وكلاء الذكاء الاصطناعي يكتبون الآن شيفرة GPU: RightNow AI تطلق إطار AutoKernel

تُعدّ البرمجة لوحدات معالجة الرسومات تقليديًا من أصعب المهام وأكثرها إرهاقًا وتخصصًا في مجال تعلّم الآلة. فهي فنّ هندسي بحت يتطلب من المهندس فهمًا عميقًا لبنية العتاد وإدارة الذاكرة وخصوصيات الحوسبة المتوازية. غير أن مختبر الأبحاث RightNow AI قرر تغيير القواعد المعهودة جذريًا، فقدّم للمجتمع AutoKernel، وهو إطار مبتكر مفتوح المصدر. وتطبّق هذه الأداة للمرة الأولى حلقات من الوكلاء المستقلين القائمين على النماذج اللغوية الكبيرة لتوليد أنوية GPU منخفضة المستوى وتحسينها تلقائيًا لأي بنى شبكات عصبية مخصصة مكتوبة بمكتبة PyTorch الشائعة. ويمثّل إطلاق هذا المشروع بداية حقبة جديدة، يتولى فيها الذكاء الاصطناعي أشقّ الأعمال وأكثرها استهلاكًا للموارد في تسريع حساباته بنفسه.

ولإدراك حجم هذا الإنجاز كاملًا، لا بدّ من النظر إلى سياق تطوير الذكاء الاصطناعي اليوم. فكثيرًا ما يصطدم إنشاء نماذج تعلّم الآلة المبتكرة بجدار القيود العتادية الذي يصعب تجاوزه. يستطيع المهندسون الباحثون ابتكار مفاهيم رياضية أنيقة، لكن تنفيذها بسرعة يتطلب تعليمات متخصصة تُكتب على مستوى منخفض. وكتابة هذه الشيفرة يدويًا عملية تتألف من محاولات وأخطاء لا تنتهي، ومن التحليل الأدائي (profiling) والتحسينات الدقيقة، وتستغرق أسابيع أو حتى أشهرًا من العمل الدؤوب. والمتخصصون القادرون على كتابة شيفرة سريعة حقًّا لبطاقات الرسوميات قليلون جدًا في السوق، ما يشكّل قيدًا خطيرًا على الصناعة بأكملها. وحتى الآن اقتصرت محاولات أتمتة هذه العملية على المترجمات (compilers) التقليدية، التي لم تكن تضاهي في كثير من الأحيان نتائج مُحسِّن بشري خبير.

ويختلف الحل الذي تقترحه RightNow AI جوهريًا عن النُّهج التقليدية في الترجمة البرمجية، إذ لا يقوم على مجموعة صارمة من القواعد الإرشادية (heuristics)، بل على حلقة ديناميكية من الوكلاء المستقلين. يتلقى AutoKernel نموذج PyTorch اعتباطيًا كمدخل ويمرّره إلى الذكاء الاصطناعي ليحلّله، فيؤدي دور مهندس أنظمة افتراضي. ولا يكتفي الوكلاء بكتابة مسودة أولية للشيفرة، بل يشغّلونها بأنفسهم، ويقيسون أداءها، ويحدّدون الاختناقات في توزيع الذاكرة أو في تحميل الوحدات الحاسوبية، ثم يعيدون كتابة الخوارزمية تكراريًا للوصول إلى أقصى سرعة. وتتيح حلقة التحسين الذاتي المغلقة هذه للنظام إيجاد حلول غير تقليدية وعالية الكفاءة قد تغيب عن انتباه الإنسان، وفي دقائق معدودة بدل ساعات طويلة من العمل اليدوي.

وتكمن فرادة AutoKernel أيضًا في شمولية لافتة وانفتاح كبير. فدعم البنى المعمارية العشوائية يعني أن المطوّرين لم يعودوا مضطرين إلى حصر خيالهم في طبقات الشبكات العصبية القياسية التي حسّنها غيرهم من قبل. وإذا ابتكر باحث آلية جديدة تمامًا للتعامل مع المعرفة أو دالة تنشيط غير معتادة، فإن الإطار قادر على كتابة نواة GPU فعّالة لها من الصفر تلقائيًا. ويعزّز الكود المفتوح للمشروع إمكاناته أكثر، إذ يحصل مجتمع المطوّرين العالمي على فرصة استخدام هذه الأداة القوية بحرية في مشاريعه، وتطوير الوكلاء أنفسهم وتعليمهم حيلًا جديدة في التحسين العتادي.

وتتجاوز تبعات اعتماد هذه التقنيات مجرد تسهيل كتابة الشيفرة بكثير، وتَعِد بتحول عميق في قطاع الحوسبة عالية الأداء بأكمله. فأولًا، تنخفض عتبة الدخول إلى هندسة الأنظمة بصورة جذرية. فالمطوّرون والرياضيون الذين كانوا يعتمدون سابقًا على متخصصين في وحدات معالجة الرسومات يمكنهم الآن أن ينقلوا أفكارهم بأنفسهم إلى مستوى النشر واسع النطاق، ويحصلوا على أقصى مردود من العتاد المتاح. ويعني ذلك توفيرًا كبيرًا في الموارد الحاسوبية، لأن الأنوية المحسّنة تُنفَّذ أسرع وتستهلك طاقة أقل وتتيح تشغيل النماذج المعقدة على مسرّعات رسومية أقل كلفة، وهو أمر بالغ الأهمية في ظل النقص العالمي في الرقائق.

إضافة إلى ذلك، يُظهر AutoKernel تحولًا فلسفيًا لافتًا في تطور التقنيات، إذ يبدأ الذكاء الاصطناعي بتحسين البنية التحتية الأساسية التي يعمل عليها هو نفسه. وتولّد هذه العملية التكرارية حلقة تغذية راجعة إيجابية قوية: وكلاء أكثر كفاءة يكتبون شيفرة أسرع، ما يتيح تدريب وتشغيل خوارزميات أكثر تعقيدًا في وقت أقل. وفي المستقبل قد يؤدي ذلك إلى ظهور نماذج محلية فائقة التحسين للأجهزة المحمولة وإنترنت الأشياء والحوسبة الطرفية، لأن الوكلاء الآليين سيزيلون تقريبًا بالكامل عائق نقل الحسابات المعقدة إلى عتاد محدد.

وخلاصة القول إنه يمكن الجزم بأن إصدار AutoKernel من RightNow AI ليس مجرد صدور مكتبة مفيدة أخرى، بل محطة مهمة في تطور تعلّم الآلة. فالأداة تعالج إحدى أكثر مشكلات التطوير إيلامًا، إذ تحوّل كتابة الشيفرة منخفضة المستوى من مهمة روتينية إلى عملية آلية أنيقة. وبتفويض أعقد مهام تحسين وحدات معالجة الرسومات إلى الذكاء الاصطناعي، تحرّر الصناعة قدرًا هائلًا من الطاقات البشرية للبحث العلمي. وفي عالم تحدد فيه كفاءة الحوسبة الريادة التقنية، تصبح القدرة على توليد شيفرة متقنة تلقائيًا مفتاحًا لبناء ذكاء اصطناعي متاح وواسع الانتشار حقًّا.