مقارنة شاملة بين شرائح الذكاء الاصطناعي في الولايات المتحدة والصين

البنية المعمارية والأداء الحسابي

تشير المواصفات المعلنة إلى أن المسرّعات الأمريكية ما زالت تتقدم في الأداء الخام. فمثلاً يوفر AMD MI325X قدرة تصل إلى نحو 1.3 بيتافلوب FP16، وهي قدرة عالية لتدريب النماذج الكبيرة.

أما Google TPU v6e فتقدم 918 تيرافلوب بدقة bf16 لكل شريحة، وتعتمد على تصميم خاص يتضمن وحدات ضرب مصفوفية مخصصة للذكاء الاصطناعي.

في المقابل، تحاول الصين تقليص الفجوة. فشريحة Huawei Ascend 910C تعتمد تصميمًا مكوناً من شريحتين (chiplet) ويمكن أن تصل إلى نحو 800 تيرافلوب FP16 وفق تقديرات متعددة.

أما شركة Biren فطرحت مسرّع BR100 الذي يوفر ما يصل إلى 256 تيرافلوب FP32 وقرابة 2048 TOPS INT8، وهو موجه أيضاً لمراكز البيانات.

الذاكرة وعرض النطاق

تُعد الذاكرة عالية النطاق HBM عاملاً حاسماً في تدريب نماذج الذكاء الاصطناعي، لأن العمليات تتطلب نقل كميات ضخمة من البيانات بين الذاكرة ووحدات الحساب.

• يحتوي AMD MI325X على 256 جيجابايت من HBM3E مع عرض نطاق يقارب 6 تيرابايت/ثانية، وهي من أعلى القيم في السوق حالياً.
• توفر TPU v6e حوالي 32 جيجابايت HBM مع عرض نطاق يقارب 1.6 تيرابايت/ثانية.
• تصل Ascend 910C إلى عرض نطاق ذاكرة يقارب 3.2 تيرابايت/ثانية لدعم نماذج الذكاء الاصطناعي الكبيرة.
• تحتوي Biren BR100 على 64 جيجابايت HBM2E مع عرض نطاق يصل إلى 2.3 تيرابايت/ثانية.

كلما ارتفع عرض النطاق، أصبح تدريب النماذج الضخمة أسرع وأكثر كفاءة.

الربط بين الشرائح والتوسع في العناقيد

في الواقع، نادراً ما يتم تدريب نماذج الذكاء الاصطناعي على شريحة واحدة فقط. بل يتم ربط مئات أو آلاف المسرّعات معاً داخل مراكز البيانات.

• تعتمد TPU v6e على شبكة اتصال مخصصة تسمى ICI لربط الشرائح ضمن مجموعات TPU تصل إلى 256 شريحة.
• تستخدم Cambricon MLU370‑X8 تقنية MLU‑Link التي توفر 200 جيجابايت/ثانية من عرض النطاق بين البطاقات.
• توفر شرائح Biren أيضاً وصلات GPU‑to‑GPU عالية السرعة لبناء عناقيد تدريب كبيرة.

هذا يعني أن تصميم النظام الكامل أصبح بنفس أهمية تصميم الشريحة نفسها.

التصنيع وسلاسل التوريد

تعتمد كفاءة الشرائح بشكل كبير على تقنية التصنيع.

• تم تصنيع Biren BR100 باستخدام عملية TSMC بدقة 7 نانومتر مع تغليف CoWoS المتقدم.
• تستخدم شرائح Huawei Ascend 910C مزيجاً من تصنيع SMIC بدقة 7 نانومتر وبعض الرقائق المنتجة قبل القيود الأمريكية.

في المقابل، تعتمد الشركات الأمريكية عادة على سلاسل توريد عالمية متقدمة وتقنيات تصنيع أكثر تطوراً.

منظومات البرمجيات

الأداء الحقيقي لا يعتمد على العتاد فقط، بل على منظومة البرمجيات أيضاً.

• تستفيد الشركات الأمريكية من أنظمة ناضجة مثل CUDA (من Nvidia) وROCm من AMD، إضافة إلى نظام برمجيات TPU الخاص بـGoogle.
• تطور Huawei إطار عمل CANN (Compute Architecture for Neural Networks) لدعم شرائح Ascend وبناء نظام بيئي محلي للذكاء الاصطناعي.

غالباً ما تحدد هذه الأدوات البرمجية أي منصة يختارها المطورون فعلياً.

ماذا تكشف هذه المقارنة؟

توضح البيانات الحالية عدة اتجاهات واضحة:

• تفوق في الأداء الموثق: ما تزال الشرائح الأمريكية تظهر أرقاماً أعلى في القدرة الحسابية وسعة الذاكرة في العديد من الحالات.
• بناء بدائل محلية: تعمل الصين على تطوير عدة خطوط من المسرّعات مثل Ascend وBiren وCambricon لتقليل الاعتماد على التقنيات الأجنبية.
• التنافس على مستوى الأنظمة: المنافسة الحقيقية أصبحت بين أنظمة حوسبة كاملة تضم آلاف المسرّعات وليس مجرد شرائح منفردة.

في النهاية، سباق شرائح الذكاء الاصطناعي ليس مجرد مقارنة في عدد الترانزستورات أو التيرافلوب. إنه أيضاً صراع بين منظومات تقنية كاملة تشمل العتاد والبرمجيات وسلاسل التوريد والبنية التحتية للحوسبة على نطاق هائل.

ومع استمرار نمو نماذج الذكاء الاصطناعي التوليدي، ستصبح هذه العوامل مجتمعة هي التي تحدد أي منصات ستقود مستقبل الحوسبة الذكية.