تستخدم NVIDIA الذكاء الاصطناعي لتحسين تخصيص إمدادات الرقائق المعقدة

تستخدم NVIDIA منصة Palantir Foundry، والتحسين المسرَّع بوحدات معالجة الرسوميات، ونموذجًا لغويًا مفتوح الأوزان للمساعدة في تخصيص المكونات النادرة عبر شبكة التصنيع التابعة لها. ويهدف هذا العمل إلى تقليص الوقت اللازم لتحويل السيليكون المكتمل إلى بنية تحتية عاملة لمراكز البيانات، وفقًا لمنشور على مدونة NVIDIA التقنية في developer.nvidia.com.

تقيس NVIDIA هذه الفترة على مرحلتين. الأولى، وهي زمن الوصول إلى الرف، تغطي الرحلة من مغادرة الرقاقة مصنع التصنيع إلى وصول نظام مكتمل إلى أرضية مركز البيانات. أما الثانية، وهي زمن الوصول إلى الرمز، فتبدأ عند وصول العتاد وتشمل الطاقة والتبريد والشبكات والبرمجيات اللازمة قبل أن يتمكن من أداء عمل مفيد. ويركز المشروع الموصوف في المنشور أساسًا على تقليص زمن الوصول إلى الرف.

سلسلة إمداد ذات اختناقات متغيرة

حجم التحدي كبير. وتقول NVIDIA إن منصات Grace Blackwell NVL72 تعتمد على ملايين المكونات وآلاف الموردين في أنحاء العالم. ويشارك عشرات المصنّعين الأصليين للمعدات والمصنّعين الأصليين للتصميم في تجميع الأنظمة النهائية.

حتى صينية حوسبة واحدة شديدة التعقيد. إذ يحتوي كل رف على 18 صينية، بينما تضم الصينية الواحدة وحدتي معالجة مركزية Grace، وأربع وحدات معالجة رسومية Blackwell، و32 حزمة ذاكرة HBM3e. وتقول NVIDIA إن سلسلة الإمداد الجاري تطويرها لصالح Vera Rubin تعادل ضعف حجم شبكة Grace Blackwell.

ولا يظل التوافر ثابتًا. فقد تصبح وحدات المعالجة المركزية أو وحدات معالجة الرسوميات أو الذاكرة هي المكون المقيِّد في أوقات مختلفة، في حين قد يصبح الجزء الذي يؤخر الإنتاج أسبوعًا سهل الحصول عليه في الأسبوع التالي. ولكل مكون رئيسي أيضًا قائمة مواده الخاصة وموردوه وجداول تسليمه. ولا يستطيع موقع تصنيع بدء عملية تجميع قبل وصول جميع العناصر المطلوبة، سواء جاءت هذه المواد مباشرة من NVIDIA، أو من مخزون الإيداع الذي تحتفظ به NVIDIA، أو من موردين خارجيين. ولذلك قد تظل الواردات المبكرة عاطلة بينما يتسبب عنصر مفقود في تعطيل عملية التصنيع بأكملها.

تتتبع NVIDIA الوقت الذي تظل فيه المواد تحت سيطرتها بين وصولها إلى موقع تصنيع ومغادرتها باعتبارها جزءًا من تجميعة فرعية أو منتج نهائي. وتسمي الشركة هذا المقياس «زمن الحيازة»، أو TOO.

تُراجع عملية تخصيص المواد أسبوعيًا وتمتد عبر ما تبقى من الربع الحالي وإلى الربع التالي. وتكون القرارات القريبة الأجل ملتزمًا بها عمومًا، ما يعني أن للمعلومات الجديدة أكبر تأثير في الأسابيع اللاحقة. وتتمثل المهمة في تحديد مواقع التصنيع التي ينبغي أن تتلقى المواد المحدودة، والكميات التي ينبغي أن تتلقاها، مع مراعاة قدرات كل موقع وطاقته الاستيعابية.

تحويل البيانات التشغيلية إلى قرارات

عمل فريق عمليات سلسلة الإمداد في NVIDIA مع Palantir لتجميع رؤية مشتركة للمعلومات التي تستند إليها تلك الخيارات. وتشير الشركة إلى النتيجة باسم مركز قيادة «الذكاء الرقمي لسلسلة الإمداد». وهو يجمع التحذيرات وعوائق الإنتاج والإشارات الأخرى التي كان من الممكن أن تكون موزعة في السابق بين أنظمة منفصلة.

توفر Palantir Foundry بيئة التشغيل الأساسية. إذ تربط «أنطولوجيتها» بين المواد والمواقع والتزامات الموردين والطاقة الإنتاجية والتخصيصات والمخرجات. كما تستوعب المعلومات النوعية، فتنشئ تمثيلًا محكومًا للعلاقات القائمة في سلسلة الإمداد بدلًا من التعامل مع كل عنصر باعتباره مدخلًا منفصلًا في جدول.

ويتيح هذا الهيكل للمخططين اختبار مستقبليات بديلة. فيمكنهم فحص عواقب تلقي كمية أقل من الذاكرة، أو تقييم كيفية تغير الشبكة عند إتاحة موقع تصنيع آخر. والهدف هو تجاوز تلقي إجابة حسابية واحدة، وفهم المفاضلات المحيطة بها بدلًا من ذلك.

وتجري NVIDIA cuOpt، التي يصفها المنشور بأنها مكتبة مفتوحة المصدر لتحسين القرارات المسرَّع بوحدات معالجة الرسوميات، عملية حساب التخصيص. فهي تأخذ البيانات من «الأنطولوجيا» وتعيد توصية بالتخصيص. وتُصاغ المسألة باعتبارها برنامجًا خطيًا مختلط الأعداد الصحيحة، هدفه تقليص TOO.

كما يحدد البرنامج القيود التي تحد من النتيجة. وقد يوضح ذلك للمخططين ما إذا كان القرار مقيدًا بطاقة تصنيع إقليمية معينة، أو بتوافر الذاكرة، أو بعامل آخر. وبما أن الحساب سريع، يمكن للمستخدمين تعديل الافتراضات مرارًا واستقصاء تأثير التغييرات المحتملة.

توثيق ما يعرفه الخبراء

أظهرت الاختبارات التاريخية أن التحسين العددي وحده لم يكن قادرًا على إعادة إنتاج الأساس الكامل للقرارات البشرية. فقد كان المخططون يأخذون في الاعتبار أيضًا مراسلات الشركاء، ومخاطر الطقس، والتطورات الجيوسياسية، ونصوص مكالمات الموردين، والخبرة المتراكمة على مدى سنوات. وكان يمكن لتلك التفاصيل أن تؤثر في كمية المواد التي ينبغي أن يتلقاها موقع ما، حتى عندما لا تكون ممثلة في المدخلات المنظمة لحلّال المسائل.

ولذلك صممت NVIDIA وPalantir سير العمل بحيث يسجل ليس التخصيص فحسب، بل أيضًا المنطق الكامن وراءه، والنتيجة المتوقعة، وما حدث في نهاية المطاف. وتقول الشركة إن هذا يحول الخبرة غير الرسمية سابقًا إلى معلومات يمكن مراجعتها واستخدامها لتدريب نموذج.

وبعد تقييم نماذج Nemotron المفتوحة، اختار الفريقان Nemotron 3.5 Lightning لجزء التنفيذ في النظام. ويستخدم النموذج تصميم «مزيج الخبراء»، ويضم 30 مليار معلمة، ويفعّل نحو 3 مليارات منها أثناء كل تمريرة أمامية. وتعرض NVIDIA هذا الحجم الصغير نسبيًا باعتباره مفيدًا لنموذج متخصص يمكن تدريبه ونشره بقدرة حوسبية أقل من نظام عام أكبر.

ويهدف النموذج إلى تقدير مخاطر الإنتاج، واقتراح نطاق للتخصيص، وتحديد الأدلة التي تستند إليها توصيته، وشرح النتيجة لموظفي سلسلة الإمداد. وبما أن Nemotron مفتوح، تقول NVIDIA إن المؤسسات تستطيع إجراء تدريب لاحق له ضمن بيئة الحوسبة الخاصة بها باستخدام بيانات العمليات الداخلية.

وتوفر القرارات السابقة أيضًا طريقة للتقييم. إذ يستطيع النظام إعادة تشغيل خيار تاريخي باستخدام المعلومات المتاحة في ذلك الوقت فقط، وحجب النتيجة النهائية، ومقارنة توصية النموذج بقرار المخطط والنتيجة. وتدير Palantir Autopilot سير العمل المرتبط بذلك، بما في ذلك المهام التي تُطلَق من بيانات «الأنطولوجيا»، ومراقبة النموذج المخصص، وتتبع السلالة التي تربط البيانات المصدر بإصدارات النموذج والنتائج.