دليل شامل لوحدات معالجة البيانات للذكاء الاصطناعي وتعلّم الآلة: المعالجات المركزية، ووحدات معالجة الرسوميات، ووحدات معالجة الشبكات العصبية، ووحدات معالجة المصفوفات

دليل شامل لوحدات معالجة البيانات للذكاء الاصطناعي وتعلّم الآلة: المعالجات المركزية، ووحدات معالجة الرسوميات، ووحدات معالجة الشبكات العصبية، ووحدات معالجة المصفوفات

تُعتبر أعباء العمل المتعلقة بالذكاء الاصطناعي وتعلّم الآلة المحرك الرئيسي لتطور الأجهزة المتخصصة التي تُسرّع الحوسبة بما يتجاوز بكثير قدرات وحدات المعالجة المركزية التقليدية. تلعب كل وحدة معالجة – وحدة المعالجة المركزية (CPU)، ووحدة معالجة الرسوميات (GPU)، ووحدة معالجة الشبكات العصبية (NPU)، ووحدة معالجة المصفوفات (TPU) – دورًا مميزًا في بيئة الذكاء الاصطناعي، مُحسّنةً لأنماط أو تطبيقات أو بيئات معينة. يقدم هذا المقال تحليلًا تقنيًا قائمًا على البيانات للفرق الأساسية بينها وأفضل حالات استخدامها.

وحدة المعالجة المركزية (CPU): الحصان العاملي متعدد الاستخدامات

التصميم والمزايا:

تُعد وحدات المعالجة المركزية معالجات ذات أغراض عامة مع عدد قليل من النوى القوية – مثالية للمهام أحادية الخيط وتشغيل برامج متنوعة، بما في ذلك أنظمة التشغيل وقواعد البيانات واستنتاج الذكاء الاصطناعي/تعلم الآلة الخفيف.

دورها في الذكاء الاصطناعي وتعلّم الآلة:

يمكن لوحدات المعالجة المركزية تنفيذ أي نوع من نماذج الذكاء الاصطناعي، لكنها تفتقر إلى التوازي الضخم اللازم للتدريب الفعال لتعلم العمق أو الاستنتاج على نطاق واسع.

أفضل استخدامات لها:

• خوارزميات تعلم الآلة الكلاسيكية (مثل scikit-learn، وXGBoost).
• إنشاء النماذج الأولية وتطويرها.
• الاستنتاج لأنماذج صغيرة أو متطلبات منخفضة الإنتاجية.

ملاحظة تقنية:

بالنسبة لعمليات الشبكات العصبية، فإن إنتاجية وحدة المعالجة المركزية (تقاس عادةً بوحدة GFLOPS – مليارات العمليات ذات الفاصلة العائمة في الثانية) تتخلف كثيرًا عن المُسرّعات المتخصصة.

وحدة معالجة الرسوميات (GPU): العمود الفقري لتعلم العمق

التصميم والمزايا:

صُممت في الأصل للرسومات، تتميز وحدات معالجة الرسوميات الحديثة بآلاف النوى المتوازية المصممة لعمليات المصفوفة/المتجهات المتعددة، مما يجعلها فعالة للغاية لتدريب نماذج الشبكات العصبية العميقة واستنتاجها.

أمثلة على الأداء:

• NVIDIA RTX 3090: 10,496 نواة CUDA، حتى 35.6 TFLOPS (تيرافلوبس) حساب FP32.
• تتضمن وحدات معالجة الرسوميات الحديثة من NVIDIA “أنوية الموتر” للدقة المختلطة، مما يُسرّع عمليات تعلم العمق.

أفضل استخدامات لها:

• تدريب نماذج تعلم العمق واسعة النطاق واستنتاجها (CNNs، RNNs، Transformers).
• معالجة الدُفعات الشائعة في بيئات مراكز البيانات والبحث.
• مدعومة من قبل جميع أطر عمل الذكاء الاصطناعي الرئيسية (TensorFlow، PyTorch).

المعايير:

يمكن لإعداد 4 وحدات RTX A5000 أن تتفوق على وحدة NVIDIA H100 واحدة، وأكثر تكلفة بكثير، في بعض أعباء العمل، مما يُوازن بين تكلفة الاستحواذ والأداء.

وحدة معالجة الشبكات العصبية (NPU): أخصائي الذكاء الاصطناعي على الجهاز

التصميم والمزايا:

وحدات معالجة الشبكات العصبية هي شرائح ASIC (شرائح ذات أغراض خاصة) مُصممة حصريًا لعمليات الشبكات العصبية. تُحسّن الحساب الموازي منخفض الدقة لعمليات استنتاج تعلم العمق، وغالبًا ما تعمل بقوة منخفضة للأجهزة الطرفية والمدمجة.

حالات الاستخدام والتطبيقات:

• الأجهزة المحمولة والمستهلكة: تشغيل ميزات مثل فتح القفل بالوجه، ومعالجة الصور في الوقت الفعلي، والترجمة اللغوية على أجهزة مثل سلسلة Apple A، وSamsung Exynos، وشرائح Google Tensor.
• الحافة وإنترنت الأشياء: التعرف على الرؤية والكلام منخفض زمن الوصول، وكاميرات المدن الذكية، والواقع المعزز/الافتراضي، وأجهزة استشعار التصنيع.
• السيارات: بيانات في الوقت الفعلي من أجهزة الاستشعار للقيادة الذاتية ومساعدة السائق المتقدمة.

مثال على الأداء:

وحدة معالجة الشبكات العصبية في Exynos 9820 أسرع بحوالي 7 أضعاف من سابقتها في مهام الذكاء الاصطناعي.

الكفاءة:

تُعطي وحدات معالجة الشبكات العصبية الأولوية لكفاءة الطاقة على الإنتاجية الخام، مما يُطيل عمر البطارية مع دعم ميزات الذكاء الاصطناعي المتقدمة محليًا.

وحدة معالجة المصفوفات (TPU): محطة توليد طاقة الذكاء الاصطناعي من Google

التصميم والمزايا:

وحدات معالجة المصفوفات هي شرائح مخصصة طورتها Google خصيصًا لحسابات المصفوفات الكبيرة، مع ضبط الأجهزة بما يتناسب مع احتياجات أطر عمل مثل TensorFlow.

المواصفات الرئيسية:

• TPU v2: ما يصل إلى 180 TFLOPS لتدريب الشبكات العصبية واستنتاجها.
• TPU v4: متوفرة في Google Cloud، ما يصل إلى 275 TFLOPS لكل شريحة، قابلة للتوسع إلى “مجموعات” تتجاوز 100 بيتافلوبس.
• وحدات ضرب مصفوفة متخصصة (“MXU”) لحسابات الدُفعات الضخمة.
• كفاءة طاقة أفضل بنسبة 30-80 ضعفًا (TOPS/Watt) للاستنتاج مقارنة بوحدات معالجة الرسوميات ووحدات المعالجة المركزية المعاصرة.

أفضل استخدامات لها:

• تدريب نماذج ضخمة (BERT، GPT-2، EfficientNet) وتقديمها في السحابة على نطاق واسع.
• ذكاء اصطناعي عالي الإنتاجية ومنخفض زمن الوصول للبحث وأنابيب الإنتاج.
• تكامل وثيق مع TensorFlow وJAX؛ تتزايد واجهاتها مع PyTorch.

ملاحظة:

هندسة TPU أقل مرونة من GPU – مُحسّنة للذكاء الاصطناعي، وليس للرسومات أو المهام العامة.

أي النماذج تعمل أين؟

الأجهزة	أفضل النماذج المدعومة	أعباء العمل النموذجية
وحدة المعالجة المركزية	تعلم الآلة الكلاسيكي، جميع نماذج تعلم العمق*	البرامج العامة، إنشاء النماذج الأولية، الذكاء الاصطناعي الصغير
وحدة معالجة الرسوميات	CNNs، RNNs، Transformers	التدريب والاستنتاج (السحابة/محطة العمل)
وحدة معالجة الشبكات العصبية	MobileNet، TinyBERT، نماذج حافة مخصصة	الذكاء الاصطناعي على الجهاز، الرؤية/الكلام في الوقت الفعلي
وحدة معالجة المصفوفات	BERT/GPT-2/ResNet/EfficientNet، إلخ	تدريب/استنتاج نماذج واسعة النطاق

* تدعم وحدات المعالجة المركزية أي نموذج، لكنها ليست فعالة لنماذج الشبكات العصبية العميقة واسعة النطاق.

وحدات معالجة البيانات (DPUs): مُحرّكات البيانات

الدور: تُسرّع وحدات معالجة البيانات الشبكات والتخزين وحركة البيانات، وتُنزع هذه المهام من وحدات المعالجة المركزية/وحدات معالجة الرسوميات. تُمكّن وحدات معالجة البيانات من كفاءة أعلى للبنية التحتية في مراكز بيانات الذكاء الاصطناعي من خلال ضمان تركيز موارد الحوسبة على تنفيذ النموذج، وليس على إدخال/إخراج البيانات أو تنظيمها.

جدول مقارنة تقنية:

الميزة	وحدة المعالجة المركزية	وحدة معالجة الرسوميات	وحدة معالجة الشبكات العصبية	وحدة معالجة المصفوفات
حالة الاستخدام	الحوسبة العامة	تعلم العمق	الذكاء الاصطناعي على الحافة/الجهاز	ذكاء اصطناعي سحابي من Google
التوازي	منخفض – متوسط	عالٍ جدًا (~10,000+)	متوسط – عالي	عالي جدًا (ضرب المصفوفات)
الكفاءة	متوسطة	عالية الطاقة	فائقة الكفاءة	عالية للنماذج الكبيرة
المرونة	قصوى	عالية جدًا (جميع أطر العمل)	متخصصة	متخصصة (TensorFlow/JAX)
الأجهزة	x86، ARM، إلخ	NVIDIA، AMD	Apple، Samsung، ARM	Google (السحابة فقط)
مثال	Intel Xeon	RTX 3090، A100، H100	محرك Apple العصبي	TPU v4، Edge TPU

النقاط الرئيسية:

• وحدات المعالجة المركزية لا تُضاهى في أعباء العمل العامة والمرنة.
• تظل وحدات معالجة الرسوميات هي الحصان العامل لتدريب وتشغيل الشبكات العصبية عبر جميع أطر العمل والبيئات، خاصة خارج Google Cloud.
• تُسيطر وحدات معالجة الشبكات العصبية على الذكاء الاصطناعي في الوقت الفعلي، والحفاظ على الخصوصية، وكفاءة الطاقة للأجهزة المحمولة والحافة، مما يُفتح المجال لذكاء محلي في كل مكان من هاتفك إلى السيارات ذاتية القيادة.
• توفر وحدات معالجة المصفوفات مقياسًا وسرعة لا يُضاهيان للنماذج الضخمة – خاصةً في نظام Google البيئي – مما يدفع حدود أبحاث الذكاء الاصطناعي والانتشار الصناعي.

يعتمد اختيار الأجهزة المناسبة على حجم النموذج، ومتطلبات الحوسبة، وبيئة التطوير، والانتشار المطلوب (السحابة مقابل الحافة/الجوال). غالبًا ما تعتمد حزمة الذكاء الاصطناعي القوية على مزيج من هذه المعالجات، كل منها في مجال تفوقه.

المصدر: MarkTechPost