IEEE تطلق برنامجًا من خمس دورات في معمارية معالجات الذكاء الاصطناعي بمحاضرين افتراضيين

أصدرت IEEE Educational Activities بدعم من IEEE Computer Society برنامجًا تعليميًا بعنوان AI Processor Architecture, Design Principles, and Performance. يضم البرنامج خمس دورات في تصميم معالجات الذكاء الاصطناعي وتقييمها، تبدأ من المبادئ الأساسية وتصل إلى النشر على أجهزة edge وفي السحابة، بل وفي الأنظمة الكمومية. وأبرز ما يميز هذه الصيغة أن المادة لا يقدمها محاضرون أمام الكاميرا، بل أفاتار يعمل بالذكاء الاصطناعي، يتجادل فيما بينها وكلٌّ منها يؤدي دور مهندس بتخصص محدد.

جدار الذاكرة يفرض شكل المعمارية

يستند البرنامج إلى فكرة باتت من المسلّمات في الصناعة منذ زمن: النماذج تكبر، وتزداد معها المعاملات والعمليات الحسابية، فيصبح القيد الرئيسي هو نقل البيانات بين الذاكرة والمعالج لا العمليات الحسابية نفسها. وهذا ما يُسمّى AI memory wall. وتشير IEEE إلى ورقة «Revisiting Edge AI: Opportunities and Challenges»، التي تتناول شحّ الموارد، وقيود معماريات النماذج، ومتطلبات الشبكة عند النشر على edge.

والنتيجة بالنسبة إلى السوق واضحة. فأولويات صناعة أشباه الموصلات تتجه نحو مسرّعات شديدة التخصص، ولا يستطيع المهندس تقييم النظام بشكل ساكن. إذ عليه أن يصمّم العتاد ويحسّن خوارزمية الشبكة في الوقت نفسه، موازنًا بين سعة النقل وزمن الاستجابة وكفاءة الطاقة. وهذه بالذات المهارة التي يَعِد البرنامج بتنميتها.

خمس دورات وأفاتار بدل المحاضرين

يبدو هيكل المنهج على النحو الآتي:

• المبادئ الأساسية لتصميم معالجات الذكاء الاصطناعي وآلية عملها؛
• تحليل عملي للمعماريات المتقدمة؛
• المعالجات العصبية (NPU) وتطبيقها صناعيًا؛
• الاتجاهات الجديدة وتطور المعماريات؛
• التصميم لبيئات edge والسحابة والأنظمة الكمومية وإنترنت الأشياء (IoT).

تتناول الدورات وحدات الحوسبة، وتسلسلات الذاكرة الهرمية، وتدفقات البيانات، وخصائص الأداء الناجمة عن قرارات معمارية بعينها. والهدف المعلن طموح: أن يصبح الدارس عند نهاية البرنامج قادرًا على تقييم سلوك المعالج بالدقة التحليلية التي تُنتظر من متخصص في صناعة الذكاء الاصطناعي المتقدمة.

أما أسلوب العرض فغير تقليدي. يشاهد الدارس مشاهد تمثيلية بين أفاتار، ولكل منها مهنته. فمهندس العتاد يتجادل مع مهندس الأنظمة حول كلفة الطموحات الخوارزمية. ويشكّك أخصائي التحقق في تفاؤل زميله المسؤول عن أداء الرقاقة، ويكشف الفجوة بين سعة النقل النظرية والسلوك الفعلي. ويستوضح مهندس الأنظمة غير المتجانسة من خبير التنسيق بين المعالجات المتعددة عن كلفة المزامنة. وفي الدورة الأخيرة يناقش مهندس أنظمة IoT وأخصائي تحسين الذكاء الاصطناعي للأنظمة المدمجة النشر في ظروف محدودة الموارد.

يتوقف الحوار دوريًا، ويُطلب من الدارس أن يحسم بنفسه مفاضلة ما، أو يتنبأ بأثر قرار تصميمي، أو يختار المسار الأكثر قابلية للدفاع عنه. وتنتهي كل دورة بوحدة يتحدى فيها خبيران من تخصصين مختلفين افتراضات أحدهما الآخر.

وتسوق IEEE حجة مفادها أن دراسة نُشرت عام 2024 في IEEE Transactions on Learning Technologies أظهرت أن التعلم بالأفاتار يرفع ثقة المتعلمين بنسبة تصل إلى 25% ويحسّن تذكّر المواد التقنية المعقدة. وكلمة «تصل إلى» هنا مهمة، كما أن الدراسة تتعلق بالتعلم عمومًا، لا بدورات الرقائق. أما فاعلية هذا البرنامج تحديدًا فلم يثبتها شيء حتى الآن.

لمن هذا البرنامج وكيف يمكن الالتحاق به

الجمهور المستهدف واسع: مهندسو الرقائق ومطوروها، ومهندسو الأنظمة المدمجة، ومتخصصو عتاد مراكز البيانات، إضافة إلى من ينتقلون إلى تصميم رقائق الذكاء الاصطناعي من مجالات قريبة. وبالنسبة إلى هؤلاء الأخيرين، قد يكون البرنامج جسرًا بين النظرية والعمل الجماعي متعدد التخصصات، حيث تُتخذ القرارات عند تقاطع القيود الفيزيائية ومهام البرمجيات ومتطلبات الامتثال.

وعمليًا، ينبغي النظر إلى البرنامج بوصفه مدخلًا منظَّمًا بمستوى تمهيدي ومتوسط، لا بديلًا عن الخبرة العملية مع السيليكون الفعلي. ولا تُذكر في المادة مدة الدراسة ولا السعر ولا شهادة IEEE، لذا يتعيّن توضيح هذه التفاصيل قبل الشراء.

يتم الاشتراك الفردي عبر IEEE Learning Network. وتُعرض على الشركات خيارات مؤسسية مخصصة: عليها التواصل مع أخصائي المحتوى في IEEE لمناقشة السعر بحسب الحجم. وبالنسبة إلى الفرق التي تنقل مهندسيها من البرمجيات إلى العتاد، أو تؤهل متخصصين لوحدات edge-NPU، فهذا مبرر معقول لطلب تجربة تجريبية ومقارنة البرنامج بالمقررات الجامعية ومواد الشركات المصنّعة.