محرك FlashRT-PAI يسرّع استدلال نماذج الذكاء الاصطناعي المادي بما يصل إلى 12.66 ضعفاً

أظهر محرك الاستدلال لنماذج الذكاء الاصطناعي المادي FLASHRT-PAI سرعة تشغيل تتراوح بين 1.3 و3.7 أضعاف مقارنة بمسارات التجميع الرسمية في الاختبارات، وفقاً لمسودة بحثية نُشرت على موقع arXiv في 20 أكتوبر.

وتكتسب هذه النتائج أهمية بالنسبة للروبوتات وأنظمة الذكاء الاصطناعي الأخرى الموجهة نحو اتخاذ الإجراءات، حيث يذكر المؤلفون أن الاستدلال اللحظي الذي يتم باتخاذ قرار واحد في كل مرة مقيد بزمن استجابة خط المعالجة؛ وأظهرت اختبارات الدقة المنخفضة مكاسب تتراوح بين 3.38 و12.66 ضعفاً مقارنة بالتنفيذات الفورية الرسمية.

ويصف ليانغ سو، وديفيد تشن، وجيسون لي، وكيفن غوو، وتيريزا لوف محرك FLASHRT-PAI بأنه نظام مبني على التصميم المشترك لخط معالجة النماذج والأجهزة. ويصيغ عنوان الورقة حجتهم الأساسية: «النوى البرمجية السريعة لا تعني خطوط معالجة سريعة لاستدلال الذكاء الاصطناعي المادي».

وقال المؤلفون في الملخص: «لا يرتبط زمن الاستجابة بحسابات النواة الفردية، بل تهيمن عليه الأعباء الإضافية على مستوى النظام». وأشاروا في هذا الصدد إلى إطلاق العديد من المهام القصيرة على الرقائق، وحركة البيانات الوسيطة بين العمليات، والحوسبة المتكررة عبر القرارات المتتالية.

ويجمع FLASHRT-PAI بين ثلاث آليات وفقاً للورقة البحثية؛ حيث يقلل الدمج العميق للنوى مع تداخل الإطلاق الفجواتِ بين العمليات، بينما يسجل عقد التنفيذ الرسم البياني لمراحل خط المعالجة ومعدلات التحديث وذاكرات التخزين المؤقت المسماة، وتتيح كبسولات حالة التنفيذ للنظام أخذ لقطات فورية للحالة الدائمة واستعادتها وتفريعها.

وتُعرف النواة بأنها عملية حوسبة صغيرة تُرسل إلى المعالج، بينما يمثل المخطط الموجه غير الدوري خريطة مرتبة لمراحل الحوسبة. وتتمثل النقطة المحورية في الورقة في أن تحسين هذه الاستدعاءات كل على حدة قد يغفل التكاليف التي تظهر عبر دورة الاستدلال بأكملها.

وأوضح المؤلفون أن مجمّعات الرسوم البيانية للأغراض العامة تقصر عن تحقيق ذلك لأنها تحسّن الاستدعاءات الفردية دون رؤية كافية للحالة المنقولة بين القرارات. كما يدعم FLASHRT-PAI تسريع نماذج PyTorch دون تعديل عبر استبدال النوى الخاضع لفحوصات التكافؤ وزمن الاستجابة، وفقاً للمسودة.

وغطى التقييم ست سياسات تشغيلية على بطاقة RTX 5090 وأربع سياسات على منصة Jetson AGX Thor، بحسب المؤلفين. وفي معيار LIBERO-10، حقق إعداد pi0.5 بدقة 4 بت نسبة نجاح بلغت 94.04% على منصة Thor و93.32% على بطاقة RTX 5090، مقارنة بنسبة 92.4% للمرجع الرسمي المقاس بدقة FP16.

ولا تثبت هذه الأرقام أداءً واسع النطاق عبر جميع نماذج الذكاء الاصطناعي المادي أو أجهزته؛ فالورقة ما تزال مسودة بحثية على arXiv ولم تخضع لمراجعة الأقران، كما تقتصر معايير الأداء المذكورة على السياسات والأجهزة وإعدادات الدقة التي حددها المؤلفون.

وتذكر الورقة أن FLASHRT-PAI نظام مفتوح المصدر، ويجري توزيعه عبر منصة Hugging Face Kernel Hub، كما جرى دمج نوى pi0.5 الاختيارية التابعة له في إطار عمل LeRobot.

المصدر: مسودة بحثية، arXiv cs.AI، 20 أكتوبر