تقنية الذكاء الاصطناعي الضوء على هذا النوع من المعالجات بصورة أكبر حيث أدت نماذج الذكاء الاصطناعي الأكثر تقدمًا إلى دفع أدوات الذكاء الاصطناعي الخاصة بالمستهلكين إلى صدارة الحوارات الشائعة. صُممت خصوصًا لمهام الذكاء الاصطناعي الصعبة مثل معالجة اللغة الطبيعية، ومع تزايد الاهتمام بالذكاء الاصطناعي المخصص للمستهلك، تزايد الاهتمام بوحدات المعالجة العصبية. 

تتضمن حالات الاستخدام الرئيسية لوحدات المعالجة العصبية ما يلي:

• الذكاء الاصطناعي ونماذج اللغة الكبيرة: صُممت وحدات المعالجة العصبية خصوصًا لتحسين أداء أنظمة الذكاء الاصطناعي والتعلم الآلي (ML)، مثل نماذج اللغة الكبيرة (LLMs) التي تتطلب معالجة تكيفية في زمن انتقال قصير لتفسير إشارات الوسائط المتعددة، وإجراء عمليات التعرف على الكلام وتوليد استجابة طبيعية. كما أن وحدات المعالجة العصبية بارعة أيضًا في مهام معالجة الفيديو المدعومة بالذكاء الاصطناعي، مثل تشويش الخلفية في مكالمات الفيديو أو تحرير الصور تلقائيًا.  

• أجهزة إنترنت الأشياء (IoT): تُعد وحدات المعالجة العصبية منخفضة الحجم والموفرة للطاقة معالجًا مساعدًا قويًا للأجهزة الذكية الصغيرة بما في ذلك الهواتف الذكية والأجهزة المحمولة والأجهزة القابلة للارتداء حيث تكون طاقة البطارية محدودة ويكون التركيز على ترشيد استهلاك الطاقة.

• مراكز البيانات: تستفيد مراكز البيانات، المعروفة بمعالجة أحمال التشغيل ذات المتطلبات العالية، من كفاءة تحسين الموارد التي توفرها وحدات المعالجة العصبية. 

• المركبات ذاتية القيادة والتشغيل الآلي: من السيارات ذاتية القيادة إلى المركبات الجوية ذاتية القيادة (الطائرات من دون طيار)، تضيف وحدات المعالجة العصبية قيمة إلى أنظمة القيادة الذاتية من خلال التوازي الأفضل في فئتها وسرعات معالجة الإشارات المحسنة. تُعدّ وحدات المعالجة العصبية ذات زمن انتقال القصير خيارًا ممتازًًا للتطبيقات التي تتطلب رؤية الكمبيوتر، وهي تساعد المركبات ذاتية القيادة على الاستجابة في الوقت الفعلي لحركة المرور والظروف البيئية المفاجئة. ويعتمد التشغيل الآلي المدعوم بالذكاء الاصطناعي، بدءًا من المساعدين المنزليين إلى الأدوات الجراحية المؤتمتة، على وحدات المعالجة العصبية لتطوير القدرة على اكتشاف بيئاتها والتعلم منها والتفاعل معها. 

• حوسبة الحافة والذكاء الاصطناعي للحافة: تسعى حوسبة الحافة والذكاء الاصطناعي للحافة إلى تقريب البيانات الحساسة وموارد الحوسبة فعليًا من المستخدمين. ويقلل هذا من زمن الانتقال ومعدل استهلاك الطاقة ويعزز الخصوصية. أصبحت وحدات المعالجة العصبية، التي تتطلب طاقة أقل وتوفر بصمة مادية أصغر، عنصرًا قيمًا في حوسبة الحافة والذكاء الاصطناعي على الجهاز. 

قبل ظهور وحدات المعالجة العصبية، لطالما كانت وحدات معالجة الرسومات مفضلة لمهام الحوسبة التي تتطلب معالجة متوازية كثيفة الأداء. صُممت وحدات معالجة الرسومات (GPU) في الأصل للتعامل مع الرسومات المعقدة لألعاب الفيديو وبرامج الصور/الفيديو، ولا تزال تُستخدم في ألعاب الكمبيوتر ووحدات التحكم، بالإضافة إلى الواقع الافتراضي والمعزز، والحوسبة عالية الأداء (HPC)، والعرض ثلاثي الأبعاد، ومراكز البيانات والتطبيقات الأخرى. 

فيما يلي نظرة فاحصة على بعض أهم التطبيقات الحديثة لتقنية وحدة معالجة الرسومات (GPU):

• الذكاء الاصطناعي (AI) والتعلم الآلي (ML) والتعلم العميق (DL): على الرغم من أنها ليست مصممة خصوصًا لمهام الذكاء الاصطناعي أو التعلم الآلي أو التعلم العميق، إلا أن وحدات معالجة الرسومات تشغل العديد من التطبيقات الرائدة للذكاء الاصطناعي، مثل جهاز الكمبيوتر الفائق Vela القائم على الذكاء الاصطناعي للسحابة الأصلية من IBM، والتي تتطلب توازيًا عالي السرعة لمعالجة مجموعات البيانات الكبيرة للتدريب. من خلال المعالجة المتوازية، يمكن لوحدات معالجة الرسومات محاكاة عملية صناعة القرار في الدماغ البشري المستخدمة في التعلم الآلي (ML) والتعلم العميق (DL). 

• الحوسبة السحابية: في السنوات الأخيرة، أصبحت الحوسبة السحابية جزءًا أساسيًا من البنية التحتية لتكنولوجيا المعلومات في جميع الصناعات. تتطلب القدرة على تفريغ مهام الحوسبة الرئيسية إلى خوادم فائق الإمكانات مخزنة خارج الموقع قدرات هائلة لمعالجة البيانات. تعمل وحدات معالجة الرسومات على تمكين البنية التحتية للحوسبة السحابية من خلال تسريع التحليلات للبيانات الكبيرة واستعلامات قواعد البيانات من خلال الحوسبة المتوازية. 

• التصور والمحاكاة: تضيف وحدات معالجة الرسومات، المصممة خصوصًا لمعالجة الرسومات، قيمة هائلة في مختلف الصناعات للمهام التي تتطلب تصورات أو عمليات محاكاة معقدة، بما في ذلك عمليات عرض المنتجات والرسم الهندسي والتصميم بمساعدة الحاسوب والتصوير الطبي والنمذجة الزلزالية والجيوفيزيائية. وفي أماكن أخرى، يستخدم علماء المناخ عمليات محاكاة مدعومة بوحدات معالجة الرسومات للتنبؤ بأحوال الطقس، بينما يستخدمها علماء الفيزياء النظرية لنمذجة سلوك الجسيمات على المستوى الكمي.  

• سلسلة الكتل: تعتمد تقنيات سلسلة الكتل بصورة كبيرة على تقنية وحدة معالجة الرسومات، خاصة عندما يتعلق الأمر بخطوة "إثبات العمل." في العديد من تطبيقات سلسلة الكتل المستخدمة على نطاق واسع، مثل العملة الرقمية بيتكوين، يتم إجراء حسابات إثبات العمل من أجل التأكد من دقة أي تحديثات تجرى على دفتر الأستاذ العام. هذا المستوى من الحوسبة متطلب للغاية لأنه يؤثر على سلسلة الكتل بأكملها، ولن يكون ذلك ممكنًا من دون وحدات معالجة الرسومات الحديثة.

• الألعاب والميتافيرس: مع استمرار نمو صناعة الألعاب، ازداد الطلب على رسومات أفضل، وألعاب أونلاين متعددة اللاعبين ضخمة (MMO)، والعرض كثيفة الحوسبة مثل النوع الذي يتيح ألعاب الواقع الافتراضي والواقع المعزز. يعتمد مطورو الألعاب ومصنعو الحوسبة على وحدات معالجة الرسومات لتشغيل الميزات، مثل معدلات تحديث الصور العالية وتتبع الأشعة المتقدمة المستخدمة في عرض البيئات الواقعية للغاية. 

• معالجة الفيديو وإنشاء المحتوى: منذ اختراعها، قللت وحدات معالجة الرسومات (GPUs) باستمرار من أوقات المعالجة في منتجات تحرير الفيديو الشائعة بما في ذلك Final Cut Pro وAdobe Premiere. اليوم، تُسرّع وحدات معالجة الرسومات المجهزة بوحدات المعالجة العصبية بصورة كبيرة من مهام إنشاء الفيديو وتحريره لكل شيء بدءًا من مجموعة التحرير الاحترافية التي تستخدمها استوديوهات هوليوود الكبرى إلى التطبيقات الذكية التي يستخدمها مستخدمو YouTube وTikTok.

من الأفضل استخدام وحدات المعالجة العصبية ضمن أنظمة متكاملة تعمل على تحسين العمليات لتخصيص أنواع محددة من الموارد لأنواع محددة من المعالجات. صُممت وحدات المعالجة المركزية للحوسبة الخطية الدقيقة، ومن الأفضل تخصيص وحدات المعالجة المركزية للعمليات ذات الأغراض العامة مثل إدارة النظام والموارد، بينما وحدات معالجة الرسومات مخصصة لأحمال التشغيل التي تستفيد من الحوسبة المتوازية.

مع ازدياد انتشار تطبيقات الذكاء الاصطناعي، يُعتبر نشر المزيد من وحدات المعالجة العصبية المتخصصة كمكمل لوحدات المعالجة المركزية ووحدات معالجة الرسومات للتعامل مع المهام الخاصة بالذكاء الاصطناعي والتعلم الآلي (ML) باستخدام المعالجة المتوازية ذات زمن الانتقال القصير وذات الكفاءة العالية في استخدام الطاقة هو الأفضل.