غالبًا ما تُختبر الذكاء الاصطناعي بوصفه برمجيات. يتفاعل المستخدمون مع نماذج، وواجهات دردشة، ومساعدين للترميز، ومولّدات للصور، وعوامل ذاتية الحكم بشكل متزايد. ونتيجة لذلك، يتركز جزء كبير من الحديث حول الذكاء الاصطناعي على قدرات النماذج: أي نظام يستدل بشكل أفضل، وأي معيار تحسّن، وكيف تنخفض تكاليف الاستدلال، أو ما التطبيقات الجديدة التي قد تظهر.
لكن كل تفاعل مع الذكاء الاصطناعي يعتمد في النهاية على بنية تحتية مادية.
قبل أن يتمكن نموذج من توليد إجابة، يجب أن تحدث كميات هائلة من الحوسبة في مكان ما. تتطلب هذه الحوسبة معالجات. تعتمد هذه المعالجات على الذاكرة. قد تحتاج آلاف الرقائق إلى تبادل البيانات عبر شبكات تتزايد تعقيدًا. يجب تصنيع النظام بأكمله وتجهيزه وتغليفه وتركيبه في الخوادم وتزويده بالكهرباء وتبريده داخل مراكز البيانات.
قد تبدو الذكاء الاصطناعي للمستخدمين كبرنامج، لكن قدرته على التوسع تعتمد بدرجة كبيرة على صناعة أشباه الموصلات الكامنة تحته.
وهذا أحد الأسباب التي تجعل Bella Alpha تبدأ توسعها خارج مجال العملات المشفّرة عبر أبحاث أشباه الموصلات. فكثير من المستثمرين الذين يتابعون الذكاء الاصطناعي والأصول الرقمية والتكنولوجيا الناشئة ينظرون بشكل متزايد إلى أسفل طبقات التكنولوجيا، نحو البنية التحتية للحوسبة والذاكرة والشبكات والتصنيع والطاقة التي تجعل اقتصاد الذكاء الاصطناعي ممكنًا.
الحوسبة الخاصة بالذكاء الاصطناعي نظامٌ كامل، وليست شريحةً واحدة
الجزء الأكثر وضوحًا في قصة عتاد الذكاء الاصطناعي هو المسرّع، ولا سيما وحدات GPU وغيرها من المعالجات المُحسّنة لأحمال العمل شديدة التوازي.
لكن التركيز على المعالج وحده يمكن أن يخلق صورة غير مكتملة.
تنطوي أحمال عمل الذكاء الاصطناعي الحديثة على نقل كميات هائلة من البيانات. وإذا لم يتمكن المعالج من استقبال تلك البيانات بالسرعة الكافية، تصبح القدرة الحاسوبية الإضافية أقل فائدة. وهذا أحد أسباب تزايد أهمية الذاكرة عالية النطاق الترددي لأنظمة الذكاء الاصطناعي. تضع HBM كميات كبيرة من الذاكرة بالقرب من المعالج وتوفّر نطاقًا تردديًا أعلى بكثير من معماريات الذاكرة التقليدية.
ينطبق المنطق نفسه على الشبكات. فقد يكون المسرّع الواحد قويًا، لكن أنظمة الذكاء الاصطناعي الحديثة تعمل بشكل متزايد عبر مجموعات كبيرة تضم مئات أو آلاف المعالجات. وتحتاج هذه المعالجات إلى التواصل بسرعة كافية كي تعمل المجموعة كنظام حوسبة منسّق.
ثم هناك الطاقة. فالكثافة الأعلى للحوسبة تعني احتياجات كهرباء أكبر وحرارة أكثر. وتحتاج مراكز البيانات إلى قدرة كافية على توصيل الطاقة، وأنظمة تبريد، ومعدات شبكات، وسعة مادية قبل أن يمكن حتى نشر مسرّعات إضافية.
هذا يجعل بنية الذكاء الاصطناعي التحتية نظامًا مترابطًا. فزيادة العرض في جزء واحد من الطبقة قد تكشف ببساطة القيد التالي في مكانٍ آخر.
إذا تحسّنت إتاحة المسرّعات، فقد تصبح الذاكرة هي الاختناق. وإذا زاد المعروض من الذاكرة، فقد يصبح التغليف المتقدم أكثر أهمية. وإذا أصبحت الأنظمة الأكثر تكاملًا متاحة، فقد تبدأ الشبكات أو البنية التحتية للطاقة في الحد من النشر.
بالنسبة للمستثمرين، غالبًا ما تكون حركة الاختناقات هذه أكثر إفادة من مجرد معرفة أن الطلب على الذكاء الاصطناعي قوي.
الشريحة نفسها تتغير
كما أن صناعة أشباه الموصلات تغيّر أيضًا طريقة بناء الأنظمة عالية الأداء.
على مدى عقود، ارتبطت التحسينات في الحوسبة بقوة بإضافة المزيد من الترانزستورات إلى عقد تصنيع أكثر تقدمًا. ولا يزال هذا مهمًا، لكن الأنظمة الحديثة تُجمّع بشكل متزايد من عدة قطع من السيليكون بدلًا من الاعتماد على شريحة أحادية ضخمة واحدة.
يمكن جمع الحوسبة والذاكرة ومكوّنات الإدخال/الإخراج وغيرها من الوظائف عبر تقنيات التغليف المتقدمة. وهذا يتيح لمصممي أشباه الموصلات بناء أنظمة أكبر وأكثر تخصصًا، مع إدارة بعض القيود المادية والاقتصادية المترتبة على تصنيع كل شيء على شريحة واحدة.
في حالة الذكاء الاصطناعي، يكتسب هذا الأمر أهمية لأن المعالجات والذاكرة عالية النطاق الترددي تحتاج إلى العمل بتنسيق وثيق للغاية. لذلك لم يعد التغليف المتقدم مجرد خطوة تصنيع نهائية، بل أصبح جزءًا من بنية النظام.
هذا يغيّر سؤال البحث.
لم يعد كافيًا أن نسأل فقط عمّا إذا كانت هناك قدرة كافية على إنتاج الرقائق المتقدمة. فقد يحتاج المستثمرون أيضًا إلى فهم ما إذا كانت هناك قدرة كافية على التغليف، وما إذا كان المعروض من الذاكرة متاحًا، وما إذا كان يمكن دمج كل هذه المكوّنات بالحجم الذي يتطلبه العملاء.
يمر طلب الذكاء الاصطناعي عبر سلسلة توريد أشباه الموصلات بأكملها
إحدى السمات المميزة لأشباه الموصلات هي التخصص.
قد تصمّم شريحة شركةٌ ما، وتُصنّعها شركةٌ أخرى، وتُغلّفها شركةٌ ثالثة، ثم تُركّب في نظام جرى تجميعه في مكان آخر. وتعتمد عملية التصنيع نفسها على معدات ومواد وبرمجيات وملكية فكرية ومواد كيميائية ومكوّنات شديدة التخصص.
ونتيجةً لذلك، يمكن أن ينتشر الطلب القوي على الذكاء الاصطناعي عبر سلسلة التوريد بطرق مختلفة.
قد يؤدي ارتفاع الطلب على المسرّعات إلى زيادة متطلبات قدرة المصانع المتقدمة. وقد تولّد الحزم الأكبر للذكاء الاصطناعي طلبًا إضافيًا على التغليف المتقدم. وقد يغيّر المزيد من الذاكرة لكل مسرّع مزيج منتجات صناعة الذاكرة. كما تزيد المجموعات الأكبر متطلبات الشبكات والاتصال البصري. وتؤثر كثافة الرفوف الأعلى في إدارة الطاقة وبنية التبريد التحتية.
ولهذا لا يمكن اختزال فرصة عتاد الذكاء الاصطناعي في عدد قليل من شركات الشرائح المعروفة. فقد يمتد الأثر الاقتصادي عبر طبقات متعددة من منظومة أشباه الموصلات ومراكز البيانات.
وفي الوقت نفسه، لا تستفيد تلك الطبقات بالضرورة بالتساوي أو في اللحظة نفسها. فقد تعاني بعضُها من الندرة، بينما تمتلك أخرى طاقة فائضة. وقد تحقق بعضُها هوامش أكبر لأنها تتحكم في اختناق، بينما تواجه أخرى ضغطًا تنافسيًا على التسعير.
يصبح فهم سلسلة القيمة أمرًا أساسيًا.
العتاد يتحرك أبطأ من البرمجيات
هناك فرق أساسي آخر بين برمجيات الذكاء الاصطناعي وبنية أشباه الموصلات التحتية: الزمن.
يمكن أحيانًا تحديث منتج برمجي أو نشره خلال أيام. أما قدرة تصنيع أشباه الموصلات فلا يمكن ذلك.
تتطلب المصانع الجديدة استثمارات رأسمالية هائلة وجداول بناء طويلة. كما يستغرق تجهيز معدات التصنيع المتقدمة وتركيبها وقتًا. وتحتاج العمليات الجديدة إلى اعتمادٍ وفحصٍ. ويجب أن تتحسن المردودات قبل أن يصل الإنتاج إلى الحجم الاقتصادي. كما تتطلب قدرة التغليف توسعًا ماديًا، كما أن مراكز البيانات نفسها تحتاج إلى وقت للبناء والاتصال بالطاقة.
هذا يخلق عدم توافق مهمًا.
قد يتغير الطلب على الذكاء الاصطناعي بسرعة، لكن استجابة العرض غالبًا ما تتحرك ببطء.
عندما يتسارع الطلب بشكل غير متوقع، قد تظهر النواقص لأن الإنتاج لا يمكنه التوسع فورًا. وعندما يستجيب المصنعون باستثمار عدواني، يظهر خطر آخر في نهاية المطاف: بحلول الوقت الذي تصبح فيه القدرة الإضافية متاحة، يكون الطلب قد تغيّر مرةً أخرى.
وهذا أحد الأسباب التي تجعل أسواق أشباه الموصلات قادرة على البقاء شديدة الدورية حتى عندما تستفيد من اتجاه تكنولوجي قوي طويل الأمد.
قد يمثل الذكاء الاصطناعي نموًا هيكليًا. لكن البنية التحتية التي تدعمه لا تزال قد تمر بفترات من النقص، والاستثمار المفرط، وتصحيح المخزون، والتعافي.
البرمجيات الأفضل لا تعني بالضرورة عتادًا أقل
ومن الافتراضات الشائعة الأخرى أن تحسينات كفاءة الذكاء الاصطناعي ستقلل في النهاية من الطلب على البنية التحتية.
تظل الكفاءة مهمة بلا شك. فخوارزميات أفضل، ونماذج أصغر، وهياكل محسّنة، واستدلال أكثر كفاءة يمكن أن تقلل كمية الحوسبة المطلوبة لمهمة معينة.
لكن انخفاض تكاليف الحوسبة يمكن أيضًا أن يجعل المزيد من التطبيقات مجديًا اقتصاديًا.
عندما تصبح مهمة ما أقل تكلفة، قد تستخدم الشركات الذكاء الاصطناعي بوتيرة أكبر، أو تنشره لعدد أكبر من المستخدمين، أو تطبّقه على مشكلات لم يكن حلها مجديًا اقتصاديًا من قبل. لذلك قد يزداد عدد أحمال عمل الذكاء الاصطناعي حتى مع تحسن كفاءة كل حمل عمل على حدة.
ظهر هذا الارتباط مرارًا عبر تاريخ الحوسبة. فالبنية التحتية الأكثر كفاءة لا تؤدي تلقائيًا إلى انخفاض إجمالي الاستخدام. وفي كثير من الحالات، تتيح استخدامًا أكبر بكثير.
لذلك، في أبحاث أشباه الموصلات، لا يقتصر السؤال المهم على ما إذا كان الذكاء الاصطناعي يصبح أكثر كفاءة، بل يتمثل في كيفية تغيير الكفاءة لاقتصاديات النشر، ومدى سرعة ظهور طلب جديد نتيجةً لذلك.
اتباع الذكاء الاصطناعي يعني اتباع قيوده
بالنسبة للمستثمرين، يضيف منظور العتاد مجموعة مختلفة من الأسئلة إلى نقاش الذكاء الاصطناعي.
أين ينمو الطلب على الحوسبة بأسرع وتيرة؟ ما المكوّنات التي يصبح توفيرها أصعب؟ ما السرعة التي يمكن أن تصل بها قدرة التصنيع الجديدة؟ هل تواكب الذاكرة المعالجات؟ هل يمكن للتغليف المتقدم دعم الجيل التالي من الأنظمة؟ وهل تصبح الشبكات والطاقة قيودًا أكبر مع توسّع المجموعات؟
تساعد هذه الأسئلة في تفسير سبب تزايد أهمية أبحاث أشباه الموصلات لدى الجمهور الذي كان يركّز سابقًا بشكل أساسي على البرمجيات أو العملات المشفّرة أو تطبيقات الذكاء الاصطناعي.
تم بناء تقرير SEMI AlphaReport الجديد من Bella Alpha حول هذا التصور الأوسع لاقتصاد الذكاء الاصطناعي. ويُعدّ البحث في أشباه الموصلات أول فئة جديدة تُضاف مع توسع Bella Alpha إلى ما وراء الإشارات والأبحاث المرتكزة على العملات المشفّرة، لأن تتبّع الذكاء الاصطناعي يتطلب بشكل متزايد فهم البنية التحتية المادية التي تدعمه.
ستتشكّل المرحلة التالية من الذكاء الاصطناعي من خلال نماذج أفضل وبرمجيات أفضل، ولكن أيضًا من خلال قدرة الصناعة على تصنيع العتاد المطلوب لتلك النماذج وربطه وتزويده بالطاقة ونشره.
إن فهم الجانبين يمنح المستثمرين صورةً أكثر اكتمالًا عن الاتجاه الحقيقي للذكاء الاصطناعي.
لأغراض المعلومات والبحث فقط. لا يشكّل هذا المحتوى نصيحة مالية أو استثمارية.
نبذة عن Bella
سعيًا لجعل تداول العملات المشفّرة والبحث وفرص العائد أسهل في التنقل، تقدّم Bella Protocol مجموعة من المنتجات الميسّرة عبر ذكاء السوق المدعوم بالذكاء الاصطناعي وتطوير الاستراتيجيات الكمية. ويشمل نظام منتجاتها Bella Alpha، وبروتوكول عائد متعدد السلاسل، ومحاكيًا برمجيًا لـ Uniswap V3.
Bella Alpha هو التطور التالي لـ Bella Signal Bot وBella Research Bot، إذ يجمع إشارات التداول المدعومة بالذكاء الاصطناعي وبيانات السوق ومعلومات المشاريع وأبحاث العملات المشفّرة في تجربة واحدة على تيليغرام. وبفضل خمسة نماذج ذكاء اصطناعي متخصصة، يراقب Bella Alpha أزواج التداول الدائمة المدعومة ويوفّر إشارات شراء وبيع وإغلاق عبر ظروف سوق مختلفة. كما يتيح محرك البحث المدعوم بنماذج اللغة الكبيرة (LLM) والاسترجاع المعزّز بالتوليد (RAG) للمستخدمين طرح أسئلة متعلقة بالسوق، والبحث عن المعلومات ذات الصلة، واستكشاف مشاريع العملات المشفّرة المدعومة، مما يخلق سير عمل أكثر ترابطًا من تحديد حركة السوق إلى البحث في السياق وراءها دون الحاجة إلى التبديل بين أدوات منفصلة.
وبعيدًا عن ذكاء السوق الخاص بالذكاء الاصطناعي، طوّرت Bella Protocol مجموعة أوسع من أدوات DeFi والأدوات الكمية. توفّر Bella LP Farm لمزوّدي السيولة إمكانية الوصول إلى فرص العائد عبر شبكات متعددة، بينما يُعدّ Tuner محاكيًا برمجيًا لـ Uniswap V3 يتيح للمطورين والمستراتيجيين الكميين اختبار الاستراتيجيات تاريخيًا أو باستخدام بيانات مخصصة وتحسينها مع الحفاظ على سلوك العقود الذكية في Uniswap V3.
تدعم Bella Protocol جهات مثل Binance Labs وArrington XRP Capital وعددًا من المستثمرين المشهورين الآخرين.
للمزيد من المعلومات عن Bella أو للانضمام إلى فريقنا، يرجى التواصل معنا عبر contact@bella.fi تعرّف على أحدث الأخبار الرسمية لـ Bella: Medium: https://medium.com/@Bellaofficial Twitter: @BellaProtocol Telegram: https://t.me/bellaprotocol Discord: https://discord.gg/jcuFJZWFMh Gitbook: https://bellafi.gitbook.io/bella-protocol