يعتمد تشغيل أحمال عمل الذكاء الاصطناعي على كل من الذاكرة (RAM) و محركات الأقراص ذات الحالة الصلبة (SSD), ، اللتان تعملان كمساحة عمل حاسوبية في الوقت الفعلي ومستودع بيانات عالي السرعة على التوالي. ولا يمكن الاستغناء عن أي منهما. فسعة ذاكرة الوصول العشوائي (RAM) تحدد ما إذا كان يمكن تحميل نموذج الذكاء الاصطناعي بسلاسة ومدى سرعة تشغيله، بينما يؤثر محرك الأقراص SSD على وقت بدء تشغيل النموذج وكفاءة تغذية البيانات أثناء التدريب. فكلما كبر حجم نموذج الذكاء الاصطناعي، زادت المتطلبات من حيث السعة والسرعة على حد سواء. وهذا هو السبب الأساسي وراء ما أدى إليه الازدهار الحالي في مجال الذكاء الاصطناعي من طفرة في الطلب على رقائق الذاكرة والتخزين.
الدور الأساسي لذاكرة الوصول العشوائي (RAM) في الذكاء الاصطناعي
تُعد الذاكرة بمثابة منطقة تخزين مؤقتة عالية السرعة للبيانات بين المعالج ووحدة التخزين الدائمة، حيث تبلغ سرعات القراءة والكتابة فيها عشرات إلى مئات المرات أسرع من محركات الأقراص الصلبة (SSD)، على الرغم من أن البيانات تُفقد عند انقطاع التيار الكهربائي. أما بالنسبة للذكاء الاصطناعي، فتؤدي الذاكرة ثلاثة أدوار حاسمة.
- الإقامة النموذجية. سواء كان الأمر يتعلق بروبوت محادثة أو أداة لتوليد الصور، يجب تحميل نموذج الذكاء الاصطناعي بالكامل في الذاكرة أثناء وقت التشغيل حتى يتمكن المعالج من الوصول إليه بسرعة. وإذا لم تستطع الذاكرة استيعاب النموذج بالكامل، يضطر النظام إلى القراءة والكتابة باستمرار على محرك الأقراص SSD، مما يؤدي إلى إبطاء الأداء بعشرات المرات، وفي الحالات الشديدة، قد يفشل البرنامج في التشغيل تمامًا.
- مؤقت تخزين المتغيرات الوسيطة. أثناء تدريب نماذج الذكاء الاصطناعي، يتم إنتاج كميات هائلة من البيانات المؤقتة، بما في ذلك قيم التنشيط لكل طبقة، والتدرجات المحسوبة، ومعلمات حالة أداة التحسين. ويتم قراءة هذه البيانات وكتابتها بشكل متكرر طوال دورة التدريب، ويجب أن تكون مخزنة في ذاكرة عالية السرعة لضمان كفاءة التدريب. وبالنسبة لنماذج اللغة الكبيرة، غالبًا ما يتجاوز حجم البيانات الوسيطة أحجام أوزان النموذج نفسها بكثير.
- تخزين البيانات مؤقتًا في مرحلة المعالجة المسبقة. قبل تغذية وحدة معالجة الرسومات (GPU) بالبيانات، يجب أن تخضع بيانات التدريب لعمليات التوسيع والتوحيد والتجميع، بالإضافة إلى خطوات المعالجة المسبقة الأخرى في الذاكرة. وقد يؤدي عدم كفاية سعة الذاكرة إلى تعطيل مسار البيانات، مما يجبر وحدة معالجة الرسومات (GPU) على البقاء في حالة خمول أثناء انتظار البيانات — مما يؤدي إلى إهدار موارد الحوسبة الباهظة التكلفة.
وإلى جانب السعة، يُعد عرض النطاق الترددي للذاكرة عاملاً بالغ الأهمية بنفس القدر. الاتجاه السائد اليوم ذاكرة DDR5 يمكن أن توفر الوحدات النمطية سرعة تصل إلى 51.2 جيجابايت/ثانية لكل وحدة، ومع التكوينات متعددة القنوات، يمكن أن يتجاوز النطاق الترددي الإجمالي للنظام بسهولة 400 جيجابايت/ثانية, ، مما يضمن تدفقًا مستمرًا للبيانات إلى وحدة معالجة الرسومات (GPU). اعتبارًا من الربع الثالث من عام 2025، تجاوز معدل انتشار ذاكرة DDR5 في سوق الخوادم 90%, ، مما يجعلها الخيار السائد بلا منازع لمراكز البيانات ومجموعات تدريب الذكاء الاصطناعي. فعدم كفاية النطاق الترددي سيؤدي إلى حدوث اختناق حتى في أقوى وحدات معالجة الرسومات.
الدور الأساسي لمحركات الأقراص الصلبة (SSD) في مجال الذكاء الاصطناعي
تُعد محركات الأقراص الصلبة (SSD) أجهزة تخزين دائمة تحتفظ بجميع البيانات الثابتة المتعلقة بالذكاء الاصطناعي على المدى الطويل. وبالمقارنة مع الأجهزة التقليدية محركات الأقراص الصلبة (HDDs), ، توفر محركات الأقراص الصلبة (SSD) سرعات قراءة/كتابة عشوائية أسرع بمئات المرات وزمن استجابة منخفض للغاية، وهو أمر بالغ الأهمية لأحمال عمل الذكاء الاصطناعي.
- يُعد تخزين ملفات النماذج الاستخدام الأساسي لمحركات الأقراص الصلبة (SSD). تتراوح أحجام النماذج الكبيرة السائدة اليوم بين عشرات ومئات الجيجابايت، ويتطلب كل تشغيل تحميل النموذج بالكامل من وحدة التخزين إلى الذاكرة. وقد يستغرق تحميل نموذج يحتوي على 70 مليار معلمة من قرص صلب تقليدي (HDD) عدة دقائق، في حين يمكن لمحرك أقراص SSD من نوع NVMe عالي الأداء تقليص هذا الوقت إلى عشرات الثواني.
- ويُعد أداء قراءة مجموعة بيانات التدريب أكثر أهميةً من ذلك. يستمد تدريب الذكاء الاصطناعي عينات عشوائية من الأمثلة الموجودة في مجموعة البيانات لتشكيل دفعات — وهو عبء عمل يتميز بعدد كبير من عمليات القراءة العشوائية للملفات الصغيرة، وهذا بالضبط هو المجال الذي تواجه فيه محركات الأقراص الصلبة (HDD) صعوبات. فلا تستطيع محركات الأقراص الصلبة (HDD) معالجة سوى حوالي مائة عملية قراءة عشوائية في الثانية،, في حين أن محركات الأقراص الصلبة (SSD) الحالية التي تعمل بمعيار PCIe 4.0 السائد توفر عادةً ما يزيد عن 1000 ألف عملية إدخال/إخراج في الثانية (IOPS) للقراءة العشوائية، ويمكن لمحركات الأقراص الرائدة التي تعمل بمعيار PCIe 5.0 أن تصل إلى 2000 ألف عملية إدخال/إخراج في الثانية (IOPS)، أي ما يزيد عن 20,000 ضعف ما توفره محركات الأقراص الثابتة (HDD). إذا تم تخزين بيانات التدريب على محرك أقراص صلبة (HDD)، فقد ينخفض معدل استخدام وحدة معالجة الرسومات (GPU) إلى أقل من 20%، حيث يُقضى معظم الوقت في انتظار تحميل البيانات.
- يعتمد حفظ نقاط التحقق أثناء التدريب أيضًا على محركات الأقراص الصلبة (SSD). لمنع فقدان التقدم المحرز في حالة انقطاع التدريب، يقوم النظام بحفظ حالات النموذج بشكل دوري، حيث تتراوح حجم كل عملية كتابة بين عدة غيغابايت وعشرات الغيغابايت. وتؤدي سرعات الكتابة البطيئة إلى إطالة الفترات الفاصلة بين نقاط التحقق وتقليل كفاءة التدريب الإجمالية.
- في مراكز بيانات الذكاء الاصطناعي واسعة النطاق، تُستخدم محركات الأقراص الصلبة (SSD) أيضًا كطبقة للبيانات الساخنة. تُخزَّن البيانات التدريبية التي يتم الوصول إليها بشكل متكرر والنماذج النشطة على محركات الأقراص الصلبة (SSD)، في حين يتم نقل النسخ الاحتياطية التاريخية والبيانات غير النشطة التي نادرًا ما يتم الوصول إليها إلى محركات الأقراص الصلبة (HDD) الأرخص ثمناً أو مكتبات الأشرطة، مما يحقق توازناً بين الأداء والتكلفة.
كيف يعمل الاثنان معًا
تستخدم أنظمة الذكاء الاصطناعي هرمًا تخزينيًّا هرميًّا: فكلما ارتفع المستوى، زادت السرعة، وانخفضت السعة، وارتفعت التكلفة لكل وحدة.
- في القمة توجد ذاكرة GPU VRAM أو ذاكرة النطاق الترددي العالي (HBM), ، الذي يحتوي على البيانات التي يجري حسابها حاليًا: الأسرع ولكن بسعة أصغر.
- المستوى الثاني هو ذاكرة الوصول العشوائي (RAM) للنظام، والتي تخزن البيانات المقرر معالجتها لاحقًا وجميع النتائج الوسيطة: أبطأ قليلاً ولكن بسعة أكبر بكثير.
- المستوى الثالث هو محركات الأقراص الصلبة SSD من نوع NVMe، التي تحتوي على النماذج ومجموعات البيانات التي يتم الوصول إليها بشكل متكرر: أبطأ مرة أخرى، لكنه قادر على استيعاب سعات كبيرة.
- وفي الجزء السفلي توجد محركات الأقراص الصلبة (HDD) والأشرطة المستخدمة في النسخ الاحتياطية الباردة طويلة الأجل: الأبطأ، لكن بتكلفة أقل لكل غيغابايت.
تتدفق البيانات بشكل منظم بين هذه المستويات. في بداية عملية التدريب أو الاستدلال، يتم تحميل أوزان النموذج من محركات الأقراص الصلبة (SSD) إلى ذاكرة الوصول العشوائي (RAM) الخاصة بالنظام. وأثناء عملية الحساب، تُنقل بيانات الدفعة الحالية من ذاكرة الوصول العشوائي (RAM) إلى ذاكرة الفيديو (VRAM) الخاصة بوحدة معالجة الرسومات (GPU). وبعد أن تنتهي وحدة معالجة الرسومات (GPU) من عملها، تُكتب النتائج مرة أخرى إلى ذاكرة الوصول العشوائي (RAM)، ثم تُحفظ بشكل دوري على محركات الأقراص الصلبة SSD. ومن شأن أي اختناق في الأداء في أي طبقة أن يؤدي إلى إبطاء النظام بأكمله، ولهذا السبب تتطلب ترقية نظام الذكاء الاصطناعي عادةً اتباع نهج شامل. ولن يؤدي استبدال بطاقة الرسومات فقط مع الاحتفاظ بالذاكرة والتخزين القديمين إلا إلى مكاسب محدودة للغاية.
إرشادات التهيئة لمختلف السيناريوهات
تختلف متطلبات الذاكرة ومحركات الأقراص الصلبة (SSD) اختلافًا كبيرًا باختلاف حالات استخدام الذكاء الاصطناعي. يقدم الجدول التالي التكوينات الموصى بها استنادًا إلى الإعدادات النموذجية في 2026.
| حالة الاستخدام | ذاكرة الوصول العشوائي (RAM) الموصى بها | السعة الموصى بها لمحركات الأقراص الصلبة (SSD) |
|---|---|---|
| الاستدلال المحلي لنموذج لغة كبير (LLM) ذي 7 مليارات معلمة | 32 جيجابايت أو أكثر | 512 جيجابايت أو أكثر |
| الاستدلال المحلي لنموذج لغة كبير (LLM) ذي 13 مليار معلمة | 64 جيجابايت أو أكثر | 1 تيرابايت أو أكثر |
| الاستخدام اليومي لتقنية الذكاء الاصطناعي لتوليد الصور | 32 جيجابايت أو أكثر | 1 تيرابايت أو أكثر |
| تدريب النماذج الصغيرة والمتوسطة الحجم وضبطها الدقيق | 64 جيجابايت أو أكثر | محرك أقراص SSD من نوع NVMe يعمل بمعيار PCIe 4.0 بسعة 2 تيرابايت أو أكثر |
| تدريب النماذج الضخمة باستخدام وحدة معالجة رسومات متعددة في عقدة واحدة | من 256 جيجابايت إلى 512 جيجابايت | محرك أقراص SSD من نوع NVMe مخصص للمؤسسات بسعة 8 تيرابايت أو أكثر |
| خادم ذكاء اصطناعي من فئة مراكز البيانات | من 1 تيرابايت إلى 4 تيرابايت DDR5 | 30 تيرابايت أو أكثر من محركات الأقراص الصلبة (SSD) المخصصة للمؤسسات |
