معركة الذاكرة: لماذا لم تعد البنية التحتية لـ AI تقتصر على وحدات GPU فقط

في السنوات الأخيرة، عندما يتعلق الأمر بالبنية الأساسية للذكاء الاصطناعي، ظل الانتباه منصبّاً باستمرار على وحدات معالجة الرسومات (GPU)، وخاصة منتجات شركة Nvidia. لكن مع تطور نماذج الذكاء الاصطناعي وأصبحت أكثر تعقيداً وضخامة، يصبح من الواضح أن القوة الحسابية ليست سوى جانب واحد من جوانب المسألة. لا تقل أهمية، بل ربما تكون أكثر أهمية، الذاكرة أصبحت عاملاً يحدد كفاءة الأنظمة الحديثة للذكاء الاصطناعي.

تتحول الذاكرة عالية الأداء ذات نطاق الترددات العريض العالي (High Bandwidth Memory، HBM) من مكون ثانوي إلى عنصر حيوي في البنية الأساسية، نظراً لأن النمو الأسي في عدد المعاملات في نماذج الذكاء الاصطناعي يتطلب أحجاماً ضخمة من البيانات لمعالجتها فوراً. هذا يضع مصنعي الذاكرة في مركز الازدهار التكنولوجي، مما يحول تركيز الصناعة من سباق بسيط على القوة الحسابية إلى تحسين شامل لأنظمة تخزين ونقل البيانات داخل الخوادم.

يكمن السياق لهذا التحول في طبيعة معمارات التعلم العميق الحديثة. تعمل نماذج مثل GPT-3، GPT-4 ونظيراتها مع تريليونات من المعاملات. كل واحدة من هذه المعاملات تمثل قيمة رقمية يجب تحميلها من الذاكرة إلى أنوية معالجة GPU لإجراء العمليات الحسابية. كلما كان النموذج أكبر، كلما زادت كمية البيانات التي يجب نقلها باستمرار بين الذاكرة والمعالج. إذا لم تتطابق سرعة نقل البيانات (نطاق ترددات الذاكرة) مع سرعة الحسابات، ستظل وحدة معالجة الرسومات في حالة انتظار للحصول على دفعة معلومات جديدة. هذا "اختناق" واضح يحد من الأداء ويزيد من وقت التدريب والاستدلال (تطبيق النموذج للحصول على النتائج). الأنواع التقليدية من الذاكرة، مثل DDR4 أو DDR5، ببساطة لا تستطيع توفير السرعة والحجم المطلوبين لمثل هذه المهام.

يوضح الغوص العميق في التفاصيل التقنية أن HBM توفر نهجاً مختلفاً بشكل أساسي. بدلاً من وضع شرائح الذاكرة منفصلة عن GPU وربطها عبر اللوحة الأم، يتم دمج HBM أقرب بكثير إلى الأنوية الحسابية، غالباً في شكل طبقات متعددة "مكدسة" فوق أو بجانب GPU. هذا يقلل بشكل جذري المسافة الفيزيائية التي يجب على البيانات أن تقطعها، ويسمح بزيادة كبيرة في عرض ناقل البيانات، مما يؤثر مباشرة على نطاق الترددات. توفر معايير HBM3 و HBM3e الحالية نطاق ترددات بوحدات تيرابايت في الثانية، وهو أعلى بأوامر من حجم وحدات الذاكرة التقليدية. إن هذه القدرة على "إطعام" النماذج الضخمة بسرعة بالبيانات هي ما يجعل HBM لا غنى عنه للتطبيقات المتقدمة للذكاء الاصطناعي، مثل تدريب نماذج اللغات الكبيرة وتوليد الصور والتحليل العلمي المعقد.

عواقب هذا التحول في الأولويات هائلة. أولاً، يغير ذلك منظر المصنعين. بينما كانت الشركات المصنعة لوحدات معالجة الرسومات تهيمن سابقاً، فإن مصنعي الذاكرة مثل SK Hynix و Samsung و Micron يأتون الآن إلى المقدمة. هذه هي الشركات التي تمتلك التقنيات والقدرات الإنتاجية لإنتاج HBM، والتي تعقيدة في الصنع وباهظة الثمن. ثانياً، تؤثر على معمارية مراكز البيانات. الآن، عند تصميم الخوادم للذكاء الاصطناعي، يجب إيلاء اهتمام متساوٍ لتخطيط الذاكرة وأنظمة التبريد لشرائح HBM المكدسة بكثافة ونطاق الترددات الكلي لنظام الإدخال/الإخراج. تتكون تكلفة البنية الأساسية للذكاء الاصطناعي بأكملها الآن من نسبة أكثر توازناً بين وحدات معالجة الرسومات والذاكرة. ثالثاً، يحفز الابتكارات الإضافية في علم المواد وهندسة الرقائق الموجهة نحو زيادة كثافة الذاكرة وتقليل استهلاك الطاقة وتحسين تبديد الحرارة.

في الختام، لا تقتصر معركة الهيمنة في البنية الأساسية للذكاء الاصطناعي حصراً على معركة القوة الحسابية. تصبح مهمة معقدة لتحسين النظام بأكمله، حيث تلعب الذاكرة دوراً لا يقل أهمية عن المعالج. القدرة على نقل كميات ضخمة من البيانات بسرعة هي "المعيار الذهبي" الجديد للذكاء الاصطناعي، والشركات التي ستتمكن من حل هذه المشكلة بكفاءة ستحتل مواقع قيادية في الموجة التالية من التقدم التكنولوجي. مصنعو الذاكرة، بفضل تطويراتهم المتقدمة في HBM، يصبحون لاعبين جديداً لا جدال فيهم في هذه الساحة، يحددون مستقبل الذكاء الاصطناعي.