← أحدث الأبحاث
💻 علوم الحاسوب

Energy-Efficient GPU Resource Management for Generative AI on HPC Systems: A Roadmap Towards Cross-Layer Co-Design Approaches

تستعرض هذه الورقة 46 دراسة حول إدارة وحدات معالجة الرسومات الموفرة للطاقة للذكاء الاصطائي التوليدي في أنظمة الحوسبة عالية الأداء، وتحدد الفجوات الحرجة في التنسيق عبر الطبقات ودعم أعباء العمل الديناميكية، وتقترح إطار عمل GenAI-XEnergy لتوحيد القياس عن بُعد والتنبؤ والتحكم من أجل تنفيذ مستدام ومتناسب مع استهلاك الطاقة.

المؤلفون الأصليون: Atha Shamas, M. Usman Ashraf

نُشر 2026-11-17✓ Author reviewed ⓘ
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلفون الأصليون: Atha Shamas, M. Usman Ashraf

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

إن الآلات التي تشغل أكثر أنظمة الذكاء الاصطناعي تطوراً اليوم ليست ذكية فحسب، بل هي نهمة أيضاً. فهذه الأنظمة، المعروفة باسم الذكاء الاصطناعي التوليدي، تبتكر نصوصاً وصوراً وأكواداً برمجية جديدة من خلال التعلم من كميات هائلة من البيانات. وللقيام بذلك، تعتمد هذه الأنظمة على رقائق حاسوبية متخصصة تسمى وحدات معالجة الرسومات (GPUs)، والتي تعمل بمثابة غرف المحركات لهذه الحسابات. ومع ذلك، فإن تشغيل هذه المحركات يتطلب كمية هائلة من الكهرباء؛ إذ يمكن لتدريب نموذج ضخم واحد أن يستهلك طاقة تعادل ما تستهلكه بلدة صغيرة في عام كامل، كما أن التشغيل اليومي لهذه الأنظمة يستمر في سحب الطاقة بمعدل مذهل. ومع ازدياد حجم هذه النماذج وتعقيدها، يتحول التحدي من مجرد جعلها أسرع إلى جعلها كفؤة بما يكفي للعمل دون استنزاف موارد الكوكب. ولم يعد السؤال الذي يواجه المهندسين يتعلق بالأداء فحسب، بل بكيفية إدارة تدفق الطاقة عبر هذه الأنظمة الحاسوبية الضخمة بحيث تؤدي كل واط من الكهرباء عملاً مفيداً.

لقد ألقى فريق من الباحثين نظرة فاحصة على كيفية إدارتنا لهذه الأنظمة الشرهة للطاقة حالياً، ووجدوا أن نهجنا مجزأ إلى قطع كثيرة منفصلة. ففي مراجعة شاملة لست وأربعين دراسة حديثة، اكتشفوا أن الخبراء يحاولون حل مشكلة الطاقة بشكل منعزل. فبعض الباحثين يركزون على الأجهزة (Hardware) نفسها، محاولين إبطاء سرعة الرقائق عندما تكون في حالة خمول. والبعض الآخر ينظر إلى البرمجيات (Software) التي تشغل البرامج، محاولين تنظيم المهام بشكل أفضل. بينما يدرس آخرون أنظمة الجدولة التي تقرر أي حاسوب يتولى أي مهمة. وبينما حققت كل واحدة من هذه الجهود بعض النجاح بمفردها، يرى الباحثون أنها تفشل في العمل معاً. ولأن الطبقات المختلفة للنظام لا تتواصل مع بعضها البعض، فإن النتيجة الإجمالية غالباً ما تكون هدراً في الطاقة؛ فقد يتم إبطاء سرعة شريحة لتوفير الطاقة، لكن البرنامج قد لا يعلم بذلك ويستمر في إرسال العمل على أي حال، أو قد يقوم المجدول بتعيين مهمة لحاسوب يعاني بالفعل من ارتفاع في درجة الحرارة لأنه يفتقر إلى بيانات فورية من الأجهزة.

وقد حدد الباحثون أن طبيعة أعباء عمل الذكاء الاصطناعي التوليدي تجعل هذا التجزؤ خطيراً بشكل خاص. فخلافاً للمهام الحاسوبية التقليدية التي تعمل بوتيرة ثابتة، تتميز مهام الذكاء الاصطناعي هذه بأنها غير متوقعة للغاية؛ إذ يمكنها أن تنفجر بنشاط مكثف لبضع ثوانٍ ثم تهدأ، أو يمكنها أن تتطلب كميات هائلة من الذاكرة بطريقة لم تُصمم الأنظمة التقليدية للتعامل معها. وأظهرت المراجعة أن الأساليب الحالية غالباً ما تعامل هذه المهام كما لو كانت ثابتة ومتوقعة، مما يؤدي إلى استخدام غير فعال للموارد. فعلى سبيل المثال، تخصص العديد من الأنظمة مقداراً ثابتاً من قدرة الحوسبة لمهمة ما بغض النظر عما إذا كانت تحتاج إليها فعلياً في تلك اللحظة أم لا، مما يترك الأجهزة باهظة الثمن في حالة خمول مع استمرار سحب الطاقة. ووجدت الدراسة أنه بينما توجد العديد من الحيل الذكية لتوفير الطاقة على مستوى الأجهزة أو البرمجيات، إلا أن هناك نقصاً واضحاً في الاستراتيجيات التي تربط بينهما.

ولمعالجة ذلك، يقترح المؤلفون طريقة جديدة للتفكير تسمى "التصميم المشترك عبر الطبقات" (cross-layer co-design). فبدلاً من إصلاح الأجهزة أو البرمجيات أو المجدل بشكل منفصل، يقترحون بناء نظام تعمل فيه كل هذه الأجزاء كوحدة واحدة منسقة. وقد قدموا إطاراً مفاهيمياً يطلق عليه اسم "GenAI-XEnergy". وتتصور هذه الفكرة نظاماً يراقب باستمرار استهلاك الكمبيوتر للطاقة، ويتنبأ بمقدار الطاقة التي ستحتاجها المهمة قبل بدئها حتى، ثم يضبط الأجهزة والبرمجيات فوراً لتتناسب معها. تخيل قائد أوركسترا يقود فرقة موسيقية حيث يمكن لكل عازف سماع الآخرين وتعديل مستوى صوتهم في الوقت الفعلي لخلق تناغم مثالي؛ في هذه الحالة، "الموسيقى" هي تدفق الكهرباء، و"العازفون" هم رقائق الكمبيوتر، ونظام التشغيل، ومجدول المهام. ومن خلال ربط هذه الطبقات، يمكن للنظام إيقاف تشغيل أجزاء من الشريحة في اللحظة التي لا تكون فيها مطلوبة، أو نقل مهمة ثقيلة إلى كمبيوتر آخر يتوفر فيه طاقة أرخص وأنظف.

وتسلط المراجعة الضوء على أنه بينما نمتلك الأدوات الفردية لإجراء هذه التعديلات، إلا أننا نفتقر إلى "الدماغ المركزي" لتنسيقها. ويشير الباحثون إلى أن الأنظمة الحالية غالباً ما تعتمد على قواعد قديمة كُتبت لأنواع مختلفة من العمل الحاسوبي. ويجادلون بأنه لكي نحل حقاً أزمة الطاقة في الذكاء الاصطناعي، نحتاج إلى الانتقال من هذه القواعد الثابتة نحو نظام ديناميكي يتعلم ويتكيف. ويقترح الإطار المقترح استخدام البيانات الفورية لاتخاذ القرارات، مما يضمن استخدام الطاقة فقط عندما تكون ضرورية تماماً. ولا يتطلب هذا النهج اختراع أنواع جديدة تماماً من الحواسيب، بل استخدام القدرات التي نمتلكها بالفعل بطريقة أكثر ذكاءً وترابطاً. وتشير النتائج إلى أنه من خلال دمج هذه الطبقات المنفصلة معاً، يمكننا تقليل البصمة الطاقية للذكاء الاصطناعي بشكل كبير دون التضحية بسرعته أو قدرته على التعلم.

إن المسار المستقبلي، وفقاً للورقة البحثية، يتضمن بناء هذه الروابط بين الأجهزة والبرمجيات. ويقترح الباحثون أن الأنظمة المستقبلية يجب أن تكون قادرة على استشعار استهلاكها للطاقة وتعديل سلوكها بناءً على ذلك، وهو مفهوم يُعرف باسم "الإدارة المدفوعة بالقياس عن بُعد" (telemetry-driven management). وهذا يعني أن الكمبيوتر سيعرف بالضبط مقدار الطاقة التي يستخدمها في أي ثانية، ويمكنه إجراء تغييرات فورية لتوفير الطاقة. كما يؤكدون على ضرورة مراعاة مصدر الكهرباء، مقترحين أن تحاول الأنظمة تشغيل المهام الثقيلة عندما تستخدم شبكة الكهرباء مصادر طاقة أنظف. وبينما تقر الورقة بأن بناء مثل هذا النظام الموحد يمثل تحدياً معقداً لم يتحقق بالكامل بعد، إلا أنها تقدم خارطة طريق واضحة للوصول إلى ذلك. والهدف النهائي هو إنشاء بنية تحتية للذكاء الاصطناعي ليست قوية فحسب، بل مستدامة أيضاً، مما يضمن استمرار نمو هذه التكنولوجيا دون إغراق أنظمة الطاقة التي تدعمها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →