Fractile تراهن على شرائح «الحوسبة داخل الذاكرة» لتسريع الذكاء الاصطناعي

لماذا أصبح الاستدلال هو عنق الزجاجة الجديد؟

معظم البنية التحتية للذكاء الاصطناعي اليوم صُممت أساساً لمرحلة التدريب، وهي المرحلة التي يتم فيها بناء النموذج عبر معالجة كميات ضخمة من البيانات. وتتفوق وحدات معالجة الرسوميات (GPU) في هذا النوع من العمليات الحسابية المتوازية.

لكن بعد اكتمال التدريب، ينتقل النموذج إلى مرحلة الاستدلال، حيث يولد النصوص أو الإجابات استجابة لطلبات المستخدمين. وهنا تتغير طبيعة العبء الحاسوبي.

بدلاً من الاعتماد فقط على القوة الحسابية، تصبح المشكلة الأساسية هي سرعة الوصول إلى البيانات في الذاكرة وزمن التأخير. فالنماذج الضخمة تحتاج إلى قراءة كميات هائلة من الأوزان والبيانات الوسيطة أثناء توليد كل رمز (Token). وإذا لم يكن نقل هذه البيانات سريعاً بما يكفي، فلن تساعد زيادة القدرة الحسابية وحدها.

وتزداد المشكلة مع تطور النماذج الحديثة، لأن:

• الإجابات أصبحت أطول وأكثر تعقيداً
• نوافذ السياق (Context Windows) أصبحت أكبر بكثير
• نماذج التفكير الحديثة تقوم بخطوات داخلية متعددة قبل إعطاء النتيجة

بعض هذه المهام قد تتطلب عشرات الملايين من الرموز في المهمة الواحدة، ما يجعل سرعة التوليد والوصول إلى الذاكرة عاملاً حاسماً.

لذلك ترى Fractile أن العالم يقترب من نقطة يصبح فيها زمن الاستدلال هو العامل الذي يحدد مدى قدرة الأنظمة الذكية على العمل عملياً.

فكرة Fractile: تنفيذ العمليات داخل الذاكرة نفسها

الحل الذي تقترحه الشركة يعتمد على مفهوم يسمى الحوسبة داخل الذاكرة (In‑Memory Compute) أو الحوسبة القريبة من الذاكرة.

في المعالجات التقليدية المستخدمة في الذكاء الاصطناعي — مثل شرائح Nvidia — تكون وحدات المعالجة منفصلة عن الذاكرة مثل ذاكرة النطاق الترددي العالي (HBM). وهذا يعني أن البيانات تتحرك باستمرار بين المعالج والذاكرة، وهو أمر يستهلك وقتاً وطاقة.

أما تصميم Fractile فيهدف إلى تنفيذ جزء كبير من العمليات في المكان الذي توجد فيه البيانات أصلاً داخل الذاكرة، ما يقلل حركة البيانات بشكل كبير.

أهم ملامح هذا التصميم:

• دمج المعالجة والذاكرة في الشريحة نفسها
• تنفيذ عمليات النموذج مباشرة داخل بنية الذاكرة
• تقليل نقل البيانات بين الذاكرة الخارجية ووحدات المعالجة

تقليل حركة البيانات بهذه الطريقة يمكن أن يحسن زمن الاستجابة واستهلاك الطاقة والتكلفة — وهي عوامل حاسمة لتشغيل الذكاء الاصطناعي على نطاق واسع.

وتقول الشركة إن أنظمتها تستهدف تشغيل استدلال النماذج المتقدمة بسرعة قد تصل إلى 25 مرة أسرع وبتكلفة تقارب عُشر تكلفة الحلول الحالية. وتشير تقارير سابقة إلى أن أهداف التطوير المبكرة تحدثت حتى عن تحسن يصل إلى 100 ضعف في السرعة و10 أضعاف انخفاضاً في التكلفة في بعض الحالات، لكن هذه الأرقام لا تزال ادعاءات للشركة ولم يتم التحقق منها بشكل مستقل بعد.

ماذا ستفعل الشركة بتمويل 220 مليون دولار؟

قاد جولة التمويل Accel وFactorial Funds وFounders Fund، مع مشاركة مستثمرين آخرين مثل Conviction وGigascale Capital وO1A Ventures وFelicis وBuckley Ventures و8VC.

وتخطط Fractile لاستخدام التمويل من أجل:

• تسريع تطوير بنية شرائح الاستدلال الخاصة بها
• دفع أول أنظمة العتاد نحو مرحلة الإنتاج
• توسيع فرق الهندسة في المملكة المتحدة والولايات المتحدة وتايوان

تأسست الشركة في عام 2022 على يد المهندس والتر غودوين، وهو باحث تلقى تدريبه في جامعة أكسفورد. وتستهدف الشركة إيصال أول أنظمتها للعملاء خلال النصف الثاني من هذا العقد.

كما أشارت تقارير إلى وجود محادثات أولية مع شركات ذكاء اصطناعي مثل Anthropic حول استخدام هذه التقنية مستقبلاً، لكن لم يتم الإعلان عن أي اتفاق تجاري رسمي حتى الآن.

ما التطبيقات الجديدة التي قد يتيحها تسريع الاستدلال؟

إذا نجحت Fractile أو تقنيات مشابهة في تسريع الاستدلال بشكل كبير، فقد يفتح ذلك الباب أمام فئات جديدة من التطبيقات.

نماذج التفكير المتقدم

النماذج الحديثة لا تعطي إجابة مباشرة دائماً؛ بل قد تحلل المشكلة عبر خطوات متعددة أو تولد عدة حلول قبل اختيار الأفضل. تسريع الاستدلال يسمح للنموذج باستخدام قدرة حسابية أكبر أثناء التشغيل، وهو ما يسمى أحياناً "الحوسبة وقت الاختبار" (Test‑Time Compute).

المساعدات الذكية الفورية

التفاعل الطبيعي مع المساعدات الرقمية يحتاج إلى زمن استجابة منخفض للغاية. تقليل تأخير توليد الرموز يمكن أن يجعل المحادثات مع الذكاء الاصطناعي أقرب إلى الحوار الفوري.

الأنظمة الوكيلة (Agentic AI)

الأنظمة الذكية المستقلة قد تنفذ مهاماً متعددة الخطوات مثل استخدام أدوات خارجية أو كتابة كود أو تحليل بيانات. هذه العمليات قد تحتاج إلى ميزانيات ضخمة من الرموز، ما يجعل سرعة الاستدلال عاملاً حاسماً.

الذكاء الاصطناعي في الشركات

الشركات التي تقدم خدمات مثل مساعدي البرمجة أو روبوتات خدمة العملاء أو واجهات API للنماذج تحتاج إلى تكلفة منخفضة لكل رمز يتم توليده مع قدرة عالية على معالجة الطلبات.

السؤال الكبير: هل يمكنها منافسة عمالقة الشرائح؟

تعكس فكرة Fractile تحولاً أوسع في صناعة الذكاء الاصطناعي: مع انتقال التقنية من المختبرات إلى الاستخدام التجاري الواسع، أصبحت كفاءة تشغيل النماذج لا تقل أهمية عن تدريبها.

لكن الطريق ليس سهلاً. فبناء معمارية شرائح جديدة قادرة على منافسة منظومة GPU الناضجة — التي تقودها شركات مثل Nvidia — يعد تحدياً تقنياً وصناعياً ضخماً.

ومع ذلك، فإن حجم التمويل الكبير والاهتمام المتزايد من المستثمرين يشيران إلى اعتقاد متنامٍ في القطاع بأن الاختراق القادم في الذكاء الاصطناعي قد لا يأتي من نماذج أكبر فقط، بل من طرق أسرع وأرخص لتشغيلها.