الفصل 4 — السيليكون المتخصص ودوائر ASIC

المقالة الرابعة من الجولة الفصلية لـ LLM Primer VI: توسيع أنظمة الذكاء الاصطناعي. الفصل الذي يُحاجج بأن الاختيار بين GPU وASIC سؤالُ شكل عبء عمل — ويُعطيك الشكل.

لماذا يوجد هذا الفصل

يُحاجج معسكر GPU بأن استدلال LLM عبءُ عمل واحد في فئة عريضة من مسائل ضرب المصفوفات الكثيفة وأن المُسرِّع القابل للبرمجة هو البنية الصحيحة. يُحاجج معسكر ASIC بأن الاستدلال مُحدَّد ومنتظم وقابل للتنبؤ إلى الحد الذي يجعل الرقاقة المبنيّة للغرض تتفوَّق على المتعدِّدة الأغراض في المقياسَين المهمَّين — زمن الاستجابة والتكلفة لكل رمز. كلا المعسكرَين مُحق حول أعباء العمل التي يختارها. يمشي الفصل 4 على بدائل ASIC ذات الدرجة الإنتاجية لـ GPU مراكز البيانات في 2026 — LPU من Groq وAWS Inferentia2 وGoogle TPU v5p وv6 وIntel Gaudi 3 — ويُسمِّي النطاقات التي يفوز فيها كلٌّ منها وأنماط الفشل التي تُعيد المهندسين إلى GPU.

في سطر واحد: تتفوَّق ASIC على GPU عندما يكون عبء العمل حَرِج زمن الاستجابة أو حسَّاس التكلفة والنموذج لا يتغيَّر كثيراً — سؤال النواة وسؤال تواتر تغيير النموذج يُقرِّران الباقي.

4.1 Groq تُلغي HBM لجعل زمن الاستجابة حتمياً

Groq LPU هي الرقاقة الأكثر تميُّزاً معمارياً في سوق مُسرِّعات الإنتاج: لا HBM فيها. يعيش النموذج كله في SRAM على الرقاقة مُجدوَل بالمُصرِّف، مُوزَّعاً عبر رقاقات كثيرة مُتصلة بشبكة على العُلبة حتمية. لا يوجد تخصيص ذاكرة ديناميكي، ولا نفقات إطلاق نواة، ولا اهتزاز جدولة — كل تشغيل لنفس المُدخَل يُنتج نفس المُخرَج في نفس عدد النانو ثوان بالضبط. المقياس الذي يخرج هو زمن استجابة فك تشفير لا تستطيع GPU الاقتراب منه: نموذج 70B عند 200–500 رمز في الثانية لكل طلب، مقابل 30–80 على H100. الكلفة المعمارية هي حجم النموذج — SRAM محدود بمئات الميغابايت لكل رقاقة، فيتطلَّب نموذج 70B رفَّاً من 250+ رقاقة مُتصلة بترابط TSP من Groq، والرف هو وحدة النشر. أعباء العمل التي تدفع ثمن ذلك الرف هي المساعدات الصوتية تحت ميزانية حوار 200 ms، وإكمال الكود التفاعلي، وتوليد الإشارات المالية — أينما يشعر المستخدم بكل ميلي ثانية.

4.2 Inferentia2 وTPU تفوزان على التكلفة عندما يكون النموذج مستقراً

AWS Inferentia2 وGoogle TPU v5p/v6 تُهاجمان مقياساً مختلفاً: الدولارات لكل مليون رمز مُخرَج. كلاهما مبنيَّان للغرض للتخديم الدُّفعي في حالة مستقرة حيث تكون محفظة النماذج ضيقة، وميزانية زمن الاستجابة مُتساهلة، والحجم عالٍ بحيث تُهيمن وفورات 40–60 بالمئة على GPU على تكلفة إعادة الترحيل. Inferentia2 تُعرِّض Neuron SDK وتُشغِّل vLLM عبر حاوية AWS الرسمية؛ خطوة التصريف ثقيلة عند التحميل الأول ومُخزَّنة مؤقتاً بعد ذلك. TPU تُعرِّض JAX/XLA وتُشغِّل عبر نقاط نهاية Vertex AI Inference. كلتا المنصتَين تُكافئان أعباء العمل التي تبدو نفسها يوماً بعد يوم — الترجمة، والإشراف، وخطوط أنابيب التضمين، وRAG على مجموعات مستقرة — وكلتاهما تُعاقبان أعباء العمل التي تُغيِّر عمارة النموذج بتواتر، لأن مسار «صرِّف ثم خزِّن مؤقتاً» ضريبة على كل تبديل نموذج. الانضباط هو اختيار واحدة وتوحيد المعيار عليها؛ تشغيل الاثنين على نطاق الإنتاج ضريبة إعادة ترحيل مضاعفة.

4.3 Gaudi 3 هو رهان الإيثرنت أولاً، وGPU لا تزال تفوز في الطليعة

Intel Gaudi 3 يقوم برهان بنيوي مختلف: بدل ترابط مسجَّل الملكية (NVLink وICI وTSP)، يستخدم Ethernet تجاري 200/400 GbE لاتصال الرقاقة بالرقاقة، مُراهناً بأن التوسع الأصيل بالإيثرنت يُقلِّل تكلفة تشغيل النشرات الكبيرة. البرمجيات هي SynapseAI من Habana مع تكاملات PyTorch Lightning، مع تحسُّن دعم vLLM باطراد. Gaudi 3 مُسعَّر بعدوانية مقابل H100 وMI300X، ويحطُّ بوصفه «رافعة التكلفة ذات أقل احتكاك ترحيل» للفرق التي تُريد اقتصاديات ASIC دون طبقة ترابط جديدة. مقابل كل هذه، لا تزال GPU تفوز في نطاق واحد: تنوع النماذج، ونطاق الطليعة، والتجريب. أينما شغَّل الفريقُ نموذج 405B، أو عمارة طليعة صادرة حديثاً، أو مُتغيِّراً مُخصَّصاً مضبوطاً، أو نواةَ ورقة بحثية، تُسدِّد عمق منظومة CUDA وموقع NVIDIA الأول-إلى-السوق. الاستدلال هو «سؤال النواة» — إذا كان المكدس يُشغِّل FlashAttention قياسي وMLP مندمج قياسي ولا يلمس شيئاً آخر أبداً، ASIC مرشَّح؛ إذا كان المكدس يُشغِّل نواة كتبها شخصٌ في الفريق، GPU هو الشراء الأأمن.

يجدر بنا تذكُّره: نادراً ما تُتاخم أنواع أعباء العمل الثلاثة بعضها البعض. زمن استجابة فائق الانخفاض في الوقت الحقيقي ← Groq. حالة مستقرة عالية الحجم ← Inferentia أو TPU. تنوع نماذج في الطليعة ← GPU. الأخطاء المكلفة تأتي من كونك في فئة والتسوق في أخرى.

ما يُمهِّد له الفصل 4

وصف الفصلان 3 و4 البنيةَ العتادية كما هي. كل بطاقة معروضة إما مُقيَّدة بعرض نطاق HBM (فك تشفير GPU) أو أُعيد هندستها بعيداً عنه (Groq) أو سعَّرت عرض نطاقها بعدوانية لأعباء عمل مستقرة (Inferentia وTPU وGaudi). يتوجَّه الفصل 5 إلى الحركة من جانب البرمجيات التي تُقلِّص عبء عرض النطاق لكل رمز مباشرةً: التكميم من FP16 نزولاً إلى FP8 وFP4. الربح من ترقية Blackwell والربح من تكميم نموذج قائم إلى FP8، من حيث الآلية، هما نفس الرافعة مسحوبة في طبقات مختلفة من المكدس — وكلاهما يُطبَّق عادةً معاً.

التالي — الفصل 5: كشف غموض التكميم. الهبوط في الدقة من BF16 إلى FP8 إلى INT4، ولماذا تنجو النماذج الكبيرة، وسير عمل المعايرة الذي يصل الإنتاج فعلاً.

هل تريد الصورة الكاملة؟ يشمل فصل الكتاب أمثلة استدعاء Groq وInferentia2 وTPU وGaudi قابلة للتشغيل، وميكانيكا مؤقِّت Neuron، وقصة تصريف JAX-على-TPU، وحاشية «بلغة بسيطة» عن قراءة عبء عمل لاختيار السيليكون. اطّلع على LLM Primer VI على أمازون ←