Gimlet Labs تجمع 80 مليون دولار لتشغيل استدلال الذكاء الاصطناعي بشكل موحّد على رقائق NVIDIA وAMD وIntel وغيرها

جمعت Gimlet Labs مبلغ 80 مليون دولار ضمن جولة Series A لتطوير تقنية تعالج إحدى المشكلات الجوهرية في الذكاء الاصطناعي الحديث: ارتباط النماذج بعتاد محدد. وقد طوّرت الشركة طبقة برمجية تتيح تشغيل استدلال الشبكات العصبية في آن واحد على رقائق ست شركات مصنّعة: NVIDIA وAMD وIntel وARM وCerebras وd-Matrix.

المشكلة التي تتصدى لها Gimlet Labs مألوفة لكل من نشر الذكاء الاصطناعي في بيئات الإنتاج. فكل شركة مصنّعة للرقائق تقدّم منظومتها البرمجية الخاصة: CUDA لدى NVIDIA، وROCm لدى AMD، وoneAPI لدى Intel. والانتقال من عتاد إلى آخر يستلزم إعادة كتابة الشيفرة واختبارها ومرحلة طويلة من تصحيح الأخطاء. وهكذا تجد الشركات نفسها رهينة لمورّد واحد: فحتى لو عرضت AMD سعرًا أفضل، أو قدّمت Cerebras أداءً أعلى لمهمة بعينها، تبقى كلفة الانتقال باهظة.

تقترح Gimlet Labs واجهة API موحّدة لجميع المنصات المدعومة. وهي في جوهرها طبقة تجريد بين النموذج والعتاد، تشبه ما فعله POSIX يومًا لأنظمة التشغيل. يكتب المطوّر الشيفرة مرة واحدة، وتتولى المنصة تحسين التنفيذ بما يناسب العتاد المتاح.

ومن اللافت إدراج d-Matrix وCerebras في القائمة، وهما لاعبان متخصصان في الاستدلال ويعملان في مساحة متخصصة من السوق. وهذه إشارة إلى السوق بأن Gimlet Labs لا تكتفي بالتيار السائد. إن مبلغ 80 مليون دولار رهان جاد على أن مشكلة تشتت سوق الرقائق لن تُحَل من تلقاء نفسها. ويبدو أن المستثمرين يعتقدون أن مصنّعي العتاد لن يتفقوا فيما بينهم، وأن السوق بالتالي بحاجة فعلية وطويلة الأمد إلى طبقة تجريد محايدة. وتؤكد الجولة أن مستوى البنية التحتية في منظومة الذكاء الاصطناعي بات بأهمية استراتيجية توازي أهمية النماذج نفسها.

أما بالنسبة لمشتري الذكاء الاصطناعي من المؤسسات، فتعني هذه التقنية قوة تفاوضية حقيقية. فاليوم تذهب حصة هائلة من إنفاق البنية التحتية للذكاء الاصطناعي إلى NVIDIA، لا لغياب البدائل، بل لأن الانتقال مؤلم أكثر مما ينبغي. وإذا كانت Gimlet Labs تخفّض كلفة الانتقال فعلًا إلى مستوى مقبول، فسيحصل أصحاب الأعمال على ورقة ضغط: إذ يمكنهم الشراء ممن يقدّم أفضل سعر في لحظة معينة، لا ممن ارتبطوا به أصلًا بسبب قاعدة الشيفرة.

وتكمن أناقة الحل لا في فكرة طبقة التجريد نفسها، فهي معروفة منذ زمن بعيد، بل في أن الفريق تمكّن من تنفيذها دون خسارة كارثية في الأداء. وعند هذه النقطة تحديدًا تتعثر عادةً مشاريع من هذا النوع، إذ يصعب الجمع بين العمومية والتحسين. أما إلى أي مدى نجحت Gimlet Labs في حل هذا التناقض، فسيكشفه الاستخدام في بيئات الإنتاج.