TPU وNPU وGPU.. ما الفرق بين معالجات الذكاء الاصطناعي؟
أحدثت تقنيات الذكاء الاصطناعي ظهور أنواع جديدة من المعالجات، بعدما كانت وحدات المعالجة المركزية CPU ومعالجات الرسوميات GPU هي الأسماء الأكثر شيوعًا.
ومع ظهور أجهزة الكمبيوتر والهواتف الذكية المدعومة بالذكاء الاصطناعي، أصبحنا نسمع أيضًا عن وحدات المعالجة العصبية NPU، والآن وحدة معالجة الموتر TPU من جوجل.
ما هي وحدة TPU؟
وحدة TPU هي شريحة طورتها جوجل للتعامل مع مهام الذكاء الاصطناعي والتعلم الآلي المستندة إلى السحابة داخل مراكز بيانات الشركة.
وتُعرف باسم مسرع الذكاء الاصطناعي، وهي مُحسّنة لتنفيذ ملايين العمليات الحسابية بسرعة داخل نماذج الذكاء الاصطناعي، وهي مهام يمكن لوحدات NPU وGPU تنفيذها أيضًا.
وكنا نتحدث كثيرًا عن الذكاء الاصطناعي والتعلم الآلي، وهو ما يقود بالنسبة للكثيرين منا إلى وحدات NPU، وهذا أمر منطقي، بعدما أصبحت هذه الوحدات منتشرة في الهواتف الذكية وأجهزة Mac والكمبيوترات الحديثة.
وتتولى وحدات NPU تنفيذ المهام الثقيلة المتعلقة بالذكاء الاصطناعي التوليدي والوكيل، سواء كان ذلك إزالة شخص سابق من صورة أو استخدام ChatGPT لإنشاء برنامج رحلة لمدة ثلاثة أيام.
وفي هواتف Pixel 11، تحل وحدة TPU محل NPU، حيث تقول جوجل إنها توفر معالجة للذكاء الاصطناعي أسرع بما يصل إلى 3.5 مرة مع استهلاك طاقة أقل بما يصل إلى 3.5 مرة.
ما هي وحدة GPU؟
تُعد وحدات معالجة الرسوميات GPU مألوفة للكثيرين، خاصة لمحبي الألعاب أو العاملين على النماذج ثلاثية الأبعاد.
وقبل ظهور الذكاء الاصطناعي، كنا نرغب في الحصول على GPU قوي لتشغيل الألعاب التي تتطلب قدرات رسومية عالية مثل Crysis 3 بأعلى الإعدادات ومعدلات إطارات مرتفعة للغاية وعرض سلس.
وبعد ظهور الذكاء الاصطناعي، لا تزال وحدات GPU تقوم بذلك، إلى جانب التعامل مع تدريب الذكاء الاصطناعي وتعدين العملات المشفرة، ولهذا السبب أصبحت أفضل هذه الوحدات مرتفعة التكلفة.
وتتميز وحدة GPU بالمرونة، إذ يمكنها تنفيذ العديد من المهام بشكل جيد اعتمادًا على مستوى قوتها.
ما الفرق بين TPU وNPU وGPU؟
تتمثل الاختلافات الأساسية بين هذه المعالجات في الاستخدامات والحجم.
ففي حين تُستخدم وحدات TPU في تشغيل الذكاء الاصطناعي المستند إلى السحابة داخل مراكز بيانات جوجل، توجد وحدات NPU ووحدات TPU المخصصة للأجهزة ووحدات GPU في الهواتف الذكية وأجهزة الكمبيوتر المحمولة.
وتتميز وحدات TPU بأكبر نطاق استخدام بفارق واضح، وبفضل بنيتها المتخصصة، تُستخدم وحدة TPU لتسريع العمليات الحسابية الضخمة المستخدمة في نماذج اللغة الكبيرة LLM ومهام التعلم العميق DL واسعة النطاق.
وتستخدم وحدات TPU تصميمًا عتاديًا يُعرف باسم المصفوفة الانسيابية Systolic Array، التي تسمح بانتقال البيانات من وحدة إلى أخرى ضمن شبكة ثنائية الأبعاد من وحدات الضرب، ما يساعد على التخلص من الاختناقات المحتملة.
وهذا يعني أن ناتج الحساب يصبح مدخلًا للوحدة التالية دون الحاجة إلى إعادته إلى الذاكرة، على عكس وحدات GPU التي تضطر إلى التعامل مع البيانات بين وحدات الحساب وذاكرتها عالية النطاق الترددي.
وعند خدمة شركات الذكاء الاصطناعي الكبرى مثل: Anthropic وMidjourney، التي تتعامل مع مليارات طلبات الذكاء الاصطناعي يوميًا، يمكن أن يكون الاعتماد على حل قائم على وحدات GPU مكلفًا من حيث الاختناقات وزمن الاستجابة وكفاءة استهلاك الطاقة.
وبما أن وحدة TPU لا تتنقل ذهابًا وإيابًا لقراءة البيانات وكتابتها في الذاكرة، فإنها تناسب بشكل أفضل تدريب الشبكات العصبية واسعة النطاق وأعباء العمل الضخمة الأخرى.
كيف تعمل NPU وTPU داخل الهواتف؟
توجد وحدات NPU ووحدات TPU المخصصة للأجهزة من جوجل داخل الهواتف الذكية وأجهزة إنترنت الأشياء وأجهزة الكمبيوتر المحمولة، وهي مخصصة للجزء الأصغر من مهام الذكاء الاصطناعي والتعلم الآلي.
وقد تم تحسينها لتنفيذ المهام منخفضة استهلاك الطاقة، وهو ما يجعلها مناسبة لأشياء مثل تأثيرات الكاميرا والترجمة الفورية.
ويمكن لوحدة TPU تشغيل نموذج LLM، لكن يجب أن يكون نموذجًا محليًا صغيرًا ومحددًا بشكل جيد.
أي معالج ذكاء اصطناعي أفضل؟
كلمة أفضل تعتمد على الاستخدام. فكل مسرع للذكاء الاصطناعي هو الأفضل في حالة استخدام محددة.
وتكون وحدات NPU ووحدات TPU المخصصة للأجهزة أفضل في التعامل مع مهام الذكاء الاصطناعي الصغيرة والشائعة.
ويساعد استهلاكها المنخفض للطاقة على عدم استنزاف بطارية الهاتف الذكي أو الكمبيوتر المحمول أو الساعة الذكية بشكل كبير.
ومع ذلك، تمتلك هذه الوحدات ما يكفي لتنفيذ الترجمة الفورية، أو طمس الخلفية أثناء المكالمة، أو المساعدة في تذكر اسم برنامج قديم شاهدته في تسعينيات القرن الماضي.
وتعد وحدات TPU حلًا موفرًا للتكلفة والطاقة، يساعد على تشغيل عمليات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق على مستوى عالمي.
ويعني تنفيذ ملايين العمليات الحسابية أثناء تدريب نماذج التعلم الآلي والتعلم العميق على نطاق واسع أن وحدات TPU مخصصة بشكل أساسي لمراكز البيانات الكبيرة.
ومع مرونتها، تستطيع وحدات GPU التعامل مع أعباء عمل الذكاء الاصطناعي الصغيرة والكبيرة، إلى جانب تشغيل الألعاب وتحرير الفيديو وتشغيل عمليات المحاكاة.
وإذا كنت تريد تشغيل نماذج LLM محلية، فإن وحدة GPU قوية هي الخيار المناسب.
تابعوا آخر أخبار بوابة الوفد الإلكترونية عبر نبض