شريحة Microsoft Maia 200 تقدم كفاءة أعلى بنسبة 30% في تكاليف الاستنتاج
كشفت شركة Microsoft عن شريحة Microsoft Maia 200 في 26 يناير 2026، لتطلق أحدث معالج مخصص للاستنتاج في مجال الذكاء الاصطناعي. تم تصنيع المعالج الجديد بتقنية 3 نانومتر، وهو يغذي نماذج اللغات الكبيرة عبر مراكز بيانات Azure. بالنسبة لمشغلي المؤسسات الذين يديرون أحمال عمل الذكاء الاصطناعي التوليدي، تخفض الشريحة نفقات الأجهزة من خلال تقديم أداء أفضل بنسبة 30% لكل دولار مقارنة بأحدث الأجهزة السابقة في أسطول مايكروسوفت السحابي.
ماذا يعني خفض تكاليف Azure Maia 200 للبنية التحتية السحابية
يوفر خفض تكاليف Azure Maia 200 لعملاء المؤسسات والخدمات الداخلية تحسينًا بنسبة 30% في الأداء لكل دولار مقارنة بأحدث الأجهزة العاملة حاليًا عبر مراكز بيانات الشركة. صُمم المسرّع خصيصًا لتحسين اقتصاديات توليد الرموز في الذكاء الاصطناعي، ويتعامل مع أحمال عمل الذكاء الاصطناعي التوليدي المتطلبة عبر منصات Microsoft السحابية. ستغذي الشريحة المخصصة نماذج الذكاء الاصطناعي بما في ذلك GPT-5.2 من OpenAI، إلى جانب تشغيل الخدمات داخل Microsoft Foundry و Microsoft 365 Copilot. كما تستفيد الفرق الداخلية من هذه الأجهزة، حيث تستخدم مجموعة Microsoft Superintelligence النظام لتوليد البيانات الاصطناعية والتعلم التعزيزي، مما يسرّع إنشاء وتصفية بيانات التدريب الخاصة بالمجالات المختلفة لتطوير النماذج اللاحقة.
التفاصيل التقنية والمواصفات لمسرّع الاستنتاج الجديد
تتميز مواصفات Microsoft Maia 200 بتقنية تصنيع 3 نانومتر من TSMC تحتوي على أكثر من 140 مليار ترانزستور تعمل ضمن غلاف طاقة تصميمي حراري يبلغ 750 واط. صُممت كل شريحة للحوسبة منخفضة الدقة، وتقدم أكثر من 10 بيتافلوبس من أداء FP4 بدقة 4 بت وأكثر من 5 بيتافلوبس من أداء FP8 بدقة 8 بت. ولإزالة اختناقات نقل البيانات، يدمج نظام الذاكرة الفرعي 216 جيجابايت من ذاكرة HBM3e التي توفر نطاقًا تردديًا يبلغ 7 تيرابايت/ثانية إلى جانب 272 ميجابايت من ذاكرة SRAM على الشريحة. وتتسارع حركة البيانات بدرجة أكبر بفضل محرك الوصول المباشر للذاكرة المتخصص وبنية الشبكة على الشريحة المخصصة لأنواع البيانات ضيقة الدقة.
مقارنة Maia 200 مقابل Trainium 3 عبر اختبارات أداء أجهزة الذكاء الاصطناعي
في اختبارات مقارنة الأداء بين Maia 200 و Trainium 3، تظهر شريحة Microsoft إنتاجية حوسبة بدقة FP4 تبلغ ثلاثة أضعاف مسرّع الجيل الثالث من Amazon. كما يحقق المعالج الجديد أداء حوسبة أعلى بدقة 8 بت FP8 مقارنة بوحدة معالجة الموتر Tensor Processing Unit من الجيل السابع من Google. ووفقًا لـ Microsoft، ترسخ هذه النتائج الجهاز كأعلى شريحة مطورة ذاتيًا أداءً يتم نشرها بواسطة أي مزود سحابي عملاق. ومن خلال تخصيص نويات الحوسبة وهرمية الذاكرة خصيصًا لتوليد الرموز، تحقق المعمارية استغلالاً مستدامًا أعلى للأجهزة عبر عمليات نشر النماذج واسعة النطاق.
كيف تتوسع معمارية Maia 200 بتقنية TSMC 3nm في مراكز البيانات
تجمع معمارية Maia 200 بتقنية TSMC 3nm بين تصميم الشرائح المخصص وشبكة توسع ثنائية الطبقات مبنية على معيار Ethernet القياسي. وبدلاً من الاعتماد على بنى التوصيل البيني المملوكة، يستخدم النظام بروتوكول نقل مخصص وبطاقات واجهة شبكة مدمجة لتقليل تكاليف النشر الإجمالية. توفر كل شريحة 2.8 تيرابايت/ثانية من النطاق الترددي المخصص للتوسع ثنائي الاتجاه. وداخل صواني الخوادم، تتصل أربعة مسرّعات عبر وصلات مباشرة غير موجهة للحفاظ على محلية الاتصالات عالية النطاق الترددي. وتسمح طبقة النقل الموحدة بالتوسع السلس عبر العقد والرفوف حتى عناقيد تصل إلى 6,144 شريحة. تم نشر الأجهزة الأولى في منطقة مراكز البيانات US Central بالقرب من Des Moines بولاية Iowa، مع التخطيط للتوسع إلى منطقة US West 3 بالقرب من Phoenix بولاية Arizona بعد ذلك.
كيف يبرمج المطورون أحمال عمل الاستنتاج على شرائح Microsoft المخصصة للذكاء الاصطناعي
يحسّن المطورون أحمال عمل الاستنتاج على شرائح Microsoft المخصصة للذكاء الاصطناعي باستخدام حزمة تطوير برمجيات SDK جديدة بمعاينة أولية تتكامل مباشرة مع PyTorch. تتميز حزمة SDK بمترجم Triton ومكتبة نواة محسّنة وإمكانية الوصول إلى لغة البرمجة العصبية Neural Programming Language للتحكم المنخفض المستوى بالأجهزة. كما تتضمن محاكيًا وحاسبة تكلفة تتيح للمهندسين نمذجة الأداء والكفاءة في مرحلة مبكرة من دورة حياة تطوير البرمجيات. وقد أتاح التطوير المشترك قبل إنتاج الشرائح تشغيل النماذج على الأجهزة الفعلية خلال أيام من وصولها، مما قلل أوقات نشر رفوف مراكز البيانات بأكثر من النصف مقارنة ببرامج البنية التحتية السابقة.
أسئلة وأجوبة
كيف تخفض Microsoft Maia 200 تكاليف استنتاج الذكاء الاصطناعي في Azure؟
يخفض المسرّع نفقات الاستنتاج من خلال تقديم أداء أفضل بنسبة 30% لكل دولار مقارنة بأحدث الأجهزة في أسطول Microsoft النشط. ويحقق هذه الكفاءة من خلال الجمع بين نويات الموتر FP4 و FP8، وذاكرة HBM3e بسعة 216 جيجابايت، وشبكة توسع قائمة على Ethernet تقلل من إجمالي استهلاك الطاقة والتكلفة الإجمالية للملكية.
ما هي المواصفات التقنية لشريحة Microsoft Maia 200؟
تم تصنيع المسرّع بتقنية 3 نانومتر من TSMC مع أكثر من 140 مليار ترانزستور، ويوفر أكثر من 10 بيتافلوبس من حوسبة FP4 وأكثر من 5 بيتافلوبس من حوسبة FP8 عند طاقة تصميمية حرارية 750 واط. ويتميز بذاكرة HBM3e بسعة 216 جيجابايت بنطاق تبادلي 7 تيرابايت/ثانية، و272 ميجابايت من ذاكرة SRAM، وسعة شبكات توسع ثنائية الاتجاه تبلغ 2.8 تيرابايت/ثانية لكل شريحة.
كيف تقارن Maia 200 بشرائح Google TPU و AWS Trainium؟
يحقق المسرّع ثلاثة أضعاف إنتاجية حوسبة FP4 الخاصة بأجهزة Trainium من الجيل الثالث من Amazon. بالإضافة إلى ذلك، تتجاوز إنتاجية حوسبة FP8 الخاصة به إنتاجية وحدة معالجة الموتر TPU من الجيل السابع من Google.
رؤية MOZGII
كيف كنا سنبنيه
لو كنا نبني بنية تحتية للاستنتاج السحابي للنماذج اللغوية الكبيرة، لركزنا على تكاليف توليد الرموز وعرض نطاق الذاكرة. كنا سنشغل نماذج FP4 وFP8 على شرائح مخصصة متصلة بشبكات Ethernet. وكان النظام سيسحب أوزان النماذج من ذاكرة ذات عرض نطاق عالٍ بينما يرسل المطالبات الواردة عبر محرك الوصول المباشر للذاكرة. وكانت فرق البرمجيات ستكيف كود النماذج باستخدام PyTorch وTriton للتحكم في عمليات الدقة المنخفضة.
كنا سنكلف مشغلي الأنظمة بمراقبة درجة حرارة الرفوف وتشبع الشبكة عبر صواني الخوادم. وكان النظام سيتعطل إذا أدى التكميم منخفض الدقة إلى تدهور جودة المخرجات أو إذا فاضت التخزينات المؤقتة لنقل Ethernet أثناء ذروة حركة المرور. كنا سنضع ضوابط برمجية صارمة للرجوع إلى دقة أعلى عندما تنخفض الدقة عن المستويات المستهدفة. وكان المقياس الوحيد الذي سنراقبه هو التكلفة لكل مليون رمز مولَّد.
بعد ذلك، كنا سنبني أدوات تحليل مؤتمتة للمترجمات لتحليل استخدام ذاكرة النماذج قبل النشر. وكنا سندمج أيضاً مسارات عمل لتوليد البيانات الاصطناعية لتدريب نماذج متخصصة أصغر على رفوف الخوادم نفسها.
المصادر
من أين جاءت حقائق هذا الخبر.