الملخص:
أعلنت Microsoft رسميًا عن شريحة الذكاء الاصطناعي Maia 300 من الجيل الثالث والتي تم تطويرها ذاتيًا، وتخطط لنشرها في بيئة إنتاج بدءًا من عام 2027 لدعم مهام الذكاء الاصطناعي المنطقية وراء المنتجات والخدمات مثل Copilot. وقالت مايكروسوفت إنه بالمقارنة مع نظام GPU الرائد الحالي، من المتوقع أن يكون Maia 300 قادرًا على معالجة الرموز المميزة بنسبة 40٪ لكل ميجاوات من الطاقة؛ في تكوين حامل كامل يتكون من 96 مسرعًا، يمكن أن يصل معدل إنتاجية الرمز المميز على مستوى الحامل إلى 7 أضعاف الجيل السابق Maia 200.
يمثل هذا الإصدار استثمارًا إضافيًا لشركة Microsoft في شرائح الذكاء الاصطناعي ذاتية التطوير. ومع استمرار نمو استخدام خدمات الذكاء الاصطناعي، تأمل مايكروسوفت في تقليل تكاليف التشغيل، وتحسين كفاءة الطاقة، وتقليل الاعتماد على وحدات معالجة الرسومات من الموردين مثل Nvidia وAMD من خلال المسرعات المصممة ذاتيًا. وقال سكوت جوثري، نائب الرئيس التنفيذي لأعمال الحوسبة السحابية في مايكروسوفت، إن الشركة تخطط لتوسيع نطاق نشر شرائح سلسلة Azure Maia إلى مستوى متعدد الجيغاوات بدءًا من عام 2027 وجعلها نظام استدلال الذكاء الاصطناعي الرئيسي لمنتجات وخدمات مايكروسوفت.
يعني هذا الهدف أن مايكروسوفت تأمل في ترقية الرقائق ذاتية التطوير تدريجيًا من جزء من البنية التحتية الحالية إلى منصة حوسبة أساسية تدعم خدمات الذكاء الاصطناعي الخاصة بها. ومع ذلك، هذا لا يعني أن Microsoft ستتوقف تمامًا عن شراء وحدات معالجة الرسومات من Nvidia أو AMD. من المرجح أن تستمر Microsoft في استخدام أنظمة أساسية متعددة للأجهزة لمهام التدريب والاستدلال التي تتطلب قدرات حوسبة مختلفة.
Maia 300 هو منتج الجيل الثالث من سلسلة Maia من مايكروسوفت، وهو أيضًا شريحة الجيل التالي التي تم إطلاقها بعد الإعلان عن Maia 200 في يناير من هذا العام. يتم استخدام Maia 200 حاليًا لأحمال عمل الذكاء الاصطناعي في بيئات إنتاج Microsoft المتعددة، بما في ذلك Microsoft Copilot وGitHub Copilot وMicrosoft Foundry ونماذج الذكاء الاصطناعي التي طورتها Microsoft ذاتيًا.
وقال جوثري إنه انطلاقًا من مؤشرات التشغيل لخدمات الذكاء الاصطناعي الفعلية، فإن Maia 200 هي بالفعل واحدة من أفضل البنى التحتية للذكاء الاصطناعي أداءً داخل Microsoft. تم تصميم الجيل الجديد من Maia 300 خصيصًا لأحمال عمل الذكاء الاصطناعي المتغيرة باستمرار، خاصة تلك التي تحتاج إلى التعامل مع التفكير طويل السياق، والمحادثات في الوقت الفعلي شديدة الحساسية لزمن الاستجابة، ومهام وكيل الذكاء الاصطناعي التي تنفذ خطوات متعددة بشكل مستمر.
تضع هذه التطبيقات متطلبات مختلفة على الأجهزة مقارنة باستدلال الذكاء الاصطناعي التقليدي.
مع الاستخدام التدريجي لنماذج اللغة واسعة النطاق في مساعدي البرمجة، وأتمتة المؤسسات، وتنفيذ المهام المعقدة، أصبح السياق الذي تحتاج أنظمة الذكاء الاصطناعي إلى معالجته أطول فأطول، وتتضمن المهمة الواحدة المزيد والمزيد من استدعاءات النماذج وعمليات الأداة. بالنسبة لمقدمي الخدمات السحابية، بالإضافة إلى أداء النموذج نفسه، يجب أيضًا مراعاة زمن الاستجابة وعدد الطلبات المتزامنة وسعة الذاكرة والتكلفة الفعلية لكل استنتاج.
لذلك، لا يقتصر تركيز تصميم Maia 300 على زيادة قوة الحوسبة القصوى فحسب، بل أيضًا على تحسين الكفاءة الإجمالية في بيئة الأعمال الواقعية التي تعمل بشكل مستمر. وتأمل Microsoft في تحسين بنية الشريحة على وجه التحديد لجعلها أكثر ملاءمة للتعامل مع حمل الحوسبة الناتج عن نماذج الاستدلال من الجيل الجديد ووكلاء الذكاء الاصطناعي.
فيما يتعلق بتصنيع الرقائق، يعتمد Maia 300 عملية N2P المتقدمة من TSMC ويقدم بنية تصميم أساسية. بالمقارنة مع التصميمات التقليدية التي تدمج وظائف مختلفة في شريحة واحدة كبيرة، يمكن لبنية الشريحة الأساسية تقسيم وظائف مثل الحوسبة والتحكم في الذاكرة والإدخال والإخراج إلى وحدات مختلفة، ثم تصميمها وفقًا لخصائص كل منها.
ذكر فريق Microsoft Azure Hardware and Infrastructure Team أن هذا التصميم يسمح باستخدام مساحة أكبر من السيليكون في الشريحة لأداء الحوسبة، مع السماح للوحدات الوظيفية المختلفة بتبني تقنيات أكثر ملاءمة لاحتياجاتها الخاصة.
هذه الفكرة لها أهمية عملية. بالنسبة لمسرعات الذكاء الاصطناعي، تعد وحدة الحوسبة مهمة، ولكن كيفية نقل البيانات بين وحدة الحوسبة والذاكرة والأجهزة الخارجية ستؤثر أيضًا على الأداء العام. إذا احتاجت وحدة الحوسبة إلى انتظار وصول البيانات، حتى لو كانت لديها قوة حوسبة نظرية عالية، فلن تتمكن من إطلاق العنان لأدائها بالكامل.
من خلال تحسين الحوسبة والتحكم في الذاكرة ووظائف الإدخال والإخراج بشكل منفصل، تأمل Microsoft في تحسين كفاءة استخدام الموارد الإجمالية للرقاقة وتحقيق توازن أفضل بين الأداء واستهلاك الطاقة وتكاليف التصنيع.
سيساعد استخدام العمليات المتقدمة أيضًا في تحسين كثافة الترانزستور وكفاءة استخدام الطاقة، ولكن الأداء النهائي للرقاقة لا يزال يعتمد على عوامل متعددة مثل البنية الدقيقة ونظام الذاكرة الفرعي وتصميم التوصيل البيني وتحسين البرامج. تأتي بيانات الأداء الصادرة عن Maia 300 حاليًا بشكل أساسي من مقدمة Microsoft الخاصة، ولا يزال التأثير الفعلي بحاجة إلى التقييم بناءً على النماذج المختلفة وأحمال العمل وظروف النشر.
في مجال استدلال الذكاء الاصطناعي، تعد إنتاجية الرمز المميز أحد المؤشرات المهمة لقياس كفاءة النظام. الرمز المميز هو وحدة البيانات الأساسية التي تستخدمها نماذج اللغة الكبيرة عند معالجة النص، والتي تتوافق عادةً مع كلمة أو جزء من الكلمة أو وحدة نصية أخرى. يؤثر عدد الرموز المميزة التي يمكن للنظام معالجتها لكل وحدة زمنية بشكل مباشر على عدد المستخدمين الذين يخدمهم في نفس الوقت وموارد الحوسبة المطلوبة لإكمال المهمة.
تتوقع Microsoft أن يتعامل Maia 300 مع رموز أكثر بنسبة 40% لكل ميجاوات مقارنة بأنظمة GPU الرائدة. وهذا يعني أنه في ظل نفس ميزانية الطاقة، من المتوقع أن تقوم Microsoft بمعالجة المزيد من طلبات الذكاء الاصطناعي، أو تقليل استهلاك الطاقة مع توفير نفس إمكانيات الخدمة.
بالنسبة لمقدمي الخدمات السحابية الذين لديهم مراكز بيانات واسعة النطاق، قد يحقق تحسين الكفاءة هذا قيمة اقتصادية كبيرة. لا تحتاج مراكز بيانات الذكاء الاصطناعي إلى شراء مسرعات باهظة الثمن فحسب، بل يجب عليها أيضًا تحمل تكاليف إمدادات الطاقة والتبريد ومعدات الشبكات وإنشاء البنية التحتية. مع استمرار نمو استخدام النماذج، أصبحت إمدادات الطاقة وقدرة مراكز البيانات من العوامل المهمة التي تحد من توسيع خدمات الذكاء الاصطناعي.
ومع ذلك، فإن كفاءة الرمز المميز لكل ميجاوات ليست المؤشر الوحيد لقياس شرائح الذكاء الاصطناعي. سيؤثر مقياس المعلمة وطول السياق وإعدادات الدقة وطرق الاستدلال للنماذج المختلفة على نتائج الاختبار. لمقارنة منتجات مثل Maia 300 ووحدات معالجة الرسوميات NVIDIA بشكل شامل، من الضروري أيضًا مراعاة زمن الوصول وتوافق النماذج والنظام البيئي للبرامج وتكاليف النشر والاستقرار في الأعمال الفعلية.
أعلنت Microsoft أيضًا عن مؤشر أكثر جاذبية: في التكوين الكامل للحامل الذي يتكون من 96 مسرعًا، يمكن أن يصل إنتاجية الرمز المميز على مستوى الحامل لـ Maia 300 إلى ما يصل إلى 7 أضعاف Maia 200.
يوضح هذا الشكل أن Microsoft لا تأمل في تحسين كفاءة شريحة واحدة فحسب، بل تعمل أيضًا على تحسين قوة الحوسبة للحامل بأكمله. ولكنه يصف الإنتاجية على مستوى الحامل ضمن تكوين محدد. وهذا لا يعني أن Maia 300 أسرع بـ 7 مرات من Maia 200 في جميع المهام، ولا يمكن الاستنتاج بشكل مباشر أن أداء كل شريحة قد تحسن بنفس النسبة.
بالنسبة لمنصات الحوسبة السحابية، يعد الأداء على مستوى الحامل مهمًا بشكل خاص. تتكون عمليات النشر في العالم الحقيقي عادةً من عدد كبير من المسرعات، حيث تقوم الرقائق بتبادل البيانات عبر وصلات بينية عالية السرعة ومعالجة طلبات النماذج بشكل مشترك. حتى لو كانت شريحة واحدة قوية، فقد يظل النظام بأكمله محدودًا إذا كان عرض النطاق الترددي للتوصيل البيني أو سعة الذاكرة أو كفاءة الجدولة غير كافية.
لذلك، تحاول Microsoft إجراء التحسين الشامل بدءًا من تصميم الشريحة وتكوين الحامل وحتى البرامج وبيئة التشغيل النموذجية، بدلاً من مجرد متابعة قوة الحوسبة النظرية للمعالج.
وقال مصطفى سليمان، رئيس شركة مايكروسوفت للذكاء الاصطناعي، إن الشركة يجب أن تبدأ الاستثمار من أسفل مجموعة التكنولوجيا بأكملها، بما في ذلك تصميم الرقائق. وهو يعتقد أنه عندما تصل خدمات الذكاء الاصطناعي إلى هذا النطاق الضخم، تحتاج مايكروسوفت إلى أن يكون لديها منصة خاصة بها وتسمح بالتصميم المشترك للرقائق والنماذج المطورة ذاتيًا وتحسينها.
وشدد بشكل خاص على أن السماح لنماذج الذكاء الاصطناعي التي طورتها Microsoft ذاتيًا بالعمل على شرائح Maia يعد مهمة مهمة لفريق Microsoft AI.
يكشف هذا البيان عن هدف آخر لتطوير Microsoft للرقائق ذاتية التطوير: الجمع بين الأجهزة والنماذج والخدمات السحابية لتكوين علاقة تعاونية أوثق.
يمكن لمقدمي الخدمات السحابية التقليدية نشر نماذج الذكاء الاصطناعي عن طريق شراء وحدات معالجة الرسومات ذات الأغراض العامة، ولكن إذا كان بإمكانهم تصميم المسرعات الخاصة بهم، فيمكنهم تحسين خصائص الحوسبة ومتطلبات الذاكرة وعمليات الاستدلال لنماذجهم الخاصة. وفي المقابل، يمكن لفريق النموذج تعديل هيكل النموذج وطريقة التشغيل وفقًا لبنية الشريحة، وبالتالي تحسين الكفاءة الإجمالية.
لقد استثمرت Google وAmazon في رقائق الذكاء الاصطناعي ذاتية التطوير لسنوات عديدة. تمتلك جوجل سلسلة من مسرعات TPU، وقد طورت أمازون شرائح مثل Trainium لدعم خدمات الحوسبة السحابية والذكاء الاصطناعي الخاصة بها. أطلقت Microsoft سلسلة Maia لتعزيز قدرات بنيتها التحتية في ظل هذه الخلفية التنافسية.
بالنسبة لشركة Microsoft، فإن القيمة الإستراتيجية للرقائق المطورة ذاتيًا لا تتمثل فقط في تقليل تكاليف الشراء، ولكن أيضًا في تحسين استقلالية سلسلة التوريد، وتحسين استخدام الطاقة في مركز البيانات، والحصول على تحكم أكبر في تصميم الأجهزة عندما يتم تكرار نماذج وخدمات الذكاء الاصطناعي بسرعة.
في الوقت الحاضر، لا تزال Microsoft تحافظ على تعاون وثيق مع NVIDIA، وتستمر وحدات معالجة الرسومات NVIDIA في لعب دور مهم في مجال تدريب الذكاء الاصطناعي والاستدلال. ولا يعني تطوير مايكروسوفت المتزامن لسلسلة Maia أن العلاقة بين الطرفين ستتغير جذرياً حتماً، لكنه يعكس أن كبار مقدمي الخدمات السحابية يقللون اعتمادهم على منصة أجهزة واحدة من خلال شرائح ذاتية التطوير واستراتيجيات متعددة البائعين.
تأمل مايكروسوفت أيضًا في استخدام الرقائق المطورة ذاتيًا لتحسين القدرة التنافسية لنماذج الذكاء الاصطناعي الخاصة بها. وقال سليمان إن منصة Maia تعد جزءًا مهمًا من نظام تكنولوجيا الذكاء الاصطناعي الخاص بمايكروسوفت ويمكن أن تساعد الشركة على تطوير نماذجها الخاصة وتحسين قدرتها التنافسية ضد المنافسين مثل Google DeepMind وOpenAI وAnthropic.
مع تطور نماذج الذكاء الاصطناعي تدريجيًا من أدوات إنشاء نص بسيطة إلى أنظمة وكيل يمكنها استدعاء الأدوات وتنفيذ عمليات معقدة، تتزايد أيضًا أهمية البنية التحتية للأجهزة. غالبًا ما يتضمن التفكير طويل السياق وتنفيذ المهام متعددة الخطوات عمليات حسابية أطول وعددًا كبيرًا من استدعاءات النماذج. ولن تتمكن المؤسسات من توسيع نطاق خدماتها بطريقة مستدامة إلا من خلال تحقيق توازن أفضل بين الأداء وزمن الوصول والتكلفة.
تم تصميم Maia 300 استجابة لهذا الاتجاه. وتأمل مايكروسوفت في تمكين المزيد من مهام الذكاء الاصطناعي من العمل بتكاليف أقل من خلال زيادة الإنتاجية وكفاءة الطاقة، مع توفير دعم الحوسبة لـ Copilot وGitHub Copilot وخدمات وكيل الذكاء الاصطناعي المستقبلية.
ومع ذلك، لكي يصبح Maia 300 حقًا القوة الرئيسية للبنية التحتية للذكاء الاصطناعي من Microsoft، فإنه لا يزال بحاجة إلى المرور عبر العملية بدءًا من تصنيع الرقائق وتكامل النظام وحتى النشر على نطاق واسع. تخطط Microsoft لبدء إنتاجها في عام 2027 وتوسيع نطاق النشر تدريجيًا. بحلول ذلك الوقت، ستؤثر القدرة الإنتاجية الفعلية للرقاقة، واستقرار النظام، وتكييف البرامج، والتكامل مع مراكز البيانات الحالية على نطاق التطبيق النهائي.
بشكل عام، يُظهر إطلاق Maia 300 أن Microsoft تعمل على رفع مستوى رقائق الذكاء الاصطناعي من مشاريع البنية التحتية المساعدة إلى مكون أساسي في استراتيجية الذكاء الاصطناعي الخاصة بها. باستخدام عمليات TSMC المتقدمة، والتصميم الحبيبي الأساسي، والتحسين على مستوى النظام لأحمال عمل الاستدلال، تأمل Microsoft في تحسين قدرات خدمة الذكاء الاصطناعي التي يمكنها توفيرها لكل وحدة من الكهرباء وتقليل اعتمادها على موردي GPU الخارجيين.
إذا تمكنت Microsoft من توسيع نشر إنتاج Maia 300 كما هو مخطط له في عام 2027 وتحقيق تحسينات الكفاءة المتوقعة في الأعمال الحقيقية، فمن المتوقع أن تصبح هذه السلسلة من الرقائق أداة مهمة لها للتحكم في تكاليف حوسبة الذكاء الاصطناعي وتوسيع نطاق الخدمة. لكن قدرتها التنافسية على المدى الطويل تعتمد في النهاية على الأداء التشغيلي الفعلي وما إذا كان بإمكان Microsoft إنشاء نظام تحسين تعاوني مستدام وفعال بين الأجهزة والنماذج والبرامج.
التعليقات