يشهد قطاع الذكاء الاصطناعي تحولاً نحو نماذج أصغر وأكثر تخصصًا وكفاءة، وهو تحول مشابه لما تم ملاحظته في مجال الأجهزة، خاصة مع اعتماد وحدات معالجة الرسوميات (GPUs) ووحدات معالجة التنسور (TPUs) وغيرها من مسرعات الأجهزة التي تعزز كفاءة الحوسبة.
في صميم هذا الانتقال يوجد مفهوم بسيط مستند إلى الفيزياء.
التوازن في وحدات المعالجة المركزية (CPU)
تم تصميم وحدات المعالجة المركزية كمحركات حوسبة عامة قادرة على تنفيذ مهام متنوعة، من فرز البيانات إلى إجراء العمليات الحسابية وإدارة الأجهزة الخارجية. هذه المرونة تتيح لها التعامل مع أنماط وصول الذاكرة المختلفة وعمليات الحوسبة وتدفقات التحكم. ومع ذلك، فإن هذه العمومية تأتي مع عيوب، إذ تتطلب تعقيدات أجهزة CPU، التي تدعم مجموعة واسعة من المهام، مزيدًا من السيليكون للدارات، ومزيدًا من الطاقة للتشغيل، ووقتًا إضافيًا لتنفيذ المهام. وبالتالي، على الرغم من أن وحدات المعالجة المركزية توفر مرونة، إلا أنها تضحي بكفاءتها.
هذا التوازن أدى إلى تزايد الاعتماد على الحوسبة المتخصصة خلال العقدين الماضيين.
ظهور المحركات المتخصصة
في مناقشات حول الذكاء الاصطناعي، غالبًا ما تظهر مصطلحات مثل GPUs وTPUs وNPUs. هذه المحركات المتخصصة، على عكس وحدات المعالجة المركزية، تركز على مهام معينة، مما يجعلها أكثر كفاءة. بفضل تخصيص المزيد من الترانزستورات والطاقة للحوسبة والوصول إلى البيانات المرتبطة بمهامها المحددة وتقليل دعم الوظائف العامة، يمكن لهذه النماذج أن تعمل بشكل أكثر فعالية.
نتيجة لبساطتها، يمكن للأنظمة دمج عدد كبير من محركات الحوسبة التي تعمل بشكل متوازي، مما يزيد بشكل كبير من عدد العمليات المنفذة في وحدة الزمن والطاقة.
التحول المتوازي في النماذج اللغوية الكبيرة
تحدث تطورات متوازية في مجال النماذج اللغوية الكبيرة. تقدم نماذج عامة مثل GPT-4 قدرات مثيرة للإعجاب بفضل وظيفتها الواسعة؛ إلا أن هذه العمومية تأتي بتكلفة كبيرة من حيث المعلمات، والتي يُشاع تصل إلى تريليونات، والموارد الحاسوبية والذاكرة الضرورية للاستدلال.
هذا أدى إلى تطوير نماذج متخصصة مثل CodeLlama، التي تتفوق في مهام البرمجة بدقة عالية بتكلفة أقل. كذلك، تعتبر نماذج مثل Llama-2-7B فعالة في مهام معالجة اللغة مثل استخراج الكيانات دون أن تتطلب نفس التكلفة الحاسوبية. وتعتبر النماذج الأصغر مثل Mistral وZephyr أمثلة أخرى على هذا الاتجاه.
هذا التطور يعكس التحول من الاعتماد الحصري على وحدات المعالجة المركزية إلى نموذج هجين يضم محركات حوسبة متخصصة مثل وحدات معالجة الرسوميات، التي تعد فعالة في المعالجة المتوازية؛ حيث تهيمن هذه المحركات على المهام المرتبطة بالذكاء الاصطناعي والمحاكاة ورسم الرسوميات.
اعتماد البساطة من أجل الكفاءة
في مشهد النماذج اللغوية الكبيرة، سيعتمد المستقبل على نشر العديد من النماذج الأكثر بساطة لمعظم مهام الذكاء الاصطناعي، مع تخصيص نماذج أكبر وأكثر استهلاكًا للموارد فقط للمهام التي تتطلب ذلك حقًا. يمكن التعامل مع العديد من التطبيقات المؤسسية—بما في ذلك معالجة البيانات غير المنتظمة، وتصنيف النصوص، والتلخيص—بكفاءة بواسطة نماذج صغيرة ومتخصصة.
المبدأ واضح: العمليات الأبسط تستهلك عددًا أقل من الإلكترونات، مما يؤدي إلى تحسين كفاءة الطاقة. هذه المقاربة ليست مجرد تفضيل تكنولوجي؛ بل هي قرار أساسي مستند إلى القوانين الفيزيائية الأساسية. ومن ثم، سيشهد مستقبل الذكاء الاصطناعي تحولًا من السعي وراء النماذج العامة الكبيرة إلى تبني الاستراتيجية المتخصصة، مما ينتج عنه حلول ذكاء اصطناعي مستدامة وقابلة للتوسع وكفءة.
قائمة الترتيب
