لماذا تعيد نماذج الذكاء الاصطناعي ذات الأوزان المفتوحة تشكيل تصميم العتاد؟

لم تعد المفاضلة بين نماذج الذكاء الاصطناعي المغلقة والمفتوحة مرتبطة بسعر الوصول إلى واجهة برمجة التطبيقات فقط. فإتاحة الأوزان المدربة للتنزيل تسمح بتشغيل النموذج على عتاد المؤسسة أو تعديله وفق احتياجاتها، لكنها في الوقت نفسه تفرض أسئلة معقدة على مهندسي الشرائح حول الذاكرة والأداء المستدام وأمن النشر وقابلية العتاد للتكيف مع نماذج تتغير خلال أسابيع، بينما يستغرق تصميم الشريحة سنوات.

هذا هو المحور الذي يناقشه تحليل Semiconductor Engineering مستنداً إلى آراء خبراء من Expedera وArteris وAxiomise وSynopsys وSiemens EDA وCadence وRambus وشركات أخرى. والخلاصة الأساسية أن معيار النجاح لم يعد عدد عمليات TOPS في ذروة قصيرة، بل قدرة المنصة على تشغيل مزيج متغير من النماذج بكفاءة واستجابة وأمان.

الأوزان المفتوحة لا تعني مصدراً مفتوحاً بالكامل

النموذج ذو الأوزان المفتوحة يتيح للمستخدم تنزيل المعلمات المدربة وتشغيلها أو تكييفها محلياً. لكن ذلك لا يساوي بالضرورة نموذجاً مفتوح المصدر؛ فقد تبقى بيانات التدريب والشيفرة وحقوق الاستخدام مقيدة. ويضم هذا المجال نماذج مثل Meta Llama وAlibaba Qwen وDeepSeek وMistral وGoogle Gemma وMicrosoft Phi وعائلة OpenAI gpt-oss.

تتراوح خيارات التشغيل من نماذج كبيرة تحتاج إلى خوادم أو مسرعات متقدمة إلى نماذج أصغر يمكن تشغيلها على أجهزة ذات ذاكرة محدودة. ووفق ما ورد في المادة، يمكن لـ gpt-oss-120b العمل على وحدة معالجة رسومية بذاكرة 80 غيغابايت، بينما يستهدف gpt-oss-20b أجهزة بذاكرة 16 غيغابايت باستخدام تكميم MXFP4. لكن ملاءمة النموذج للذاكرة لا تثبت وحدها أنه سيقدم أداءً عملياً مفيداً.

المرونة مقابل الاعتماد على مزود واحد

يسمح التشغيل المحلي أو داخل بيئة سحابية خاصة بتقليل الاعتماد على خدمة واحدة، كما يساعد على إبقاء البيانات الحساسة داخل شبكة المؤسسة. ويكتسب ذلك أهمية خاصة في تصميم الشرائح والقطاعات المنظمة، حيث قد تتضمن البيانات أساليب عمل أو مخططات أو معلومات تمثل أسراراً تجارية.

كما يمكن للمؤسسات استخدام توجيه النماذج، بحيث تُسند المهام الصعبة إلى نموذج تجاري قوي، بينما تُنفذ المهام المتكررة أو الأقل تعقيداً بواسطة نموذج مفتوح الأوزان أقل كلفة. غير أن التحليل يوضح أن النماذج المفتوحة لا تضمن تلقائياً أداءً أقل أو تكلفة أقل؛ فالكلفة تعتمد على حجم النموذج وطريقة تشغيله ومتطلبات الاستجابة، وقد تتجاوز 10 آلاف دولار عندما تكون هناك حاجة إلى أداء تفاعلي مستمر في سير عمل يومي.

ما الذي يتغير عملياً في تصميم الشرائح؟

يرى الخبراء أن الذاكرة وعرض النطاق الترددي ونقل البيانات قد تصبح قيوداً أهم من القدرة الحسابية الخام. وعلى فرق التصميم تقييم عدد المعلمات النشطة، والدقة الرقمية، وطول السياق، وتعدد الوسائط، والتزامن، وزمن الاستجابة، بدلاً من افتراض نموذج واحد ثابت للمستقبل.

• قد يصبح عرض نطاق الذاكرة هو القيد الرئيسي بدلاً من FLOPS.
• تزداد أهمية التفعيلات المتناثرة والتكميم منخفض الدقة.
• قد تكون الأنظمة غير المتجانسة، التي تجمع أنواعاً مختلفة من المعالجات، وسيلة عملية للنشر.
• يجب اختبار ضغط ذاكرة KV وسياقات تصل إلى 128K وتزامن الوكلاء، لا عمليات GEMM الكثيفة فقط.

وتنبع هذه المتطلبات من الفجوة بين دورة تطوير النماذج ودورة تصنيع الشرائح. فقد يتغير النموذج أسبوعياً أو شهرياً، في حين قد تستغرق دورة الشريحة نحو 2.5 سنة في أفضل الحالات. لذلك تصبح قابلية التكيف في البرمجيات والعتاد أكثر قيمة من تسريع نموذج واحد قد يفقد أهميته قبل اكتمال التصنيع.

الذكاء الاصطناعي في أدوات تصميم الشرائح

لا تكفي النماذج العامة لأعمال تصميم الشرائح، وفق ما ينقله التحليل عن Synopsys. فالمخرجات الموثوقة تعتمد على بيانات تصميم نظيفة وموثقة، وسياق واضح لسير العمل، ومرجع مؤكد للحقيقة. ولا يعالج ضبط الأوزان وحده نقص البيانات المتخصصة أو تضاربها.

لهذا قد تكون قيمة النماذج المفتوحة في أدوات EDA مرتبطة بقدرة الشركات على إبقاء بياناتها داخل بيئة محمية، ثم إضافة بياناتها وسير عملها وطبقات المعرفة الخاصة بها. أما الجانب الأمني فلا يتوقف عند النموذج نفسه، بل يشمل توثيق ملفات الأوزان والتحديثات، وحماية الذاكرة وقنوات DMA، وعزل أحمال العمل، ودعم التراجع إلى إصدار آمن.

القراءة التحريرية: التغير الحقيقي ليس أن النماذج ذات الأوزان المفتوحة ستستبدل النماذج proprietary فوراً، بل أنها تنقل قرار الذكاء الاصطناعي من اختيار خدمة إلى تصميم منظومة كاملة. وستحتاج المؤسسات إلى موازنة الأداء والكلفة والخصوصية وقابلية التطوير، بينما سيضطر مصممو الشرائح إلى بناء منصات تتحمل تغير النماذج بدلاً من تحسينها لمعيار واحد. ويظل السؤال المفتوح هو مدى قدرة النماذج المفتوحة على سد فجوة الجودة في المهام المتخصصة، خصوصاً عندما تكون البيانات الموثوقة وسير العمل أهم من حجم النموذج وحده.