Spectrum-X من NVIDIA: إحداث ثورة في نطاق تردد الشبكة وحلول Ethernet للذكاء الاصطناعي

تهدف منصة Spectrum-X من NVIDIA إلى إطلاق العنان لأداء الذكاء الاصطناعي من خلال توفير ميزات شبكة لا مثيل لها مع نطاق ترددي فائق وتقنية إيثرنت منخفضة الكمون. صُممت Spectrum-X خصيصًا لمراكز البيانات، وهي تتضمن مفاتيح NVIDIA Spectrum-4 ووحدات معالجة البيانات BlueField-3 لتقديم حل شامل ومرن لأحمال عمل الذكاء الاصطناعي. تُلبي هذه البنية الاحتياجات المتزايدة لتدريب الذكاء الاصطناعي وكفاءة أنشطة الاستدلال، مع إعادة صياغة قيود صوامع الحوسبة الموزعة في عصبها المروحي.

ما هي منصة الشبكات NVIDIA Spectrum-X؟

فهم إمكانيات NVIDIA Spectrum-X

تهدف NVIDIA Spectrum-X إلى فرص تحسين لتلبية متطلبات الإنتاجية وزمن الوصول لأحمال عمل الذكاء الاصطناعي. ويشمل ذلك مفاتيح إيثرنت NVIDIA Spectrum-4 إلى جانب وحدات معالجة البيانات BlueField-3، التي تم دمجها لضمان سلاسة نقل البيانات عبر مراكز البيانات. تُضيف المنصة نطاقًا ونطاقًا أوسع لتوفير دعم متواصل لعمليات تدريب الذكاء الاصطناعي المعقدة وسير عمل الاستدلال. ومن خلال تخفيف العديد من قيود الشبكات، يُسرّع Spectrum-X الحوسبة ويُحسّن كفاءة الطاقة في البيئات الموزعة. 

دور الذكاء الاصطناعي في Spectrum-X

يُعزز الذكاء الاصطناعي بشكل كبير القدرات العملية لـ Spectrum-X فيما يتعلق باتخاذ القرارات تلقائيًا على مستوى المكونات وسير عمل معالجة البيانات المُدارة ذاتيًا. وبمساعدة تقنيات التعلم الآلي المتطورة، يُعيد Spectrum-X توزيع الموارد بذكاء بين الأنظمة البعيدة. مراكز البيانات وتتكيف مع مستويات عبء العمل المختلفةيؤدي هذا التكيف إلى خفض النفقات التشغيلية بشكل كبير، وتحسين كفاءة النطاق الترددي، وتقليل زمن الوصول باستخدام التحكم الاستباقي في حركة المرور.

الذكاء الاصطناعي المرتكز على الذكاء الاصطناعي تكنولوجيات الشبكاتمن المتوقع أن تُحسّن حلول برمجيات الذكاء الاصطناعي، مثل تلك المُدمجة في Spectrum-X، كفاءة الإنتاج بنسبة تصل إلى أربعين بالمائة في بيئات تدريب الذكاء الاصطناعي واسعة النطاق. كما تتضمن نماذج تعلّم آلي تُوفر تحليلًا مُتطورًا لأنماط الشبكة، وهو أمرٌ أساسي للتشخيص الاستباقي للأعطال والصيانة التنبؤية. وهذا يُعزز الكفاءة من خلال تقليل ساعات التوقف اللازمة بنحو خمسة وعشرين بالمائة، مع ضمان نقل البيانات دون انقطاع.

بفضل هذه الأنظمة الذكية، يُحدث Spectrum-X نقلة نوعية في القطاع فيما يتعلق بإدارة عبء عمل الذكاء الاصطناعي المتزايد بشكل كبير بكفاءة. كما تُرسخ هذه التطورات مكانة Spectrum-X كحل رائد للشركات التي ترغب في أتمتة عملياتها التجارية باستخدام تقنية الذكاء الاصطناعي في سوقٍ مفتوحة.

تأثير النطاق الترددي على أداء الشبكة

يتأثر أداء الشبكة بشكل كبير بعرض النطاق الترددي، والذي يُعرّف بأنه كمية البيانات التي يمكن نقلها عبر الشبكة في وقت معين. يسمح عرض النطاق الترددي العالي بالتزامن نقل البيانات مما يعزز كفاءة الشبكة من خلال تقليل زمن الوصول. قد يؤدي نقص عرض النطاق الترددي الكافي إلى تأخيرات كبيرة في الشبكة، خاصةً في العمليات الحيوية. يُعدّ توفر عرض نطاق ترددي كافٍ أمرًا بالغ الأهمية لضمان اتصال مستمر في بيئات معالجة البيانات الضخمة أو الاتصالات الفورية.

فوائد Spectrum-X لمصانع الذكاء الاصطناعي

Spectrum-X مع تكامل الذكاء الاصطناعي

يُحسّن Spectrum-X أداء وكفاءة مصانع الذكاء الاصطناعي من خلال توفير حلول شبكات مُصممة خصيصًا ومتطورة وقليلة الكمون. يضمن تكامله مع مفاتيح NVIDIA Spectrum ووحدات معالجة البيانات BlueField تجنب الاختناقات بفضل تقنيات Agile وDevOps، ودعم المعالجة الفورية داخل مركز البيانات. كما يُحسّن الإنتاجية، مما يضمن نشر نماذج الذكاء الاصطناعي المُدرّبة عالية الجودة بسرعة. تضمن مصانع الذكاء الاصطناعي أعلى أداء، حيث يُتيح الاتصال العمل بسلاسة مع تقنية التوسع والموثوقية والكفاءة (SRE).

تسهيل نماذج الذكاء الاصطناعي التوليدية

أصبح الابتكار والأتمتة في العديد من الصناعات ممكنًا بفضل القدرة على إنشاء محتوى واقعي للاستخدام - وهي مهمة سهّلها تطوير الذكاء الاصطناعي التوليدي. تتكامل البنية التحتية المتطورة والأطر الحسابية المتقدمة لتمكين تطبيقات الذكاء الاصطناعي التوليدي من معالجة مجموعات البيانات الضخمة بدقة غير مسبوقة لتوليد النصوص والصور والصوت والمحاكاة وغيرها الكثير. إن التقدم الملحوظ الذي تحققه شبكات التوليد التنافسية (GANs) الحديثة، إلى جانب النماذج القائمة على المحولات مثل GPT وDALL-E، في قطاعات الترفيه والتصميم، بالإضافة إلى الرعاية الصحية والتمويل، هو إنجاز مذهل حقًا.

من المتوقع أن تتجاوز القيمة السوقية للذكاء الاصطناعي التوليدي 110 مليارات دولار أمريكي بحلول عام 2030، بفضل قدرته على تحسين سير العمل وإنتاج مخرجات قابلة للتطوير. يعزز هذا الحل لأتمتة المؤسسات تفاعل العملاء القائم على محتوى الذكاء الاصطناعي، ويُقلل من وقت طرح المنتجات الجديدة في السوق. يجب على مصانع الذكاء الاصطناعي دمج التقنيات الناشئة مثل مفاتيح NVIDIA Spectrum ووحدات معالجة البيانات BlueField لتحقيق توجيه مثالي للبيانات والتدريب الفوري، وهو أمر بالغ الأهمية لتطبيقات إنترنت الأشياء.

⭐ تستخدم العديد من الصناعات هذه التقنية بالفعل في التسويق المُخصص للغاية، مما يُعزز معدلات الاحتفاظ بالعملاء بأكثر من 40%. علاوة على ذلك، أصبح الباحثون الآن قادرين على ابتكار أدوية جديدة بشكل أسرع وأكثر فعالية من حيث التكلفة بفضل تطورات الذكاء الاصطناعي التوليدي في اكتشاف الأدوية والتصوير الطبي. كما أن جودة وكمية تكاملات الذكاء الاصطناعي العام تُبشر بعصر جديد من الأنظمة الحاسوبية المتقدمة مع حلول اتصال موسعة.

دور Spectrum-X في الذكاء الاصطناعي واسع النطاق

تنبع مساهمات Spectrum-X في تبني الذكاء الاصطناعي واسع النطاق من حلولها البرمجية والعتادية المُمكّنة التي تُساعد في معالجة البيانات وتحليلها بكفاءة عالية. كما تُسهّل بنيتها التحتية التنفيذ الفعال للمهام الحسابية المُتطلبة للغاية، مما يُسرّع تدريب نماذج الذكاء الاصطناعي. تُكمّل Spectrum-X البنية التحتية للاتصالات الخاصة بها مع الحوسبة عالية الأداء لتحسين قابلية التوسع وكفاءة تطبيقات الذكاء الاصطناعي التوليدية. وهذا يُساعد على ضمان تحقيق المؤسسات للنتائج المرجوة من الذكاء الاصطناعي دون قيود الموارد.

فحص قدرات Ethernet الخاصة بـ Spectrum-X AI

تكامل شبكات الإيثرنت في حلول الذكاء الاصطناعي

يُعدّ نقل البيانات السريع والموثوق ضروريًا للتواصل بين أنظمة الذكاء الاصطناعي، وتُمكّن شبكات الإيثرنت من ذلك. يستخدم Spectrum-X تقنيات إيثرنت متقدمة لتحسين الاتصال بأحمال عمل الذكاء الاصطناعي من خلال تقليل زمن الوصول وزيادة عرض النطاق الترددي إلى أقصى حد. وهذا يدعم نقل البيانات بسلاسة، وهو أمر ضروري لتدريب نماذج الذكاء الاصطناعي المعقدة واستخدام أنظمة الذكاء الاصطناعي التوليدية. يتمتع Spectrum-X بالقدرة على تلبية الاحتياجات المتزايدة للقطاعات التي تعتمد على الذكاء الاصطناعي بكفاءة، بفضل بنيته المتينة وقابلية توسعة إيثرنت.

الخصائص المهمة لمحول Ethernet من Spectrum-4

1. عالية الأداء:يتم تمكين الإنتاجية الاستثنائية إلى جانب زمن الوصول المنخفض من خلال الإنفاق التشغيلي عالي الطاقة، والذي يدعم أحمال عمل الذكاء الاصطناعي والحوسبة عالية الأداء.
2. التدرجية: تم تصميمه ليتم نشره على نطاق واسع، كما أنه يوفر الدعم لتوسيع البنية التحتية للشبكة.
3. كفاءة الطاقة: لا يؤثر الإنفاق التشغيلي للطاقة الزائدة سلبًا على الأداء مع خفض تكاليف التشغيل.
4. الموثوقية المحسنة: يتم ضمان عمليات الشبكة دون انقطاع من خلال الفشل القوي والتسامح مع الأخطاء مما يتيح استمرارية تشغيل الشبكة بسلاسة.
5. دعم الشبكات المتكاملة للذكاء الاصطناعي: تُدعم التطبيقات التي تعتمد على الذكاء الاصطناعي من خلال تحسينات متقدمة لتدفق البيانات. صُمم هذا الجهاز خصيصًا لهذه الأغراض. 
6. سهولة الإدارة: من الممكن تبسيط التكوين والصيانة بفضل أدوات الإدارة البديهية المقدمة.

التحكم في إدارة زمن الوصول والازدحام

تُعدّ المراقبة الفعّالة لزمن الوصول والتحكم في الازدحام أمرًا أساسيًا في الشبكات الحالية نظرًا لتأثيرهما على أداء النظام والمستخدم. يُشير زمن الوصول إلى التأخير بين وقت تقديم الطلب ووقت تلقي الاستجابة. أما التحكم في الازدحام، فيُشير إلى التدابير الوقائية التي تمنع التحميل الزائد على حركة البيانات في الشبكة.

تُستخدم تقنيات حديثة، مثل طوابير الانتظار منخفضة الكمون (LLQ) واختيار التردد الديناميكي (DFS)، لتقليل التأخير. في طوابير الانتظار منخفضة الكمون، يُخصص جزء من حزم البيانات للإرسال. ويُحدد هذا الجزء بناءً على مستوى الأهمية المُخصص لحركة البيانات، مما يُتيح نقل المعلومات الحساسة، مثل تدفقات الصوت والفيديو، بسهولة. كما يُمكن لتطبيق الحوسبة الطرفية تقليل زمن الوصول بشكل أكبر من خلال تحليل المعلومات في أقرب مكان ممكن من مصدرها، مما يُقلل من وقت الوصول إلى الخوادم المركزية.

من ناحية أخرى، يتطلب تخفيف قيود الشبكة باستخدام الأقمار الصناعية وأجهزة التعديل والبوابات خوارزميات خاصة لضمان تدفق سلس لحركة البيانات. تشمل هذه الأساليب التحكم في ازدحام بروتوكول التحكم في الإرسال (TCP)، حيث يتم خنق البيانات المرسلة عبر اتصال الشبكة أو الشبكة ديناميكيًا وفقًا لظروف الشبكة الحالية. على سبيل المثال، يتكون بروتوكولا TCP CUBIC وTCP BIC من فئتين. الفئة الأولى مصممة للمسافات الطويلة وسرعة الذروة، بينما صُممت الفئة الثانية للمسافات القصيرة وزمن الوصول المنخفض. أظهرت دراسة أجريت عام 2005 أن بروتوكول CUBIC حقق إنتاجية أفضل بنسبة 20 إلى 30% في ظروف زمن الوصول المرتفع مقارنةً ببروتوكول TCP Reno، الذي كان سائدًا في السابق.

علاوةً على ذلك، تُدمج استراتيجيات إدارة طوابير الانتظار المتقدمة (AQM)، مثل الكشف المبكر العشوائي (RED)، لمعالجة مشاكل الازدحام مسبقًا. تُدير RED المراحل المبكرة من الازدحام بإخطار الأجهزة بضرورة خفض معدل إرسالها (لتجنب فقدان الحزم) والحفاظ على تدفق ثابت للحزم في الشبكة. إلى جانب سياسات تشكيل حركة المرور الحديثة، مثل الطوابير العادلة الموزونة (WFQ)، تُتيح هذه السياسات إدارةً أفضل لعرض النطاق الترددي وتحقيق العدالة في شبكة ذات أنواع حركة مرور مختلفة. 

تُظهر إحصاءات الاستخدام الفعلي مدى الفارق الذي تُحدثه هذه الطرق. على سبيل المثال، تُشير الأنظمة المُدمجة بخوارزميات مُتطورة للتحكم في الازدحام إلى انخفاض في فقدان الحزم بنسبة تزيد عن 40%، وتُظهر الشبكات المُمكّنة بالطرفيات والحساسة لزمن الوصول تحسنًا في زمن الاستجابة بنسبة تصل إلى 50%. تُوضح هذه الأرقام الفائدة المُتحققة من الأساليب المُعاصرة للتعامل مع زمن الوصول والازدحام في الشبكات المُعقدة.

ما هو نهج NVIDIA Spectrum-X لدعم قابلية التوسع في الشبكات؟ 

تنفيذ التوجيه التكيفي لتحقيق التوسع الفعال 

تم تزويد NVIDIA Spectrum-X بنظام توجيه تكيفي، مما يتيح بفعالية إمكانية التوسع في شبكات التوجيه من خلال موازنة الأحمال باستخدام التحديد الديناميكي المستند إلى بيانات آنية حول حالة الشبكة. تزيد هذه الميزة من استخدام النطاق الترددي، وتقلل من الازدحام، وتخفض زمن الوصول من خلال التكيف مع أنماط حركة المرور. بفضل استخدام تقنيات القياس عن بُعد والتحليلات المتطورة، يتمكن Spectrum-X من الاستفادة بشكل موثوق من موارد الشبكة المتزايدة مع تزايد أحمال العمل، ويتفوق في مجموعة واسعة من البيئات المحايدة دون المساس بالأداء والموثوقية. 

أهمية النطاق الترددي الفعال في قابلية التوسع

مع توسع الشبكات، يصبح النطاق الترددي الفعال بالغ الأهمية، لأن نقصه يعيق الأداء بشكل مباشر وقد يؤدي إلى انهيار النظام. يضمن النطاق الترددي الفعال عدم تحميل الشبكة بشكل زائد من خلال توفير حد أقصى للبيانات المنقولة، مما يسمح بانخفاض زمن الوصول مع تجنب الاختناقات. ومن خلال تعظيم النطاق الترددي، يمكن استيعاب أحجام مستخدمين أكبر وكميات بيانات أكبر دون ارتفاع درجة حرارة الأداء. وبفضل ميزات التحكم المتقدمة في حركة المرور وموازنة الأحمال، تضمن NVIDIA Spectrum-X نطاقًا تردديًا فعالًا فائقًا في ظل أحمال العمل الضخمة. ولتوسيع نطاق الشبكات وزيادة موثوقيتها وكفاءتها، يُعد التحسين المناسب أمرًا بالغ الأهمية.

ما الذي يميز Spectrum-X من NVIDIA عن Ethernet التقليدية؟

التمييز بين Ethernet و Spectrum-X.

يخدم إيثرنت التقليدي غرضًا عامًا. فهو يوفر توافقًا مناسبًا لمجموعة كبيرة من الأجهزة وأنظمة الشبكات، ويضمن نقل البيانات الأساسية. وهو مفيد لعمليات الشبكات العامة، ولكنه غالبًا ما يكون غير فعال عند تنفيذ مهام عالية الأداء نظرًا لضعف أنظمة التحكم في الازدحام وبطء زمن الوصول.

أما بالنسبة لـ Spectrum X من NVIDIA، فقد صُمم لمواجهة تحديات بيئة مراكز البيانات المعاصرة. تتيح ميزاته الحديثة، مثل التوجيه التكيفي المتقدم والتحكم الأمثل في الازدحام، وتحسين أحمال العمل للتطبيقات كثيفة البيانات، والتحميل الزائد الاتجاهي، أداء المهام بكفاءة أكبر. علاوة على ذلك، يوفر Spectrum-X زمن وصول منخفضًا بشكل متوقع، وفقدانًا في الحزم، وقابلية توسع موثوقة. تناسب تحسيناته بيئات الأداء العالي التي تتطلب أقصى سرعة وموثوقية. 

فوائد الإيثرنت المتقاربة في تطبيقات الذكاء الاصطناعي

يوفر دعم Converged Ethernet العديد من الميزات الضرورية التي تعمل على تعزيز أداء أنظمة الذكاء الاصطناعي بالإضافة إلى قابليتها للتوسع في نفس الوقت. 

1. تحسين معدل نقل البيانات: بالنسبة لأحمال عمل الذكاء الاصطناعي، تُعالَج أجزاء من البيانات ذات الصلة، المُخزَّنة في مجموعات بيانات ضخمة، بواسطة شبكة إيثرنت مُتقاربة. تنقل هذه الشبكة البيانات بنطاق ترددي عالٍ، مما يضمن معالجةً سليمةً للبيانات واسعة النطاق. 
2. قليل من الكمون: إنه يوفر زمن انتقال منخفضًا بشكل استثنائي وهو شرط أساسي لمعالجة البيانات في الوقت الفعلي وتسريع الحوسبة والمساعدة الشاملة للذكاء الاصطناعي.
3. تحسين كفاءة: يؤدي دمج التخزين والشبكات في نسيج حركة مرور مفرد إلى تبسيط تعقيد تكوين مركز البيانات، مما يحسن الكفاءة التشغيلية.
4. إمكانات توسع أوسع:يمكن دمج ميزات قابلية التوسع لنموذج الذكاء الاصطناعي ومتطلبات عبء العمل بسهولة باستخدام Converged Ethernet.
5. تخفيض النفقات: فهو يقلل من عدد الشبكات المتخصصة المطلوبة، وبالتالي يقلل تكاليف البنية التحتية.

تسهل هذه المزايا تصنيف تقنية Ethernet المتقاربة مع البنى التحتية لتنفيذ الذكاء الاصطناعي عالية الأداء وواسعة النطاق.

NVIDIA Spectrum X مقابل Ethernet التقليدي: مقارنة الأداء

تواجه حلول إيثرنت التقليدية صعوبة في تلبية متطلبات أحمال عمل الذكاء الاصطناعي بسبب توزيع التجزئة الثابت، مما يؤدي إلى توزيع غير متساوٍ للنطاق الترددي وارتفاع زمن الوصول. في المقابل، يوفر NVIDIA Spectrum X مزايا مهمة:

تعزيز الأداء بمقدار 1.7x: يعمل على تعزيز كفاءة عبء عمل الذكاء الاصطناعي مقارنةً بشبكة Ethernet القياسية، مما يقلل من أوقات التدريب والاستدلال.

استخدام النطاق الترددي بنسبة 97%: يضاعف تقريبًا النطاق الترددي الفعال للإعدادات التقليدية، مما يزيد من كفاءة الموارد.

إمكانية التوسع: يدعم ملايين وحدات معالجة الرسوميات في مجموعات الذكاء الاصطناعي الكبيرة، على عكس الأقمشة المتخصصة مثل InfiniBand.

التوحيد القياسي: استخدام معايير Ethernet المفتوحة، مما يضمن التوافق مع البنية التحتية الحالية ويقلل من احتكار البائعين.

يوضح الجدول التالي الاختلافات الرئيسية:

الميزات	إنفيديا سبيكتروم إكس	إيثرنت التقليدية
استخدام النطاق الترددي	97%	50-60٪
كمون	منخفض جدا	مرتفع
التوسعة	ملايين وحدات معالجة الرسومات	محدود
تحسين الذكاء الاصطناعي	التوجيه التكيفي	تجزئة ثابتة

من خلال الاستفادة من هذه المزايا، يعد NVIDIA Spectrum X الخيار المفضل للمؤسسات التي تبحث عن حل Ethernet عالي الأداء وموحد لسحابات الذكاء الاصطناعي.

مستقبل شبكات الذكاء الاصطناعي مع NVIDIA Spectrum X

مع توقعات تجاوز سوق الذكاء الاصطناعي التوليدي 110 مليارات دولار بحلول عام 2030، ستكون حلول الشبكات مثل NVIDIA Spectrum X حاسمة لدعم هذا النمو. فقدرتها على تحسين توجيه البيانات، وتقليل زمن الوصول، وتمكين المعالجة الفورية، تجعلها حجر الزاوية في مصانع الذكاء الاصطناعي. كما أن عمليات التكامل الأخيرة مع منصات مثل Cisco Silicon One تعزز مرونتها، مما يسمح للشركات بتأمين استثماراتها في مراكز البيانات لمستقبل واعد.
بالنظر إلى المستقبل، تتمتع NVIDIA Spectrum X بمكانة جيدة لدعم التقنيات الناشئة، مثل:

• إنترنت الأشياء (IoT): تمكين معالجة البيانات في الوقت الفعلي للأجهزة الذكية.
• التسويق المفرط في التخصيص: تعزيز تحليلات العملاء المعتمدة على الذكاء الاصطناعي من خلال نقل البيانات بسرعة عالية.
• الحوسبة الحافة: دعم استنتاج الذكاء الاصطناعي منخفض الكمون في البيئات الموزعة.

مع استمرار تطور الذكاء الاصطناعي، ستظل NVIDIA Spectrum X في المقدمة، حيث ستوفر البنية التحتية القوية اللازمة لتطبيقات الجيل التالي.

الأسئلة الأكثر شيوعًا (FAQ) 

س: كيف يعمل Spectrum-X على تحسين أداء وحدات معالجة الرسومات في أحمال عمل الذكاء الاصطناعي؟ 

ج: مع Spectrum-X، تتمتع وحدات معالجة الرسومات بأداء أفضل بفضل عرض النطاق الترددي الاستثنائي للشبكة المُقدم للمهام المُركزة على الذكاء الاصطناعي. تتيح المنصة نقل البيانات بين وحدات معالجة الرسومات بمعدل مذهل يبلغ 51.2 تيرابايت في الثانية، مما يُمكّن الأنظمة الموزعة من توسيع نطاق نماذج الذكاء الاصطناعي بكفاءة. ومن خلال تخفيف اختناقات الاتصال بين وحدات معالجة الرسومات المتعددة، يضمن Spectrum-X معالجة أسرع وأكثر كفاءة لأحمال عمل الذكاء الاصطناعي المُعقدة، مما يُعزز قدرات وحدات معالجة الرسومات من NVIDIA في مراكز البيانات. 

س: كيف تتميز منصة Spectrum-X Ethernet Networking Platform في نشر الذكاء الاصطناعي السحابي؟ 

ج: منصة Spectrum-X Ethernet للشبكات فريدة من نوعها لنشر سحابات الذكاء الاصطناعي، حيث توفر عادةً معايير التوحيد والأداء العالي من خلال بنى متخصصة مثل InfiniBand. ووفقًا لشركة NVIDIA، تدمج الشركة مفاتيح الشبكات المتطورة مع وحدات معالجة الرسومات BlueField-3 للحصول على إيثرنت مُسرّع قادر على التعامل بكفاءة مع المعالجة المتوازية الضخمة لملايين وحدات معالجة الرسومات. تُعالج هذه البنية حركة البيانات اللازمة بشكل أساسي لتدريب واستنتاج الذكاء الاصطناعي على نطاق واسع، مما يُسهّل بشكل كبير بناء سحابات ذكاء اصطناعي قابلة للتوسع وفعالة من حيث التكلفة دون الحاجة إلى بروتوكولات شبكات خاصة.

س: ما هو الحد الأقصى لعدد وحدات معالجة الرسومات التي يمكن دمجها مع منتج Spectrum-X؟  

ج: هذا المنتج قادر على ربط وإدارة ملايين وحدات معالجة الرسومات (GPUs) عبر مراكز بيانات ضخمة. تُمكّنه بنية الشبكات المتقدمة في Spectrum-X من توسيع نطاق بيئات حوسبة الذكاء الاصطناعي من مجموعات صغيرة إلى أنظمة موزعة عملاقة تحتوي على آلاف الخوادم. وقد ساهم مُبدّل SN5600، إلى جانب وحدات معالجة البيانات BlueField-3 ومكونات الشبكات الفوتونية السيليكونية المدمجة في منتج Spectrum-X، في خلق هذه الإمكانية. يتيح هذا النطاق الواسع للمؤسسات دمج ملايين وحدات معالجة الرسومات لإنشاء حواسيب فائقة الذكاء الاصطناعي، مما يسمح بنشر وتدريب نماذج الذكاء الاصطناعي المعقدة في وقت واحد.  

س: ما هي مفاتيح الشبكات التي يتم تضمينها في نظام Spectrum-X البيئي؟  

ج: يتكون نظام Spectrum-X البيئي من مفاتيح الشبكات الرئيسية التالية لتوسيع بنية الذكاء الاصطناعي بكفاءة: مفتاح NVIDIA SN5600، الذي يضمن في جوهره 64 منفذًا بسرعة اتصال 400 جيجابت/ثانية ضمن مفتاح واحد. هذا يزيد بشكل كبير من إنتاجية مجموعات الذكاء الاصطناعي. بالإضافة إلى ذلك، تستخدم مفاتيح إيثرنت الفوتونية من Spectrum-X تقنية فوتونيات السيليكون لدمج اتصالات لمسافات أطول. تتيح هذه المفاتيح، إلى جانب وحدات معالجة البيانات BlueField-3، تسريع معدل الوصول إلى البيانات (RDMA عبر إيثرنت متقاربة)، وبالتالي، توفر هذه المجموعات من المفاتيح حلاً متكاملاً وقابلاً للتوسع، بدءًا من عمليات النشر الصغيرة وصولاً إلى مراكز بيانات الذكاء الاصطناعي الضخمة القادرة على استيعاب ملايين العمليات المتزامنة.

س: كيف تتم مقارنة منصة Spectrum-X Ethernet Networking ومنصات Quantum-X Photonics InfiniBand من NVIDIA؟

ج: كلاهما جزء من مجموعة حلول الشبكات من NVIDIA، لكن وظائفهما مختلفة. توفر منصة Spectrum-X Ethernet Networking أداءً أسرع لشبكة Ethernet مُحسّنًا لسرعة نقل البيانات Infiniand؛ ومع ذلك، فهي متوافقة تمامًا مع البنية التحتية لشبكة Ethernet، مما يجعلها مناسبة للمؤسسات التي تعمل بشبكات Ethernet الحالية. من ناحية أخرى، تتميز منصات Quantum-X Photonics InfiniBand بأفضل أداء وأقل زمن وصول، ولكنها متصلة ببنية تحتية متخصصة لشبكة InfiniBand. سوّقت NVIDIA منصة Spectrum X على أنها تُقدم أداءً يُضاهي Infiniand لشبكة Ethernet، مما يوفر للعملاء مرونة في تلبية احتياجاتهم من البنية التحتية والأداء.

س: ما هو الدور الذي تلعبه وحدات معالجة الرسوميات الخاصة بالخادم في نظام Spectrum-X بأكمله؟ 

ج: تُشكّل بنية Spectrum-X الأساس الهيكلي لوحدة معالجة الرسومات (GPU) في الخادم. ويرتكز هيكل هذه المنصة بالكامل على قدرة وحدات معالجة الرسومات هذه على التواصل بفعالية مع بعضها البعض. في بيئات الحوسبة القائمة على الذكاء الاصطناعي، يكون تبادل البيانات بين وحدات معالجة الرسومات مستمرًا. وأي تقييد لهذا النقل سيؤثر سلبًا على كفاءة النظام. يتيح هذا التحسين نقل الاتصالات بشكل مستقل باستخدام تقنيات مثل GPUDirect RDMA. باستخدام هذه التقنية، يمكن نقل البيانات مباشرةً بين وحدات معالجة الرسومات الموجودة على خوادم مختلفة دون الحاجة إلى وحدة معالجة مركزية (CPU). يضمن هذا التصميم الهيكلي أن موارد الحوسبة القيّمة لوحدات معالجة الرسومات تقضي وقتًا أطول في معالجة المعلومات ووقتًا أقل في انتظار وصولها، مما يجعل بيئات الحوسبة المُسرّعة بوحدات معالجة الرسومات أكثر كفاءةً من الناحية الاقتصادية والتشغيلية.

س: بأي الطرق تساعد NVIDIA Spectrum-X في تحديث البنية التحتية السحابية للذكاء الاصطناعي؟

ج: تُحدّث NVIDIA Spectrum-X البنية التحتية السحابية للذكاء الاصطناعي من خلال حل مشكلات الشبكات الأساسية التي تُعيق توسع الذكاء الاصطناعي. يُصبح نقل كميات متزايدة من البيانات، المعروف باسم "حركة البيانات"، تحديًا عندما تزداد الحاجة إلى وحدات معالجة الرسومات (GPU) لاستيعاب تعقيد وحجم نماذج الذكاء الاصطناعي المتزايدين. تُبنى بنى الذكاء الاصطناعي، المكونة من مفاتيح عالية النطاق الترددي، وبروتوكولات شبكات مُسرّعة، ووحدات معالجة بيانات (DPU) مُصممة خصيصًا، باستخدام Spectrum-X، مما يسمح بتوزيع عبء العمل بكفاءة عبر مجموعات وحدات معالجة الرسومات الضخمة. وكما هو موضح في عروض NVIDIA GTC، فإن نماذج اللغات الكبيرة، وأنظمة التعرف البصري، والمحاكاة العلمية ليست سوى بعض التطبيقات التي سيدعمها الجيل القادم من سحابات الذكاء الاصطناعي، وستتطلب تقنيات ذكاء اصطناعي متطورة. تُعد هذه المنصة أساسية لتمكين بنية تحتية متكاملة للذكاء الاصطناعي.

س: ما هي الفوائد التي توفرها Spectrum-X للمؤسسات التي تقوم ببناء مجموعات الحوسبة لأبحاث الذكاء الاصطناعي؟

ج: أود أن أجيب بأن Spectrum-X، مع بناء مجموعات حوسبة لأبحاث الذكاء الاصطناعي، قادرة على الاستفادة بعدة طرق مهمة. أولًا، يُحسّن بشكل كبير إنتاجية التدريب من خلال تبسيط حركة البيانات بين وحدات معالجة الرسومات، مما يعني إمكانية تدريب النماذج الأكثر تعقيدًا في وقت أقل. علاوة على ذلك، يوفر تخصيصًا أفضل للموارد بحيث لا تُهدر أجهزة وحدة معالجة الرسومات باهظة الثمن في انتظار معالجة البيانات. بالإضافة إلى ذلك، يتميز ببنية قابلة للتطوير يمكن أن تتطور من مجموعات بحثية صغيرة إلى عمليات نشر على مستوى الإنتاج. ومن الجدير بالذكر أيضًا أن Spectrum-X قائم على المعايير بالكامل، مما يسمح للمؤسسات بالاستفادة من امتلاك بنية تحتية لشبكة إيثرنت دون الحاجة إلى المعاناة من انخفاض الأداء الناتج عن محاولة استخدام الشبكات العامة بدلاً من الشبكات المتخصصة. كل هذه المزايا مجتمعة تسمح بإجراء أبحاث الذكاء الاصطناعي بطريقة أكثر كفاءة وفعالية من حيث التكلفة، مما يسمح بمواصلة مشاريع أكثر قوة.

مصادر مرجعية

1. تحليل مقارن لطرق تلوين الصور بالأشعة تحت الحمراء القريبة لأنظمة NVIDIA Jetson المضمنة منخفضة الطاقة

• المؤلف: شينغ دونغ شي وآخرون.
• نشرت في: الحدود في Neurorobotics
• تاريخ النشر: 24 أبريل، 2023
• رمز الاستشهاد: (شي وآخرون ، 2023)
• ملخص:
  • الهدف: يقوم هذا البحث بتحليل العديد من تقنيات تلوين الصور بالأشعة تحت الحمراء القريبة (NIR) لأنظمة NVIDIA Jetson المضمنة منخفضة الطاقة، والتي يتم استخدامها بشكل متكرر في المهام في الوقت الفعلي. 
  • المنهجية: قام الباحثون ببناء نظام تقييم يقيس 11 طريقة مختلفة لتلوين صور الأشعة تحت الحمراء القريبة (NIR) باستخدام مقاييس الصورة، بما في ذلك الجودة، واستهلاك الموارد، واستهلاك الطاقة، وغيرها. أُجري التحليل على ثلاثة تكوينات من لوحات NVIDIA Jetson. 
  • النتائج الرئيسية: وُجد أن طريقة Pix2Pix هي الأفضل، إذ يمكنها معالجة 27 إطارًا في الثانية على جهاز Jetson Xavier NX. ويُعتبر هذا الأداء كافيًا لتطبيقات الوقت الفعلي، مما يُظهر قدرة أنظمة NVIDIA Jetson على معالجة صور الأشعة تحت الحمراء القريبة. 

2. تقييم قابلية نقل أداء التطبيقات والتطبيقات الصغيرة عبر وحدات معالجة الرسومات AMD وIntel وNVIDIA

• المؤلف: جاي هيوك كواك وآخرون
• نشرت في: ورشة عمل دولية حول الأداء وقابلية النقل والإنتاجية في الحوسبة عالية الأداء
• تاريخ النشر: 1 نوفمبر، 2021
• رمز الاستشهاد: (كواك وآخرون، 2021، ص 45-56)
• ملخص:
  • الهدف: يقوم هذا البحث بتقييم قابلية نقل أداء التطبيقات والتطبيقات الصغيرة عبر مختلف تصميمات وحدة معالجة الرسوميات، مثل NVIDIA A100. 
  • المنهجية: قام المؤلفون بتحليل وحساب كفاءة الأداء لوحدات معالجة الرسومات من AMD وIntel وNVIDIA باستخدام نموذج أداء خط السقف. وقيّموا تطبيقات متعددة مُصممة باستخدام نماذج برمجة متوازية مختلفة مثل SYCL وOpenMP وKokkos، إلى جانب نماذج أخرى. 
  • النتائج الرئيسية: اقترح البحث نهجًا جديدًا لقياس قابلية نقل الأداء من خلال قياسه كميًا باستخدام مقياس يُعرَّف بالانحراف المعياري لكفاءة خط السقف. تُظهر النتائج تباينًا في جوانب الأداء عبر المنصات، مما يشير إلى أن كل بنية من هياكل وحدات معالجة الرسومات تتطلب جهود تحسين محددة. 

3. التعرف على تقنية Sub-GHz متعددة النطاقات على Jetson Nano من NVIDIA

• المؤلف: جارون فونتين وآخرون
• نشرت في: مؤتمر تكنولوجيا المركبات التابع لمعهد مهندسي الكهرباء والإلكترونيات
• تاريخ النشر: 1 نوفمبر، 2020
• رمز الاستشهاد: (فونتين وآخرون، 2020، ص 1-7)
• ملخص:
  • الهدف: تسعى هذه الدراسة إلى تنفيذ التعرف المبني على التعلم العميق لتقنيات لاسلكية مختلفة باستخدام Jetson Nano من NVIDIA مع التركيز على ميزاته الموفرة للطاقة. 
  • المنهجية: اقترح المؤلفون نموذج شبكة عصبية ملتوية (CNN) مُدمج مع أجهزة راديو مُعرّفة برمجيًا لإدارة الطيف بذكاء. صُمم النظام ليعمل في الوقت الفعلي تقريبًا، مُدركًا عدة تقنيات في آنٍ واحد. 
  • النتائج الرئيسية: بلغت دقة التعرف على التكنولوجيا حوالي 99%، وهو ما يُضاهي أحدث الحلول المتطورة التي تُقدم تكاليف معالجة منخفضة. ويُعد هذا التقدم ذا أهمية كبيرة لإنشاء شبكات ذكية تستجيب تلقائيًا للمحيط اللاسلكي الديناميكي دون الحاجة إلى مكونات مادية باهظة الثمن. 

4. وحدة معالجة الرسومات

5. NVIDIA