الملخص:
تعمل بعض شركات الذكاء الاصطناعي الرائدة على الترويج لصناعة الهواتف المحمولة لتطوير أجهزة يمكنها تشغيل 100 مليار نموذج لغة كبير بشكل مستمر، مع الإشارة إلى الوقت المستهدف في عام 2028. ومع ذلك، تواجه هذه الفكرة تحديين عمليين: أولاً، يتطلب تشغيل مثل هذا النموذج الضخم كمية كبيرة من الذاكرة، وثانيًا، تتنافس مراكز بيانات الذكاء الاصطناعي على سعة إنتاج الذاكرة العالمية، مما يؤدي إلى نقص المعروض من الذاكرة المخصصة للمستهلكين واستمرار ارتفاع الأسعار.
وقال آمون، الرئيس التنفيذي لشركة كوالكوم، في مقابلة مع موقع Fireside Alpha إن بعض الشركات في طليعة صناعة الذكاء الاصطناعي تستكشف الهواتف المحمولة التي يمكنها تشغيل مئات المليارات من نماذج المعلمات بشكل مستمر. ولم يكشف عن الأسماء المحددة لهذه الشركات، لكن البيانات ذات الصلة تظهر أن توقعات شركات الذكاء الاصطناعي للأجهزة المحمولة تتغير: في المستقبل، قد لا تكون الهواتف المحمولة مجرد محطات تتصل أحيانًا بخدمات الذكاء الاصطناعي السحابية، ولكنها أجهزة حوسبة شخصية يمكنها تشغيل نماذج كبيرة محليًا بشكل مستمر والتعامل مع المهام بشكل فعال.
ومع ذلك، كان بيان آمون يتعلق أكثر بوصف الأهداف التي يقترحها عملاء الصناعة بدلاً من خارطة طريق المنتج المعلنة رسميًا من شركة كوالكوم. في الوقت الحاضر، لم تقدم شركة كوالكوم بعد حلاً كاملاً للأجهزة يمكنه تحقيق هذا الهدف في عام 2028، كما أنها لم تعد بأنها ستطلق هاتفًا محمولًا تجاريًا بقدرات مقابلة بحلول ذلك الوقت.
من منظور تقني، يتطلب نموذج المعلمات البالغ 100 مليار متطلبات أعلى بكثير لأجهزة الهاتف المحمول مقارنة بنماذج الذكاء الاصطناعي الشائعة حاليًا على الجهاز. تحدد معلمات نموذج اللغة الكبير العدد الكبير من القيم التي يحتاج النموذج إلى حفظها واستدعاءها، وعادة ما تحتاج هذه البيانات إلى تخزينها في الذاكرة حتى يتمكن المعالج من الوصول إليها بسرعة أثناء الاستدلال.
خذ نموذجًا يحتوي على 100 مليار معلمة كمثال. إذا تم استخدام تكميم 4 بت، فإن كل معلمة تتطلب نظريًا 4 بتات فقط من التخزين، لذا فإن معلمات النموذج نفسها فقط تتطلب حوالي 50 جيجابايت من الذاكرة. في التشغيل الفعلي، يجب أيضًا حجز المساحة لنظام التشغيل والتطبيقات الأخرى وذاكرة التخزين المؤقت للسياق والبيانات المؤقتة أثناء الاستدلال. لذلك، فإن سعة 50 جيجابايت ليست سعة الذاكرة الكاملة التي يتطلبها الهاتف المحمول لتشغيل النموذج بسلاسة.
إذا تم تكميم النموذج إلى 2 بت، فإن كل معلمة تتطلب 2 بت فقط، ويمكن تقليل متطلبات التخزين النظرية لمعلمات النموذج إلى 25 جيجابايت تقريبًا. ومع ذلك، لا يزال هذا الحل يتطلب أن تتمتع الهواتف المحمولة بسعة ذاكرة تتجاوز بكثير سعة المنتجات السائدة الحالية، وقد يؤدي القياس الكمي منخفض الدقة للغاية إلى الإضرار بشكل كبير بجودة مخرجات النموذج، خاصة في مهام الاستدلال المعقدة.
تجدر الإشارة إلى أن عدد المعلمات لا يحدد بشكل مباشر القدرات الكاملة للنموذج. ستؤثر بيانات التدريب والهندسة المعمارية وأساليب التدريب وتقنيات الاستدلال للنماذج المختلفة على الأداء النهائي. من الممكن تمامًا أن يتفوق نموذج صغير مُحسّن على نموذج أكبر في مهمة محددة. لذلك، حتى لو لم يتمكن الهاتف المحمول من تشغيل نموذج المعلمة البالغ 100 مليار بشكل مباشر في الوقت الحالي، فهذا لا يعني أنه لا يمكنه توفير تجربة استخدام فعلية قريبة من تجربة النموذج الكبير.
في الوقت الحالي، لا تزال هناك فجوة واضحة بين تكوين ذاكرة الهواتف الذكية والسعة التي تتطلبها مئات المليارات من نماذج المعلمات. في الماضي، كانت بعض الهواتف الرائدة التي تعمل بنظام Android توفر ذاكرة LPDDR5X بسعة 24 جيجابايت. ومع ذلك، مع قلة المعروض من الذاكرة وارتفاع الأسعار، بدأت شركات تصنيع الهواتف المحمولة في إعادة تقييم القيمة التجارية للإصدارات ذات الذاكرة العالية. بالنسبة للمستهلكين العاديين، تعني زيادة سعة الذاكرة ارتفاع تكاليف الأجهزة، ومن الصعب على شركات تصنيع الهواتف المحمولة تحديد ما إذا كان المستخدمون على استعداد لدفع المزيد مقابل تشغيل نماذج محلية أكبر تعمل بالذكاء الاصطناعي.
وهذا يخلق تناقضا: تأمل شركات الذكاء الاصطناعي أن تتمتع الهواتف المحمولة بقدرات حوسبة محلية أكثر قوة، ولكن الذاكرة المطلوبة لتحقيق هذا الهدف أصبحت أكثر تكلفة ويصعب الحصول عليها.
إن إمدادات الذاكرة العالمية محدودة، وهو ما يرتبط ارتباطًا وثيقًا بالتوسع السريع لمراكز بيانات الذكاء الاصطناعي. تواصل شركات التكنولوجيا الكبرى الاستثمار في خوادم الذكاء الاصطناعي، والتي تتطلب كميات كبيرة من ذاكرة الوصول العشوائي الديناميكية (DRAM)، وذاكرة النطاق الترددي العالي، وأجهزة التخزين عالية السرعة. يولي مصنعو الذاكرة أيضًا المزيد والمزيد من الاهتمام للمنتجات المتعلقة بالذكاء الاصطناعي مع الطلب القوي والأرباح الأعلى عند ترتيب الإنتاج. وبالتالي فإن الذاكرة التقليدية المطلوبة للمعدات الإلكترونية الاستهلاكية تتعرض لضغط العرض.
على الرغم من أن ذاكرة الوصول العشوائي الديناميكية (DRAM) منخفضة الطاقة المستخدمة في الهواتف الذكية والذاكرة ذات النطاق الترددي العالي المستخدمة في مسرعات الذكاء الاصطناعي تختلفان في هيكل المنتج ومتطلبات التصنيع، إلا أنهما لا تزالان متأثرتين بالتغيرات في تخصيص القدرة الإنتاجية والعرض والطلب في السوق في صناعة أشباه الموصلات بأكملها. كلما زاد الطلب على الذاكرة من البنية التحتية للذكاء الاصطناعي، أصبح من الصعب على مصنعي الإلكترونيات الاستهلاكية الحفاظ على الظروف السابقة من حيث السعر والعرض.
وقد انعكس هذا الضغط في تكاليف تصنيع الهواتف المحمولة. أظهر التحليل المنشور سابقًا من قبل شركة أبحاث السوق Counterpoint Research أنه في الربع الثاني من عام 2026، ارتفعت أسعار ذاكرة الهواتف الذكية بأكثر من 80٪ عن الربع السابق. ومن بين الهواتف المحمولة ذات الأسعار المختلفة، يكون لارتفاع تكاليف الذاكرة تأثير كبير على إجمالي تكاليف المواد.
أشارت شركة Counterpoint إلى أن تكلفة المواد للهواتف المحمولة متوسطة المدى زادت بنسبة 52% تقريبًا على أساس سنوي، وشكلت الذاكرة حوالي 40% من إجمالي تكلفة المواد. كما تأثرت الهواتف المحمولة المتطورة أيضًا، وتجاوزت ذاكرة الوصول العشوائي الديناميكية (DRAM) الرقائق على مستوى النظام لتصبح المكون الفردي الأكثر تكلفة في بعض الهواتف المحمولة الرائدة.
وهذا يعني أن شركات تصنيع الهواتف المحمولة لا تحتاج فقط إلى النظر فيما إذا كانت لديها القدرة على تكوين ذاكرة بسعة 50 جيجابايت أو أكثر لنماذج مكونة من 100 مليار معلمة، بل يتعين عليها أيضًا الإجابة على سؤال أكثر واقعية: هل المستهلكون على استعداد لدفع ثمن هذه الذكريات؟
في حالة تشغيل الطرز الكبيرة فقط، يلزم زيادة ذاكرة الهاتف المحمول من 12 جيجابايت أو 16 جيجابايت الشائعة حاليًا إلى 64 جيجابايت أو حتى أعلى، وقد تزيد تكلفة الجهاز بأكمله بشكل كبير. إلى جانب المعالجات الأكثر قوة والتعبئة المتقدمة والتصميم الحراري، قد يكون سعر المنتج النهائي بعيدًا عن النطاق المقبول للمستهلكين العاديين.
تحاول شركتا Qualcomm وApple التخفيف من حدة هذه المشكلة فيما يتعلق بهندسة الرقائق وتكنولوجيا التعبئة والتغليف. ذكرت التقارير ذات الصلة أن Apple A20 Pro والجيل الجديد من منصة Snapdragon الرئيسية من Qualcomm يستكشفان تصميمات الرقائق وطرق تنظيم الذاكرة الأكثر ملاءمة لتشغيل النماذج الكبيرة، على أمل تحسين كفاءة الوصول إلى البيانات وتقليل حمل نقل البيانات بين المعالج والذاكرة.
ومع ذلك، فإن تحسين كفاءة التغليف والوصول إلى البيانات لا يعني أن متطلبات الذاكرة الفعلية ستختفي تلقائيًا. حتى لو كان المعالج قادرًا على استخدام الذاكرة بشكل أكثر كفاءة، فإن نموذج المعلمة البالغ 100 مليار لا يزال بحاجة إلى حفظ الكثير من بيانات المعلمة. ولجعل نماذج بهذا الحجم قابلة للتكيف حقًا مع الهواتف المحمولة، قد تحتاج الصناعة إلى تحقيق المزيد من الإنجازات في ضغط النماذج، وهندسة الاستدلال، والوصول إلى التخزين.
أحد الحلول الممكنة هو تكنولوجيا القياس الكمي الأكثر جذرية. من خلال تقليل عدد البتات المستخدمة لكل معلمة، يمكن تشغيل النموذج في مساحة ذاكرة أصغر. ومع ذلك، فإن القياس الكمي لا يأتي بدون تكاليف. بالنسبة للمهام التي تتطلب تفكيرًا منطقيًا معقدًا، قد تؤدي الدقة الرقمية المنخفضة جدًا إلى تدهور كبير في أداء النموذج. لذلك، فإن كيفية تحقيق التوازن بين استخدام الذاكرة وجودة النموذج ستصبح اتجاهًا بحثيًا مهمًا للذكاء الاصطناعي النهائي.
الحل الآخر هو نموذج الخبراء المختلط، وهو هيكل وزارة التربية والتعليم. على عكس البنى التقليدية المكثفة التي تتطلب استدعاء النموذج بأكمله لكل استنتاج، يختار نموذج وزارة التربية والتعليم جزءًا من شبكة الخبراء للمشاركة في الحسابات بناءً على مهام محددة. مع التصميم المناسب، لا يلزم تنشيط سوى مجموعة صغيرة من المعلمات في النموذج في كل مرة تتم فيها معالجة الرمز المميز.
إذا تم اعتماد تقنية تفريغ الخبراء بشكل أكبر، فيمكن للنظام الاحتفاظ بالخبراء المطلوبين حاليًا في DRAM وتخزين الخبراء غير المطلوبين مؤقتًا في ذاكرة الفلاش. عند الحاجة إلى خبراء آخرين لعملية الاستدلال، تتم قراءة البيانات ذات الصلة من ذاكرة فلاش إلى الذاكرة.
يمكن أن يؤدي هذا الأسلوب إلى تقليل كمية البيانات التي يجب أن يتواجد النموذج في ذاكرة الوصول العشوائي الديناميكية (DRAM) في نفس الوقت، ولكن على حساب زيادة الوصول إلى التخزين وحمل نقل البيانات. تختلف خصائص سرعة الوصول وزمن الوصول لذاكرة فلاش UFS المستخدمة في الهواتف المحمولة بشكل كبير عن ذاكرة الوصول العشوائي الديناميكية (DRAM). إذا كان النموذج يقرأ المعلمات من ذاكرة الفلاش بشكل متكرر، فقد تتأثر سرعة الاستدلال.
قامت شركة Apple أيضًا بدراسة الحل مسبقًا المتمثل في استخدام وحدة التخزين المدمجة بالجهاز لتشغيل نماذج اللغات الكبيرة. من المتوقع أن يؤدي هذا النوع من التكنولوجيا إلى تقليل الاعتماد على سعة ذاكرة الوصول العشوائي الديناميكية (DRAM)، ولكن ما إذا كان بإمكانه تحقيق زمن وصول منخفض بدرجة كافية وإنتاجية عالية واستهلاك مقبول للطاقة على الهواتف المحمولة لا يزال يتطلب مزيدًا من التحقق.
بالإضافة إلى ذلك، فإن التشغيل المستمر للنماذج الكبيرة سيؤدي أيضًا إلى تبديد الحرارة ومشاكل في عمر البطارية. المساحة الداخلية للهواتف المحمولة محدودة ولا يمكن تجهيزها بأنظمة تبريد واسعة النطاق مثل أجهزة الكمبيوتر المكتبية أو الخوادم. إذا قام المعالج بإجراء استدلال ذكاء اصطناعي عالي الكثافة لفترة طويلة، فقد تستمر درجة حرارة الشريحة في الارتفاع، مما يؤدي لاحقًا إلى تشغيل آلية تقليل التردد، مما يؤدي إلى تدهور الأداء.
تعتبر هذه المشكلة حادة بشكل خاص بالنسبة للوكلاء الذين يحتاجون إلى العمل على مدار الساعة. عادةً ما تبدأ روبوتات الدردشة التقليدية في معالجة المهام بعد أن يقدم المستخدم طلبًا، ولكن الجيل الجديد من وكلاء الذكاء الاصطناعي قد يحتاج إلى مراقبة المعلومات بشكل مستمر، وتحليل السياق، وتنفيذ العمليات بشكل استباقي في الوقت المناسب. إذا كان يجب على الهاتف تشغيل نماذج كبيرة على مدار الساعة، فلا يلزم أن تكون الذاكرة متاحة في جميع الأوقات فحسب، بل يجب أيضًا التحكم بإحكام في استهلاك طاقة المعالج واستهلاك البطارية.
لذلك، حتى إذا تمكن الهاتف المحمول المستقبلي من تحميل نموذج مكون من 100 مليار معلمة بنجاح، فهذا لا يعني أنه يمكنه الاستمرار في العمل بالسرعة المثالية. ما إذا كان النموذج يمكن أن يتواجد حقًا في الذاكرة، وعدد الكلمات التي يمكنه معالجتها في الثانية، ومقدار الحرارة التي يولدها أثناء التشغيل، ومدى تأثيره على عمر البطارية، كلها مؤشرات مهمة لقياس قيمة الاستخدام الفعلية.
مقارنة بتوصيل نموذج مكون من 100 مليار معلمة مباشرة بهاتف محمول، قد يكون الحل الأكثر واقعية هو تشغيل نموذج متوسط الحجم مقطر ومحسن.
عادةً ما يستفيد تقطير النموذج من إمكانيات النموذج الكبير لتدريب نموذج أصغر، بحيث يتمكن الأخير من الاحتفاظ بأداء النموذج الكبير في مهمة محددة قدر الإمكان مع تقليل مقياس المعلمة بشكل كبير. تعتقد Wccftech أن نموذج المعلمة المقطر بشكل صحيح من 20 مليار إلى 30 مليار قد يقترب من أداء نموذج المعلمة 100 مليار في مهام معينة، وبالتالي فهو أكثر ملاءمة ليصبح القوة الرئيسية للذكاء الاصطناعي المحلي في الهواتف الذكية المستقبلية.
تتمثل ميزة هذا الحل في أنه لا يحتاج إلى الاعتماد على سعة ذاكرة كبيرة جدًا ولديه الفرصة لتوفير إمكانات تفكير قوية جدًا. بالنسبة لمصنعي الهواتف المحمولة، بدلاً من مجرد متابعة عدد المعلمات التي يمكن استيعابها، من الأفضل تحقيق تجربة فعلية أفضل بموارد الأجهزة المحدودة من خلال بنية النموذج، والقياس الكمي، والتقطير، وتحسين الاستدلال.
بالطبع، يختلف أداء النماذج المختلفة بشكل كبير، ولا يمكن لنموذج مكون من 20 إلى 30 مليار معلمة أن يحل محل نموذج 100 مليار معلمة في جميع المهام. لا تزال القدرات مثل التفكير المعقد والخبرة ومعالجة السياق الطويل تعتمد على التدريب والتصميم المعماري لنماذج محددة. ولكن من منظور الإنتاج، فإن القدرة على إكمال معظم المهام اليومية باستهلاك وتكلفة معقولين للطاقة قد تكون أكثر قيمة من متابعة مقياس المعلمات النقي.
يعكس بيان الرئيس التنفيذي لشركة Qualcomm أيضًا أن صناعة الهواتف الذكية تبحث عن اتجاهات نمو جديدة. ومع الانخفاض التدريجي للفوائد الهامشية لترقية الأجهزة التقليدية، يأمل مصنعو الهواتف المحمولة في استخدام عوامل الذكاء الاصطناعي لإعادة تعريف كيفية استخدام الأجهزة.
قد لا تكون الهواتف الذكية المستقبلية مجرد أجهزة تنتظر المستخدمين لفتح التطبيقات وإدخال الأوامر، بل مساعدين شخصيين يمكنهم فهم الاحتياجات بشكل مستمر وترتيب المهام والاتصال بخدمات مختلفة ضمن نطاق ترخيص المستخدم. وتتطلب مثل هذه الأنظمة قدرات تفكير محلية أقوى، فضلاً عن إدارة أكثر كفاءة للذاكرة، وحوسبة منخفضة الطاقة، وآليات أمنية.
ومع ذلك، لا تزال هناك مسافة بين أهداف الصناعة والمنتج النهائي. لم تعلن شركة آمون عن اسم الشركة الشريكة المحددة، ولم تقدم خريطة طريق كاملة للأجهزة أو جدول الإنتاج الضخم. يعد عام 2028 أكثر ملاءمة لأن يُفهم على أنه الوقت المستهدف الذي تأمل بعض شركات الذكاء الاصطناعي في تحقيق هذه القدرة، بدلاً من تاريخ إصدار المنتج الذي أكدته شركة كوالكوم.
انطلاقًا من الظروف التقنية الحالية، ليس من المستحيل تمامًا أن تقوم الهواتف المحمولة بتشغيل مئات المليارات من نماذج المعلمات في عام 2028، ولكن قد تختلف طريقة التنفيذ عما يتخيله الناس من خلال "تحميل جميع النماذج الكاملة في ذاكرة الهاتف المحمول". قد يكون التكميم الأكثر قوة، وهندسة وزارة البيئة، والتفريغ الخبراء، وتصميم الذاكرة المخصص، والتقطير النموذجي، جزءًا من تحقيق الهدف.
وفي الوقت نفسه، سيؤثر عرض الذاكرة العالمية واتجاهات الأسعار بشكل مباشر على الجدوى التجارية لهذا الاتجاه. إذا تم تقليص المعروض من ذاكرة الوصول العشوائي الديناميكية (DRAM) المخصصة للمستهلكين بواسطة مراكز بيانات الذكاء الاصطناعي لفترة طويلة، حتى لو كان من الممكن تقنيًا تصنيع هواتف محمولة بذاكرة سعة 64 جيجابايت أو أكثر، فقد لا تكون الشركات المصنعة على استعداد لإطلاق مثل هذه المنتجات على نطاق واسع.
لذلك، فإن رؤية كوالكوم للهاتف المحمول الذي يحتوي على 100 مليار معلمة تحتاج حقًا إلى حل ليس فقط من حيث أداء الرقاقة، ولكن أيضًا في التوازن الشامل بين حجم النموذج وسعة الذاكرة وتكلفة التصنيع وتبديد الحرارة وعمر البطارية وطلب المستهلكين. بالنسبة للمستخدمين العاديين، قد لا يكون الشيء الأكثر جدارة بالملاحظة في المستقبل هو ما إذا كان الهاتف المحمول يمكنه تشغيل نموذج يحتوي على 100 مليار معلمة، ولكن ما إذا كان يمكنه توفير خدمات ذكاء اصطناعي محلية موثوقة وسريعة ومفيدة حقًا دون زيادة السعر بشكل كبير أو التضحية بشكل خطير بعمر البطارية.
التعليقات