الذكاء الاصطناعي يفتح جبهة جديدة في صناعة الذاكرة
يشهد سباق الذكاء الاصطناعي تحولاً يتجاوز قدرات المعالجات، إذ باتت النماذج الأكثر تطوراً تحتاج إلى كميات متزايدة من الذاكرة، خصوصاً مع قدرتها على التعامل مع السياقات الطويلة وتنفيذ المهام المتواصلة. ويجعل ذلك سرعة الوصول إلى البيانات وحجم المعلومات التي يمكن الاحتفاظ بها أثناء المعالجة عاملين أساسيين في تحديد كفاءة الأنظمة.
ويمتد الطلب المتنامي من خوادم مراكز البيانات إلى الحواسيب والهواتف والروبوتات التي تشغّل تطبيقات الذكاء الاصطناعي محلياً. ويضع هذا التوسع صناعة الذاكرة أمام تحديات تتعلق بتوفير الإمدادات، ورفع الطاقة الإنتاجية، ومواكبة الاحتياجات المتزايدة من دون إغفال تكاليف التصنيع ومتطلبات القطاعات الأخرى.
ولا تعتمد كفاءة تشغيل النماذج على قوة المعالج وحدها، بل تحتاج أيضاً إلى ذاكرة تتيح الوصول السريع إلى أوزان النموذج والبيانات والنتائج الوسيطة خلال المعالجة. وكلما ازداد حجم النموذج وطال السياق الذي يتعامل معه، ارتفعت كمية المعلومات التي ينبغي الاحتفاظ بها وإتاحتها بسرعة.
وتبرز في هذا المجال ذاكرة النطاق الترددي العالي، المعروفة اختصاراً باسم «إتش بي إم» (HBM)، التي تُستخدم بالقرب من معالجات الذكاء الاصطناعي لنقل كميات كبيرة من البيانات بسرعات مرتفعة. وتكتسب هذه التقنية أهمية خاصة في مراكز البيانات التي تشغّل نماذج ضخمة، إذ تساعد على تقليل الوقت الذي تنتظره المعالجات للحصول على البيانات اللازمة لتنفيذ العمليات الحسابية.
كما تتزايد احتياجات الذاكرة مع معالجة السياقات الطويلة وتشغيل الأنظمة التي تنفذ مهام متتابعة. وتستخدم هذه الأنظمة ذاكرة مؤقتة تُعرف باسم «كي في كاش» (KV Cache)، للاحتفاظ بمعلومات وسيطة خلال توليد الإجابات، بما يقلل الحاجة إلى إعادة بعض العمليات الحسابية. ويختلف حجم الذاكرة المطلوبة وفقاً لحجم النموذج وطول السياق وطبيعة المهمة.
صناعة أشباه الموصلات أمام تحديات جديدة
لا يقتصر تأثير التوسع في الذكاء الاصطناعي على مراكز البيانات، بل يمتد إلى صناعة أشباه الموصلات، حيث توزع الشركات المصنعة استثماراتها وطاقاتها الإنتاجية بين أنواع متعددة من الذاكرة.
وتشمل هذه الأنواع ذاكرة «إتش بي إم» المستخدمة في مسرّعات الذكاء الاصطناعي، وذاكرة الوصول العشوائي الديناميكية «دي آر إيه إم» (DRAM) التي تعتمد عليها الحواسيب والهواتف والخوادم، إضافة إلى ذاكرة «ناند فلاش» (NAND Flash) المستخدمة في وحدات التخزين.
ومع ارتفاع الطلب على ذاكرة «إتش بي إم»، تواجه الشركات تحدياً يتمثل في زيادة إنتاجها لتلبية احتياجات مراكز البيانات، مع المحافظة على إمدادات الأنواع الأخرى. وقد يؤدي التنافس على الطاقة الإنتاجية والاستثمارات إلى اختلال التوازن بين العرض والطلب، بما ينعكس على أسعار الذاكرة ومدى توافرها في الأسواق.
ويضيف انتشار الذكاء الاصطناعي الوكيلي ضغوطاً جديدة، إذ تستطيع هذه الأنظمة تنفيذ سلسلة من الخطوات تشمل تحليل المعلومات واستخدام الأدوات ومراجعة النتائج، بدلاً من الاكتفاء بتقديم إجابة واحدة. وتتطلب هذه المهام الاحتفاظ بالمعلومات ذات الصلة واسترجاعها خلال مراحل العمل، لكن حجم الاستهلاك يختلف باختلاف النموذج والتطبيق، ويمكن لتحسين البرمجيات وإدارة الذاكرة أن يحدّا منه في بعض الحالات.
انعكاسات محتملة على الحواسيب والهواتف
عندما يرتفع الطلب على الذاكرة المخصصة للخوادم، قد تتأثر الإمدادات المتاحة للأجهزة الاستهلاكية، خصوصاً إذا اتجهت الاستثمارات نحو المنتجات المرتبطة بالذكاء الاصطناعي. ويمكن أن يؤدي ارتفاع تكاليف المكونات إلى زيادة أسعار بعض الحواسيب والهواتف، أو دفع الشركات المصنعة إلى تعديل مواصفات أجهزتها، بحسب مستويات المخزون وتكاليف الإنتاج واستراتيجيات التسعير.
ولا يعني ذلك أن أسعار جميع الأجهزة سترتفع بالمقدار نفسه، إذ تتأثر التكلفة أيضاً بأسعار المعالجات والشاشات وعمليات التجميع، فضلاً عن الفئة السعرية التي يستهدفها كل منتج. كما تختلف قدرة الشركات على امتصاص الزيادات أو تمريرها إلى المستهلكين وفقاً للمنافسة والعقود المبرمة مع الموردين.
وفي المقابل، تزداد أهمية الذاكرة الأكبر لتشغيل بعض تطبيقات الذكاء الاصطناعي مباشرة على الأجهزة، بما يتيح معالجة البيانات محلياً وتقليل الاعتماد على الخدمات السحابية. ومع ذلك، لا تضمن زيادة السعة وحدها تحقيق أداء أفضل، إذ يتوقف ذلك أيضاً على قوة المعالج وعرض نطاق الذاكرة وكفاءة البرمجيات وحجم النموذج المستخدم.
الروبوتات توسّع نطاق الطلب
يمتد الطلب على الذاكرة إلى الروبوتات التي تستخدم الكاميرات وأجهزة الاستشعار لفهم البيئة المحيطة واتخاذ قرارات في الوقت الحقيقي. وتحتاج هذه الأنظمة إلى معالجة البيانات بسرعة، والاحتفاظ بالمعلومات اللازمة لتشغيل النماذج وتنسيق الحركة وتنفيذ المهام.
وقد تعتمد الروبوتات المتقدمة على ذاكرة الوصول العشوائي الديناميكية منخفضة الطاقة «إل بي دي دي آر» (LPDDR)، إلى جانب وحدات تخزين سريعة تعتمد تقنية «إن في إم إي» (NVMe). غير أن الاحتياجات تختلف بحسب تصميم الروبوت وطبيعة استخدامه؛ فالأنظمة التي تعالج البيانات محلياً قد تحتاج إلى موارد أكبر من الأجهزة التي تعتمد على مراكز البيانات لتنفيذ العمليات المعقدة.
ويكشف هذا التوسع أن الذاكرة أصبحت عنصراً أساسياً في انتقال الذكاء الاصطناعي من الخوادم إلى الأجهزة الطرفية، بما يشمل الحواسيب والهواتف والآلات الذكية. كما يضيف هذا الانتقال متطلبات تتعلق باستهلاك الطاقة وسرعة الاستجابة وحجم المكونات وتكلفة إنتاجها.
توسيع الطاقة الإنتاجية يحتاج إلى وقت
يتطلب رفع إنتاج الذاكرة استثمارات كبيرة في المصانع والمعدات، ولا يمكن زيادة الطاقة الإنتاجية بالسرعة نفسها التي تتطور بها البرمجيات وتتوسع بها تطبيقات الذكاء الاصطناعي. فبناء المنشآت وتجهيز خطوط التصنيع والوصول إلى مستويات إنتاج مستقرة عمليات تحتاج إلى وقت ورؤوس أموال كبيرة.
لذلك، قد يستمر الضغط على الإمدادات والأسعار خلال فترات النمو السريع، رغم خطط الشركات لزيادة الإنتاج. وتواجه المصانع تحدياً في تقدير حجم الطلب المستقبلي وتوزيع مواردها بين المنتجات المختلفة، خصوصاً أن احتياجات مراكز البيانات تختلف عن متطلبات الحواسيب والهواتف والروبوتات.
ويفرض هذا الوضع على المصنعين الموازنة بين الاستجابة للاحتياجات الحالية والاستعداد للطلب المستقبلي. فالتوسع في الإنتاج ينطوي على مخاطر إذا تغيرت احتياجات السوق، بينما قد يؤدي التأخر في زيادة الطاقة الإنتاجية إلى نقص المعروض وارتفاع الأسعار عندما يتجاوز الطلب الإمكانات المتاحة.
تحسين الكفاءة يخفف استهلاك الموارد
في مواجهة تصاعد الاحتياجات، تعمل شركات التكنولوجيا على تحسين كفاءة النماذج وطرق تشغيلها لتقليل الموارد اللازمة لتنفيذ المهام. وتشمل هذه الجهود ضغط النماذج، وتحسين إدارة البيانات المؤقتة، وتطوير أساليب أكثر كفاءة للاستدلال، أي استخدام النموذج لإنتاج النتائج بعد تطويره وتدريبه.
ويمكن لهذه التحسينات أن تساعد على تشغيل بعض التطبيقات ضمن إمكانات محدودة، وتقليل العمليات غير الضرورية، وتحسين الاستفادة من الذاكرة المتاحة. لكنها لا تلغي الحاجة إلى تطوير قدرات الذاكرة مع استمرار نمو النماذج واتساع نطاق استخداماتها.
وتظل النتائج مرتبطة بطبيعة النموذج والتطبيق ومتطلبات الأداء؛ فالمهام التي تتطلب معالجة كميات كبيرة من البيانات أو الاحتفاظ بسياقات واسعة تفرض احتياجات يصعب تقليصها إلى مستويات منخفضة من دون التأثير في الأداء.