تتيح منصة TensorFlow من Google لمستخدميها تدريب الذكاء الاصطناعي من خلال توفير الأدوات والموارد اللازمة للتعلم الآلي. لفترة طويلة، استخدم مهندسو الذكاء الاصطناعي وحدات المعالجة المركزية ووحدات معالجة الرسومات التقليدية لتدريب الذكاء الاصطناعي. وعلى الرغم من أن هذه المعالجات يمكنها التعامل مع عمليات التعلم الآلي المختلفة، إلا أنها لا تزال أجهزة عامة تستخدم في مهام يومية مختلفة.
لتسريع تدريب الذكاء الاصطناعي، طورت جوجل دائرة متكاملة مخصصة للتطبيقات (ASIC) تُعرف باسم وحدة معالجة Tensor (TPU). ولكن، ما هي وحدة معالجة Tensor، وكيف تعمل على تسريع برمجة الذكاء الاصطناعي؟
ما هي وحدات معالجة Tensor (TPU)؟
وحدات معالجة Tensor هي ASIC من Google للتعلم الآلي. تُستخدم وحدات معالجة TPU خصيصًا للتعلم العميق لحل عمليات المصفوفة والمتجهات المعقدة. تم تبسيط وحدات معالجة TPU لحل عمليات المصفوفة والمتجهات بسرعات فائقة ولكن يجب إقرانها بوحدة معالجة مركزية لإعطاء التعليمات وتنفيذها. لا يمكن استخدام وحدات معالجة TPU إلا مع منصة TensorFlow أو TensorFlow Lite من Google، سواء من خلال الحوسبة السحابية أو إصدارها الخفيف على الأجهزة المحلية.
تطبيقات لـ TPU
تستخدم شركة جوجل وحدات معالجة الرسوميات منذ عام 2015. كما أكدت الشركة استخدام هذه المعالجات الجديدة لمعالجة نصوص Google Street View، وGoogle Photos، ونتائج بحث Google (Rank Brain)، بالإضافة إلى إنشاء الذكاء الاصطناعي المعروف باسم AlphaGo، والذي تغلب على أفضل لاعبي Go ونظام AlphaZero الذي فاز على البرامج الرائدة في الشطرنج وGo وShogi.
يمكن استخدام وحدات TPU في تطبيقات التعلم العميق المختلفة مثل اكتشاف الاحتيال، ورؤية الكمبيوتر، ومعالجة اللغة الطبيعية، والسيارات ذاتية القيادة، والذكاء الاصطناعي الصوتي، والزراعة، والمساعدين الافتراضيين، وتداول الأسهم، والتجارة الإلكترونية، والتنبؤات الاجتماعية المختلفة.
متى تستخدم وحدات TPU؟
نظرًا لأن وحدات TPU عبارة عن أجهزة متخصصة للغاية للتعلم العميق، فإنها تفقد الكثير من الوظائف الأخرى التي تتوقعها عادةً من معالج عام مثل وحدة المعالجة المركزية. مع وضع هذا في الاعتبار، هناك سيناريوهات محددة حيث يؤدي استخدام وحدات TPU إلى أفضل نتيجة عند تدريب الذكاء الاصطناعي.
أفضل وقت لاستخدام وحدة معالجة البيانات هو في العمليات التي تعتمد فيها النماذج بشكل كبير على حسابات المصفوفات، مثل أنظمة التوصية لمحركات البحث. كما تقدم وحدات معالجة البيانات نتائج رائعة للنماذج التي يحلل فيها الذكاء الاصطناعي كميات هائلة من نقاط البيانات التي قد تستغرق أسابيع أو أشهرًا عديدة لإكمالها. يستخدم مهندسو الذكاء الاصطناعي وحدات معالجة البيانات للحالات التي لا تحتوي على نماذج TensorFlow مخصصة ويجب عليهم البدء من الصفر.
متى لا ينبغي استخدام وحدات TPU
كما ذكرنا سابقًا، يؤدي تحسين وحدات معالجة الرسومات إلى جعل هذه الأنواع من المعالجات تعمل فقط على عمليات تحميل عمل محددة. لذلك، هناك حالات حيث يؤدي اختيار استخدام وحدة المعالجة المركزية ووحدة معالجة الرسومات التقليدية إلى نتائج أسرع. تتضمن هذه الحالات:
- النمذجة السريعة مع أقصى قدر من المرونة
- النماذج المحدودة بنقاط البيانات المتاحة
- نماذج بسيطة ويمكن تدريبها بسرعة
- نماذج صعبة للغاية للتغيير
- النماذج المعتمدة على عمليات TensorFlow المخصصة المكتوبة بلغة C++
إصدارات ومواصفات TPU
منذ أن أعلنت Google عن منتجاتها من TPU، كان الجمهور على اطلاع دائم بأحدث إصدارات TPU ومواصفاتها. فيما يلي قائمة بجميع إصدارات TPU مع المواصفات:
| TPUv1 | تي بي يو الإصدار الثاني | تي بي يو الإصدار 3 | تي بي يو الإصدار الرابع | إيدج في 1 | |
|---|---|---|---|---|---|
| تاريخ التقديم | 2016 | 2017 | 2018 | 2021 | 2018 |
| عقدة العملية(نانومتر) | 28 | 16 | 16 | 7 | |
| حجم القالب (مم²) | 331 | <625 | <700 | <400 | |
| ذاكرة على الشريحة | 28 | 32 | 32 | 144 | |
| سرعة الساعة (ميجا هرتز) | 700 | 700 | 940 | 1050 | |
| أصغر تكوين للذاكرة (جيجابايت) | 8 دي دي ار 3 | 16 إتش بي إم | 32 إتش بي إم | 32 إتش بي إم | |
| TDP (وات) | 75 | 280 | 450 | 175 | 2 |
| TOPS (عمليات تيرا في الثانية) | 23 | 45 | 90 | ؟ | 4 |
| قمم/ث | 0.3 | 0.16 | 0.2 | ؟ | 2 |
كما ترى، لا تبدو سرعات ساعة وحدات المعالجة الحرارية TPU مثيرة للإعجاب، خاصة وأن أجهزة الكمبيوتر المكتبية الحديثة اليوم يمكن أن تكون سرعتها أسرع بثلاث إلى خمس مرات. ولكن إذا نظرت إلى الصفين السفليين من الجدول، يمكنك أن ترى أن وحدات المعالجة الحرارية TPU يمكنها معالجة 23 إلى 90 تيرا عملية في الثانية باستخدام 0.16 إلى 0.3 وات فقط من الطاقة. وتقدر وحدات المعالجة الحرارية TPU بأنها أسرع من وحدات المعالجة المركزية ووحدات معالجة الرسومات الحديثة بنحو 15 إلى 30 مرة عند استخدام واجهة الشبكة العصبية.
مع كل إصدار يتم إصداره، تظهر وحدات TPU الأحدث تحسينات وقدرات كبيرة. فيما يلي بعض النقاط البارزة لكل إصدار.
- TPUv1:أول وحدة معالجة حرارية عامة معلنة. تم تصميمها كمحرك ضرب مصفوفات مكون من 8 بتات وتقتصر على حل الأعداد الصحيحة فقط.
- تي بي يو الإصدار الثاني:نظرًا لأن المهندسين لاحظوا أن TPUv1 كان محدودًا في النطاق الترددي، فإن هذا الإصدار يحتوي الآن على ضعف النطاق الترددي للذاكرة مع 16 جيجابايت من ذاكرة الوصول العشوائي. يمكن لهذا الإصدار الآن حل النقاط العائمة مما يجعله مفيدًا للتدريب والاستنتاج.
- تي بي يو الإصدار 3:تم إصدار TPUv3 في عام 2018، ويحتوي على ضعف عدد المعالجات ويتم نشره بأربعة أضعاف عدد الرقائق مثل TPUv2. تسمح الترقيات لهذا الإصدار بالحصول على أداء أفضل بثماني مرات من الإصدارات السابقة.
- تي بي يو الإصدار الرابع:هذا هو أحدث إصدار من TPU تم الإعلان عنه في 18 مايو 2021. أعلن الرئيس التنفيذي لشركة Google أن هذا الإصدار سيكون لديه أداء أكثر من ضعف أداء TPU v3.
- حافة TPU:تم تصميم إصدار TPU هذا للعمليات الأصغر حجمًا والمُحسَّن لاستخدام طاقة أقل من الإصدارات الأخرى من TPU في التشغيل الإجمالي. وعلى الرغم من استخدام 2 وات فقط من الطاقة، يمكن لـ Edge TPU حل ما يصل إلى أربع عمليات تيرا في الثانية. لا يوجد Edge TPU إلا في الأجهزة المحمولة الصغيرة مثل الهاتف الذكي Pixel 4 من Google.
كيف يمكنك الوصول إلى وحدات TPU؟ من يمكنه استخدامها؟
وحدات TPU هي وحدات معالجة خاصة صممتها Google لاستخدامها مع منصة TensorFlow الخاصة بها. وقد سُمح للجهات الخارجية بالوصول إلى هذه المعالجات منذ عام 2018. واليوم، لا يمكن الوصول إلى وحدات TPU (باستثناء وحدات TPU الخاصة بـ Edge) إلا من خلال خدمات الحوسبة الخاصة بـ Google عبر السحابة. بينما يمكن شراء أجهزة TPU الخاصة بـ Edge من خلال هاتف Pixel 4 الذكي من Google ومجموعة النماذج الأولية المعروفة باسم Coral.
Coral هو مسرع USB يستخدم USB 3.0 Type C لنقل البيانات والطاقة. فهو يوفر لجهازك حوسبة Edge TPU قادرة على 4 TOPS لكل 2 وات من الطاقة. يمكن تشغيل هذه المجموعة على الأجهزة التي تستخدم Windows 10 وmacOS وDebian Linux (يمكنها أيضًا العمل مع Raspberry Pi).
مسرعات الذكاء الاصطناعي المتخصصة الأخرى
مع انتشار الذكاء الاصطناعي على نطاق واسع خلال العقد الماضي، تبحث شركات التكنولوجيا الكبرى باستمرار عن طرق لجعل التعلم الآلي سريعًا وفعالًا قدر الإمكان. على الرغم من أن وحدات TPU من Google هي بلا شك أكثر الدوائر المتكاملة المخصصة للتطبيقات المحددة (ASIC) شيوعًا والمطورة للتعلم العميق، فقد طورت شركات تكنولوجيا أخرى مثل Intel وMicrosoft وAlibaba وQualcomm أيضًا مسرعات الذكاء الاصطناعي الخاصة بها. وتشمل هذه Microsoft Brainwave وIntel Neural Compute Stick ووحدة معالجة الذكاء (IPU) من Graphicore.
ولكن بينما يتم تطوير المزيد من أجهزة الذكاء الاصطناعي، فمن المؤسف أن أغلبها لم يتوفر بعد في السوق، ولن يتوفر الكثير منها أبدًا. وحتى وقت كتابة هذا المقال، إذا كنت تريد حقًا شراء أجهزة تسريع الذكاء الاصطناعي، فإن الخيارات الأكثر شيوعًا هي شراء مجموعة النماذج الأولية Coral، أو Intel NCS، أو Graphicore Bow Pod، أو Asus IoT AI Accelerator. إذا كنت تريد فقط الوصول إلى أجهزة الذكاء الاصطناعي المتخصصة، فيمكنك استخدام خدمات الحوسبة السحابية من Google أو بدائل أخرى مثل Microsoft Brainwave.
اكتشاف المزيد من موقع قلم ورقم
اشترك للحصول على أحدث التدوينات في بريدك الإلكتروني.
