أخبار ar.wedoany.com، أطلقت شركة "ترانسوارب" (Transwarp) الصينية قاعدة بيانات معرفية أصلية معتمدة على وحدات معالجة الرسوميات (GPU-Native Cognitive Database)، والتي تدمج قواعد بيانات SQL وقواعد المعرفة وأنظمة الذاكرة في منصة واحدة. تهدف هذه القاعدة إلى توفير دعم متكامل للبيانات والمعرفة والذاكرة لوكلاء الذكاء الاصطناعي (AI Agents)، مما يقلل من تكاليف وحواجز النشر الواسع النطاق لتطبيقات الذكاء الاصطناعي الأصلية.
يتطور الذكاء الاصطناعي في المؤسسات من نماذج المحادثة الكبيرة (LLM) إلى وكلاء الذكاء الاصطناعي. على عكس نماذج اللغة الكبيرة التي تستجيب لمرة واحدة، ينفذ وكلاء الذكاء الاصطناعي دورات متعددة ومستمرة من "الاستدلال - العمل - الملاحظة - التصحيح" حول الأهداف المحددة، مع الوصول المتكرر إلى البيانات، واسترجاع المعرفة، واستدعاء الأدوات، وتحديث حالة المهام. تشير "ترانسوارب" إلى أن بنية المعالجات المركزية التقليدية (CPU) تحتوي فقط على عشرات إلى مئات من النوى الحاسوبية للأغراض العامة، مع عرض نطاق ترددي للذاكرة يتراوح بين 100 و400 جيجابايت/ثانية. عند معالجة المهام عالية التردد ومتعددة الجولات والمتزامنة، يصبح نقل البيانات بين المعالج المركزي ووحدة معالجة الرسوميات عنق زجاجة رئيسيًا. من خلال إعادة هيكلة بنية الحوسبة لقاعدة البيانات لتتمركز حول وحدة معالجة الرسوميات، يمكن الاستفادة من آلاف النوى المتوازية وذاكرة الفيديو عالية النطاق الترددي (TB/s) لتحمل أعباء العمل عالية التوازي مثل مسح البيانات على نطاق واسع، والتجميع المعقد، وتحليل المستندات، وحسابات المتجهات. في الوقت نفسه، ومن خلال تقنية التخزين المباشر التي تبدأها وحدة معالجة الرسوميات (GPU-Initiated Direct Storage - GIDS)، يمكن لوحدة معالجة الرسوميات بدء الوصول إلى التخزين مباشرة، مما يقلل من نقل البيانات ونسخ الذاكرة.
حققت قاعدة البيانات هذه خمسة اختراقات تقنية. أولاً، تسريع تحليل البيانات المنظمة باستخدام وحدة معالجة الرسوميات. في اختبار TPC-DS SF1000، أكملت 99 مهمة استعلام، وكان أداؤها أسرع بـ 70 مرة من قاعدة البيانات مفتوحة المصدر DuckDB القائمة على المعالج المركزي؛ وبالمقارنة مع Snowflake وDatabricks، كان الأداء أفضل بما يصل إلى 66 مرة، وكانت نسبة الأداء إلى التكلفة أفضل بما يصل إلى 14 مرة. ثانيًا، تسريع معالجة المستندات واسترجاع المعرفة باستخدام وحدة معالجة الرسوميات. بالاعتماد على خدمة تحليل المستندات COSMIC، تم تحسين أداء معالجة المستندات المعقدة في OmniDocBench بمقدار 10 مرات؛ وتم تحسين أداء بناء فهرس المتجهات على وحدة معالجة الرسوميات بما يصل إلى 50 مرة تقريبًا، وزاد إنتاجية الاسترجاع بما يصل إلى 238 مرة. فيما يتعلق بالتكيف مع القدرات الحاسوبية المحلية الصينية، تم الانتهاء من تحسين أداء معالج Haiguang DCU، حيث تم تقليل وقت بناء فهرس المتجهات من أيام إلى دقائق، وكان أداء الاسترجاع أفضل بما يصل إلى 58 مرة مقارنة بالمعالج المركزي. ثالثًا، تحسين استخدام ذاكرة الفيديو بمقدار 20 مرة. من خلال تحسين تفريغ البيانات والبحث في الفهارس، تم تقليل استهلاك ذاكرة الفيديو إلى حوالي 5٪، وحتى عند تفريغ 95٪ من البيانات المتعلقة بالحساب إلى الذاكرة الرئيسية أو SSD، لا يزال إنتاجية البحث تصل إلى 12 ضعفًا من فهارس المعالج المركزي التقليدية. رابعًا، حققت قدرات الذاكرة دقة إجمالية بلغت 79.6٪ و92.8٪ في اختباري المعيار BEAM 500K للذاكرة الظرفية طويلة المدى وLongMemEval-S لذاكرة الحوار الطويل، على التوالي. خامسًا، دعم التشغيل باللغة الطبيعية، حيث يتم تحويل احتياجات المستخدم تلقائيًا إلى سير عمل بيانات قابل للتنفيذ، لربط العملية الكاملة لتطوير البيانات وإدارتها وتحليلها وإنشاء التقارير.
في التحقق من السيناريوهات الواقعية، في اختبار OfficeQA Pro للأسئلة والأجوبة المعقدة للمعرفة المؤسسية، والذي تضمن ما يقرب من 10000 صفحة من نشرات وزارة الخزانة الأمريكية على مدار قرن تقريبًا و133 مهمة استدلال، تم تحسين أداء الاستدلال الشامل للذكاء الاصطناعي بنحو 6 مرات، وبلغت الدقة 79.3٪. في الاختبار الخلفي للعوامل الكمية المالية، تم تحقيق تحسين في الأداء يصل إلى 5881 ضعفًا مقارنة بحلول المعالج المركزي. في تحليل دورة الائتمان الكاملة وإدارة المخاطر، ومع مواجهة 480 مليون سجل تفصيلي، تم تحسين الأداء الإجمالي بمقدار 449 مرة.
بالإضافة إلى ذلك، ستطلق "ترانسوارب" خدمة سحابية لقاعدة البيانات المعرفية، تتضمن "مصنع البيانات" (Data Factory) و"مصنع الرموز" (Token Factory). يمكن لـ "مصنع البيانات" تحقيق تحسين في الأداء بأكثر من 10 أضعاف بنفس التكلفة، ويدعم الترحيل بنقرة واحدة من قواعد البيانات السحابية مثل Snowflake وDatabricks. يمكن لـ "مصنع الرموز" تحقيق زيادة في إنتاجية الإدخال بمقدار 10 أضعاف، وزيادة في إنتاجية الإخراج بنسبة تتراوح بين 20٪ و80٪، لتحسين كفاءة استدلال الذكاء الاصطناعي على مستوى المؤسسات.
ملاحظة: بيانات الأداء والتقييم الواردة في المقال مأخوذة من نتائج الاختبارات الداخلية لشركة "ترانسوارب" والمعايير العامة المنشورة. يتأثر الأداء الفعلي بتكوينات البرامج والأجهزة وحجم البيانات وطرق الاختبار.
