KernelEvo: إطار عمل روسي يؤتمت إنشاء نوى GPU بالذكاء الاصطناعي

ظلّت كتابة نوى GPU السريعة تُعدّ دائمًا حكرًا على فئة قليلة. فدائرة ضيقة من المهندسين القادرين على التعامل مع نماذج الذاكرة وأنماط الوصول وقيود واجهات الأجهزة الخلفية المحددة كانت تحدد وتيرة تطور الحوسبة عالية الأداء. وقرر معهد AIRI الروسي كسر هذه الحلقة المفرغة بتقديم KernelEvo، وهو إطار عمل يحوّل عملية التحسين اليدوي الشاقة لنوى GPU إلى بحث آلي.

المشكلة التي يعالجها KernelEvo مألوفة لكل من حاول يومًا انتزاع أقصى أداء من مسرّع رسومي. فدورة تطوير النواة الكلاسيكية تسير تقريبًا على النحو التالي: يكتب المهندس الكود ويشغّله، فيصطدم بخطأ في التصريف أو بسلوك غير متوقع أثناء التنفيذ، ثم يعود إلى الكود ليعيد كتابته ويفحصه من جديد. قد تمتد هذه العملية التكرارية أيامًا وأسابيع، وتعتمد نتيجتها مباشرة على كفاءة المطوّر. في المقابل، يكون المكسب من نواة مخصصة محسّنة جيدًا مقارنة بتنفيذ عام هائلًا أحيانًا، إذ قد يبلغ تسريع الحسابات أضعافًا.

اقترح فريق «الذكاء الحسابي» في AIRI نهجًا مختلفًا جذريًا. فبدلًا من الاعتماد على حدس الإنسان وخبرته، يبني KernelEvo حلقة بحث آلية. يستقبل إطار العمل الشيفرة المصدرية، ويبحث بنفسه عن تنفيذات فعّالة بلغتي CUDA وTriton، وهما المنصتان الرئيسيتان لبرمجة GPU. والكلمة المفتاحية هنا هي «يبحث»: فالنظام لا يكتفي بتوليد صيغة واحدة من الكود، بل يستعرض بمنهجية فضاء الحلول الممكنة ويتحقق من صحة كل حل ومن أدائه.

من الناحية التقنية، يعتمد النهج على استخدام النماذج اللغوية الكبيرة ضمن حلقة التحسين. يولّد النموذج صيغًا للنوى، ثم يصرّفها النظام ويختبرها، وتعود نتائج التغذية الراجعة إلى النموذج للجولة التالية. وهذه في جوهرها الدورة نفسها التي يمر بها المهندس البشري، لكنها تُنفَّذ آليًا وبسرعة استعراض أعلى بكثير. ويشير المطورون إلى أن مهمة التحسين الواحدة تستهلك نحو مليون توكن. وإذا حُوِّل ذلك إلى كلفة استدعاءات API للنماذج اللغوية الحديثة، فالمبالغ مقبولة تمامًا، خصوصًا عند مقارنتها بأجر وقت عمل مهندس CUDA عالي الكفاءة.

من المهم فهم السياق الذي يظهر فيه KernelEvo. فالقطاع يشهد طفرة حقيقية في الطلب على حوسبة GPU المحسّنة. ويتطلب تدريب الشبكات العصبية الكبيرة والاستدلال (inference) بها موارد حاسوبية متزايدة، بينما تبقى المسرّعات العتادية باهظة الثمن. وكل نسبة مئوية من التحسين على مستوى النوى تتحول إلى وفر فعلي، سواء في زمن تدريب النموذج أو نفقات البنية السحابية أو استهلاك مركز البيانات للطاقة. ومع ذلك، لا يزال نقص المتخصصين القادرين على كتابة شيفرة منخفضة المستوى فعّالة لوحدات GPU أحد أبرز الاختناقات في القطاع. وأتمتة هذه العملية ليست مجرد راحة، بل ضرورة استراتيجية.

يندرج KernelEvo ضمن اتجاه أوسع تزداد وتيرته منذ نحو عام ونصف. فعدة مجموعات بحثية حول العالم تعمل على أدوات تتيح للنماذج اللغوية تحسين الشيفرة منخفضة المستوى. وتطوّر Google بنشاط نهجًا مماثلة لوحدات TPU الخاصة بها، وتستثمر NVIDIA في أتمتة تحسين نوى CUDA. غير أن معظم هذه الحلول يبقى مغلقًا ومرتبطًا بمنظومات بعينها. ويُعدّ ظهور إطار عمل مفتوح من معهد روسي حدثًا لافتًا، لأنه يوسّع إتاحة هذه التقنيات خارج نطاق الشركات الكبرى.

بطبيعة الحال، لن يحلّ التوليد الآلي للنوى محل المهندسين ذوي الخبرة بالكامل. فالقرارات المعمارية المعقدة والتهيئات العتادية غير القياسية والخوارزميات الجديدة جذريًا، كلها ما زالت تتطلب فهمًا بشريًا. لكن أدوات مثل KernelEvo قادرة اليوم على تولّي التحسين الروتيني الذي يشكّل جزءًا كبيرًا من عمل مبرمجي GPU. ويُحوّل ذلك دور المهندس من كتابة الكود إلى صياغة المهام والتحقق من النتائج، وهو تحوّل نلحظه تقريبًا في كل المجالات التي يصل إليها الذكاء الاصطناعي التوليدي.

يمثل KernelEvo من AIRI تأكيدًا آخر على أن مستقبل الحوسبة عالية الأداء لن تحدده قوة العتاد وحدها، بل أيضًا ذكاء الأدوات البرمجية التي تستغلّ هذا العتاد. ولا يزال إطار العمل في مراحله الأولى، لكن النهج ذاته، أي البحث الآلي عن التنفيذات المثلى باستخدام النماذج اللغوية، يبدو اتجاهًا سيزداد قوة.