كشفت مشروعات تعديل غير رسمية عن إمكانية رفع أداء عمليات الحوسبة الخاصة بالذكاء الاصطناعي على عدد من بطاقات NVIDIA GeForce RTX 30 وRTX 40، من خلال فتح قدرات معالجة كانت مقيدة برمجيًا في البطاقات الاستهلاكية. وتستهدف هذه التعديلات تسريع عمليات ضرب المصفوفات المستخدمة في تشغيل الشبكات العصبية والنماذج اللغوية الكبيرة (LLMs)، مع تسجيل تحسن يصل إلى الضعف في بعض اختبارات الحوسبة.
وتعتمد بطاقات GeForce RTX الاستهلاكية وبطاقات NVIDIA الاحترافية على شرائح رسومية متقاربة أو مشتركة ضمن بعض الفئات، لكن قدرات الحوسبة المتاحة فعليًا تختلف باختلاف تصميم المنتج والبرمجيات الثابتة (Firmware) وآليات تشغيل التعريفات. ووفقًا للمعلومات المنشورة عن هذه المشروعات، تمكن مطورون من تجاوز بعض القيود المفروضة على معدل إصدار التعليمات الحسابية، بما يسمح لبطاقات GeForce بالاقتراب من مستويات أداء كانت متاحة في فئات احترافية أعلى.
بطاقات GeForce RTX 30: تسريع عمليات BF16 على معمارية Ampere
يستهدف التعديل الأول بطاقات GeForce RTX 30 المعتمدة على معمارية Ampere، ويتيح رفع معدل إصدار التعليمات المستخدمة في عمليات FMA، التي تجمع بين الضرب والجمع، عند تنفيذ عمليات FP/BF16 ضمن مسار حسابي بدقة FP32.
ويشمل الدعم شرائح GA102 وGA103 وGA104 وGA106، ما يعني إمكانية الاستفادة منه على مجموعة من بطاقات GeForce RTX 30 التي تعتمد على هذه الشرائح.
وبحسب النتائج المعلنة، يمكن للتعديل مضاعفة معدل إصدار التعليمات الحسابية المستهدفة، مع تسجيل تحسن يصل إلى 80% في أداء ضرب المصفوفات بدقة BF16 على بطاقة GeForce RTX 3090 Ti. وتكتسب هذه النتيجة أهمية في تطبيقات الذكاء الاصطناعي، إذ تعتمد الشبكات العصبية على عمليات المصفوفات بكثافة أثناء التدريب والاستدلال.
وتُستخدم دقة BF16 على نطاق واسع في أحمال عمل الذكاء الاصطناعي، لأنها تتيح التعامل مع الأعداد العائمة بكفاءة مع الحفاظ على نطاق ديناميكي مناسب للعديد من النماذج. ولذلك، فإن تسريع هذه العمليات قد ينعكس على أداء تشغيل النماذج محليًا، بحسب طبيعة النموذج والبرنامج المستخدم.
بطاقات GeForce RTX 40: مضاعفة أداء Tensor في FP16 وBF16
أما المشروع الثاني، فيستهدف بطاقات GeForce RTX 40 المعتمدة على معمارية Ada Lovelace، مع التركيز على رفع معدل معالجة عمليات Tensor بدقتي FP16 وBF16 عند استخدام التجميع بدقة FP32.
وأظهرت الاختبارات المنشورة على بطاقة GeForce RTX 4090 تحسنًا ملحوظًا في أداء عمليات المصفوفات. ففي اختبار يعتمد على معالجة Tensor بدقة FP16 مع تجميع النتائج، سجلت البطاقة أداءً بلغ 165.6 تيرافلوب قبل التعديل، وارتفع إلى 331.6 تيرافلوب بعد تفعيله، أي ما يقارب ضعف الأداء الأصلي.
وتلفت هذه النتيجة الانتباه إلى الفارق بين قدرات الشريحة نفسها والأداء الذي تسمح به التهيئة البرمجية للمنتج الاستهلاكي. ويشير المشروع إلى أن بعض القيود المفروضة على شريحة AD102 تحد من أداء عمليات ضرب المصفوفات والتجميع الحساسة للحوسبة، وهو ما قد يؤثر في سرعة تشغيل النماذج اللغوية الكبيرة.
ويشمل الدعم المعلن شرائح AD102 وAD103 وAD106 من معمارية Ada Lovelace، ما يفتح المجال أمام عدد من بطاقات GeForce RTX 40 للاستفادة من التعديل، وفقًا للطراز والتوافق الفعلي.
هل يمكن تشغيل التعديلات مع تعريفات NVIDIA الأصلية؟
من أبرز النقاط التي يشير إليها المشروعان إمكانية تشغيل التعديلات مع تعريفات NVIDIA الأصلية، مع اجتياز فحوصات التعريف وتجاوز آلية إعادة ضبط وظيفة PCIe المعروفة باسم Function Level Reset (FLR). كما أُجريت اختبارات CUDA بصورة طبيعية بعد التعديل.
وتشير النتائج المنشورة أيضًا إلى أن استهلاك الطاقة للوحة البطاقة لم يتغير في المثال المذكور لبطاقتي GA102 وAD102، إذ استُخدمت قدرة تشغيل تبلغ 450 واط قبل التعديل وبعده. لكن هذه النتيجة لا تعني بالضرورة ثبات استهلاك الطاقة أو درجات الحرارة على جميع البطاقات والتكوينات، إذ قد تختلف النتائج بحسب ظروف التشغيل والحمل المستخدم.
وبالنسبة إلى مستخدمي تطبيقات الذكاء الاصطناعي المحلية، قد يؤدي ارتفاع معدل معالجة المصفوفات إلى زيادة سرعة معالجة الرموز (Tokens) خلال مرحلتي Prefill وDecode عند تشغيل النماذج اللغوية الكبيرة. ومع ذلك، فإن مقدار التحسن الفعلي يعتمد على حجم النموذج، وسعة الذاكرة الرسومية، وعرض نطاق الذاكرة، وإطار العمل البرمجي، ومدى اعتماد المهمة على العمليات التي يستهدفها التعديل.
تعديلات غير رسمية ومخاطر على الضمان
على الرغم من التحسن المحتمل في الأداء، فإن هذه التعديلات ليست حلولًا رسمية معتمدة من NVIDIA، وتتطلب تغييرات منخفضة المستوى في طريقة تهيئة البطاقة أثناء بدء تشغيل النظام، بحيث تُطبّق قبل ارتباط تعريف NVIDIA بالبطاقة داخل نواة نظام التشغيل.
ويحذر مطورو هذه التعديلات من أن إجراء أي تعديل على البطاقة قد يؤدي إلى إلغاء الضمان، فضلًا عن المخاطر المحتملة المرتبطة بتوافق العتاد واستقرار النظام. لذلك، لا ينبغي التعامل مع النتائج المنشورة باعتبارها تحسينًا مضمونًا لجميع البطاقات أو بيئات التشغيل.
هل يصل الدور إلى GeForce RTX 20؟
لا تقتصر التطورات المذكورة على معماريتي Ampere وAda Lovelace؛ إذ تشير المعلومات المتاحة عن المشروع إلى أن التقنية نفسها يجري تطبيقها أيضًا على بطاقات GeForce RTX 20 المعتمدة على معمارية Turing، مع الإشارة إلى إمكانية تحقيق زيادة تصل إلى الضعف في الأداء.
لكن تفاصيل الاختبارات والطرازات المدعومة ونتائج القياس الخاصة ببطاقات RTX 20 لم تُعرض بالمستوى نفسه من التفصيل الوارد في نتائج RTX 3090 Ti وRTX 4090، ولذلك تبقى هذه النتيجة بحاجة إلى بيانات إضافية لتحديد نطاقها الفعلي.
تمثل هذه المشروعات تطورًا لافتًا لمستخدمي الحوسبة المحلية والذكاء الاصطناعي، إذ تشير إلى أن بعض القيود البرمجية قد تخفي جزءًا من الإمكانات الحسابية المتاحة في العتاد الاستهلاكي. ومع ذلك، فإن الاستفادة العملية من هذه الزيادة ستظل مرتبطة بالتوافق والاستقرار وطبيعة أحمال العمل، فضلًا عن المخاطر التي يتحملها المستخدم عند تعديل بطاقة الرسوميات خارج الإعدادات الرسمية.
