Google تطرح TensorFlow 2.21 وLiteRT للذكاء الاصطناعي على الأجهزة المحمولة

Google تطرح TensorFlow 2.21 وLiteRT: تسريع GPU ودعم NPU وتكامل مع PyTorch Edge

أعلنت Google رسميًا إصدار النسخة الجديدة من إطار التعلم الآلي الشهير TensorFlow 2.21. وكان أبرز ما في هذا الإصدار ترسّخ LiteRT، الذي انتقل من مرحلة المعاينة إلى منتج إنتاجي متكامل. ويُقدَّم LiteRT الآن بوصفه الإطار الشامل لتنفيذ الاستدلال (تشغيل النماذج) مباشرةً على الأجهزة، وهو يحل بالكامل محل الحل السابق TensorFlow Lite (TFLite).

السياق: تطور الذكاء الاصطناعي على الأجهزة المحمولة

يتجه تطور الذكاء الاصطناعي باطراد نحو الحوسبة الطرفية، حيث تُعالَج البيانات بأقرب نقطة ممكنة من مصدرها دون المرور بالخوادم السحابية. وتكتسب هذه المقاربة أهمية خاصة في الأجهزة المحمولة، مثل الهواتف الذكية والساعات الذكية وغيرها من الأجهزة، إذ تؤدي سرعة الاستجابة وخصوصية البيانات وكفاءة استهلاك الطاقة دورًا حاسمًا. وظل TensorFlow Lite لفترة طويلة المعيار المعتمد لنشر نماذج التعلم الآلي على هذه الأجهزة. لكن مع ظهور عتاد أقوى وبنى جديدة للشبكات العصبية، برزت الحاجة إلى حل أعلى أداءً وأكثر مرونة. ويهدف LiteRT إلى تلبية هذه الاحتياجات المتنامية، عبر آلية أكثر تطورًا لتنفيذ نماذج الذكاء الاصطناعي على طيف واسع من المنصات العتادية.

نظرة معمّقة: ما الجديد في TensorFlow 2.21 وLiteRT

الجديد الأساسي في TensorFlow 2.21 هو LiteRT نفسه. يوفر هذا الإطار تسريعًا ملحوظًا لأداء وحدات معالجة الرسومات (GPU)، وهو أمر بالغ الأهمية للمهام التي تتطلب حوسبة متوازية مكثفة، مثل معالجة الصور أو الفيديو في الوقت الفعلي. كما يوفر LiteRT دعمًا أصيلًا لوحدات المعالجة العصبية (NPU)، وهي مسرّعات عتادية متخصصة تظهر بوتيرة متزايدة في الهواتف الذكية الحديثة، وهي مصممة لتنفيذ مهام التعلم الآلي بكفاءة. ويتيح ذلك الاستفادة من كامل قدرات العتاد المحمول الحديث لتحقيق أداء أعلى واستهلاك أقل للطاقة.

ومن المزايا المهمة الأخرى لـ LiteRT تكامله السلس مع النماذج المطوَّرة باستخدام PyTorch Edge. وهذا يعني أن المطورين الذين اعتمدوا سابقًا على منظومة PyTorch في بناء حلولهم يستطيعون الآن نقل نماذجهم بسهولة نسبية إلى الأجهزة المحمولة والطرفية عبر TensorFlow LiteRT، دون إعادة كتابة الشيفرة من الصفر. ويبسّط ذلك عملية التطوير إلى حد كبير، ويوسّع إمكانات النشر عبر منصات متعددة.

التداعيات: مستقبل الذكاء الاصطناعي على الأجهزة الطرفية

يفتح إصدار TensorFlow 2.21 واعتماد LiteRT بالكامل آفاقًا جديدة أمام مطوري تطبيقات الهواتف والمهندسين العاملين على حلول الذكاء الاصطناعي الطرفية. فتسريع GPU ودعم NPU يتيحان بناء نماذج ذكاء اصطناعي أكثر تعقيدًا وأعلى متطلبات، كان تشغيلها على الأجهزة غير عملي في السابق. وقد يؤدي ذلك إلى ظهور ميزات جديدة في التطبيقات، مثل تعرّف أدق على الأشياء في الوقت الفعلي، ومعالجة متقدمة للغة الطبيعية مباشرةً على الجهاز، وتوصيات مخصصة، وإمكانات محسّنة للواقع المعزز.

ويسهم تبسيط نقل النماذج من PyTorch أيضًا في توسيع انتشار الذكاء الاصطناعي على الأجهزة الطرفية، إذ يخفض حاجز الدخول أمام الفرق التي استثمرت بالفعل في أطر أخرى. ويدعم ذلك مزيدًا من التوحيد القياسي والتشغيل البيني (interoperability) في القطاع.

الخلاصة

يمثل TensorFlow 2.21 مع LiteRT كإطار أساسي للاستدلال على الأجهزة خطوة كبيرة إلى الأمام في تطور الذكاء الاصطناعي على الأجهزة المحمولة والطرفية. فالجمع بين أداء أعلى ودعم عتادي أوسع وتوافق أفضل مع الأدوات الشائعة الأخرى يجعله حلًا قويًا للمطورين الساعين إلى استثمار كامل إمكانات الذكاء الاصطناعي على أوسع طيف من الأجهزة.