كيف يشغّل Zero Noichi الذكاء الاصطناعي المحلي على ZimaBoard 2 باستخدام AMD MI50 بسعة 32 جيجابايت

شكرًا لـ Zero Noichi على توثيق ومشاركة هذا البناء التجريبي للذكاء الاصطناعي المحلي. يُظهر الفيديو الكامل كيف يمكن لـ ZimaBoard 2، واتصال وحدة معالجة الرسومات الخارجية، وAMD Instinct MI50 المجددة بسعة 32 جيجابايت من ذاكرة الفيديو أن تشكل نظام ذكاء اصطناعي محلي مدمج. تعيد هذه المقالة تنظيم التجربة إلى نظرة عامة عملية وتشرح حدود الأجهزة، واعتبارات التخزين، ومهام الذكاء الاصطناعي، ومخاطر الإعداد التي يجب فهمها قبل إعادة تنفيذها.

إفصاح التعاون: تستند هذه المقالة إلى التكوين والاختبارات التي قدمها Zero Noichi. يحتوي وصف الفيديو على روابط تابعة ورمز قسيمة لـ ZimaBoard 2. قد تتغير أسعار الأجهزة وتوفر النماذج وتوافق البرمجيات وأداء الذكاء الاصطناعي المحلي مع مرور الوقت.

النتيجة: يمكن لوحدة معالجة رسومات مراكز بيانات مجددة بسعة 32 جيجابايت أن تجعل نماذج الذكاء الاصطناعي المحلية الأكبر حجمًا متاحة في بيئة شخصية، لكن سعة ذاكرة الفيديو وحدها لا تخلق خادم ذكاء اصطناعي جاهزًا للاستخدام. لا تزال توافقية وحدة معالجة الرسومات، والتبريد، وتوصيل الطاقة، والتخزين الخارجي، ودعم البرمجيات، واختيار النماذج تحدد ما إذا كان النظام مفيدًا حقًا.

نظرة عامة على بناء الذكاء الاصطناعي المحلي

تبدأ تجربة Zero Noichi بقيمة عرض غير معتادة. بدلاً من شراء بطاقة NVIDIA حديثة، يختبر بطاقة AMD Instinct MI50 التي يبلغ عمرها حوالي ثماني سنوات والمصممة أصلاً لأعباء عمل مراكز البيانات. الجاذبية الرئيسية للذكاء الاصطناعي المحلي هي ذاكرة الفيديو بسعة 32 جيجابايت، التي تمنح النظام مساحة لتحميل النماذج التي قد لا تتناسب مع وحدة معالجة الرسومات الاستهلاكية النموذجية.

يعمل ZimaBoard 2 Mini Home Server كمضيف x86 مدمج. تسمح قابلية التوسعة PCIe للنظام بالاتصال بإعداد وحدة معالجة رسومات خارجية بدلاً من تقييد المشروع بالأجهزة المدمجة في اللوحة.

لماذا تستخدم وحدة معالجة رسومات مجددة من مركز بيانات؟

غالبًا ما تكون قرارات أجهزة الذكاء الاصطناعي المحلية مقيدة بالذاكرة قبل أداء الحوسبة الخام. تستهلك أوزان النماذج، وبيانات وقت التشغيل، والسياق جميعها ذاكرة GPU. لذلك، قد يحمل GPU بسعة VRAM أكبر نموذجًا أكثر قدرة حتى لو كانت البطاقة نفسها أقدم.

هذا يجعل MI50 مثيرًا للاهتمام كتجربة: فهو يقدم مجموعة ذاكرة كبيرة بسعة 32 جيجابايت دون اتباع مسار وحدات معالجة الرسومات الاستهلاكية عالية الأداء المعتاد. لكنه ليس الخيار الأفضل تلقائيًا لكل منشئ. قد تفتقر بطاقات مراكز البيانات إلى مخارج عرض تقليدية، تستخدم افتراضات تبريد مصممة لتدفق هواء الخوادم، وتعتمد على مسارات برمجية تحظى بدعم أقل من المستهلكين.

لذلك، الاختبار لا يهدف لإثبات أن معجل قديم يتفوق على بطاقة جديدة، بل للإجابة على سؤال أضيق: هل يمكن لأجهزة مراكز البيانات المستعملة وغير المكلفة توفير ذاكرة كافية لجعل مهام الذكاء الاصطناعي المحلية مفيدة في المنزل؟ يستكشف دليل ZimaSpace لـأجهزة خوادم الذكاء الاصطناعي المحلية منخفضة التكلفة نفس الموازنة بين مكونات VRAM عالية الاستخدام، التبريد، وتكلفة النظام الإجمالية.

كيف يقوم Zero Noichi بإعداد وحدة معالجة الرسومات GPU

يتابع الفيديو الذي مدته 36 دقيقة المشروع من تحضير الأجهزة حتى مهام الذكاء الاصطناعي الحقيقية. المراحل الرئيسية هي:

• 00:00 — قدم وحدة معالجة الرسومات المجددة والهدف من الذكاء الاصطناعي المحلي.
• 04:57 — قم بإعداد بيئة وحدة معالجة الرسومات الخارجية GPU.
• 09:47 — اشرح تحذير القرص الصلب الخارجي SSD.
• 11:21 — اختبر نموذج ذكاء اصطناعي أكثر قدرة بمهمة متطلبة.
• 17:42 — اطلب من النموذج إنشاء موقع إلكتروني.
• 24:20 — استخدم النظام كمساعد بأسلوب ChatGPT لتلخيص المستندات.
• 31:26 — أعد الاختبار باستخدام نموذج أكثر قدرة وراجع التحديات المتبقية.

يفصل البناء الفيزيائي الخادم المضغوط عن المعجل. يوفر ZimaBoard 2 بيئة المضيف ومسار PCIe، بينما يستوعب القاعدة الخارجية GPU الأكبر ومتطلبات طاقته. يحافظ هذا الترتيب المعياري على مرونة الخادم الصغير دون التظاهر بأن معجل مركز بيانات بسعة 32 جيجابايت يمكن أن يعمل كجهاز مدمج منخفض الطاقة.

تحتاج الطاقة والتبريد إلى تخطيط منفصل

يجب أن يتلقى GPU طاقة مناسبة بشكل مستقل عن المضيف، ولا يمكن استنتاج متطلبات التبريد الخاصة به من التصميم السلبي لـ ZimaBoard 2. كان من المتوقع في الأصل أن يعمل معجل مركز البيانات داخل هيكل مع تدفق هواء محكم. يجب على البناة تخطيط تبريد نشط حول GPU ومراقبة درجات الحرارة أثناء الاستدلال المستمر بدلاً من الاعتماد على بدء تشغيل ناجح قصير.

توافق البرمجيات يسبق اختبار النموذج

قبل مقارنة النماذج، يجب أن يتعرف نظام التشغيل على المعجل ويجب أن يكون وقت تشغيل الذكاء الاصطناعي قادرًا على استخدامه. قد يتراجع نموذج يتناسب تقنيًا مع 32 جيجابايت من VRAM إلى المعالجة على وحدة المعالجة المركزية أو يفشل في التحميل إذا لم يدعم الخلفية المختارة البطاقة بشكل صحيح.

لهذا السبب يجب إعادة إنتاج التجربة على مراحل: تأكيد اكتشاف الأجهزة، والتحقق من تسريع GPU، وتحميل نموذج أصغر معروف التوافق، ثم الانتقال إلى نماذج أكبر ومهام أطول.

لماذا يهم SSD الخارجي

قد تكون ملفات النموذج كبيرة، لذا فإن SSD خارجي هو طريقة عملية لتوسيع خادم ذكاء اصطناعي محلي مضغوط. يوقف Zero Noichi الاختبار خصيصًا لمناقشة التخزين الخارجي، موضحًا أن التخزين جزء من مسار الاستدلال وليس ملحقًا غير ذي صلة.

إذا كان دليل النموذج موجودًا على قرص خارجي، يجب تركيب القرص بشكل ثابت قبل بدء خدمة الذكاء الاصطناعي. يمكن لجودة اتصال USB، وتبريد الحاوية، وسلوك نظام الملفات، والانقطاعات غير المتوقعة أن تؤثر جميعها على ما إذا كان البرنامج يمكنه العثور على النموذج وتحميله.

طريقة عمل أكثر أمانًا هي التحقق من SSD بشكل مستقل، واستخدام مسارات تثبيت مستقرة، والحفاظ على مساحة حرة كافية للنماذج الإضافية والملفات المؤقتة، وتجنب فصل القرص أثناء تشغيل خدمة الذكاء الاصطناعي. يجب أيضًا نسخ المطالبات المهمة، والوثائق، وملفات التكوين، والعمل الناتج احتياطيًا بشكل منفصل.

ما يمكن للنظام المحلي للذكاء الاصطناعي القيام به

بدلاً من التوقف بعد تحميل النموذج بنجاح، يختبر الفيديو عدة مهام موجهة للعمل. هذا مهم لأن التثبيت الناجح لا يدل كثيرًا على ما إذا كان النظام يمكنه الحفاظ على السياق، أو اتباع التعليمات، أو إنتاج مخرجات مفيدة.

إنشاء موقع ويب

يطلب Zero Noichi من النموذج المحلي إنشاء موقع ويب، لاختبار ما إذا كان يمكنه تحويل طلب بلغة طبيعية إلى رمز منظم. يجمع هذا بين اتباع التعليمات، وتوليد HTML، وقرارات التخطيط، والاتساق عبر استجابة أطول.

تُظهر التجربة جاذبية المساعدة المحلية في الترميز: يمكن أن تبقى تعليمات المشروع والكود المصدر المولد داخل بيئة المستخدم الخاصة. لا يزال الناتج يتطلب مراجعة بشرية. قد تحتوي الصفحات المولدة على سلوك معطل، أو تنسيق غير مكتمل، أو كود غير آمن، أو افتراضات لم تُدرج أبدًا في الموجه.

لخص الوثائق المحلية

يُستخدم النظام أيضًا كمساعد على غرار ChatGPT لتلخيص الوثائق. هذه واحدة من أكثر حالات استخدام الذكاء الاصطناعي المحلي صلة لأن المادة المصدرية لا تحتاج إلى إرسالها إلى خدمة دردشة طرف ثالث.

تعتمد الخصوصية على سير العمل الكامل، وليس فقط على مكان حدوث الاستدلال. يقلل الاستدلال المحلي من تعرض البيانات الخارجية لكنه لا يؤمن النشر تلقائيًا. يمكن أن يقترن النموذج المحلي أيضًا بإضافات، أو واجهات برمجة تطبيقات عن بُعد، أو تحليلات، أو خدمات تنزيل تتواصل خارج الخادم. يجب على أي شخص يعيد إنشاء الإعداد مراجعة الواجهة، والإضافات، ومصدر النموذج، وضوابط الوصول، وسلوك الشبكة قبل استخدام مستندات سرية.

قارن النماذج الأكثر قدرة

يعود الاختبار النهائي إلى جودة النموذج. توفر ذاكرة VRAM أكبر للنظام إمكانية الوصول إلى نماذج أكبر أو أقل ضغطًا بشكل مكثف، لكن النموذج الأكبر قد يستجيب ببطء أكثر ويزيد من متطلبات الطاقة والتبريد والتخزين. لذلك، ليس أفضل نموذج هو بالضرورة الأكبر الذي يمكن لوحدة معالجة الرسومات تحميله.

لمساعد يومي، قد يكون النموذج الأصغر والأكثر استجابة أفضل للأسئلة القصيرة والتلخيص، بينما يمكن حجز النموذج الأكبر للترميز، والوثائق الطويلة، أو المهام التي تحتاج إلى تفكير أقوى. يعزز إعادة الاختبار في الفيديو الحاجة إلى تقييم جودة المخرجات وقابليتها للاستخدام معًا.

ما تثبته هذه التجربة — وما لا تثبته

تُظهر التجربة أن مضيف x86 مضغوط ومعزز عالي الذاكرة المعاد تجديده يمكن أن يشكلا بيئة ذكاء اصطناعي شخصية وظيفية. كما توضح لماذا يجب التعامل مع الذكاء الاصطناعي المحلي كمشكلة تصميم نظام وليس كمشكلة شراء وحدة معالجة رسومات.

من يجب أن يفكر في هذا البناء؟

هذا التكوين مناسب بشكل أفضل لمستخدمي المختبرات المنزلية الذين يشعرون بالراحة في التعامل مع دعم التعريفات، والطاقة الخارجية، والتبريد، وتركيبات التخزين، وتوافق النماذج. وهو ذو صلة خاصة عندما تكون سعة VRAM والتحكم المحلي في البيانات أكثر أهمية من الحصول على أبسط تثبيت ممكن.

قد يكون استخدام وحدة معالجة رسومات للمستهلكين الحاليين الخيار الأكثر أمانًا للمستخدمين الذين يفضلون دعمًا برمجيًا واسعًا، وتبريدًا متوقعًا، وضمانًا، وسهولة في استكشاف الأخطاء وإصلاحها. كما يمكن أن يكون الذكاء الاصطناعي المحلي المعتمد على المعالج فقط كافيًا للنماذج الصغيرة، والتلخيص العرضي، والتجارب التي لا تكون سرعة الاستجابة فيها حرجة.

يصبح خيار MI50 جذابًا عندما يفهم الباني تكاليف تشغيله ويحتاج تحديدًا إلى مجموعة ذاكرة بسعة 32 جيجابايت بأسعار معقولة. يجب تقييم السعر المنخفض لوحدة معالجة الرسومات مقابل النظام الكامل: القاعدة، ومزود الطاقة، وتدفق الهواء، والتخزين، وإعداد البرنامج، والوقت المطلوب لصيانته.

ابنِ مختبر ذكاء اصطناعي محلي أكثر قابلية للتوسع

يُظهر اختبار Zero Noichi كيف يمكن لخادم مدمج أن يبدأ بالتخزين والخدمات المستضافة ذاتيًا، ثم يتوسع عبر PCIe عندما يحتاج المشروع إلى أجهزة متخصصة. كما يُظهر اختبار مساعد الذكاء الاصطناعي المحلي السابق لـ ZimaBoard 2 كيف تؤثر حجم النموذج، وذاكرة VRAM لوحدة معالجة الرسومات، وتصميم عبء العمل على التجربة. بالنسبة للذكاء الاصطناعي المحلي، فإن التعامل مع المضيف، والتخزين، والشبكات، والمسرع كطبقات منفصلة يجعل التحديثات المستقبلية أسهل من استبدال النظام بأكمله دفعة واحدة.

شاهد تجربة Zero Noichi الكاملة للإعداد الفيزيائي، وعروض النماذج، وتقييمه المباشر للتحديات المتبقية. إذا قمت بإعادة بناء النظام، ابدأ بالكشف عن الأجهزة ونموذج صغير قبل الالتزام بوثائق خاصة أو مهام طويلة الأمد على النظام.

هل تريد معرفة ما الذي سيجربه البناؤون بعد ذلك مع الخوادم المدمجة، وحدات معالجة الرسومات الخارجية، والذكاء الاصطناعي المحلي؟ انضم إلى مجتمع ZimaSpace على ديسكورد لمتابعة المزيد من أفكار ZimaBoard 2، ومقارنة البُنى الحقيقية، ومشاركة تجاربك الخاصة.