KernelEvo: إطار عمل روسي يؤتمت توليد نوى GPU باستخدام AI

كتابة نوى GPU سريعة اعتُبرت دائماً من اختصاص النخبة القليلة. دائرة ضيقة من المهندسين القادرين على التعامل مع نماذج الذاكرة وأنماط الوصول وقيود أنظمة الأجهزة المحددة حددت وتيرة تطور الحوسبة عالية الأداء. قررت معهد AIRI الروسي كسر هذه الدورة المفرغة بتقديم KernelEvo—إطار عمل يحول عملية التحسين اليدوي المؤلمة لنوى GPU إلى بحث آلي.

المشكلة التي يحلها KernelEvo مألوفة لكل من حاول استخراج أقصى أداء من معالج رسومات. دورة التطوير الكلاسيكية للنواة تبدو تقريباً هكذا: يكتب المهندس الكود، ينفذه، يواجه خطأ تجميع أو سلوك غير متوقع أثناء التنفيذ، يعود إلى الكود، يعيد كتابته، يتحقق مرة أخرى. هذه العملية التكرارية قد تمتد لأيام وأسابيع، والنتيجة تعتمد مباشرة على مؤهلات المطور. وفي الوقت نفسه، المكاسب من نواة مخصصة محسنة جيداً مقابل تطبيق عام قد تكون ضخمة—أحياناً نتحدث عن تسريع متضاعف في الحسابات.

اقترحت فريق "الذكاء الحسابي" من AIRI نهجاً مختلفاً بشكل أساسي. بدلاً من الاعتماد على الحدس البشري والخبرة، يبني KernelEvo دورة بحث آلية. يقبل الإطار الكود المصدري كمدخل ويبحث بشكل مستقل عن تطبيقات فعالة على CUDA و Triton—المنصتان الرئيسيتان لبرمجة GPU. الكلمة الأساسية هنا هي "يبحث": النظام لا يولد ببساطة متغير كود واحد، بل يستكشف بشكل منهجي مساحة الحلول الممكنة، واختبار كل واحد للصحة والأداء.

من الناحية التقنية، يعتمد النهج على استخدام نماذج اللغة الكبيرة في حلقة التحسين. يولد النموذج متغيرات النوى، يقوم النظام بتجميعها واختبارها، تُعاد نتائج التغذية الراجعة إلى النموذج للتكرار التالي. في الأساس، إنها نفس الدورة التي يمر بها المهندس البشري، لكنها تُنفذ آلياً واستكشاف أسرع بكثير لمساحة الحل. يشير المطورون إلى أن مهمة تحسين واحدة تستهلك حوالي مليون رمز. إذا ترجمنا هذا إلى تكلفة استدعاءات API لنماذج اللغة الحديثة، فنحن نتحدث عن مبالغ معقولة تماماً—خاصة عند مقارنتها بدفع وقت عمل مهندس CUDA مؤهل عالياً.

من المهم فهم السياق الذي يظهر فيه KernelEvo. تشهد الصناعة طفرة حقيقية في الطلب على الحوسبة GPU المحسنة. يتطلب التدريب والاستدلال للشبكات العصبية الكبيرة موارد حوسبة متزايدة باستمرار، ومعالجات الأجهزة مكلفة. كل نسبة مئوية من التحسين على مستوى النوى تترجم إلى توفيرات حقيقية—سواء كانت وقت تدريب النموذج أو تكاليف البنية التحتية السحابية أو استهلاك الطاقة في مركز البيانات. في الوقت نفسه، لا يزال نقص المتخصصين القادرين على كتابة كود فعال منخفض المستوى لـ GPU يمثل أحد أهم نقاط الاختناق في الصناعة. أتمتة هذه العملية ليست مجرد وسيلة راحة، بل ضرورة إستراتيجية.

يندرج KernelEvo ضمن اتجاه أوسع يكتسب زخماً على مدى السنة والنصف الماضية. تعمل عدة مجموعات بحثية حول العالم على أدوات تسمح لنماذج اللغة بتحسين الكود منخفض المستوى. تطور Google بنشاط نهجاً مشابهة لـ TPUs الخاصة بها، و NVIDIA تستثمر في أتمتة تحسين نوى CUDA. ومع ذلك، تبقى معظم هذه الحلول مغلقة ومرتبطة بنظم بيئية محددة. ظهور إطار عمل مفتوح من معهد روسي حدث ملحوظ، لأنه يوسع الوصول إلى هذه التقنيات خارج الشركات الكبرى.

بالطبع، لن تحل الإنشاء الآلي للنوى محل المهندسين ذوي الخبرة بشكل كامل. القرارات المعمارية المعقدة، والتكوينات الأجهزة غير القياسية، والخوارزميات الجديدة بشكل أساسي—كل هذا لا يزال يتطلب الفهم البشري. لكن التحسين الروتيني، الذي يشكل جزءاً كبيراً من عمل مبرمجي GPU، أدوات مثل KernelEvo قادرة على تحمله اليوم. يحول هذا دور المهندس من الترميز إلى صياغة المهام والتحقق من الصحة من النتائج—تحول نلاحظه في عملياً كل المجالات التي تصل إليها الذكاء الاصطناعي التوليدي.

KernelEvo من AIRI تأكيد آخر على أن مستقبل الحوسبة عالية الأداء سيتم تحديده ليس فقط بقوة الأجهزة، بل أيضاً بذكاء أدوات البرنامج التي تستخدم هذه الأجهزة. لا يزال الإطار في مراحله الأولى، لكن النهج نفسه—البحث الآلي عن التطبيقات المثلى باستخدام نماذج اللغة—يبدو وكأنه اتجاه لن يفعل سوى كسب الزخم.