Meta تشرح الفرق بين GPU وCPU ورقائقها الخاصة MTIA في البنية التحتية للذكاء الاصطناعي

أطلقت Meta سلسلة تعليمية بعنوان «البنية التحتية تشرح». تتحدث الشركة فيها علنًا عن معنى القدرة الحاسوبية، وعن كيفية تشغيل وحدات GPU وCPU ورقائق MTIA الخاصة بها لأنظمة الذكاء الاصطناعي على نطاق عدة مليارات من المستخدمين.

لماذا تشرح Meta الأساسيات التقنية

تندرج هذه المبادرة ضمن استراتيجية أوسع للشفافية: تنشر Meta باستمرار مواد عن الكواليس الداخلية لأنظمتها الذكية، من تصميم مراكز البيانات إلى مبادئ عمل خوارزميات التوصية. وتتكرر عبارة «القدرة الحاسوبية» بشكل متزايد في تصريحات الرؤساء التنفيذيين وفي التقارير الفصلية الموجهة للمستثمرين، لكنها نادرًا ما تُشرح بلغة بسيطة للجمهور العام.

بمعناها الأساسي، القدرة الحاسوبية (compute power) هي السرعة الإجمالية التي ينفذ بها النظام العمليات الرياضية. وكلما ارتفعت، أمكن تدريب نماذج أكثر تعقيدًا، وعملت هذه النماذج بسرعة أكبر في بيئة الإنتاج. وبالنسبة لشركة ذكاء اصطناعي فهي أساس بالمعنى الحرفي: فمن دون قدرة حاسوبية كافية لا يمكن إنتاج نماذج جديدة، ولا تقديم إجابات فورية للمستخدمين، ولا تشغيل خلاصات التوصية في الوقت الفعلي.

وسياق هذا المنشور مهم: فكبرى شركات التقنية في العالم تتنافس اليوم بشراسة تحديدًا على القدرات الحاسوبية. وتخطط Meta لإنفاق 60–65 مليار دولار على البنية التحتية للذكاء الاصطناعي في عام 2025 وحده، وأصبح شرح الحاجة إلى مبالغ كهذه ضرورة.

ثلاثة أنواع من المعالجات في ترسانة Meta

تبني Meta بنيتها التحتية للذكاء الاصطناعي على مزيج من ثلاث معماريات، ولكل منها دور محدد:

• GPU (وحدات المعالجة الرسومية) — العمود الفقري لتدريب الشبكات العصبية. تعالج آلاف الأنوية المتوازية الحسابات المصفوفية التي تقوم عليها معظم خوارزميات الذكاء الاصطناعي. وعلى وحدات GPU جرى تدريب جميع إصدارات النموذج المفتوح Llama.
• CPU (وحدات المعالجة المركزية) — تدير منطق الأنظمة، وتنسّق المهام، وتعالج البيانات التي لا تتطلب توازيًا هائلًا.
• MTIA (Meta Training and Inference Accelerator) — رقاقة مخصصة طورتها Meta خصيصًا لأحمال عملها: أنظمة التوصية، وترتيب المحتوى في Facebook وInstagram، والاستدلال (inference) لنماذج Llama.

يتيح الجمع بين المعماريات الثلاث لـMeta توزيع الأحمال على النحو الأمثل: فلا تُستخدم وحدات GPU الباهظة حيث تكفي وحدة CPU، وتُشغَّل MTIA حيث تلزم سرعة متخصصة مع استهلاك أقل للطاقة.

لماذا تبني Meta رقائقها الخاصة

يخلق الاعتماد على موردين خارجيين، وعلى رأسهم NVIDIA، مخاطر في سلاسل التوريد، ويحدّ من إمكانات التحسين الدقيق لمهام الشركة المحددة. وعلى مدى العامين الماضيين يعمل سوق وحدات GPU في ظل نقص حاد، إذ امتدت قوائم الانتظار على السلاسل الجديدة Hopper وBlackwell لأشهر. إضافة إلى ذلك، تضطر الرقائق العامة إلى دعم طيف واسع من المهام، مما يعني حتمًا تنازلات في الأداء.

صُمّمت MTIA لنماذج وأنماط حوسبة محددة لدى Meta، وهذا يمنحها أفضلية في الكفاءة وفي كلفة العملية الواحدة. وتتيح الرقاقة الخاصة لـMeta ما يلي:

• خفض كلفة الاستدلال بفضل معمارية مصممة لنماذج بعينها؛
• تسريع دورات التطوير دون الارتهان لخارطة طريق الشركات المصنّعة الخارجية؛
• توسيع القدرات دون التنافس على رقائق الآخرين الشحيحة؛
• تحسين استهلاك الطاقة بما يلائم طبيعة أحمالها.

«نحن مقتنعون بأن هذا أحد أهم الاستثمارات التي نقوم بها الآن»، قال مارك

زوكربيرغ عند إعلانه خطة ضخ 60–65 مليار دولار في البنية التحتية للذكاء الاصطناعي في عام 2025.

ماذا يعني ذلك

المواد التعليمية من Meta ليست مجرد علاقات عامة مؤسسية. فالشركة التي تحسن شرح المعقّد بأسلوب مبسّط تكسب على عدة جبهات في آن واحد: تجتذب الكفاءات الهندسية، وتصوغ سردية موجهة للجهات التنظيمية، وتعزز ثقة المطورين الشركاء.

أما بالنسبة للمستخدم العادي، فتذكّره هذه المواد بأن وراء كل إجابة من مساعد ذكي أو توصية في الخلاصة أطنانًا من العتاد المادي ومليارات الدولارات من الاستثمارات.

وبالنسبة للصناعة ككل، فالإشارة أوسع: لم يعد السيليكون المخصص امتيازًا لـApple أو Google؛ فكل شركة ذكاء اصطناعي كبرى تبني الآن عتادها الخاص، وقوة هذا العتاد تحديدًا هي التي ستحدد من يفرض الإيقاع في الجيل القادم من أنظمة الذكاء الاصطناعي.

*Meta مصنفة منظمة متطرفة ومحظورة في روسيا.