خمسة أنظمة حوسبة للذكاء الاصطناعي يجب أن يعرفها كل مهندس

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١١ أبريل ٢٠٢٦

في عالم الذكاء الاصطناعي الحديث، لم تعد المعالجة تعتمد على نوع واحد من المعالجات، بل أصبحت تعتمد على مجموعة متنوعة من أنظمة الحوسبة المتخصصة. كل نظام يقدم توازنًا مختلفًا بين المرونة، والتوازي، وكفاءة الذاكرة. بينما كانت الأنظمة التقليدية تعتمد بشكل كبير على وحدات المعالجة المركزية (CPUs)، أصبحت أحمال العمل في الذكاء الاصطناعي اليوم موزعة على وحدات معالجة الرسوميات (GPUs) للحسابات المتوازية الضخمة، ووحدات معالجة الشبكات العصبية (NPUs) للاستدلال الفعّال على الأجهزة، ووحدات معالجة التنسور (TPUs) المصممة خصيصًا لتنفيذ الشبكات العصبية مع تدفق بيانات محسن.

مع الابتكارات الناشئة مثل وحدة معالجة اللغة (LPUs) من Groq، يتم دفع الحدود أكثر، مما يوفر استدلالًا أسرع وأكثر كفاءة من حيث الطاقة لنماذج اللغة الكبيرة. مع انتقال الشركات من الحوسبة العامة إلى تحسين الأحمال الخاصة، أصبح فهم هذه المعماريات أمرًا ضروريًا لكل مهندس يعمل في مجال الذكاء الاصطناعي.

وحدة المعالجة المركزية (CPU)

تظل وحدة المعالجة المركزية (CPU) هي الأساس في أنظمة الحوسبة الحديثة، وتلعب دورًا حاسمًا حتى في الأنظمة المدفوعة بالذكاء الاصطناعي. تم تصميم CPUs للتعامل مع الأحمال العامة، حيث تتفوق في معالجة المنطق المعقد، والعمليات المتفرعة، وتنظيم النظام. تعتبر بمثابة "عقل" الكمبيوتر، حيث تدير أنظمة التشغيل، وتنسق بين مكونات الأجهزة، وتنفذ مجموعة واسعة من التطبيقات بدءًا من قواعد البيانات إلى متصفحات الويب.

على الرغم من أن أحمال العمل في الذكاء الاصطناعي قد انتقلت بشكل متزايد نحو الأجهزة المتخصصة، لا تزال CPUs ضرورية كمنظمين يديرون تدفق البيانات، ويجدولون المهام، وينظمون المسرعات مثل GPUs وTPUs. من الناحية المعمارية، تُبنى CPUs بعدد قليل من النوى عالية الأداء، وهرم كاش عميق، والوصول إلى DRAM خارج الرقاقة، مما يتيح معالجة متسلسلة فعّالة ومتعددة المهام. ومع ذلك، فإن طبيعتها المتسلسلة تحد من قدرتها على التعامل مع العمليات المتوازية الضخمة مثل ضرب المصفوفات، مما يجعلها أقل ملاءمة لأحمال العمل الكبيرة في الذكاء الاصطناعي مقارنة بـ GPUs.

وحدة معالجة الرسوميات (GPU)

أصبحت وحدة معالجة الرسوميات (GPU) العمود الفقري للذكاء الاصطناعي الحديث، خاصة في تدريب نماذج التعلم العميق. تم تصميمها في الأصل لرسم الرسومات، ولكنها تطورت إلى محركات حوسبة قوية مع إدخال منصات مثل CUDA، مما يمكّن المطورين من استغلال قدراتها في المعالجة المتوازية. على عكس CPUs، التي تركز على التنفيذ التسلسلي، تم بناء GPUs للتعامل مع الآلاف من العمليات في وقت واحد، مما يجعلها مثالية لمضاعفات المصفوفات والعمليات المتجهة التي تدعم الشبكات العصبية.

من منظور التصميم، تتكون GPUs من آلاف النوى الأصغر والأبطأ المخصصة للمعالجة المتوازية، مما يسمح لها بتقسيم المشكلات الكبيرة إلى قطع أصغر ومعالجتها بالتزامن. هذه القدرة تتيح تسريعًا كبيرًا للمهام التي تتطلب بيانات مكثفة مثل التعلم العميق، ورؤية الكمبيوتر، والذكاء الاصطناعي التوليدي. ومع ذلك، تأتي GPUs مع بعض التحديات؛ فهي أكثر تكلفة، وأقل توفرًا من CPUs، وتتطلب معرفة برمجية متخصصة.

وحدة معالجة التنسور (TPU)

وحدة معالجة التنسور (TPU) هي مسرع ذكاء اصطناعي متخصص تم تصميمه بواسطة Google خصيصًا لأحمال العمل المتعلقة بالشبكات العصبية. على عكس CPUs وGPUs، التي تحتفظ ببعض المرونة العامة، تم بناء TPUs لتحقيق أقصى كفاءة لمهام التعلم العميق. تُستخدم TPUs في العديد من أنظمة الذكاء الاصطناعي الكبيرة لشركة Google، بما في ذلك محركات البحث، والتوصيات، ونماذج مثل Gemini.

تستخدم TPUs شبكة من وحدات الضرب والتراكم (MAC) حيث يتدفق البيانات في نمط موجه، مما يحسن من السرعة وكفاءة الطاقة. على الرغم من أن هذه التخصصات تأتي مع بعض التحديات، حيث تكون TPUs أقل مرونة من GPUs، إلا أن أدائها الفائق في العمليات الكبيرة يجعلها مثالية لأحمال العمل الضخمة.

وحدة معالجة الشبكات العصبية (NPU)

تم تصميم وحدة معالجة الشبكات العصبية (NPU) كمسارع ذكاء اصطناعي مخصص للاستدلال الفعّال ومنخفض الطاقة، خاصة في الأجهزة الطرفية. على عكس GPUs التي تستهدف التدريب الكبير أو أحمال العمل في مراكز البيانات، تم تحسين NPUs لتشغيل نماذج الذكاء الاصطناعي مباشرة على الأجهزة مثل الهواتف الذكية وأجهزة الكمبيوتر المحمولة.

تستند التصميمات الأساسية لـ NPUs على محركات الحوسبة العصبية، مما يسمح لها بمعالجة الشبكات العصبية بكفاءة عالية. يتيح ذلك لهم التعامل مع مهام الذكاء الاصطناعي مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية محليًا دون الاعتماد على السحابة.

وحدة معالجة اللغة (LPU)

تُعتبر وحدة معالجة اللغة (LPU) فئة جديدة من مسرعات الذكاء الاصطناعي التي قدمتها Groq، وتم تصميمها خصيصًا للاستدلال السريع للذكاء الاصطناعي. على عكس GPUs وTPUs، تم تصميم LPUs من الألف إلى الياء لتنفيذ نماذج اللغة الكبيرة بسرعة وكفاءة. تكمن ابتكاراتها في القضاء على الذاكرة خارج الرقاقة من مسار التنفيذ الحرج، مما يقلل بشكل كبير من زمن الاستجابة.

تُظهر هذه الأنظمة تقدمًا كبيرًا في سرعة وكفاءة معالجة البيانات، مما يجعلها مثالية لأحمال العمل المتعلقة باللغة.

في الختام، مع تقدم تقنيات الذكاء الاصطناعي وتنوع أحمال العمل، يصبح من الضروري لكل مهندس فهم هذه المعماريات المختلفة وكيفية استخدامها بفعالية لتحقيق أقصى استفادة من قدرات الذكاء الاصطناعي.