الفرق بين تدريب نماذج الذكاء الاصطناعي واستدلالها يكمن في أن التدريب هو مرحلة بناء النموذج وتعليمه لمرة واحدة، في حين الاستدلال (AI Inference) هو مرحلة التشغيل الفعلي المستمر، فيستقبل النموذج بيانات المستخدم ويجيب عنها فوريًّا. أصبحت رقائق الاستدلال اليوم أهم؛ لأن تكلفة تشغيلها تتراكم مع كل طلب من ملايين المستخدمين، ما دفع عمالقة التقنية وشركات أشباه الموصلات لتطوير معالجات أرخص وأكثر كفاءة في استهلاك الطاقة لكسر احتكار شركة إنفيديا (Nvidia) وحل معضلة تكلفة التشغيل للشركات الناشئة
في هذا المقال نوضح لك لماذا أصبحت رقائق الاستدلال أهم من تدريب النماذج، وما الذي يجعل رقائق الاستدلال مختلفة هندسيًا عن رقائق التدريب، وكيف يؤثر هذا التحول على عائد الاستثمار لشركات الذكاء الاصطناعي الناشئة، ومن هم العمالقة الجدد في سوق رقائق الاستدلال؟
أصبحت رقائق الاستدلال (AI Inference Chips) محور تشغيل الذكاء الاصطناعي؛ فهي تعمل باستمرار مع كل طلب من المستخدم، وتحتاج إلى سرعة استجابة وكفاءة طاقة أعلى من رقائق التدريب، وقد تخفض بعض تقنياتها استهلاك الكهرباء بنسبة تصل إلى 75%.
ما المقصود بالاستدلال بالذكاء الاصطناعي؟
الاستدلال (AI Inference) هو مرحلة التشغيل الفعلي لنموذج الذكاء الاصطناعي بعد انتهاء تدريبه، حيث يستقبل النموذج بيانات جديدة من المستخدم (نص أو صورة) ويحللها ويستخرج التنبؤات أو الإجابات الفورية بناءً على المعرفة والأنماط التي اكتسبها سابقًا.
ما الفرق الدقيق بين تدريب نماذج الذكاء الاصطناعي واستدلالها؟
الفرق بينهما يشبه الفرق بين مرحلة الدراسة لنيل الشهادة ومرحلة ممارسة المهنة، فتعد إحداهما تحضيرًا للأخرى، وهو ما يمكن توضيحه في المقارنة التالية:
1. المفهوم والهدف
- التدريب: هو المرحلة التي تمر فيها نماذج الذكاء الاصطناعي بالبناء والتعلم عن طريق إدخال كميات هائلة من البيانات إلى النموذج الفارغ، الذي يبدأ في تعلم الأنماط والعلاقات وتعديل الملايين من المعاملات الرقمية حتى يصبح ذكيًا.
- الاستدلال: المرحلة التالية، حيث يبدأ النموذج في التشغيل والتطبيق بعد أن يتجاوز مرحلة التدريب، ويبدأ في استقبال بيانات جديدة تمامًا من المستخدم ليتنبأ أو يعطي الإجابة فورًا.
2. طبيعة العمليات الحسابية
- في مرحلة التدريب: تكون العمليات معقدة وتتم في اتجاهين ذهابًا وإيابًا، حيث يقوم النموذج بالتخمين والمقارنة ويعود لتصحيح أخطائه، ما يتطلب دقة رقمية عالية جدًا.
- في مرحلة الاستدلال: العمليات الحسابية تسير في اتجاه واحد، حيث يقوم النموذج بحساب النتيجة بناءً على ما تعلمه في مرحلة التدريب دون أن يحتاج لتصحيح نفسه أو العودة للخلف، ويستخدم التقنيات الكمية لتسريع العملية.
3. المتطلبات الهندسية والعتاد
- في مرحلة التدريب: يتطلب الأمر قدرات حوسبية خارقة يتم تجميعها في مراكز البيانات الضخمة، حيث تحتاج الرقائق إلى ذاكرة هائلة وسرعة عالية لنقل البيانات.
- في مرحلة الاستدلال: لا حاجة للشبكات المعقدة في الرقائق المتصلة، فيمكن أن تتم العملية على رقاقة واحدة داخل مركز بيانات أو معالج هاتف ذكي أو سيارة ذكية، مع التركيز على السرعة والكفاءة في استهلاك الطاقة.
4. عامل الوقت والزمن
- في مرحلة التدريب: العامل الحاسم هو الإنتاجية الكلية وكمية البيانات الضخمة التي تستطيع الرقاقات معالجتها في الساعة أو اليوم، ولا يمثل التأخير مشكلة.
- في مرحلة الاستدلال: إن العامل الحاسم هو زمن الاستجابة، حيث يجب أن يحصل المستخدم على الإجابة في أجزاء من الثانية، وهنا التأخير يعني فشل الخدمة.
5. الاستدامة والتكلفة
- التدريب: عملية مؤقتة تنتهي بمجرد تدريب النموذج واكتماله، وهو ما يحتاج إلى تكلفة ضخمة جدًا يتم إنفاقها دفعة واحدة قد تصل إلى ملايين الدولارات للنموذج الواحد.
- الاستدلال: عملية مستمرة طوال 24 ساعة ومستدامة ما دام هناك مستخدمون يطلبون إنجاز المهام، وتكون تكلفة العملية صغيرة حسب الطلب الواحد، إلا أنها قد تصبح فلكية بسبب التكرار ملايين المرات يوميًا من قبل المستخدمين.
لماذا أصبحت رقائق الاستدلال أهم من تدريب النماذج؟
- التكلفة والتشغيل: عملية التدريب يتم اللجوء إليها مرة واحدة أو حتى يتم تحديث النموذج على فترات، أما عملية الاستدلال فهي تتم في كل مرة يتفاعل فيها المستخدم، وهو ما يجعل نفقات الاستدلال تتراكم باستمرار.
- أولوية السرعة والاستجابة: عملية الاستدلال تتطلب معالجة فورية للمدخلات وتحتاج إلى استنتاجات سريعة، لذا تتسابق الشركات في تطوير رقائق متخصصة تقلل التأخير قدر الإمكان.
- توسع حجم الاستخدام: مع تضاعف متطلبات الاستدلال بسبب زيادة النصوص المدخلة والاستخدام المتزايد للنماذج المعقدة، ارتفع حجم العمليات التي تنفذها الرقائق لحظة الطلب.
- انتشار التطبيقات: مع انتشار التطبيقات وانتقال الذكاء الاصطناعي من مراكز البيانات الضخمة إلى الأجهزة الطرفية مثل الهواتف والسيارات وأجهزة إنترنت الأشياء، فقد زاد الطلب على رقائق الاستدلال التي تتميز بكفاءة استهلاك الطاقة.
كيف يؤثر هذا التحول على عائد الاستثمار لشركات الذكاء الاصطناعي الناشئة؟
اختلف الحال تمامًا في تلك المرحلة بالنسبة للشركات الناشئة في مجال الذكاء الاصطناعي، حيث كان التحدي الأكبر قديمًا هو جمع مبلغ لتغطية التكلفة الكبيرة لتدريب النموذج مرة واحدة، أما الآن فالتحدي للشركة هو مواكبة نفقات التشغيل المستمر المرتبط بزيادة عدد المستخدمين، وهو ما يمكن تبسيطه كالتالي:
- معضلة تكلفة البضائع المباعة: كانت شركات البرمجيات التقليدية تحصل على هوامش ربح عالية لأن تكلفة خوادم الاستضافة لكل مستخدم جديد شبه معدومة، أما الآن فإن كل سؤال يطرحه المستخدم يتطلب عملية استدلال حوسبية مكلفة، وهو ما يقلل هوامش الربح الإجمالية أو يؤدي إلى تأخير تحقيق عائد استثماري إيجابي.
- خطر النمو العقابي: رغم أن المنطق يقول إن زيادة عدد المستخدمين تؤدي إلى زيادة الأرباح، فإن تلك المرحلة تشهد زيادة النفقات والتكاليف بشكل كبير مع زيادة عدد المستخدمين، وهو ما قد يؤدي إلى خسائر هائلة إذا لم تكن الشركة الناشئة حذرة في تسعير خدماتها.
- التسعير القائم على الاستهلاك: العديد من شركات الذكاء الاصطناعي، خاصة الناشئة، بدأت تتخلى عن نموذج الاشتراك الثابت غير المحدود، وتتجه للتسعير القائم على الاستهلاك لنقل تكلفة الاستدلال مباشرة إلى العميل النهائي، ولكي تضمن الشركة الحفاظ على هامش ربح ثابت مع كل عملية استدلال.
- تحسين كفاءة رأس المال: الجانب الإيجابي في التحول الكبير في أهمية رقائق الاستدلال هو أن الشركات الناشئة يمكنها أن تأخذ نماذج ممتازة مفتوحة المصدر وتركز رأس مالها على تخصيص هذه النماذج وتحسين كفاءة استدلالها، مما يحسن وصولها إلى السوق ويسرع بدء تدفق العوائد الاستثمارية.
- الاهتمام بالهندسة البرمجية للاستدلال: هذا التحول دفع الشركات الناشئة في مجال الذكاء الاصطناعي إلى التنافس في تقليص تكاليف الاستدلال، لذا بدأت الشركات تبتكر تقنيات جديدة مثل تصغير حجم النماذج لتعمل على رقائق استدلال أرخص وأقل استهلاكًا للطاقة، أو تقسيم العمل بين النماذج الصغيرة والنماذج العملاقة.
كيف تسهم رقائق الاستدلال في حل معضلة الطاقة في مراكز البيانات؟
أصبح لرقائق الاستدلال المتخصصة دور محوري في حل معضلة الطاقة الخاصة بمراكز بيانات الذكاء الاصطناعي الحالية والمستقبلية بواسطة آليات هندسية وتقنية دقيقة كالتالي:
- الكفاءة البنائية: لأن رقائق الاستدلال يتم تصميمها هندسيًا لتنفيذ العمليات الحسابية للأمام فقط، فإنها تتخلص من تعقيدات التدريب العكسي وتتيح للمهندسين بناء معالجات أصغر حجمًا وأقل تعقيدًا، مما يرفع كفاءة الطاقة لكل واط مستهلك.
- دعم الدقة الحسابية المنخفضة: المدهش في رقائق الاستدلال الحديثة قدرتها العالية على معالجة البيانات بدقة منخفضة دون خسارة ملحوظة في جودة النتائج. وبذلك، خفض الدقة الرقمية يعني تقليل حجم البيانات وخفض استهلاك الطاقة الكهربائية بنسبة تصل إلى 75% أحيانًا.
- تقليل طاقة نقل البيانات: من المعروف أن معظم الطاقة تذهب في عمليات نقل البيانات من الذاكرة إلى المعالج وليس في عملية المعالجة نفسها. وهنا يأتي دور رقائق الاستدلال الحديثة التي تعتمد على تقنيات الحوسبة داخل الذاكرة، أو حتى دمج ذاكرات قريبة جدًا ومنخفضة الطاقة لتقليل المسافة التي تقطعها البيانات وتوفير كمية هائلة من الطاقة.
- تحسين نسبة إشغال الخوادم: تُصمم رقائق الاستدلال الحديثة لتكون مرنة وقابلة للتطوير ميكانيكيًا، وعلى هذا يمكن تشغيلها عند ورود طلب من المستخدم فقط، مع خفض طاقتها إلى الحد الأدنى فور انتهاء الطلب، وتقليل الهدر الكهربائي في أوقات انخفاض حركة المستخدمين.
من هم العمالقة الجدد في سوق رقائق الاستدلال؟
من المعروف أن شركة إنفيديا Nvidia تحتكر سوق تدريب الذكاء الاصطناعي بنسبة تقارب 90%، لكن سوق رقائق الاستدلال مفتوح لمنافسة شرسة، وهو ما يفتح المجال أمام العمالقة الجدد في سوق الاستدلال إلى 3 فئات رئيسية كالتالي:
عمالقة السحابة والإنترنت
- Google: أحد رواد وعمالقة سوق الاستدلال التي أطلقت رقاقتها Ironwood المخصصة لدعم الجيل الجديد من النماذج بكفاءة حوسبية هائلة.
- Amazon: عملاق آخر طوَّر شريحة Inferentia، وهي مخصصة لعمليات الاستدلال وتقدم لعملائها تقليل التكلفة التشغيلية السحابية بنسبة تصل إلى 40%.
- Meta & Microsoft: كلتا الشركتين العملاقتين تمتلكان مشروعات داخلية متقدمة لتصميم رقاقات الاستدلال المتخصصة لتشغيل ميزات الذكاء الاصطناعي في تطبيقاتهما دون الاعتماد الكلي على المعالجات الخارجية.
- OpenAI: دخلت في تلك المعركة المحتدمة بالتعاون مع Broadcom العملاقة لأشباه الموصلات من أجل تصميم رقاقات استدلال مخصصة ذات كفاءة عالية لتشغيل نماذج ChatGPT.
المنافسون التقليديون لأشباه الموصلات
- AMD: المنافس التجاري الأبرز لشركة إنفيديا التي تتميز رقائقها بسعة الذاكرة العشوائية الضخمة للغاية التي تتفوق في تشغيل النماذج اللغوية الكبيرة في أثناء مرحلة الاستدلال.
- Broadcom: رغم أنها لا تبيع رقائق باسمها للمستهلكين، فإنها تعد المهندس الخفي لإنتاج عتاد رقائق الاستدلال للعديد من الشركات مثل جوجل وميتا وOpenAI، لذا فهي من أكبر المستفيدين ماليًا من طفرة الاستدلال.
- Qualcomm: حتى الآن، تسيطر على سوق الاستدلال الطرفي، بالإضافة إلى أن رقائق مثل Snapdragon وCloud AI 100 هي الأبرز في سوق معالجة الذكاء الاصطناعي محليًا داخل الهواتف الذكية وأجهزة الكمبيوتر المحمولة والسيارات ذاتية القيادة.
الشركات الناشئة المتخصصة
- Cerebras Systems: الشركة التي تمتلك أكبر رقاقة كمبيوتر في العالم التي أصبحت تقدم خدمات الاستدلال السحابي لكبرى الشركات بسرعة تفوق المعالجات الشهيرة وبتكلفة تشغيلية أقل.
- d-Matrix: إحدى شركات وحوش الاستدلال الجديدة التي أطلقت شريحتها Corsair التي تعتمد على تقنية الحوسبة داخل الذاكرة التي يُقال إنها تقدم سرعة استدلال لنماذج اللغة تتفوق على المعالجات الرسومية التقليدية.
ما الفرق بين رقائق التدريب ورقائق الاستدلال؟
تُصمم رقائق التدريب لمعالجة كميات هائلة من البيانات في اتجاهين (ذهابًا وإيابًا لتصحيح أخطاء النموذج) وبدقة رقمية فائقة، في حين تُصمم رقائق الاستدلال لتنفيذ الحسابات في اتجاه واحد فقط وبسرعة استجابة عالية، مع التركيز على كفاءة استهلاك الطاقة والتكلفة في أثناء الخدمة المستمرة.
لماذا تتفوق رقائق الاستدلال في توفير طاقة مراكز البيانات؟
تتفوق لأن معماريتها الهندسية تعتمد على تنفيذ الحسابات للأمام فقط دون تعقيدات التغذية العكسية، وتدعم معالجة البيانات بدقة رقمية منخفضة وتقنيات الحوسبة داخل الذاكرة، مما يقلل المسافة التي تقطعها البيانات ويخفض استهلاك الكهرباء بنسب تصل إلى 75% مقارنة بمعالجات التدريب.
من ينافس إنفيديا في سوق رقائق استدلال الذكاء الاصطناعي؟
ينافسها عمالقة السحابية الذين يطورون شرائحهم الخاصة مثل جوجل (TPU/Ironwood) وأمازون (Inferentia) وميتا ومايكروسوفت وOpenAI، إلى جانب شركات أشباه الموصلات مثل AMD وQualcomm وBroadcom، وشركات ناشئة متخصصة مثل Cerebras Systems وd-Matrix.
خلال إدارتي فريقًا هندسيًا في إحدى الشركات التقنية الناشئة، أطلقنا تطبيقًا يعتمد على الذكاء الاصطناعي التوليدي لخدمة العملاء. في البداية، كان كل تركيزنا وميزانيتنا منصبين على (تدريب النموذج) ليكون ذكيًّا ودقيقًا.
ولكن، حين الإطلاق ونجاح التطبيق في جذب آلاف المستخدمين النشطين، جاءت الصدمة القاسية! فواتير الاستضافة السحابية (Cloud Billing) قفزت لأرقام خيالية أكلت هامش الربح بالكامل؛ فقد تبين أن كل استعلام من مستخدم يستهلك طاقة حوسبية هائلة (Inference Cost) على خوادم باهظة الثمن. لإنقاذ المشروع، اضطررنا للتحول الفوري؛ نقلنا تشغيل التطبيق إلى نماذج مفتوحة المصدر أصغر حجمًا، وشغَّلناها على معالجات استدلال متخصصة وأرخص سعرًا، ما قلل التكلفة بنسبة 60%.
بصفتي خبيرًا في الإدارة التقنية، أستطيع أن أؤكد هذه القاعدة الذهبية: تدريب النماذج هو استثمار ضخم تدفعه مرة واحدة، لكن الاستدلال هو ضريبة قاسية تدفعها مع كل نبضة في تطبيقك.. المعركة القادمة ليست في من يملك النموذج الأذكى، بل في من يمكنه تشغيله بأرخص تكلفة وأقل استهلاك للطاقة.
ما المقصود بالاستدلال بالذكاء الاصطناعي (AI Inference)؟
الاستدلال هو مرحلة تطبيق وتشغيل النموذج؛ حيث يستقبل البرنامج البيانات الجاهزة من المستخدم (مثل نص أو سؤال) ويستخدم ما تعلمه سابقًا لإصدار إجابة فورية أو تنبؤ دقيق في أجزاء من الثانية.
ما الفرق بين رقائق التدريب ورقائق الاستدلال؟
تُصمم رقائق التدريب (Training Chips) لمعالجة بيانات هائلة في اتجاهين ذهابًا وإيابًا لتصحيح الأخطاء، مما يتطلب دقة رقمية فائقة. بينما تُصمم رقائق الاستدلال (Inference Chips) للحسابات في اتجاه واحد فقط وبسرعة استجابة عالية (زمن تأخير منخفض)، مع التركيز الشديد على تقليل استهلاك الطاقة.
لماذا تتفوق رقائق الاستدلال في توفير طاقة مراكز البيانات؟
لأن معماريتها الهندسية أبسط وتعمل للأمام فقط دون تغذية عكسية. وهي إلى ذلك تدعم تقنيات (الحوسبة داخل الذاكرة) ومعالجة البيانات بدقة رقمية منخفضة، ما يقلل حركة البيانات ويخفض استهلاك الكهرباء بنسب تصل إلى 75% مقارنة بمعالجات التدريب.
من ينافس إنفيديا في سوق رقائق استدلال الذكاء الاصطناعي؟
المنافسة شرسة وتضم: عمالقة السحابة الذين يصنعون شرائحهم بأنفسهم مثل جوجل (TPU/Axion) وأمازون (Inferentia) وOpenAI. إلى جانب شركات أشباه الموصلات الكلاسيكية كـ AMD وBroadcom وQualcomm، وشركات ناشئة واعدة مثل Cerebras وd-Matrix.
وفي ختام هذا التحليل الشامل، يتضح لنا لماذا أصبحت رقائق الاستدلال AI Inference أهم من تدريب النماذج؛ إذ إنها الحركية الفعلية والوقود اليومي لتشغيل تطبيقات الذكاء الاصطناعي بين أيدي ملايين المستخدمين. ومع تحول مركز الثقل المالي والهندسي نحو بناء معالجات أكثر كفاءة في استهلاك الطاقة وأسرع في زمن الاستجابة، تصبح رقائق الاستدلال الركيزة الأساسية للربحية والاستدامة في عصر الذكاء الاصطناعي التفاعلي.
شاركنا رأيك في التعليقات: هل تعتقد أن المنافسة الشرسة في سوق رقائق الاستدلال ستكسر هيمنة كبرى شركات أشباه الموصلات قريبًا؟ ولا تنسَ مشاركة المقال عبر حساباتك على مواقع التواصل الاجتماعي لتعم الفائدة.
يجب عليك تسجيل الدخول أولاً لإضافة تعليق.