Maia 200: A Software Defined Dataflow System for Large-scale AI Acceleration
تقدم الورقة البحثية Maia 200، وهو مسرع ذكاء اصطناعي عالي الأداء وموفر للطاقة يستخدم بنية تدفق بيانات محلي الوصول محددة برمجياً (SDLA) مبتكرة للتحول من الحوسبة المتمحورة حول الخيوط البرمجية إلى الحوسبة المتمحورة حول حركة البيانات، مما يوفر توازياً هائلاً وتوفيراً كبيراً في التكاليف لأعباء عمل استدلال الذكاء الاصطناعي واسعة النطاق.
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
يشهد عالم الحوسبة حالياً تحولاً هائلاً، مدفوعاً بنوع جديد من البرمجيات التي يمكنها كتابة الشعر، وحل المسائل الرياضية المعقدة، وتوليد الصور من أوصاف بسيطة. تتطلب هذه الأنظمة، المعروفة باسم النماذج اللغوية الكبيرة، كمية هائلة من القدرة الحوسبية لتشغيلها. لسنوات عديدة، اعتمدت الصناعة على طريقة محددة لتنظيم الرقائق الحاسوبية، وهي طريقة تعامل البيانات كتدفق من التعليمات التي تنتظر المعالجة بواسطة عقل مركزي. ومع ذلك، ومع ازدياد حجم هذه النماذج وتعقيدها، بدأت هذه الطريقة التقليدية تصطدم بحائط مسدود. فالرقائق تقضي وقتاً طويلاً جداً في انتظار وصول البيانات بدلاً من القيام بالعمليات الحسابية فعلياً، مما يؤدي إلى أنظمة باهظة التكلفة للغاية في البناء والتشغيل، وتستهلك كميات هائلة من الكهرباء. لم يعد التحدز الجوهري مقتصرًا على جعل العمليات الحسابية أسرع فحسب؛ بل يتعلق الأمر بنقل البيانات نفسها بكفاءة أكبر.
قدم فريق من الباحثين في مايكروسوفت نهجاً جديداً لحل هذه المشكلة من خلال رقاقة أطلقوا عليها اسم "Maia 200". فبدلاً من محاولة إجبار الطريقة القديمة في التفكير على العمل بجهد أكبر، صمموا نظاماً يغير القواعد الأساسية لكيفية تعامل الرقاقة الحاسوبية مع المعلومات. وقد أطلقوا على هذا التصميم الجديد اسم بنية "تدفق البيانات المحددة برمجياً والمُوصولة محلياً" (Software Defined Locally Accessed Dataflow). وبمعنى مبسط، يعني هذا أن الرقاقة مصممة لنقل البيانات تماماً إلى حيث تحتاج أن تكون، وفي الوقت الذي تحتاج فيه أن تكون هناك، دون انتظار أمر مركزي ليخبرها بما يجب فعله تالياً. وقد أثبت الباحثون أن هذه الطريقة تسمّح للرقاقة بإجراء الحسابات بسرعة وكفاءة في استهلاك الطاقة أكبر بكثير من التصاميم السابقة، مما يقدم حلاً يمكنه تشغيل الجيل القادم من الذكاء الاصطناعي دون التكاليف الباهظة وعقوبات استهلاك الطاقة التي تحد من الصناعة حالياً.
لفهم سبب أهمية ذلك، يجب على المرء أن ينظر إلى كيفية عمل الحواسيب الحديثة عادةً. لعقود من الزمن، كان التصميم القياسي هو وجود معالج مركزي يجلب البيانات من بنك ذاكرة مشترك وكبير، ويقوم ببعض العمل عليها، ثم يعيد إرسالها. يعمل هذا بشكل جيد للعديد من المهام، ولكن بالنسبة للحسابات الضخمة والمتكررة المطلوبة من الذكاء الاصطناعي، فإنه يخلق عنق زجاجة. فالمعالج غالباً ما يظل خاملاً، منتظراً انتقال البيانات عبر الرقاقة. أدرك فريق مايكروسوفت أنه بالنسبة لهذا النوع المحدد من أعباء العمل، فإن المسار الأكثر كفاءة ليس امتلاك قائد مركزي واحد، بل منح البيانات تعليماتها الخاصة. لقد أنشأوا نظاماً يتم فيه برمجة حركة البيانات بشكل صريح، مما يسم يسمح لأجزاء مختلفة من الرقاقة بالعمل بشكل مستقل ومتوازٍ. وهذا ينقل التركيز من إدارة خيوط التنفيذ إلى إدارة تدفق المعلومات نفسها.
تعد رقاقة Maia 200 التجسيد المادي لهذه الفكرة. إنها قطعة ضخمة من السيليكون، تحتوي على أكثر من 140 مليار ترانزستور، مصممة خصيصاً للتعامل مع الأعباء الثقيلة لاستدلال الذكاء الاصطناعي (AI inference)، وهي عملية استخدام نموذج مُدرب لتوليد الإجابات. تم بناء الرقاقة بهيكل داخلي فريد يقسم ذاكرتها إلى جيوب صغيرة متخصصة تقع بجوار الأجزاء من الرقاقة التي تقوم بالعمليات الحسابية مباشرة. وهذا ابتعاد متعمد عن التصميم التقليدي الذي يعتمد على وجود حوض واحد ضخم من الذاكرة. ومن خلال إبقاء البيانات قريبة من مكان استخدامها، تتجنب الرقاقة هدر الطاقة وتأخيرات الوقت المرتبطة بالسفر لمسافات طويلة عبر السيليكون. ووجد الباحثون أن هذا التصميم يسمح للرقاقة بتحقيق مستويات أداء كانت تُعتبر مستحيلة سابقاً ضمن حدود طاقتها، حيث توفر كمية هائلة من القدرة الحوسبية مع البقاء ضمن ميزانية طاقة تبلغ 750 واط.
ما يجعل Maia 200 متميزة حقاً هو كيفية معالجتها لحركة البيانات. في الأنظمة القديمة، يعتمد الكمبيوتر غالباً على "ذاكرة التخزين المؤقت" (cache)، وهي ذاكرة صغيرة وسريعة تخزن تلقائياً البيانات التي تعتقد أن المعالج قد يحتاجها لاحقاً. وبينما يعمل هذا بشكل جيد للحوسبة العامة، وجد فريق مايكروسوفت أنه بالنسبة للأنماط المتوقعة والمتكررة للذكاء الاصطناعي، فإن التخزين المؤقت التلقائي غير فعال في الواقع؛ فهو يضيف تعقيداً وأعباءً تبطئ العمل. بدلاً من ذلك، تستخدم Maia 200 نظاماً يخبر فيه المبرمج الرقاقة صراحةً بمكان نقل البيانات ومتى يتم ذلك. قد يبدو هذا وكأنه سيجعل البرمجة أصعب، لكن الباحثين صمموا طبقة برمجية جديدة تسمح للخبراء بالتحكم الكامل في حركة البيانات عندما يحتاجون إلى أقصى سرعة، مع الاستمرار في تقديم أدوات أبسط للمهام العامة. يمنح هذا النهج الرقاقة مستوى من الدقة لا يمكن للأنظمة التلقائية مضاهاته، مما يسمح لها بإبقاء كل جزء من المعالج مشغولاً ويعمل بكامل طاقته.
كما صُممت الرقاقة لتعمل بسلاسة مع رقائق أخرى في مجموعة كبيرة. فغالباً ما تكون نماذج الذكاء الاصطناعي كبيرة جداً بحيث لا يمكن أن تتسع في رقاقة واحدة، مما يتطلب عمل آلاف الرقائق معاً. تتضمن Maia 200 شبكة متطورة مدمجة مباشرة في الرقاقة، مما يسمح لها بإرسال واستقبال البيانات من الرقائق الأخرى بنفس سهولة نقل البيانات داخل نفسها. وقد أثبت الباحثون أن هذا النظام يمكنه ربط آلاف الرقائق معاً، مما يخلق حاسوباً فائقاً قادراً على إجراء كوينتيليونات (quintillions) من العمليات في الثانية. وقد اختبروا هذا النظام مع نماذج ذكاء اصطناعي واقعية، بما في ذلك نموذج لغوي كبير بمليارات المعلمات، ووجدوا أنه يمكنه توليد النصوص بسرعات تزيد عن 70 بالمائة من الحد الأقصى النظري للأجهزة. وهذا إنجاز كبير، لأنه يظهر أن هذه البنية الجديدة لا تعمل في النظرية فحسب، بل تعمل بفعالية في السيناريوهات العملية والمعقدة.
أحد أهم النتائج التي توصل إليها البحث هو التأثير على التكلفة والطاقة. فقد حسب الفريق أنه باستخدام هذا التصميم الجديد، يمكنهم تقليل إجمالي تكلفة الملكية لنظام ذكاء اصطناعي واسع النطاق بنسبة 30 بالمائة وخفض استهلاك الطاقة بنسبة 15 بالمائة مقارنة بالمسرعات المتاحة الأخرى. وفي صناعة أصبحت فيها فواتير الطاقة مصدر قلق رئيسي والطلب على القدرة الحوسبية ينمو بشكل مطرد، تعد هذه التوفيرات جوهرية. لم يحقق الباحثون ذلك من خلال جعل الرقاقة أصغر أو أرخص في التصنيع، بل من خلال جعل النظام بأكره أكثر كفاءة في أداء مهمته. فمن خلال القضاء على الوقت والطاقة الضائعين في نقل البيانات غير الضروري، تقوم الرقاقة بمزيد من العمل بقدر أقل من الطاقة.
تمثل Maia 200 خطوة هامة للأمام في كيفية بناء الحواسيب للمستقبل. فهي تبتعد عن الفكرة القديمة المتمثلة في وجود عقل مركزي واحد يدير كل شيء، وتتبنى نموذجاً تتدفق فيه البيانات بحرية وكفاءة عبر شبكة من العمال المتخصصين. لقد أظهر الباحثون أنه من خلال التحكم في حركة البيانات ووضع الذاكرة تماماً حيث تشتد الحاجة إليها، من الممكن بناء أنظمة أسرع، وأرخص، وأكثر كفاءة في استهلاك الطاقة. ومع استمرار تطور الذكاء الاصطناعي وزيادة الطلب على القدرة الحوسبية، تقدم تصميمات مثل Maia 200 مساراً مستداماً وقابلاً للتوسع. إن هذا العمل يثبت أن مستقبل الحوسبة عالية الأداء لا يكمن فقط في جعل العمليات الحسابية أسرع، بل في إعادة التفكير في كيفية إدارة ونقل البيانات نفسها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.