مع التقدم السريع في مجال الذكاء الاصطناعي، قدمت Huawei تقنية جديدة تتحدى بها عمالقة السوق مثل Nvidia. نظام CloudMatrix 384 يعتمد على معالجات Ascend 910C المتصلة عبر روابط بصرية، مما يعزز من أداء التعلم الآلي بشكل ملحوظ. في هذا المقال، سنستعرض تفاصيل هذا النظام الجديد وكيفية تأثيره على السوق.
مفاهيم معمارية CloudMatrix 384
يتميز نظام CloudMatrix 384 بمعماريته الموزعة التي تتفوق على الأنظمة التقليدية المعتمدة على وحدات معالجة الرسومات (GPU). على الرغم من أن المعالجات الفردية Ascend قد تكون أقل قوة مقارنة بمنافسيها، إلا أن النظام ككل يقدم تحسينات في استخدام الموارد وزمن التشغيل الداخلي.
تم تصميم هذه المعمارية لتحقيق أقصى استفادة من الموارد المتاحة، مما يتيح للشركات التي تستخدم هذا النظام تحسين كفاءة عملياتها وتقليل التكاليف التشغيلية.
التحدي الذي يواجه Nvidia
تسعى Huawei من خلال هذا النظام إلى تحدي هيمنة Nvidia في السوق، رغم العقوبات الأمريكية المستمرة. تقدم Huawei نظامًا قويًا يمكن أن يوفر للشركات بديلًا فعّالًا يعتمد على تقنيات حديثة يمكن تعديلها لتناسب الاحتياجات المختلفة.
تدعي Huawei أن تقنية CloudMatrix 384 يمكن أن تكون منافسًا قويًا بفضل تعزيزها للأداء واستقلالها عن التقنيات الأمريكية، مما يوفر مزيدًا من الخيارات للشركات العالمية.
التكيف مع إطار عمل MindSpore
يتطلب استخدام نظام Huawei الجديد تعديلًا في طريقة عمل مهندسي البيانات، حيث يجب عليهم استخدام إطار عمل MindSpore الذي طورته Huawei لتحقيق الأداء الأمثل مع معالجات Ascend.
إذا كانت النماذج مبنية مسبقًا باستخدام PyTorch أو TensorFlow، فسيحتاج المهندسون إلى تحويلها إلى تنسيق MindSpore أو إعادة تدريبها باستخدام واجهات برمجة MindSpore. هذا يتطلب جهدًا إضافيًا في تعلم واجهات برمجة جديدة وطرق تدريب مغايرة.
استخدام MindIR في نشر النماذج
يستخدم MindSpore تنسيق MindIR، الذي يعمل كواجهة متوسطة مشابهة لـ Nvidia NIM. بعد تدريب النموذج في MindSpore، يمكن تصديره باستخدام أداة mindspore.export، التي تحول الشبكة المدربة إلى تنسيق MindIR.
يتطلب نشر النموذج للإستنتاج تحميل النموذج وتحويله باستخدام واجهات برمجة MindSpore، التي تتعامل مع فك تسلسل النموذج وتخصيصه وتنفيذه.
التكيف مع CANN
تقدم Huawei مجموعة أدوات ومكتبات CANN المصممة خصيصًا لمعالجات Ascend، مشابهة لوظائف NVIDIA CUDA. توصي Huawei باستخدام أدوات التحليل والتصحيح الخاصة بـ CANN لمراقبة وتحسين أداء النماذج على الأجهزة.
الخاتمة
يشكل نظام CloudMatrix 384 خطوة جريئة من Huawei نحو تعزيز موقعها في سوق الذكاء الاصطناعي، حيث يتطلب التكيف مع هذا النظام الجديد جهودًا لتعلم واجهات برمجة جديدة وطرق تدريب مغايرة. رغم أن أدوات Huawei لا تزال في طور التطوير وتفتقر إلى الدعم الواسع مثل PyTorch، تأمل الشركة أن الانتقال إلى تقنياتها سيثمر نتائج جيدة، مما يقلل من الاعتماد على Nvidia الأمريكية.