Apple تراهن على الذكاء الاصطناعي المحلي في رقائق M بدل النماذج العملاقة

نادرًا ما يظهر اسم Apple في عناوين الذكاء الاصطناعي بالضجيج نفسه الذي يرافق OpenAI أو Google أو NVIDIA. لكن القول إن الشركة خسرت السباق قد يكون تقديرًا ضيقًا أكثر مما ينبغي: فـApple لا تراهن على أكبر النماذج، بل على أن يعمل الاستدلال (inference) محليًا وبكلفة معقولة ودون ارتباط دائم بالسحابة.

مقياس غير مناسب

عندما تناقش السوق الذكاء الاصطناعي، يدور الحديث تقريبًا دائمًا حول مجموعة الرموز نفسها للمكانة: كم تملك الشركة من وحدات GPU، وما حجم مراكز بياناتها، وكم كلّفت جولة التدريب الجديدة، وهل يستطيع النموذج التفوق على المنافسين في اختبارات الأداء (benchmarks). وفي هذا السياق تبدو Apple بالفعل غريبة. فقد أصبحت Siri منذ زمن هدفًا سهلًا للتندر، ولا يهيمن نموذجها اللغوي الكبير الخاص على الأخبار، ويُنظر إلى التكاملات مع الأنظمة الخارجية على أنها خطوة لللحاق بالركب أكثر منها ريادة.

غير أن هذه هي الفكرة الرئيسية للمادة: قد لا تشارك Apple في سباق أكبر نموذج، بل في سباق أكثر الطرق عملية لاستخدام الذكاء الاصطناعي. فإذا نظرنا إلى الاستدلال بدل التدريب، تتغير الصورة. فالمهم عندها ليس حجم العنقود الحاسوبي، بل مدى سرعة تشغيل النموذج وانخفاض كلفته واستقراره قرب المستخدم، سواء على حاسوب محمول أو محطة عمل أو أي جهاز محلي آخر.

الرهان على الرقائق

الحجة الأساسية هنا هي معمارية Apple Silicon. ففي التصميم المعتاد يعمل CPU وGPU مع مجمّعين منفصلين للذاكرة، ويتعين نقل البيانات بينهما باستمرار. وهذا يخلق تأخيرات زائدة، ويستهلك الطاقة، ويصطدم بحدود عرض النطاق الترددي للناقل (bus).

في رقائق سلسلة M تستخدم Apple ذاكرة موحدة: يعمل CPU وGPU وNeural Engine ضمن مساحة مشتركة واحدة. وبفضل ذلك يقل عدد عمليات النسخ غير الضرورية، ويصبح النظام أنسب لمهام الاستدلال.

• يصل CPU وGPU وNeural Engine إلى الذاكرة المشتركة دون نسخ متواصل للبيانات
• فاقد أقل في النقل بين وحدات الحوسبة واستهلاك أقل للطاقة
• يصبح تشغيل النماذج محليًا أكثر واقعية للمهام اليومية
• يمكن نقل أحمال الذكاء الاصطناعي إلى مكان أقرب من المستخدم، لا إلى السحابة فقط

ويخص الكاتب Neural Engine بالذكر، وهو وحدة متخصصة مصممة لعمليات التنسور (tensor) التي يقوم عليها الذكاء الاصطناعي الحديث. والمنطق بسيط: إذا كان الاستدلال في معظمه عمليات مصفوفات متكررة وليس حوسبة عامة، فمن الأجدى تخصيص عتاد مستقل لها بدل محاولة حل كل شيء بقدرات CPU أو GPU وحدها. وبهذا المنطق لا تنسخ Apple نهج NVIDIA في مراكز البيانات، بل تبني بنية أكثر إحكامًا وعملية على جانب الجهاز.

أين يفيد هذا النهج

تتجلى الفائدة العملية لهذا النهج بوضوح خاص حيث تهم التكلفة وزمن الاستجابة واستهلاك الطاقة. وقد يشمل ذلك النشر الطرفي (edge)، وأتمتة العمليات الإدارية الخلفية، والمعالجة المحلية للبيانات، والسيناريوهات ذات متطلبات الخصوصية، أو سير العمل الذي لا جدوى فيه من إرسال كل طلب إلى السحابة.

نعم، سيوفر عنقود H100 سحابي أداءً ذروويًا أعلى. لكن الأعمال في كثير من المهام الواقعية لا تحتاج إلى رقم قياسي، بل إلى اقتصاديات يمكن التنبؤ بها وإلى إمكانية إبقاء النظام في متناول اليد.

ولهذا النهج حدوده أيضًا. فـApple Silicon لا يلغي مراكز البيانات، ولا يجعل تدريب النماذج الكبيرة على عناقيد GPU ضخمة أمرًا غير ضروري. وإذا كان المطلوب تدريب نماذج frontier أو خدمة ملايين المستخدمين المتزامنين، فإن البنية السحابية لن تختفي. المقصود شيء آخر: جزء كبير من سوق الذكاء الاصطناعي لا يقع في التدريب، بل في تطبيق نماذج جاهزة، وهنا تحديدًا قد يكون الاستدلال المحلي نقطة قوة لدى Apple.

«هذه ليست خسارة في السباق. إنها مشاركة في سباق مختلف تمامًا.»

ماذا يعني ذلك

الفكرة الرئيسية بسيطة: لا يتعين على Apple أن تهزم NVIDIA أو OpenAI وفق قواعدهما كي تحتل مكانًا مهمًا في منظومة الذكاء الاصطناعي. وإذا تحولت السوق فعلًا من استعراض القوة إلى تبنٍّ مجدٍ اقتصاديًا، فستكون الأفضلية لمن يستطيع تشغيل النماذج أقرب إلى المستخدم وبكلفة أقل وبنفقات أدنى.

وبالنسبة إلى المطورين والشركات، يبدو هذا بنية تحتية عملية لا ضجة دعائية. وفي هذه النسخة من السباق، تملك Apple بالفعل موقعًا قويًا.