💻 علوم الحاسوب

Apple Neural Engine: Architecture, Programming, and Performance

تقدم هذه الورقة بحثاً شاملاً للهندسة العكسية لمحرك أبل العصبي (ANE) عبر أجيال متعددة من الرقائق، حيث تفصل بنيته، وحزمة البرمجيات الخاصة به، وخصائص الأداء من خلال الوصول المباشر من مساحة المستخدم وفك التجميع لتوفير مورد تأسيسي للأبحاث على الأجهزة رغم غياب الوثائق الرسمية.

المؤلفون الأصليون: Spencer H. Bryngelson

نُشر 2026-10-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Spencer H. Bryngelson

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في العالم الحديث، تمتلئ هواتفنا الذكية وحواسيبنا بأدوات متخصصة مصممة لحل مشكلات محددة بسرعة. وبينما يتولى المعالج المركزي المهام العامة، ويعالج معالج الرسوميات الصور، أصبح هناك مكون ثالث، غالباً ما يكون مخفياً، ضرورياً لتشغيل الذكاء الاصطناعي مباشرة على الجهاز. هذا المكون هو محرك مخصص صُمم لأداء أعداد هائلة من الحسابات الرياضية البسيطة، وتحديداً ضرب وجمع الأرقام، وهو العمل الجوهري للتعرف على وجه في صورة أو ترجمة أمر صوتي. لسنوات، ظل هذا المحرك بمثابة "صندوق أسود"؛ فبينما كان بإمكان مطوري البرامج أن يطلبوا من الكمبيوتر استخدامه، لم يكن لديهم أي وسيلة لرؤية كيف يعمل، أو ما الذي يمكنه فعله حقاً، أو كيفية التحدث إليه مباشرة دون المرور عبر وسيط معقد.

لقد نجح باحث الآن في فتح ذلك الصندوق الأسود. فمن خلال الفحص الدقيق للبرمجيات التي تعمل على أجهزة آبل وقياس العتاد نفسه، قام برسم خريطة للنظام بأكره، بدءاً من رقائق السيليكون الفيزيائية وصولاً إلى التعليمات غير المرئية التي تحركها. ويكشف عمله أن هذا المحرك ليس حاسوباً عام الأغراض، بل هو آلة متخصصة للغاية صُممت للتعامل مع نوع محدد من الرياضيات بسرعة فائقة واستهلاك منخفض للطاقة. وقد اكتشف أنه بينما يتميز المحرك بسرعة مذهلة في مهام معينة، إلا أن لديه حدوداً صارمة فيما يتعلق بما يمكنه حسابه وكيفية تعامله مع الأرقام. هذا الفهم يسمح للمطورين ببناء تطبيقات أفضل تعمل بشكل أسرع وتستهلك بطارية أقل، ولكنه يظهر أيضاً أن المحرك ليس حلاً سحرياً لكل مشكلة؛ بل هو أداة دقيقة ذات وظيفة محددة، ويتطلب استخدامه بشكل صحيح فهم قواعده الفريدة.

بدأ الباحث بتجاوز طبقات البرمجيات القياسية التي عادة ما تخفي المحرك عن المستخدمين. وبدلاً من سؤال تطبيق عالي المستوى ليقرر أين يتم تشغيل المهمة، وجد مساراً مباشراً إلى المحرك نفسه، مما سمح له بإرسال الأوامر وقياس النتائج بضبط كامل. لقد تعامل مع المحرك كآلة مستقلة تستقبل مجموعة من التعليمات، وتنفذها، ثم ترسل إشارة عند انتهائها. ووجد أن المحرك لا يعالج التعليمات واحدة تلو الأخرى مثل الحاسوب القياسي؛ بل ينفذ تسلسلاً مخططاً مسبقاً من عمليات نقل البيانات والحسابات التي يتم تحديدها قبل بدء العمل حتى. وهذا يعني أن المحرك لا يمكنه اتخاذ قرارات بناءً على البيانات التي يعالجها أثناء تشغيله؛ إذ يجب وضع المسار مسبقاً.

يتعلق أحد أهم الاكتشافات بكيفية تعامل المحرك مع الأرقام. فهو يجري حساباته باستخدام تنسيق يسمى "دقة النصف" (half-precision)، والذي يستخدم عدداً أقل من البتات لتخزين الرقم مقارنة بالتنسيق القياسي المستخدم في معظم الحواسب. هذا الخيار يسمح للمحرك بنقل البيانات بشكل أسرع واستخدام طاقة أقل، ولكنه يأتي على حساب الدقة. وقد اكتشف الباحث أن المحرك يعوض ذلك باستخدام "سجل داخلي" واسع جداً للاحتفاظ بالمجموع الجاري لحساباته. يعمل هذا السجل الواسع مثل شبكة أمان، مما يضمن بقاء النتيجة النهائية دقيقة حتى وإن كانت الخطوات الفردية تستخدم أرقاماً أصغر. ومع ذلك، فإن هذا النظام له نقطة انكسار؛ فإذا تضمن الحساب إلغاء رقم موجب كبير برقم سالب كبير لإيجاد فرق ضئيل، يفقد المحرك دقته لأن الفرق الصغير يضيع في عملية تقريب الأرقام الكبيرة الأولية. وفي هذه الحالات المحددة، لا يمكن استخدام المحرك، ويجب نقل المهمة إلى جزء آخر من الكمبيوتر.

رسمت الدراسة أيضاً خريطة توضح العمليات التي يمكن للمحرك القيام بها بدقة. فهو ممتاز في المهام التي تدعم الرؤية والكلام، مثل التعرف على الأشكال في صورة أو معالجة الموجات الصوتية. ويمكنه التعامل مع الأنماط المعقدة مثل "الالتفافات" (convolutions)، وهي العمليات الرياضية المستخدمة للكشف عن الحواف والميزات في الصورة. ومع ذلك، وجد الباحث أن المحرك لا يستطيع فعل كل شيء؛ فبعض أنواع الحسابات، مثل تلك التي تتضمن بيانات ثلاثية الأبعاد أو أنواعاً معينة من تحديثات الذاكرة، لا يدعمها العتاد ببساطة. كما اكتشفوا أن قدرات المحرك تتغير اعتماداً على جيل الشريحة المحدد. فعلى سبيل المثال، يمكن للشرائح القديمة ضغط البيانات بطرق معينة فقط لتوفير المساحة، بينما يمكن للشرائح الأحدث ضغط البيانات بتنسيقات أكثر، مما يسمح لها بنقل المعلومات بشكل أسرع واستخدام طاقة أقل.

أظهرت قياسات الأداء أنه عندما يُستخدم المحرك في النوع الصحيح من العمل، فإنه يكون أسرع وأكثر كفاءة بشكل كبير من معالج الرسوميات، الذي غالباً ما يُستخدم لمهام مماثلة. ففي مهمة محددة لمعالجة الصور، وُجد أن المح_

أبحاث مشابهة