ما هو GPU في الذكاء الاصطناعي للعملات المشفرة

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو GPU في الذكاء الاصطناعي للعملات المشفرة

وحدة معالجة الرسوميات (GPU) معالج صُمّم في الأصل لعرض الرسوميات وأصبح العتاد المهيمن لأحمال عمل الذكاء الاصطناعي. تتفوّق وحدات GPU في الحوسبة المتوازية — أداء آلاف العمليات الرياضية البسيطة في آنٍ واحد — وهو بالضبط ما يتطلّبه تدريب الذكاء الاصطناعي واستدلاله. في مجال الذكاء الاصطناعي للعملات المشفرة، تكون وحدات GPU المورد الأساسي الذي توفّره شبكات الحوسبة اللامركزية، والوصول إلى سعة GPU أحد الاختناقات الأساسية لتطوير الذكاء الاصطناعي.

باختصار: الـ GPU هو العتاد الذي يشغّل الذكاء الاصطناعي. في الذكاء الاصطناعي للعملات المشفرة، تتيح شبكات GPU اللامركزية لأي شخص المساهمة بحوسبة GPU أو استئجارها لتدريب نماذج الذكاء الاصطناعي وتشغيلها، بتنسيق من بروتوكولات البلوك تشين.

لماذا تهمّ وحدات GPU للذكاء الاصطناعي

تتضمّن أحمال عمل الذكاء الاصطناعي — خاصةً التعلّم العميق — كميّات هائلة من ضرب المصفوفات. تدريب شبكة عصبية يعني ضرب مصفوفات كبيرة من الأرقام مليارات المرّات. تشغيل الاستدلال (inference) يعني تمرير بيانات المدخل عبر طبقات من عمليات المصفوفات. هذه العمليات بسيطة رياضيًا (ضرب وجمع) لكن يجب أداؤها بكميّات هائلة.

وحدات CPU (وحدات المعالجة المركزية) مصمّمة لمهام معقّدة ومتسلسلة. لديها بضع نوى قوية تعالج التعليمات واحدةً تلو الأخرى (مع بعض التوازي). أما وحدات GPU، على النقيض، فلديها آلاف النوى الأصغر المُحسَّنة لأداء العملية نفسها عبر نقاط بيانات كثيرة في آنٍ واحد. يمكن لـ GPU حديث عالي المستوى أن يحوي أكثر من عشرة آلاف نواة CUDA (NVIDIA) أو معالجات تدفّق (AMD)، تعمل جميعها بالتوازي.

تجعل هذه المعمارية وحدات GPU أسرع بأوامر مقدارية من وحدات CPU لأحمال عمل الذكاء الاصطناعي:

البُعد	CPU	GPU
عدد النوى	عادةً 4–128 نواة	آلاف النوى
التحسين	منطق معقّد ومتسلسل	عمليات بسيطة ومتوازية
ملاءمة حمل عمل الذكاء الاصطناعي	ضعيف للتدريب واسع النطاق	مبني خصيصًا لرياضيات المصفوفات
نطاق الذاكرة الترددي	أقل	أعلى بكثير (حاسم لتغذية البيانات إلى النوى)

إضافةً إلى الحوسبة الخام، تقدّم وحدات GPU نطاقًا تردديًا عاليًا للذاكرة — القدرة على نقل كميّات كبيرة من البيانات بين الذاكرة ونوى المعالجة بسرعة. هذا حاسم للذكاء الاصطناعي لأن النماذج وحوسباتها الوسيطة يجب تحميلها إلى الذاكرة وإخراجها منها بسرعة أثناء كلٍّ من التدريب والاستدلال.

GPU في تدريب الذكاء الاصطناعي مقابل الاستدلال

تخدم وحدات GPU حملي عمل ذكاء اصطناعي متميّزين بمتطلّبات مختلفة:

التدريب

تدريب نموذج يعني تعديل معاملاته (الأوزان) بناءً على بيانات التدريب لتقليل الأخطاء. يتضمّن هذا:

• تشغيل النموذج للأمام على دفعة من البيانات (التمرير الأمامي).
• حساب الخطأ (الخسارة loss).
• نشر الخطأ عكسيًا عبر النموذج لحساب التدرّجات (التمرير العكسي).
• تحديث الأوزان بناءً على التدرّجات.

يتطلّب تدريب النماذج الكبيرة وحدات GPU متعدّدة تعمل معًا، غالبًا عبر أجهزة متعدّدة. قد يتطلّب نموذج لغوي كبير حديث آلاف وحدات GPU تعمل أسابيع أو شهورًا. التدريب كثيف حوسبيًا، نهِم للذاكرة، ويستفيد من أسرع عتاد متاح.

الاستدلال

الاستدلال هو تشغيل نموذج مُدرَّب على بيانات جديدة لإنتاج نتائج. يتطلّب التمرير الأمامي فقط — لا حساب تدرّجات ولا تحديث أوزان. الاستدلال أقلّ كثافةً حوسبيًا لكل طلب من التدريب لكنه يجب أن يكون سريعًا (كمون منخفض) وفعّالًا (كلفة منخفضة لكل استعلام) لأنه يعمل باستمرار في الإنتاج.

بالنسبة للاستدلال، تختلف متطلّبات الـ GPU: الكمون والإنتاجية أهم من الحوسبة القصوى. غالبًا ما يمكن لوحدات GPU الأصغر والأكفأ أو النماذج المُكمَّمة (quantized) خدمة أحمال عمل الاستدلال بفعالية.

شبكات GPU اللامركزية

في الذكاء الاصطناعي التقليدي، تستأجر الشركات وحدات GPU من مزوّدي سحابة مركزيين — مراكز بيانات كبيرة تشغّلها بضع شركات كبرى. يخلق هذا مخاطرة تركّز، وتكاليف عالية، وقيودًا جغرافية. تهدف شبكات GPU اللامركزية إلى إنشاء سوق مفتوح لحوسبة GPU:

• جانب العرض. يساهم مالكو وحدات GPU (أفراد، مراكز بيانات صغيرة، عمليات تعدين تحوّل عتادها الخامل) بوحداتهم في الشبكة ويكسبون مكافآت.
• جانب الطلب. يستأجر مطوّرو الذكاء الاصطناعي والمشاريع سعة GPU للتدريب أو الاستدلال دون الالتزام بمزوّد سحابة واحد.
• طبقة البروتوكول. ينسّق بروتوكول بلوك تشين المطابقة، والتسعير، وجدولة المهام، وتسوية المدفوعات، وضمان الجودة.

يندرج هذا النموذج تحت نمط DePIN الأوسع (شبكات البنية التحتية المادية اللامركزية): يُنسَّق العتاد المادي ببروتوكول لامركزي بدلًا من شركة مركزية.

تحدّيات GPU اللامركزي

تواجه شبكات GPU اللامركزية تحدّيات عملية كبيرة:

• عدم تجانس العتاد. لوحدات GPU المختلفة قدرات مختلفة. شبكة بمزيج من بطاقات المستهلك وبطاقات مراكز البيانات يجب أن تتعامل مع مطابقة أحمال العمل، والتوافق، وتباين الأداء.
• الموثوقية. قد ينقطع مزوّدو GPU الأفراد، أو تكون لديهم مشكلات شبكة، أو يقدّموا أداءً غير متّسق. يقدّم مزوّدو السحابة المؤسّسيون اتفاقيات مستوى خدمة (SLAs)؛ ويجب على الشبكات اللامركزية حلّ الموثوقية على مستوى البروتوكول.
• التحقق. كيف تتحقّق الشبكة من أن مزوّد GPU أدّى الحوسبة فعلًا بشكل صحيح؟ تشمل النُّهُج الحوسبة الزائدة، وتصديق TEE، وآليات إثبات الحوسبة.
• نقل البيانات. تتضمّن أحمال عمل الذكاء الاصطناعي نقل بيانات كبيرة (أوزان النماذج، مجموعات بيانات التدريب، دفعات المدخل). نقل البيانات من وإلى مزوّدي GPU الموزّعين يُدخل كلفة كمون ونطاق ترددي تتجنّبها مراكز البيانات المركزية عبر التموضع المشترك (co-location).
• سرّية النموذج. عندما يرسل مالك نموذج نموذجه المملوك إلى مزوّد GPU غير موثوق، يمكن للمزوّد نسخ أوزان النموذج أو استخراجها. تشمل الحلول التنفيذ القائم على TEE والحوسبة المُشفَّرة.

لماذا يهمّ لـ DecAIHub

حوسبة GPU هي أساس كل مشروع ذكاء اصطناعي تقريبًا يُقيَّم على DecAIHub. تغطّي فئة الذكاء الاصطناعي/الحوسبة تحديدًا المشاريع التي توفّر موارد GPU لأحمال عمل الذكاء الاصطناعي أو تنسّقها أو تجعلها سوقًا. يساعد فهم ديناميكيات GPU على تقييم عدّة جوانب من بطاقات المشاريع:

• AI reality. هل لدى المشروع وصول إلى حوسبة GPU حقيقية، أم أن الذكاء الاصطناعي طموحي محض؟ أدلة استخدام GPU (لوحات معلومات، أعداد مزوّدين، معايير قياس (benchmarks) حوسبة) تدعم ادعاءات AI reality.
• التكامل على السلسلة. تستخدم بعض المشاريع آليات على السلسلة لمطابقة مهام GPU، وتسوية المدفوعات، وإثبات الحوسبة، أو تخزين المزوّدين. يتفاوت تطوّر التكامل على السلسلة على نطاق واسع.
• تداخل DePIN. المشاريع التي تجمع الذكاء الاصطناعي/الحوسبة مع DePIN تبني بنية تحتية لامركزية لـ GPU. يحفّز الرمز عادةً مزوّدي GPU للمساهمة بالعتاد في الشبكة.

أين يظهر في بطاقات مشاريع DecAIHub

تظهر المعلومات المرتبطة بـ GPU في عدّة حقول:

• Category — المشاريع في الذكاء الاصطناعي/الحوسبة تعالج مباشرةً عرض GPU وتنسيقه. غالبًا ما تشير علامات DePIN إلى نماذج حوافز عتاد.
• AI component — قيم مثل "GPU orchestration" أو "decentralized compute" أو "GPU marketplace" أو "compute network" تشير إلى بنية تحتية مركّزة على GPU.
• جدول Evidence — تشمل أدلة Tier-1 لمشاريع GPU لوحات معلومات المزوّدين، ومقاييس الاستخدام، ومعايير قياس الحوسبة، وسجلّات التسوية على السلسلة.

ما لا يثبته GPU وحده

• امتلاك وحدات GPU لا يثبت أن للمشروع ذكاءً اصطناعيًا حقيقيًا. وحدات GPU عتاد؛ ويتطلّب الذكاء الاصطناعي نماذج وبيانات وخطوط أنابيب. يمكن لمشروع تشغيل شبكة GPU دون أي منطق خاص بالذكاء الاصطناعي.
• عدد كبير من وحدات GPU لا يثبت أن الحوسبة تُستخدَم لأحمال عمل الذكاء الاصطناعي. يمكن لوحدات GPU خدمة أي مهمة حوسبة متوازية، بما في ذلك أحمال عمل غير الذكاء الاصطناعي.
• توفير بنية تحتية لـ GPU لا يثبت أن ذكاء المشروع الاصطناعي الخاص مملوك أو متقدّم. قد يستضيف المشروع نماذج طرف ثالث دون بناء أي شيء خاص بالذكاء الاصطناعي بنفسه.
• توافر GPU لا يثبت Token necessity. يمكن تسعير تأجير GPU وتسويته بالعملات الورقية أو العملات المستقرّة؛ ويتطلّب دور الرمز الأصلي تبريرًا منفصلًا.
• GPU اللامركزي لا يثبت أنه أكثر فعاليةً من حيث التكلفة أو الأداء من البدائل المركزية. الميزة النسبية لـ GPU اللامركزي ادعاء يتطلّب أدلة.

لا تخلط بين

• CPU (وحدة المعالجة المركزية) — المعالج العام الغرض في كل حاسوب. تتعامل وحدات CPU جيدًا مع المهام المتسلسلة لكنها ليست فعّالة لعمليات المصفوفات المتوازية التي يتطلّبها الذكاء الاصطناعي.
• TPU (Tensor Processing Unit) — مُسرِّع مخصّص صمّمته Google تحديدًا لأحمال عمل تعلّم الآلة. وحدات TPU ليست وحدات GPU؛ فهي مبنية خصيصًا لعمليات التنسور. وحدات TPU غير متاحة على نطاق واسع خارج Google Cloud.
• ASIC (Application-Specific Integrated Circuit) — عتاد مخصّص مصمّم لمهمة واحدة (مثل مُعدِّنات Bitcoin من نوع ASIC). على عكس وحدات GPU، لا يمكن إعادة توظيف وحدات ASIC لأحمال عمل مختلفة.
• فئة الذكاء الاصطناعي/الحوسبة — فئة DecAIHub للمشاريع التي توفّر موارد حوسبة. الـ GPU هو العتاد؛ والذكاء الاصطناعي/الحوسبة هو تصنيف المشروع.
• التعدين — في بلوك تشينات proof-of-work، استُخدمت وحدات GPU لتعدين العملات المشفرة. حوسبة الذكاء الاصطناعي حمل عمل مختلف جوهريًا. انتقل بعض مالكي GPU من التعدين إلى توفير حوسبة الذكاء الاصطناعي مع تغيّر ربحية التعدين.

الأسئلة الشائعة

لماذا تُستخدَم وحدات GPU للذكاء الاصطناعي بدلًا من وحدات CPU؟

تتضمّن أحمال عمل الذكاء الاصطناعي أداء العملية الرياضية نفسها (عادةً ضرب المصفوفات) عبر كميّات هائلة من البيانات في آنٍ واحد. لوحدات GPU آلاف النوى المصمّمة لهذا النوع بالضبط من الحوسبة المتوازية، بينما لوحدات CPU حفنة من النوى المُحسَّنة للمهام المتسلسلة والمعقّدة. يمكن لـ GPU أداء ضرب مصفوفات قد يستغرق من CPU دقائق أو ساعات في ثوانٍ. معمارية وحدات GPU — نوى متوازية بكثافة بنطاق ذاكرة ترددي عالٍ — تتواءم مع البنية الرياضية للشبكات العصبية.

ما هي شبكة GPU اللامركزية؟

شبكة GPU اللامركزية بروتوكول يربط مالكي GPU (المزوّدين) بمستخدمين يحتاجون قوّة حوسبة لأحمال عمل الذكاء الاصطناعي. فبدلًا من الاستئجار من مزوّد سحابة واحد، يصل المستخدمون إلى مجمّع موزّع من وحدات GPU منسّق ببروتوكول بلوك تشين يتعامل مع المطابقة والجدولة والتسعير والدفع. يكسب مزوّدو GPU مكافآت (غالبًا برمز الشبكة) مقابل المساهمة بالعتاد. يهدف البروتوكول إلى إنشاء سوق أكثر انفتاحًا وتنافسيةً وإتاحةً لحوسبة GPU.

هل شبكات GPU اللامركزية موثوقة مثل مزوّدي السحابة؟

الموثوقية أحد التحدّيات الرئيسية. يقدّم مزوّدو السحابة المركزيون اتفاقيات مستوى خدمة (SLAs) بوقت تشغيل وأداء مضمونين. ويجب على الشبكات اللامركزية حلّ الموثوقية على مستوى البروتوكول: مراقبة توافر المزوّدين، والتعامل مع تجاوز الفشل عند انقطاع مزوّد، وضمان أداء متّسق عبر عتاد غير متجانس، والتحقق من اكتمال العمل بشكل صحيح. تستخدم بعض الشبكات آليات تخزين وقطع لتحفيز الموثوقية. تتفاوت الحالة الراهنة على نطاق واسع حسب المشروع — بعضها يقترب من جودة الإنتاج، بينما يبقى آخرون تجريبيين.

كيف يرتبط GPU بـ DePIN؟

DePIN (شبكات البنية التحتية المادية اللامركزية) فئة واسعة من المشاريع تستخدم حوافز الرموز لتأسيس البنية التحتية المادية وتنسيقها. شبكات GPU من أبرز فئات DePIN الفرعية: يساهم مالكو GPU بالعتاد في بروتوكول ويكسبون رموزًا، بينما يجمّع البروتوكول العتاد في خدمة حوسبة قابلة للاستخدام. الـ GPU هو البنية التحتية المادية؛ ونموذج DePIN هو آلية الحوافز والتنسيق التي تنظّمها في شبكة.

مراجع خارجية

• NVIDIA CUDA Zone — موارد للمطوّرين للحوسبة المُسرَّعة بالـ GPU، حزمة التقنية التأسيسية المستخدَمة في معظم أحمال عمل الذكاء الاصطناعي على عتاد NVIDIA.
• Stanford HAI — AI Index Report — بيانات سنوية عن اتجاهات حوسبة الذكاء الاصطناعي، واستخدام GPU، والطلب المتنامي على عتاد الذكاء الاصطناعي.
• Ethereum.org — Decentralized science (DeSci) — سياق أوسع عن البنية التحتية اللامركزية للحوسبة العلمية وحوسبة الذكاء الاصطناعي، بما في ذلك نماذج شبكات GPU.

انظر أيضًا

• فئة الذكاء الاصطناعي/الحوسبة
• ما هو الاستدلال (inference)
• ما هو التدريب (training)
• الحوسبة كمكوّن للذكاء الاصطناعي
• ما هو TEE
• ما هو المدقّق (validator)