شركة "مور تريدز" الصينية تطلق نموذج "موسا كودر" مفتوح المصدر لتوليد أكواد مشغلات وحدة معالجة الرسوميات

أخبار ar.wedoany.com، في العاشر من يونيو، أعلنت شركة "مور تريدز" (Moore Threads) الصينية المتخصصة في إنتاج وحدات معالجة الرسوميات المحلية، عن إطلاق نموذج "موسا كودر" (MusaCoder) وجعله مفتوح المصدر. وهو نموذج لغوي كبير متخصص في توليد أكواد المشغلات الأساسية لوحدات معالجة الرسوميات، قادر على إنشاء نوى GPU أصلية بلغتي CUDA وMUSA استنادًا إلى التطبيقات المرجعية لـ PyTorch، مع التركيز على خدمة الحوسبة عالية الأداء، وتحسين تدريب واستدلال الذكاء الاصطناعي، وبناء النظام البيئي البرمجي لوحدات معالجة الرسوميات المحلية.

تُشكل مشغلات GPU الأساسية طبقة الوصل الحيوية بين أطر الذكاء الاصطناعي وأداء الأجهزة. تتطلب عمليات تدريب النماذج الكبيرة، والاستدلال، والحوسبة العلمية، ومعالجة الرسوميات، كميات هائلة من عمليات المصفوفات، وتحويل الموتّرات، والاختزال، وتحسين الوصول إلى الذاكرة، وجدولة متوازية. وإذا كانت كفاءة المشغلات الأساسية غير كافية، فإن النماذج العليا، حتى مع توسع حجم معاملاتها، لن تتمكن من إطلاق العنان لقوة معالجة GPU بشكل كامل. في الماضي، كان تطوير المشغلات يعتمد بشكل كبير على الكتابة اليدوية والتحسين المتكرر من قبل المهندسين، مما يتطلب معرفة عميقة بهندسة الأجهزة، والبرمجة المتوازية، والتسلسل الهرمي للذاكرة، وسلسلة أدوات الترجمة. يستهدف إطلاق "موسا كودر" هذه المرحلة عالية الصعوبة تحديدًا، بهدف رفع كفاءة توليد المشغلات الأساسية باستخدام نموذج لغوي كبير متخصص.

تكمن خصوصية هذا الإصدار مفتوح المصدر في أن عملية ما بعد التدريب الكاملة تمت على مجموعة الحوسبة الذكية "كواي إي" (Kuae) المبنية على معالج MTT S5000. أوضحت "مور تريدز" أن "موسا كودر" هو أول نموذج لغوي كبير مفتوح المصدر في الصناعة يُكمل التدريب والتحقق من صحة السلسلة الكاملة استنادًا إلى بنية حوسبة محلية لوحدات معالجة الرسوميات.

يعتمد "موسا كودر" إطارًا تدريبيًا موجهًا لتوليد النوى (Kernel)، يجمع بين أساليب مثل تركيب البيانات، والضبط الدقيق بالرفض، والتعلم المعزز بتغذية راجعة من التنفيذ. يتيح ذلك للنموذج، بعد توليد الكود، التحقق من صحته من خلال الترجمة، وصحة القيم العددية، وفعالية التسريع الفعلية. يختلف توليد مشغلات GPU عن إكمال الأكواد العادية؛ فكون الكود قابلاً للتشغيل هو مجرد خطوة أولى، والأهم هو ما إذا كان يمكن ترجمته بثبات على الجهاز الخلفي المحدد، وإعطاء نتائج صحيحة دون تراجع غير قانوني، وتحقيق تحسن في الأداء أثناء التنفيذ الفعلي. من خلال دمج الواجهة الخلفية MUSA في عملية التدريب والتحقق، يعني ذلك أن النموذج لا يخدم النظام البيئي العام لـ CUDA فحسب، بل يتوجه أيضًا بشكل مباشر إلى بيئة الحوسبة المتوازية لوحدات معالجة الرسوميات المحلية.

بالنسبة لصناعة وحدات معالجة الرسوميات المحلية، فإن أهمية "موسا كودر" تتجاوز كونه مجرد نموذج مفتوح المصدر. لكي تتمكن قوة الحوسبة المحلية للذكاء الاصطناعي من الوصول إلى المزيد من المطورين والمشاريع التجارية، يجب حل مشكلة تكييف النظام البيئي البرمجي، بما في ذلك أطر التعلم العميق، ومكتبات المشغلات، والمترجمات، ومكتبات الاتصالات، ومحركات الاستدلال، ونقل النماذج التطبيقية. بعد تحسين قدرة توليد المشغلات الأساسية، يمكن للمطورين تحويل برامج الموتّرات عالية المستوى إلى أكواد GPU قابلة للتنفيذ والتحسين بشكل أسرع، مما يقلل من تكاليف النقل اليدوي وضبط الأداء. بالنسبة لشركات النماذج، والمؤسسات البحثية، وفرق التطبيقات الصناعية التي تحتاج إلى التكيف مع وحدات معالجة الرسوميات المحلية، يمكن لهذه الأدوات تقصير الدورة الزمنية من نقل الكود إلى التحقق من الأداء.

سينعكس تأثير سلسلة التوريد الصناعية على حلقات مثل أدوات تطوير GPU المحلية، وتكييف أطر الذكاء الاصطناعي، وتحسين تدريب النماذج، وخدمات برمجيات مراكز الحوسبة الذكية. مع دخول النماذج الكبيرة مرحلة هندسية أعمق، لم يعد التنافس على قوة الحوسبة يقتصر على النظر إلى معاملات الذروة لبطاقة واحدة، بل يشمل أيضًا ما إذا كانت حزمة البرامج قادرة على دعم التدريب المستقر للنموذج، ونشر الاستدلال، وضبط الأداء. إذا تمكن "موسا كودر" من الاستمرار في التطوير والحصول على استخدام من قبل المطورين، فسيساعد ذلك "مور تريدز" على تراكم المزيد من المشغلات والأمثلة وخبرات التحسين في نظام MUSA البيئي، وسيعزز أيضًا القيمة التحققية لمجموعة الحوسبة الذكية "كواي إي" في مهام تدريب النماذج الكبيرة وتوليد الأكواد. تشمل الخطوات اللاحقة مراقبة استخدام أوزان النموذج المحملة، وملاحظات المطورين، وتوسيع نطاق تكييف الواجهة الخلفية MUSA، وما إذا كان هذا النموذج يمكن أن يحقق نتائج عملية في المزيد من أطر الذكاء الاصطناعي وسيناريوهات المشغلات الصناعية.

تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com