تُغير رقائق بلاكويل الجديدة من إنفيديا مدى سرعة تدريب أنظمة الذكاء الاصطناعي.
في أحدث جولة من نتائج قياس الأداء التي نشرتها يوم الأربعاء منظمة MLCommons، وهي منظمة غير ربحية trac وتقارن قدرات رقائق الذكاء الاصطناعي ، حققت بنية Blackwell التي برمجتها شركة Nvidia أرقامًا قياسية.
عند اختبارها باستخدام نموذج Llama 3.1 405B مفتوح المصدر من Meta، وهو أحد أكبر نماذج الذكاء الاصطناعي وأكثرها تعقيدًا، اكتمل التدريب في 27 دقيقة فقط باستخدام رقاقات Blackwell. وقد تم ذلك باستخدام 2496 وحدة معالجة رسومية من Blackwell فقط، أي أقل بعشر مرات مما كان سيستغرقه الأمر باستخدام رقاقات Hopper السابقة من Nvidia.
في المقابل، استخدمت التصاميم السابقة أكثر من ثلاثة أضعاف عدد وحدات معالجة الرسومات Hopper لتحقيق أداء مماثل. كانت سرعة Blackwell، على مستوى الشريحة، أكثر من ضعف السرعة السابقة، مما يمثل قفزة هائلة في كفاءة التقارب. يمكن أن يُترجم هذا التحسن الكبير في الأداء إلى توفير كبير في الوقت والتكلفة للمؤسسات التي تُدرّب نماذج ذات تريليونات المعلمات.
يُعتقد أن هذه النتائج هي أول MLCommons لتدريب النماذج على هذه المقاييس القصوى وتوفر قياسًا واقعيًا لمدى جودة تعامل الرقائق مع أحمال العمل الأكثر تطلبًا للذكاء الاصطناعي.
تقنية CoreWeave وتقنية Nvidia تدفعان إلى توسيع نطاق الذكاء الاصطناعي بشكل أكثر ذكاءً
لم تكن النتائج مجرد انتصار لشركة إنفيديا فحسب، بل سلطت الضوء أيضاً على عمل شركة كورويف، المتخصصة في البنية التحتية السحابية، والتي شاركت في الاختبارات. وفي مؤتمر صحفي، أشار شيتان كابور، كبير مسؤولي المنتجات في كورويف، إلى توجه عام بات منطقياً بشكل متزايد في هذا القطاع: الابتعاد عن الكتل الكبيرة والمتجانسة التي تضم عشرات الآلاف من وحدات معالجة الرسومات.
بدلاً من بناء نظام حوسبة واحد ضخم ومتجانس، تتجه الشركات الآن إلى مجموعات فرعية أصغر مترابطة يمكنها إدارة تدريب النماذج الضخمة بكفاءة أكبر وبقابلية توسع أفضل.
قال كابور إنه باستخدام هذه التقنية، يمكن للمطورين مواصلة توسيع نطاق أو تقليل الوقت اللازم لتدريب نماذج ضخمة للغاية تحتوي على تريليونات من المعلمات.
يُعد الانتقال إلى النشر المعياري للأجهزة ضروريًا أيضًا نظرًا لتزايد حجم وتعقيد نماذج الذكاء الاصطناعي.
بلاكويل يضع إنفيديا في الصدارة في مجال تدريب نماذج الذكاء الاصطناعي
على الرغم من أن التركيز قد تحول مؤخرًا إلى الاستدلال في الذكاء الاصطناعي، حيث تجيب نماذج مثل ChatGPT1 على أسئلة المستخدمين في الوقت الفعلي، إلا أن التدريب لا يزال هو الركيزة الأساسية لتطوير الذكاء الاصطناعي.
تُكسب عملية التدريب هذه النماذج ذكاءها، مما يسمح لها بفهم اللغة، ومعالجة بعض أصعب مشاكلنا، وحتى إنتاج نصوص شبيهة بالنصوص البشرية. وتتطلب هذه العملية الحسابية جهداً هائلاً، إذ تستلزم آلاف الرقائق عالية الأداء للعمل لفترات طويلة، عادةً أياماً، إن لم تكن أسابيع أو شهوراً.
لقد تغير ذلك مع معمارية بلاكويل من إنفيديا . فمن خلال تقليص حجم الرقائق بشكل جذري وتقليل الوقت اللازم لتدريب نماذج الذكاء الاصطناعي الضخمة، تمنح رقائق بلاكويل شركة إنفيديا ميزة تنافسية في سوق تسود فيه السرعة والكفاءة.
كان من الضروري سابقًا تشغيل نماذج التدريب مثل Meta's Llama 3.1 405B، التي تحتوي على تريليونات من المعلمات، على مجموعات ضخمة من وحدات معالجة الرسومات وكانت عملية مكلفة تستهلك الكثير من الطاقة.
تُعد هذه المكاسب في الأداء بمثابة دفعة كبيرة في وقت يشهد فيه الطلب المتزايد على نماذج الذكاء الاصطناعي الأكبر والأكثر قوة في العديد من الصناعات - من الرعاية الصحية والتمويل إلى التعليم والمركبات ذاتية القيادة.
كما أنها تبعث برسالة واضحة إلى منافسي إنفيديا. الآن، تواجه شركات تصنيع الرقائق مثل AMD وإنتل، التي تعمل على رقائقها الخاصة بالذكاء الاصطناعي، ضغوطًا أكبر للحفاظ على وتيرة مماثلة.
قدمت AMD نتائجها لاختبار MLCommons المعياري، لكنها لم تُظهر نتائج لنموذج بحجم Llamas 3.1 405B. وكانت Nvidia هي الوحيدة التي اختبرت في أعلى مستويات الاختبار المعياري، مما يثبت تفوقها في الأجهزة وقدرتها على مواجهة أصعب التحديات.
