Google Cloud مجموعه‌ای از مهارت‌های نرم‌افزاری برای عامل‌های هوش مصنوعی معرفی کرد

Google Cloud مجموعه‌ای از مهارت‌های نرم‌افزاری برای عامل‌های هوش مصنوعی معرفی کرده است که می‌توانند در آماده‌سازی و اجرای برخی بارهای کاری ابررایانش کمک کنند. این مهارت‌ها قرار است ابزارهای گوگل برای ساخت کلاسترهای محاسباتی را به دانش تخصصی درباره اجرای شبیه‌سازی‌های علمی پیوند بزنند. شرکت همچنین راهکار AlphaEvolve را با سرویس Cloud Batch یکپارچه کرده تا نسخه‌های پیشنهادی یک الگوریتم بتوانند در محیط‌های محاسباتی ابری به‌صورت موازی ارزیابی شوند.

اعلام رسمی در ۱۳ نوامبر ۲۰۲۶ منتشر شد و AI Weekly در ۱۴ نوامبر آن را پوشش داد. Google Cloud این قابلیت‌ها را پیش از کنفرانس ابررایانش SC26 معرفی کرده است؛ نمایش‌های حضوری شرکت برای ۱۵ تا ۲۰ نوامبر برنامه‌ریزی شده‌اند. بنابراین، خبر درباره اعلام محصولات و گردش‌کارهاست، نه نتیجه یک نمایش زنده که در زمان انتشار خبر هنوز برگزار نشده بود.

چرا گوگل سراغ ابررایانش رفته است؟

ابررایانش با اجرای یک برنامه روی یک رایانه معمولی تفاوت دارد. در چنین محاسباتی، صدها یا هزاران پردازنده و شتاب‌دهنده ممکن است به شکل هماهنگ روی یک مسئله کار کنند. مدل‌سازی جریان هوا پیرامون هواپیما، شبیه‌سازی رفتار مواد، تحلیل مولکول‌ها و آموزش مدل‌های بزرگ هوش مصنوعی از جمله کارهایی هستند که به توان محاسباتی و شبکه‌ای بسیار بالا نیاز دارند.

اما در پروژه‌های ابررایانشی، داشتن پردازنده‌های قدرتمند کافی نیست. پژوهشگر باید منابع محاسباتی را با نوع مسئله هماهنگ کند، داده را به محل مناسب برساند، نرم‌افزار علمی را آماده کند و مطمئن شود چندین ماشین می‌توانند بدون ایجاد گلوگاه با هم ارتباط بگیرند. گاهی تنظیم نادرست فضای ذخیره‌سازی، ظرفیت یا نوع ماشین باعث می‌شود حتی یک کلاستر بزرگ هم برای مسئله مورد نظر کارآمد نباشد.

Google Cloud می‌گوید هدف مهارت‌های تازه این است که بخشی از دانش زیرساخت و علم محاسباتی در الگوهای قابل‌استفاده مجدد قرار بگیرد. به‌جای آنکه عامل هوش مصنوعی صرفاً دستورهای عمومی تولید کند، می‌تواند از ابزارها و الگوهای ازپیش‌تعریف‌شده برای انتخاب و راه‌اندازی یک محیط محاسباتی کمک بگیرد. این رویکرد همچنان نیازمند انتخاب انسانی و بررسی نتیجه است؛ شرکت نمی‌گوید پژوهشگر می‌تواند همه مراحل علمی را بدون دخالت خودش به عامل واگذار کند.

عامل‌ها پیش از ساخت کلاستر چه می‌کنند؟

این قابلیت‌ها در کنار Cluster Toolkit ارائه می‌شوند؛ مجموعه‌ای که برای ایجاد محیط‌های محاسباتی تکرارپذیر از الگوهای پیکربندی استفاده می‌کند. الگوها به‌صورت توصیف‌های ساخت‌یافته، از جمله فایل‌های YAML، مشخص می‌کنند چه منابعی برای یک محیط لازم است. در گردش‌کار تازه، یک عامل می‌تواند از این الگوها برای آماده‌سازی کلاستر استفاده کند، اما طبق توضیح Google Cloud، پیش از آغاز استقرار باید چند مرحله بررسی را انجام دهد.

از جمله این بررسی‌ها، سنجیدن سهمیه محاسبات و فضای ذخیره‌سازی حساب، بررسی سریع ظرفیت در منطقه جغرافیایی انتخاب‌شده و تطبیق نوع بار کاری با یک الگوی معتبر است. بعد از این مرحله، عامل باید برای تأیید انسانی منتظر بماند و سپس فرمان استقرار را اجرا کند. این نقطه کنترل اهمیت دارد: اگر ایجاد کلاستر هزینه‌زا باشد یا منابع زیادی مصرف کند، اجرای خودکار بدون تأیید می‌تواند پیامد مالی یا عملیاتی داشته باشد.

Google Cloud می‌گوید عامل‌ها در چارچوب مجوزهای IAM، سهمیه‌های Kueue و محدودیت‌های بودجه کار می‌کنند و فعالیت آن‌ها در Cloud Logging ثبت می‌شود. IAM سامانه مدیریت هویت و دسترسی گوگل است؛ با آن می‌توان تعیین کرد هر کاربر یا سرویس به کدام منابع دسترسی داشته باشد. Kueue نیز به مدیریت صف‌ها و سهمیه‌بندی کارهای پردازشی در محیط‌های Kubernetes کمک می‌کند. این موارد را باید قابلیت‌های اعلام‌شده از سوی شرکت دانست، نه تضمینی که هر خطا یا استفاده نامناسب از منابع را ناممکن کند.

مهارت‌های علمی برای چه کارهایی در نظر گرفته شده‌اند؟

فهرست اعلامی گوگل شامل چند نرم‌افزار و گردش‌کار علمی شناخته‌شده است. در شبیه‌سازی دینامیک سیالات، OpenFOAM و Siemens STAR-CCM+ برای بررسی جریان مایعات و گازها به کار می‌روند. برای پژوهش‌های زیستی و شیمیایی، Google Cloud از GROMACS و AlphaFold 3 نام برده است. همچنین Devito و Open Porous Media برای برخی محاسبات مرتبط با مدل‌سازی زیرسطحی و محیط‌های متخلخل در فهرست آمده‌اند.

این نرم‌افزارها حوزه‌های متفاوتی را پوشش می‌دهند، اما وجه مشترکشان نیاز به آماده‌سازی دقیق محاسبات است. در یک شبیه‌سازی سیالات، پژوهشگر ممکن است بخواهد رفتار جریان را با تغییر شکل یک قطعه یا شرایط محیطی بسنجد. در پژوهش مولکولی، مسئله می‌تواند اجرای محاسبات طولانی روی مجموعه‌های بزرگ باشد. در مطالعات زیرسطحی نیز داده‌های مدل‌سازی باید در کنار ابزارهای مناسب پردازش و بررسی شوند.

مهارت‌های عامل‌محور قرار نیست جایگزین نرم‌افزارهای علمی یا متخصصان آن حوزه‌ها شوند. نقش مطرح‌شده برای آن‌ها بیشتر راهنمایی در راه‌اندازی و اجرای گردش‌کارهاست: کمک به انتخاب محیط، پیکربندی و تشخیص برخی مشکلات اجرایی. برای مثال، Google Cloud از مهارت‌هایی برای بررسی صف‌های گیرکرده یا تخلیه گره‌های پردازشی نام برده است. جزئیات میزان موفقیت این ابزارها در پروژه‌های واقعی و تعداد سازمان‌هایی که از آن‌ها استفاده می‌کنند، در اطلاعیه ارائه نشده است.

AlphaEvolve چگونه با Cloud Batch کار می‌کند؟

بخش دیگر خبر به AlphaEvolve مربوط است؛ سامانه‌ای از Google DeepMind که از یک روند تکراری برای پیشنهاد و سنجش تغییرات در کد یا پارامترهای مهندسی استفاده می‌کند. کاربر یک مسئله یا معیار ارزیابی مشخص می‌کند، سامانه نسخه‌های پیشنهادی تولید می‌کند و هر نسخه بر اساس آن معیار آزمایش می‌شود. ایده اصلی این است که الگوریتم بتواند از نتیجه آزمایش‌های قبلی برای ساخت پیشنهادهای بعدی استفاده کند.

با راهکار AlphaEvolve on Cloud Batch، گوگل می‌گوید پژوهشگر می‌تواند چندین نامزد را هم‌زمان روی ماشین‌های ابری ارزیابی کند. یک الگوی استقرار، محیط کنترل AlphaEvolve را آماده می‌کند و Cloud Batch اجرای صدها ارزیابی را میان محیط‌های مجزا یا گروه‌های چندماشینه تقسیم می‌کند. این کار برای آزمایش الگوریتم‌هایی مناسب است که اجرای هر نسخه آن‌ها زمان‌بر است و بررسی آن‌ها روی یک رایانه منفرد ممکن است روند پژوهش را کند کند.

البته «صدها ارزیابی هم‌زمان» توصیف توانایی مطرح‌شده در اطلاعیه Google Cloud است. این عدد به‌تنهایی نشان نمی‌دهد هر پژوهشگر در هر منطقه و با هر طرح پرداختی به همان ظرفیت دسترسی خواهد داشت. اجرای آزمایش‌های بیشتر می‌تواند هزینه بیشتری هم داشته باشد؛ به همین دلیل Google Cloud از ماشین‌های Spot و زمان‌بند کار پویا نیز نام برده است تا کاربران بتوانند بین هزینه و زمان تکمیل کار انتخاب کنند. خبر حاضر نتیجه مقایسه مستقلی درباره میزان صرفه‌جویی یا سرعت AlphaEvolve منتشر نمی‌کند.

زیرساختی که در پس‌زمینه قرار دارد

راه‌اندازی عامل‌ها و گردش‌کارهای علمی به سخت‌افزار و شبکه‌ای نیاز دارد که بتوانند از عهده بارهای سنگین بربیایند. در اطلاعیه Google Cloud، نمونه‌های H4D با پردازنده‌های AMD EPYC نسل پنجم و اتصال Cloud RDMA معرفی شده‌اند. RDMA فناوری‌ای برای انتقال داده میان ماشین‌ها با درگیری کمتر پردازنده مرکزی است و در برخی محاسبات موازی می‌تواند به کاهش گلوگاه ارتباطی کمک کند. Google Cloud همچنین از نمونه‌های پرحافظه با حداکثر سه ترابایت حافظه نام برده است.

در بخش پردازنده‌های عمومی، نمونه‌های C4A بر پایه پردازنده Axion گوگل قرار دارند. برای پردازش گرافیکی و محاسبات موازی نیز شرکت از ماشین‌های دارای GPUهای NVIDIA Blackwell نام برده است. این ترکیب نشان می‌دهد بارهای کاری یکسان نیستند: بعضی شبیه‌سازی‌ها به پردازنده مرکزی و حافظه زیادی نیاز دارند، برخی از GPU برای محاسبات موازی استفاده می‌کنند و برخی دیگر برای مدل‌های هوش مصنوعی به شتاب‌دهنده‌های اختصاصی متکی‌اند.

در گزارش همچنین TPUهای نسل هشتم گوگل، شامل TPU 8t و TPU 8i، مطرح شده‌اند. این پردازنده‌ها در آوریل ۲۰۲۶ معرفی شده بودند؛ بنابراین خبر نوامبر معرفی اولیه آن‌ها نیست. در اطلاعیه کنونی، TPU 8t برای آموزش مدل‌ها، یادگیری تقویتی و مدل‌سازی و شبیه‌سازی ریاضی مطرح شده و TPU 8i برای استنتاج و پردازش کم‌تأخیر در نظر گرفته شده است. نکته تازه‌تر برای این گزارش، پشتیبانی Cloud Batch از اجرای برخی کارها روی برش‌های تک‌میزبان TPU است.

ذخیره‌سازی نیز بخشی از این معادله است. اگر داده‌های ورودی یک شبیه‌سازی به اندازه کافی سریع در دسترس پردازنده‌ها قرار نگیرند، ماشین‌های محاسباتی ممکن است منتظر داده بمانند. Google Cloud برای Managed Lustre، سامانه ذخیره‌سازی موازی خود، سرعت خواندن تا ۱۰ ترابایت بر ثانیه و یک لایه پویا تا ۸۰ پتابایت را اعلام کرده است. این‌ها مشخصات و ارقام شرکت هستند؛ خبر، آزمون مستقلی برای بررسی سرعت در همه شرایط کاری ارائه نمی‌کند.

چه چیزی هنوز روشن نیست؟

اعلام مهارت‌های عامل‌محور برای HPC نشان می‌دهد که شرکت‌های ابری در حال پیوند دادن ابزارهای هوش مصنوعی با مدیریت زیرساخت هستند. اما هنوز معلوم نیست این ابزارها در کار روزمره پژوهشگاه‌ها چه میزان زمان یا هزینه ذخیره می‌کنند. برای پاسخ به این پرسش، باید عملکرد آن‌ها در پروژه‌های مشخص، میزان خطا در انتخاب منابع، هزینه اجرای عامل‌ها و سازگاری با نرم‌افزارهای علمی گوناگون بررسی شود.

همچنین، انسان همچنان در حلقه تصمیم‌گیری باقی می‌ماند. تأیید انسانی برای ساخت کلاستر به این معناست که عامل به‌تنهایی مجاز نیست مرحله نهایی استقرار را انجام دهد. این کنترل برای جلوگیری از ایجاد منابع ناخواسته مفید است، اما کیفیت پیشنهادها و نحوه بررسی آن‌ها نیز اهمیت دارد. ثبت فعالیت در Cloud Logging می‌تواند سابقه کار را نگه دارد، ولی به‌تنهایی تضمین نمی‌کند که هر پیشنهاد از نظر علمی درست یا بهینه باشد.

کنفرانس SC26 از ۱۵ نوامبر در شیکاگو آغاز می‌شود و Google Cloud برنامه‌ریزی کرده است در غرفه خود نمایش‌هایی از Antigravity for HPC، محیط HPC Prompt Playground و AlphaEvolve for HPC برگزار کند. در زمان انتشار خبر، این‌ها برنامه‌های آینده بودند، نه گزارش از نتیجه نمایش‌ها یا استقبال کاربران. انتشار نسخه‌ها و الگوهای قابل دانلود فرصتی فراهم می‌کند تا توسعه‌دهندگان آن‌ها را بررسی کنند؛ اما دسترسی به بعضی خدمات، منابع محاسباتی و ظرفیت‌ها ممکن است به تنظیمات و هزینه‌های حساب Google Cloud وابسته باشد.

اعلامیه جدید بیشتر از آنکه از یک ابررایانه واحد یا یک پردازنده تازه خبر بدهد، درباره اتصال سه لایه است: عامل‌های هوش مصنوعی، ابزارهای تنظیم و مدیریت کلاستر، و زیرساخت محاسباتی ابری. اگر این پیوند در عمل درست کار کند، پژوهشگران می‌توانند بخشی از زمان راه‌اندازی و عیب‌یابی را صرف طراحی آزمایش‌های علمی کنند. اما اندازه این اثر هنوز با داده‌های مستقل مشخص نشده و باید بعد از استفاده واقعی از این گردش‌کارها سنجیده شود.

 

مشاهده بیشتر

نوشته های مشابه

دکمه بازگشت به بالا