أجهزة الذكاء الاصطناعي التوليدي تدفع باتجاه إتاحة الوصول والكفاءة

تُحدث الابتكارات في أجهزة الذكاء الاصطناعي التوليدي خطوات نحو affordability (إتاحة التكلفة)، وإمكانية الوصول، والكفاءة، متحدياً القيود المفروضة بالنمو الأسي في حجم نماذج اللغات الكبيرة (LLMs). في مناقشة panel حديثة، شارك قادة الصناعة رؤى حول استراتيجياتهم لمعالجة هذه التحديات الملحة.

أبرز مارشال تشوي، نائب الرئيس الأول للمنتجات في شركة سامبانونا سيستمز، الدور الحاسم لهيكلية الذاكرة في خفض تكلفة استخدام نماذج اللغات الكبيرة (LLMs). مع وصول عدد المعلمات في نماذج اللغات الكبيرة إلى مليارات أو تريليونات، تحول التركيز نحو الذاكرة باعتبارها عنق الزجاجة. اعتمدت شركة سامبانونا سيستمز هيكلية ذاكرة من ثلاث طبقات، معالجةً للزمن الكامن، وعرض النطاق الترددي، والسعة ضمن إطار عمل واحد. تهدف هذه النهج المبتكر إلى توسيع نطاق استخدام نماذج اللغات الكبيرة اقتصادياً، حيث تعد كفاءة الذاكرة المحور الأساسي.

إتاحة النماذج الكبيرة

يقدم الحجم المتضخم لنماذج اللغات الكبيرة (LLMs) تحدياً كبيراً لإمكانية الوصول. بمجرد أن يتجاوز النموذج تريليون معلمة، تصبح تكاليف الأجهزة والتشغيل المرتبطة به باهظة الثمن، مما يحد من استخدامها لعدد قليل جداً. لجعل النماذج الكبيرة في متناول جمهور أوسع، قدمت شركة سامبانونا سيستمز مفهوماً جديداً يُعرف بـ "تكوين الخبراء" (composition-of-experts).

يختلف هذا النهج عن النموذج التقليدي "خليط الخبراء" (mixture-of-experts)، حيث يتم تقسيم مشاكل النمذجة التنبؤية المعقدة إلى مهام فرعية. بدلاً من ذلك، تدرب سامبانونا نماذج خبراء المجال للدقة وملاءمة المهام، وتجمع نموذج "تكوين الخبراء" بتريليون معلمة. يمكن تدريب هذا النموذج باستمرار على بيانات جديدة دون التضريس بالتعلم السابق، وكل ذلك مع تقليل زمن الحوسبة وتقليل التكاليف المرتبطة بالتدريب، والضبط الدقيق، والاستدلال.

الكفاءة من خلال تقنيات النماذج

تتجاوز الكفاءة في أجهزة الذكاء الاصطناعي التوليدي الأجهزة نفسها؛ فهي تمتد إلى العلاقة بين بنية النموذج والأجهزة التي يعمل عليها. أكد مات ماتينا، نائب رئيس عتاد الذكاء الاصطناعي والنماذج في شركة تينستورنت، على أهمية كسر حلقة التغذية الراجعة حيث تتشكل بنية النموذج بناءً على الجهاز الذي يتم تدريبه عليه.

تعتمد تينستورنت تقنيات مثل البحث عن بنية الشبكة مع العتاد في الحلقة، مما يسمح للمدربين بتحديد العتاد للاستدلال أثناء التدريب. يضمن هذا التحول في النموذج أن النماذج مصممة ليس للجهاز المدرب عليه، بل للجهاز النهائي للاستدلال، مما يؤدي إلى نماذج أكثر كفاءة للاستخدام العملي.

التخصص على مستوى النظام

يُعد الذكاء الاصطناعي مجالاً يتطور باستمرار، مما يطرح تحديات في موازنة الرقائق المخصصة والسيليكون المخصص مع مرونة النظام. يقدم جيف ويتيتش، كبير مسؤولي المنتجات في شركة أمبير كومبيوتينغ، منظوراً يفضل التخصص على مستوى النظام. فهو يؤكد أن هذا النهج يوفر المرونة لخلط ومطابقة المكونات، مما يخلق حلولاً متعددة الاستخدامات قادرة على التكيف مع مشهد عتاد الذكاء الاصطناعي المتغير بسرعة.

تقليدياً، يستغرق إنشاء وتسويق عتاد جديد عدة سنوات. تهدف شراكة أمبير مع الشركات التي تطور مسرعات تدريب واستدلال متنوعة إلى تحقيق التوازن الصحيح. تتصور أمبير تحسين الأداء والكفاءة من خلال اقتران وحدات المعالجة المركزية متعددة الأغراض بمسرعات متخصصة في مهام محددة.

فوائد التكامل والمرونة

يبرز ويتيتش أهمية التكامل، الذي يجب أن يعزز الأداء والكفاءة دون التضريس بالمرونة. يُنظر إلى دمج وحدات المعالجة المركزية متعددة الأغراض مع مسرعات متخصصة على أنه مسار واعد. مع مرور الوقت، من المتوقع أن يؤدي التكامل الوثيق لهذه المسرعات مع وحدات المعالجة المركزية إلى تحسين أحمال عمل الذكاء الاصطناعي بشكل أكبر. تظل المبدأ الأساسي: يجب أن يعزز التكامل القدرات دون فرض قيود.