توافق PyTorch يفتح رقائق Trainium أمام شيفرات الذكاء الاصطناعي
أطلقت AWS نسخة تجريبية عامة ومفتوحة المصدر من TorchNeuron، لتشغيل كثير من شيفرات PyTorch على Trainium2 وTrainium3 بتغييرات محدودة. يقلل ذلك عائق الانتقال إلى رقائق أمازون، لكن الإصدار التجريبي يحتاج إلى اختبارات مستقلة أوسع للأداء والتوافق.
أتاحت AWS نسخة تجريبية عامة من TorchNeuron، وهي طبقة مفتوحة المصدر تجعل PyTorch يتعامل مع مسرعات Trainium2 وTrainium3 كأجهزة أصلية. الفكرة العملية أن كثيرا من الشيفرات يستطيع تغيير وجهة التنفيذ من cuda إلى neuron من دون إعادة بناء النموذج حول أدوات خاصة بأمازون.
الخلاصة في 30 ثانية
- ماذا حدث؟ أطلقت AWS النسخة التجريبية العامة من TorchNeuron وفتحت مصدرها لدعم Trainium2 وTrainium3.
- لماذا يهم؟ توافق PyTorch يقلل كلفة تجربة مسرع بديل، لأن البرمجيات والأدوات قد تعيق الانتقال بقدر ما يفعل اختلاف العتاد.
- ما الذي لم يُثبت؟ الإصدار ما زال تجريبيا، وتوجد فجوات في دعم بعض العمليات والأنواع، ولا تتوافر بعد مقارنات مستقلة واسعة.
الحقيقة الأهم: يستطيع المطور في حالات كثيرة استبدال.to('cuda')بـ.to('neuron')، بينما قد تعمل الشيفرة المبنية على واجهة PyTorch المحايدة للعتاد من دون تغيير خاص بالجهاز.
المنافسة لا تدور حول السيليكون وحده
لا تكفي سرعة المسرع كي ينجح في السوق. يحتاج المطور إلى مكتبات وتصحيح أخطاء وأدوات قياس ووسائل لتوزيع التدريب على عدد كبير من الشرائح. بنت Nvidia حول CUDA منظومة ناضجة يصعب على الفرق مغادرتها، حتى عندما يظهر عتاد بديل واعد. لذلك يعالج TorchNeuron كلفة الانتقال قبل أن يحاول إثبات تفوق Trainium.
يسجل البرنامج شرائح أمازون من خلال آلية التوسعة الرسمية في PyTorch، ويدعم التنفيذ التفاعلي وtorch.compile وأدوات القياس والتدريب الموزع. يضع هذا الإطلاق AWS داخل المنافسة التي يتتبعها الخط الزمني لحرب شرائح الذكاء الاصطناعي، حيث أصبحت المنظومة البرمجية جزءا من المنتج لا ملحقا به.
ماذا يوفر الإصدار الحالي؟
يسمح نمط التنفيذ الفوري للباحث بتشغيل الأوامر ومراقبة النتائج خطوة بخطوة. أما torch.compile فيحوّل النموذج إلى رسم حاسوبي يستطيع مترجم Neuron تحسينه للتشغيل. ويدعم النظام واجهات شائعة للتدريب الموزع، مع إبقاء واجهة Neuron Kernel Interface لمن يحتاج إلى تحسينات مرتبطة بالعتاد.
يتوافر TorchNeuron بترخيص Apache 2.0، لكنه يقتصر حاليا على مثيلات EC2 المزودة بـTrainium2 وTrainium3. لا يعني إطلاقه أن رقائق أمازون تفوقت على Nvidia أو AMD في السرعة أو الكلفة أو اتساع النماذج المدعومة. ويشرح تقرير نيو تقنية السابق عن منظومة AMD المتكاملة لماذا يجب تقييم المعالج والشبكة والبرمجيات معا.
قبل أن نبالغ في النتيجة
- TorchNeuron نسخة تجريبية عامة، وقد تتغير الواجهات والتغطية والسلوك التشغيلي قبل الإصدار المستقر.
- تذكر مواد PyTorch اختبار عدد كبير من النماذج، لكنها تكشف أيضا عن اختبارات جرى تجاوزها عمدا وعمليات لم يكتمل تحويلها إلى تنفيذ أصلي على Neuron.
- تغيير سطر واحد لا يضمن دقة رقمية أو سرعة أو كلفة متساوية لكل نموذج، لذلك يبقى الاختبار على أحمال العمل الفعلية ضروريا.
الاختبار الحاسم يبدأ الآن
ستظهر القيمة الحقيقية عندما تنقل فرق مستقلة نماذج تدريب واستدلال فعلية، ثم تنشر قياسات قابلة للتكرار للكلفة والأداء والاعتمادية. وسيحدد توسيع دعم العمليات والوصول إلى إصدار عام مستقر ما إذا كان TorchNeuron سيضعف الارتباط بمنظومة عتاد واحدة أم يكتفي بتسهيل التجربة الأولية.
كيانات وموضوعات موثّقة
المصادر والمراجع4 مصادر
المراجع الخارجية المستخدمة لدعم المعلومات الواردة في هذا المقال.
نشر بواسطة
مكتب نيو تقنية – الذكاء الاصطناعي
فريق تحريري مؤسسي تابع لنيو تقنية
