Meta Google TPU بدلاً من Nvidia: توضيح
التقرير بأن Meta تتفاوض على استخدام وحدات معالجة الموتر (TPUs) من Google أثر على أسعار أسهم Nvidia و Alphabet و Meta. يشير هذا إلى تحول في سوق مسرعات الذكاء الاصطناعي، حيث تتنافس Google مع Nvidia.
المصدر: عرض خاص
صفقة Meta و Google TPU
تتفاوض Meta مع Google على صفقة سنوية متعددة بمليارات الدولارات لوحدات معالجة الموتر (TPUs)، والتي قد تعمل أيضًا في مراكز بيانات Meta الخاصة بدءًا من عام 2027. جاء ذلك في تقرير لـ Reuters . حتى الآن، كانت وحدات TPU الخاصة بـ Google متاحة بشكل أساسي عبر Google Cloud كقدرة مستأجرة. الآن، هناك احتمال أن تقوم Google بإحضار رقائق الذكاء الاصطناعي الخاصة بها كـ "أجهزة محلية للعملاء" لأول مرة في مراكز بيانات خارجية واسعة النطاق، كما SwingTradeBot يشير. Investor’s Business Daily يضيف أن Google تتحدث مع Meta وعملاء آخرين حول استخدام رقائق الموتر الخاصة بها، مما وضع Nvidia و AMD تحت ضغط في تداولات ما بعد الإغلاق.
إذا قامت Meta، وهي مشترٍ كبير لوحدات معالجة الرسومات (GPUs) من Nvidia لنماذج مثل Llama، بتحويل جزء من قدرتها المستقبلية إلى وحدات TPU الخاصة بـ Google، فإن Nvidia ستفقد جزءًا من مكانتها في قطاع الذكاء الاصطناعي المتطور، وفقًا لـ datacentremagazine.com. في الوقت نفسه، أبرمت Meta بالفعل عقدًا سحابيًا مدته ست سنوات بقيمة تزيد عن 10 مليارات دولار مع Google Cloud للحصول على بنية تحتية إضافية للذكاء الاصطناعي ( datacentremagazine.com). بعد أسابيع قليلة، أعلنت Meta أنها ستستثمر ما لا يقل عن 600 مليار دولار حتى عام 2028 في مراكز بيانات محسّنة للذكاء الاصطناعي ومشاريع الطاقة وبرامج محلية ( datacentremagazine.com). لا تريد Meta الاعتماد على مورد شرائح واحد لبرنامج استثماراتها الضخم في الذكاء الاصطناعي، وتستغل Google الفرصة لإدخال وحدات TPU الخاصة بها إلى السوق.
وحدات TPU مقابل وحدات GPU
تهيمن Nvidia حاليًا على تدريب نماذج اللغات الكبيرة باستخدام وحدات معالجة الرسومات (GPUs) مثل سلاسل A100 و H100 ( Google Cloud Documentation). تتبع Google نهجًا خاصًا بها مع وحدات معالجة الموتر (TPUs). وحدات TPU هي شرائح ASIC متخصصة محسّنة حصريًا لحسابات الموتر في أعباء عمل التعلم الآلي ( Google Cloud Documentation). تصف وثائق Google الرسمية وحدات TPU بأنها مسرعات مخصصة مناسبة بشكل خاص لعمليات المصفوفة الكبيرة في نماذج مثل شبكات Transformer (
يُلخص منشور مدونة حديث لـ Google الفرق: وحدات CPU هي أجهزة متعددة الاستخدامات، وحدات GPU هي مسرعات متوازية بشكل كبير للرسومات والذكاء الاصطناعي، ووحدات TPU مصممة بشكل أكبر لحسابات الذكاء الاصطناعي وتعمل في مراكز بيانات Google لخدمات مثل البحث و YouTube ونماذج DeepMind ( blog.google). تشير معايير الأداء الفنية إلى أن مجموعات TPU الخاصة بـ Google تحقق كفاءة عالية لكل واط ولكل دولار في أعباء عمل تدريب معينة ( YouTube). هذه المقاييس حاسمة للاعبين مثل Meta، الذين يحتاجون إلى توسيع نطاق أسطول من أنظمة الذكاء الاصطناعي لمليارات المستخدمين ( datacentremagazine.com).
المصدر: note.com
تعد وحدات Google TPU (وحدات معالجة الموتر) ووحدات NVIDIA GPU (وحدات معالجة الرسومات) من البنى الرائدة لأعباء عمل الذكاء الاصطناعي، ولكل منها نقاط قوة محددة.
تم تصميم الجيل الحالي المتطور من Google للتدريب، Cloud TPU v5p، كمجموعة من ما يصل إلى 8,960 شريحة لكل مجموعة، ويوفر ذاكرة HBM ذات النطاق الترددي العالي بشكل كبير لكل شريحة مقارنة بالجيل السابق (95 جيجابايت HBM مقابل 32 جيجابايت في v4)، كما تصف Google في وثائقها السحابية ( Google Cloud Documentation). أحد TechRadar-Artikel يخلص إلى أن TPU v5p أسرع بما يصل إلى 2.8 مرة من TPU v4 في التدريب، وقد يكون على قدم المساواة أو أفضل من Nvidia H100 في مقارنات تقريبية. وفقًا للشركة، فإن Nvidia H100 أسرع بما يصل إلى أربع مرات من جيل A100 في التدريب ويوفر ما يصل إلى 80 جيجابايت من ذاكرة HBM3 لكل GPU لأعباء عمل الذكاء الاصطناعي ( Google Cloud Documentation).
السؤال حول أي شريحة ذكاء اصطناعي أفضل يعتمد على السياق. بالنسبة للشركات التي تعتمد بشكل كبير على نظام Nvidia البيئي، يظل H100 هو الخيار الواضح ( Google Cloud Documentation). بالنسبة لأعباء العمل المحسّنة لـ TensorFlow و JAX والتي تعمل في Google Cloud، قد يوفر TPU v5p مزايا في الإنتاجية والتكلفة لكل دورة تدريب ( Wikipedia). تقوم Google بتحسين مراكز البيانات بأكملها حول مجموعات TPU، بما في ذلك الشبكة والتخزين والجْدولة، مما يؤكد مفهوم "الحاسوب الخارق للذكاء الاصطناعي" الشامل ( YouTube).
المصدر: YouTube
نقص رقائق الذكاء الاصطناعي
تقرير من Bain & Company يحذر من أن طفرة الذكاء الاصطناعي قد تعيد إمالة التوازن في سلاسل توريد أشباه الموصلات. Sourceability يصف كيف أن "الطلب المتزايد على الذكاء الاصطناعي" جنبًا إلى جنب مع سعة الإنتاج المحدودة والحواجز التجارية الجديدة يؤدي إلى نقص دائم في بعض المكونات ذات الصلة بالذكاء الاصطناعي ودفع الأسعار. بالنسبة لمشغلي مراكز البيانات، هذا يعني أن السعة ليست مجرد مسألة ميزانية، ولكنها أيضًا تتعلق بأوقات التسليم والتعريفات والمخاطر الجيوسياسية ( sourceability.com).
تخطط Meta لاستثمار ما لا يقل عن 600 مليار دولار في مراكز بيانات الذكاء الاصطناعي بحلول عام 2028، لكنها تبيع أيضًا أصول مراكز البيانات بقيمة حوالي 2 مليار دولار للاستفادة من نماذج تمويل أكثر مرونة للبنية التحتية للذكاء الاصطناعي ( datacentremagazine.com). السبب: إنشاءات مراكز بيانات الذكاء الاصطناعي كثيفة رأس المال لدرجة أنه حتى عمالقة التكنولوجيا بحاجة إلى الاعتماد بشكل أكبر على التأجير والتواجد المشترك والصفقات السحابية ( datacentremagazine.com). صفقة Meta لوحدات Google TPU تتناسب مع هذه الصورة. بدلاً من شراء وحدات معالجة الرسومات (GPUs) من Nvidia حصريًا، يمكن لـ Meta تأمين سعة إضافية في المستقبل عبر وحدات TPU الخاصة بـ Google، وبالتالي تخفيف اختناقات التوريد والأسعار ( Investors).
التأثير على الشركات
بالنسبة للشركات التي تفكر في البنية التحتية الخاصة بها للذكاء الاصطناعي، فإن خطوة Meta-Google تغير المعلمات. قد تخطط شركة كبيرة، كانت تعتمد سابقًا حصريًا على وحدات معالجة الرسومات (GPUs) من Nvidia في منطقة سحابية واحدة، لنموذج توريد متعدد في المستقبل: تدريب النماذج الكبيرة على وحدات TPU في Google Cloud، والاستدلال على وحدات GPU في سحابة أخرى أو محليًا، جنبًا إلى جنب مع وحدات CPU التقليدية لأعباء العمل الأقل حساسية للوقت ( Google Cloud Documentation). بالنسبة للصناعات الخاضعة للتنظيم بشكل خاص، ستكون وحدات TPU المحلية خيارًا إضافيًا إذا نفذت Google الخطط ( Reuters).
المصدر: gigazine.net
يشدد قرار OpenAI باستخدام وحدات TPU الخاصة بـ Google على الأهمية المتزايدة للبدائل لوحدات معالجة الرسومات (GPUs) من Nvidia وتنويع سلاسل توريد أجهزة الذكاء الاصطناعي.
تعاني الشركات الناشئة بشكل خاص من نقص وحدات معالجة الرسومات (GPUs). يمكن للمنافسة المتزايدة بين وحدات معالجة الرسومات (GPUs) من Nvidia ووحدات TPU من Google والرقائق المتخصصة الأخرى مثل AWS Trainium أو AMD Instinct أن تأخذ الضغط من الأسعار على المدى المتوسط ( Medium). بالنسبة لممارسة المطورين، تعني خطوة Meta-Google TPU أيضًا: سيُجبر المزيد من الفرق على إبقاء مكدسها قابلاً للتنقل. أولئك الذين يقومون ببناء نماذج وخطوط أنابيب باستمرار عبر أطر عمل مثل PyTorch/XLA، JAX، أو طبقات Serving مجردة جيدًا، يمكنهم التبديل بين الخلفيات GPU و TPU دون الحاجة إلى إعادة كتابة كل شيء ( Google Cloud Documentation).
البعد الاستراتيجي
يوضح الفيديو "الحاسوب الخارق للذكاء الاصطناعي مع Cloud TPU v5p | Google Gemini" كيف تركز Google طاقتها الخاصة في مجال الذكاء الاصطناعي على وحدات TPU، وتفتح الآن هذه المنصة تدريجيًا للعملاء ( YouTube). في الوقت نفسه، تحلل تنسيقات مثل "NVIDIA vs Big Tech: من سيفوز في حرب شرائح الذكاء الاصطناعي؟" المنافسة المتزايدة من قبل عمالقة التكنولوجيا الذين يطورون شرائحهم الخاصة، وبالتالي يأخذون حصة سوقية من Nvidia على المدى الطويل ( YouTube).
المصدر: user-added
تتطلب أجهزة الذكاء الاصطناعي الحديثة مثل وحدات TPU ووحدات GPU أنظمة تبريد معقدة للتخلص من الحرارة الزائدة من الشرائح عالية الأداء.
من منظور نظام الذكاء الاصطناعي البيئي بأكمله، تعد صفقة Meta-Google TPU خطوة أخرى بعيدًا عن عالم يحدد فيه مصنع واحد القواعد للأجهزة والأسعار وخرائط الطريق بمفرده. تعزز Google دورها كمزود بنية تحتية كاملة، وتزيد Meta من قوتها التفاوضية وتقلل من التبعيات، ويجب على اللاعبين الآخرين مثل AWS و AMD أو مصنعي ASIC المتخصصين قياس أنفسهم وفقًا لهذا الواقع الجديد ( Medium).
يمثل الجمع بين استثمارات Meta بمئات المليارات من الدولارات في مراكز بيانات الذكاء الاصطناعي والخطوة الاستراتيجية لـ Google لعدم استخدام وحدات TPU حصريًا للاستهلاك الذاتي بعد الآن، نقطة تحول في سباق شرائح الذكاء الاصطناعي ( datacentremagazine.com). بالنسبة لـ Nvidia، هذا لا يعني النهاية، ولكن نهاية مرحلة الاحتكار المريح. بالنسبة لـ Google، تفتح الفرصة لتأسيس أجهزة الذكاء الاصطناعي الخاصة بها كبديل حقيقي في السوق. بالنسبة لـ Meta وعمالقة التكنولوجيا الآخرين، إنها رافعة لتحكم أفضل في نقص الشرائح واحتياجات الطاقة وتكاليف رأس المال ( CIO).
بالنسبة للشركات والشركات الناشئة والمطورين، هذا يعني: سيتم الإجابة عن السؤال حول أي شريحة ذكاء اصطناعي أفضل بشكل أقل باستخدام اسم واحد - وبشكل متزايد باستخدام اختيار البنية والتخطيط. أولئك الذين يتكيفون مبكرًا مع إعداد هجين وقابل للتنقل سيكون لديهم خيارات أكثر بكثير في عالم أجهزة الذكاء الاصطناعي متعدد الأقطابه هذا مما يوحي به واقع H100 السائد اليوم.