معركة الذاكرة: لماذا لم تعد البنية التحتية للذكاء الاصطناعي تقتصر على وحدات GPU

معركة الذاكرة: لماذا لم تعد البنية التحتية للذكاء الاصطناعي تقتصر على وحدات GPU

في السنوات الأخيرة، كلما دار الحديث عن البنية التحتية للذكاء الاصطناعي، ينصبّ الاهتمام دائمًا على وحدات معالجة الرسومات (GPU)، وفي مقدمتها منتجات شركة Nvidia. لكن مع ازدياد تعقيد نماذج الذكاء الاصطناعي واتساع حجمها، يتضح أن القدرة الحسابية ليست سوى وجه واحد من الصورة. فالذاكرة عامل لا يقل أهمية، وربما يفوقها، في تحديد كفاءة أنظمة الذكاء الاصطناعي الحديثة. وتتحول الذاكرة عالية الأداء ذات النطاق الترددي العالي (High Bandwidth Memory, HBM) من مكوّن ثانوي إلى عنصر حاسم في البنية التحتية، لأن النمو الأسي في عدد معاملات نماذج الذكاء الاصطناعي يتطلب كميات هائلة من البيانات لمعالجتها فوريًا. ويضع ذلك مصنّعي الذاكرة في قلب الطفرة التكنولوجية، ويحوّل تركيز الصناعة من مجرد سباق القدرة الحسابية إلى تحسين شامل لأنظمة تخزين البيانات ونقلها داخل الخوادم.

يكمن سياق هذا التحول في طبيعة معماريات التعلم العميق الحديثة نفسها. فنماذج مثل GPT-3 وGPT-4 ونظائرها تعمل بتريليونات المعاملات. وكل معامل منها قيمة رقمية يجب تحميلها من الذاكرة إلى أنوية GPU الحسابية لتنفيذ العمليات الرياضية. وكلما كبر النموذج، زادت البيانات التي ينبغي نقلها باستمرار بين الذاكرة والمعالج. وإذا لم تواكب سرعة نقل البيانات (النطاق الترددي للذاكرة) سرعة الحوسبة، يبقى GPU في حالة خمول بانتظار دفعة جديدة من المعلومات. وهذا «عنق زجاجة» واضح يحدّ من الأداء ويطيل زمن التدريب والاستدلال (inference، أي تطبيق النموذج للحصول على النتائج). أما أنواع الذاكرة التقليدية مثل DDR4 وDDR5 فلا تستطيع ببساطة توفير السرعة والسعة اللازمتين لمثل هذه المهام.

ويُظهر التعمق في التفاصيل التقنية أن HBM تقدّم نهجًا مختلفًا جذريًا. فبدلًا من وضع رقاقات الذاكرة بمعزل عن GPU وربطها عبر اللوحة الأم، تُدمج HBM على مقربة أكبر بكثير من الأنوية الحسابية، وغالبًا على شكل عدة طبقات «مرصوصة» فوق GPU أو بجانبه. ويقلّص ذلك المسافة الفيزيائية التي يجب أن تقطعها البيانات بصورة جذرية، ويتيح زيادة كبيرة في عرض ناقل البيانات، وهو ما ينعكس مباشرة على النطاق الترددي. وتوفر معايير HBM3 وHBM3e الحديثة نطاقًا ترددّيًا يبلغ تيرابايت في الثانية، أي أعلى بمراتب من وحدات الذاكرة العادية. وهذه القدرة على «إطعام» النماذج العملاقة بالبيانات بسرعة هي ما يجعل HBM لا غنى عنها لتطبيقات الذكاء الاصطناعي المتقدمة، مثل تدريب النماذج اللغوية الكبيرة وتوليد الصور والتحليل العلمي المعقد.

وعواقب هذا التحول في الأولويات هائلة. أولًا، يغيّر ذلك خريطة المصنّعين. فبعد أن هيمنت الشركات المنتجة لوحدات GPU، تتقدم الآن إلى الواجهة شركات الذاكرة مثل SK Hynix وSamsung وMicron. فهي التي تملك التقنيات والطاقات الإنتاجية اللازمة لإنتاج HBM، وهي ذاكرة معقدة التصنيع ومرتفعة التكلفة. ثانيًا، يؤثر ذلك في معمارية مراكز البيانات. فعند تصميم خوادم الذكاء الاصطناعي، يجب الآن إيلاء اهتمام لا يقل بتخطيط الذاكرة وأنظمة التبريد لرقاقات HBM المكدّسة بكثافة والنطاق الترددي الكلي لنظام الإدخال والإخراج. وأصبحت تكلفة البنية التحتية للذكاء الاصطناعي تتكوّن من حصة أكثر توازنًا بين GPU والذاكرة. ثالثًا، يحفّز ذلك مزيدًا من الابتكار في علم المواد وهندسة الرقاقات، بهدف رفع كثافة الذاكرة وخفض استهلاك الطاقة وتحسين تبديد الحرارة.

وخلاصة القول إن معركة الهيمنة على البنية التحتية للذكاء الاصطناعي لم تعد معركة قدرة حسابية فحسب. بل تتحول إلى مهمة شاملة لتحسين النظام بأكمله، تؤدي فيها الذاكرة دورًا لا يقل أهمية عن المعالج. وتمثل القدرة على نقل كميات ضخمة من البيانات بسرعة «المعيار الذهبي» الجديد للذكاء الاصطناعي، وستحتل الشركات التي تنجح في حل هذه المهمة بكفاءة مواقع الصدارة في الموجة القادمة من التقدم التكنولوجي. ومع تطويراتها المتقدمة في مجال HBM، يصبح مصنّعو الذاكرة لاعبين جددًا لا يمكن تجاهلهم في هذه الساحة، ويحددون مستقبل الذكاء الاصطناعي.