وحدات معالجة الرسوميات NVIDIA H100 أصبحت هنا: تقود الموجة التالية من الذكاء الاصطناعي

وحدات معالجة NVIDIA H100 أصبحت هنا: تقود الموجة التالية من الذكاء الاصطناعي

يُمثّل وصول وحدات معالجة NVIDIA H100 واحدًا من أهم التحولات في مشهد عتاد الذكاء الاصطناعي منذ سنوات. عبر الصناعة كاملة، الإشارة واضحة لا تُخطئها عين: صفحة أخبار OpenAI مليئة بإطلاقات النماذج واسعة النطاق، ومدونة جوجل للذكاء الاصطناعي توثّق أنظمة متعددة الوسائط طموحة بشكل متزايد، ومدونة مايكروسوفت للذكاء الاصطناعي تصف منصات مؤسسية تضع حوسبة الحافة القصوى في سير العمل التجاري العادي. يدعم جزءًا كبيرًا من هذا التقدم جيل جديد من المسرّعات، يتصدّرها H100. حتى المنصات المتخصصة في أبحاث ونشر وحدات معالجة الرسوميات مثل Replicate حوّلت اهتمامها إلى معالجات H100 لخدمة نماذج مفتوحة المصدر كبيرة في بيئات الإنتاج. لم تعد وحدة معالجة الرسوميات مجرد قطعة عتاد؛ بل هي المحرك الذي يحدد أي أنواع مشاكل الذكاء الاصطناعي يمكننا حلها أصلًا.

بالنسبة للمطوّرين والباحثين وفرق البنية التحتية، لم يعد السؤال *هل* نعتمد عتاد فئة H100، بل *كيف*. تستعرض هذه المقالة الجانب العملي لإعداد بيئة ذكاء اصطناعي قائمة على H100، بدءًا من متطلبات العتاد وتثبيت برامج التشغيل وصولًا إلى تشغيل أعباء عمل تدريب واستدلال متطورة. في النهاية، سيكون لديك إعداد عملي وقابل للتكرار يمكّنك من الاستفادة الكاملة من الموجة القادمة من الذكاء الاصطناعي.

H100 في سياقها

صُمّم H100 على بنية Hopper من NVIDIA، وهي تصميم يستهدف مباشرة عصر نماذج المحولات الكبيرة. أكثر ميزاته تميزًا هو محرك المحولات (Transformer Engine)، الذي يمكنه التبديل تلقائيًا بين صيغ الدقة — بما في ذلك أوضاع الدقة المختلطة FP8 وFP16 التي أصبحت معيارًا للنماذج اللغوية الكبيرة — لتسريع التدريب والاستدلال دون التضحية بالدقة. كما أن دعم ذاكرة HBM3، وNVLink من الجيل الثاني، والوصلات عالية النطاق يجعل من الممكن التوسع من وحدة معالجة رسوميات واحدة إلى عنقود متعدد العقد دون الاختناق الذي عانت منه الأنظمة السابقة.

من منظور الصناعة، أصبح H100 بسرعة المورد الحاسوبي الافتراضي للعمل الجاد في الذكاء الاصطناعي. يوفّر مزودو الخدمات السحابية الآن مثيلات H100، وتعتمد مختبرات الذكاء الاصطناعي الكبرى على عناقيد تضم آلافًا من هذه الوحدات. ما يعنيه هذا لك ببساطة: إذا أردت إعادة إنتاج الأبحاث الحديثة، أو ضبط نموذج كبير، أو خدمة نموذج لغوي مفتوح المصدر على نطاق واسع، فإن H100 هو العتاد المرجعي الذي يجب أن تطوّر اعتمادًا عليه.

ومع ذلك، العتاد الخام ليس سوى نصف القصة. القوة الحقيقية لـ H100 تُطلق عبر حزمة برمجيات نضجت بسرعة حوله: CUDA 12.x، وcuDNN، وPyTorch، والبيئات المعبأة في حاويات عبر كتالوج NGC من NVIDIA. عملية التثبيت الموضحة أدناه تعكس هذا النهج الحديث القائم على الحاويات.

المتطلبات

قبل أن تبدأ، تأكد من أن نظامك يستوفي المعايير التالية. يتوفر H100 بعاملَي شكل رئيسيين: وحدات SXM5 التي تُركّب في قاعدة NVIDIA، وبطاقات PCIe التي تناسب فتحات الخوادم القياسية. يفترض هذا الدليل وجود بطاقة H100 بنمط PCIe في خادم x86 متوافق، لكن خطوات البرمجيات متطابقة لكلا النوعين.

**متطلبات العتاد:**

• وحدة معالجة رسوميات NVIDIA H100 بذاكرة HBM3 بسعة 80 جيجابايت على الأقل.
• خادم بفتحة PCIe x16 من الجيل الرابع أو الخامس لنسخة PCIe.
• ذاكرة نظام بسعة 64 جيجابايت على الأقل لأعباء العمل الخفيفة؛ يُنصح بسعة 256 جيجابايت أو أكثر لتدريب النماذج الكبيرة.
• تزويد طاقة كافٍ. تستهلك بطاقة H100 بنمط PCIe حوالي 350 واط، بينما يمكن لوحدة SXM5 استهلاك ما يصل إلى 700 واط. خطّط لميزانية الطاقة وفقًا لذلك.
• تبريد مناسب. صُممت وحدات H100 لهياكل خوادم ذات تدفق هواء قوي؛ لا تحاول تركيبها في محطة عمل دون تصميم حراري موثّق.

**متطلبات البرمجيات:**

• توزيعة لينكس مدعومة، مثل Ubuntu 22.04 LTS أو Rocky Linux 9.
• إصدار برنامج تشغيل NVIDIA 535 أو أحدث لدعم كامل لـ H100.
• CUDA Toolkit 12.1 أو أحدث إذا كنت تثبّت خارج حاوية.
• Docker مع NVIDIA Container Toolkit للحوسبة العميقة المعبأة في حاويات.
• إصدار حديث من PyTorch (2.0 أو أحدث) مع دعم CUDA 12.x.

إذا لم يتوفر لديك عتاد محلي، تنطبق نفس الخطوات على مثيلات H100 السحابية من كبار مزودي الخدمات. تفترض الأوامر أدناه أن لديك صلاحيات جذر عبر `sudo` وتعمل على Ubuntu 22.04.

التثبيت خطوة بخطوة

أسرع طريق إلى بيئة H100 عاملة هي البيئة المعبأة في حاوية. تحافظ NVIDIA على حاويات PyTorch مجهزة مسبقًا تضم برنامج التشغيل ومكتبات CUDA وأطر التعلم العميق المحسّنة. سنبدأ من هناك، مع توقف وجيز عند برنامج تشغيل المضيف.

1. التحقق من وحدة معالجة الرسوميات

أولًا، تأكد من أن نظام التشغيل يرى وحدة معالجة الرسوميات. يعرض الأمر التالي جميع أجهزة PCI بمعرّف البائع NVIDIA:

lspci | grep -i nvidia

يجب أن ترى مخرجًا مشابهًا لـ `NVIDIA Corporation Device 2322` (معرّف جهاز PCI لبطاقة H100 بنمط PCIe). إذا لم تظهر الوحدة في القائمة، أوقف تشغيل النظام وأعد تركيب البطاقة أو تحقق من إعداد فتحة PCIe.

إذا كان برنامج التشغيل مثبتًا بالفعل، يمكنك تشغيل `nvidia-smi` مباشرة:

nvidia-smi

في هذه المرحلة، قد يُظهر المخرج عدم وجود برنامج تشغيل أو أخطاء في الإصدار. هذا أمر طبيعي. سنقوم بتثبيت برنامج التشغيل الصحيح بعد ذلك.

2. تثبيت برنامج تشغيل NVIDIA

توفر إصدارات Ubuntu LTS برامج تشغيل NVIDIA عبر مستودعات الحزم. بالنسبة لـ H100، ثبّت الإصدار 535 أو أحدث. الأوامر التالية تحدّث فهرس الحزم وتثبّت برنامج التشغيل:

sudo apt update
sudo apt install -y nvidia-driver-535

بعد التثبيت، قم بتحميل وحدة النواة وتحقق من أن الوحدة مرئية:

sudo modprobe nvidia
nvidia-smi

انتظر بضع ثوانٍ حتى يُهيّأ برنامج التشغيل. يجب أن يعرض المخرج "NVIDIA H100 80GB HBM3" مع إصدار برنامج التشغيل وإصدار CUDA. إذا أبلغ `nvidia-smi` عن "No devices were found"، أعد تشغيل الجهاز مرة واحدة ثم أعد تشغيله.

3. تثبيت NVIDIA Container Toolkit

سنستخدم Docker لتشغيل بيئة تعلم عميق مجهزة مسبقًا، مما يتجنب العملية المملة المشهورة لمطابقة إصدارات CUDA وcuDNN وPyTorch يدويًا. أولًا، ثبّت Docker:

sudo apt install -y docker.io
sudo systemctl start docker
sudo systemctl enable docker

بعد ذلك، أضف مستودع NVIDIA Container Toolkit وثبّت الأدوات. هذه الأوامر مأخوذة من دليل الإعداد الرسمي من NVIDIA وتضبط المستودع مع توقيع GPG الصحيح:

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
  sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

الآن حدّث قائمة الحزم وثبّت:

sudo apt update
sudo apt install -y nvidia-container-toolkit

أخيرًا، اضبط Docker لاستخدام وقت التشغيل الجديد وأعد تشغيله:

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

اختبر وصول وحدة معالجة الرسوميات داخل حاوية باستخدام صورة CUDA مصغّرة:

docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi

إذا كان كل شيء صحيحًا، سيطبع هذا الأمر نفس مخرج `nvidia-smi` كما في السابق، لكن من داخل الحاوية. يؤكد هذا أن حزمة برمجيات وحدة معالجة الرسوميات بالكامل، من برنامج التشغيل إلى وقت تشغيل الحاوية، تعمل.

4. سحب حاوية PyTorch

يوفر كتالوج NGC من NVIDIA حاوية PyTorch مجهزة مسبقًا ومحسّنة خصيصًا لعتاد H100. اسحبها وشغّل جلسة تفاعلية:

docker pull nvcr.io/nvidia/pytorch:23.10-py3

docker run --gpus all -it --shm-size=16g --rm nvcr.io/nvidia/pytorch:23.10-py3

عَلم `--shm-size=16g` مهم. تستخدم عمال DataLoader في PyTorch الذاكرة المشتركة للتواصل بين العمليات، وسيؤدي الحد الافتراضي البالغ 64 ميجابايت إلى أخطاء مع أي مجموعة بيانات كبيرة. بمجرد بدء الحاوية، ستكون عند موجه Bash مع تثبيت Python وPyTorch وCUDA مسبقًا. تحقق من أن وحدة معالجة الرسوميات متاحة لـ PyTorch:

import torch
print(torch.cuda.is_available())
print(torch.cuda.device_count())
print(torch.cuda.get_device_name(0))

يجب أن ترى `True` و`1` و`NVIDIA H100 80GB HBM3`. تهانينا—وحدتك H100 جاهزة للتعلم العميق.

5. تثبيت PyTorch بدون Docker (بديل)

إذا كنت تفضل عدم استخدام الحاويات، ثبّت برنامج تشغيل NVIDIA كما هو موضح أعلاه، ثم ثبّت CUDA 12.x وPyTorch مباشرة. على Ubuntu، يعد تثبيت CUDA Toolkit الكامل عبر ملف التشغيل من NVIDIA الطريقة الأكثر موثوقية، لكن للتبسيط، يكون مسار pip هو الأسرع. الثنائيات الرسمية لـ PyTorch مع دعم CUDA 12.1 متاحة عبر فهرس حزم PyTorch:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

بعد ذلك، شغّل فحص Python المكوّن من ثلاثة أسطر أعلاه. هذه الطريقة تعمل، لكن للعمل الإنتاجي يُنصح عمومًا باستخدام حاوية NGC لأنها مُترجمة مع تحسينات NVIDIA الخاصة للبنيات الأحدث.

أمثلة على الاستخدام

مع تشغيل البيئة، دعنا ننظر إلى ثلاث عمليات شائعة: تدريب نموذج بدقة مختلطة، تشغيل استدلال من محول مُدرّب مسبقًا، ومراقبة وحدة معالجة الرسوميات.

المثال 1: التدريب بالدقة المختلطة

يتفوق H100 في التدريب بدقة منخفضة. `torch.autocast` وتدرج التدرج في PyTorch يجعلان هذا الأمر مباشرًا. يقوم السكربت التالي بتدريب شبكة التفاف صغيرة على بيانات عشوائية، ويخلط FP16 وFP32 تلقائيًا:

import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Conv2d(3, 32, 3, padding=1),
    nn.ReLU(),
    nn.AdaptiveAvgPool2d(1),
    nn.Flatten(),
    nn.Linear(32, 10),
).cuda()

optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
loss_fn = nn.CrossEntropyLoss()

x = torch.randn(64, 3, 224, 224, device="cuda")
y = torch.randint(0, 10, (64,), device="cuda")

scaler = torch.cuda.amp.GradScaler()

for step in range(10):
    optimizer.zero_grad()
    with torch.autocast(device_type="cuda", dtype=torch.float16):
        out = model(x)
        loss = loss_fn(out, y)
    scaler.scale(loss).backward()
    scaler.step(optimizer)
    scaler.update()
    print(f"Step {step}: loss = {loss.item():.4f}")

مع تفعيل محرك المحولات تلقائيًا في الخلفية، ستحصل على تسريع شبه خطي مقارنة بالتدريب FP32 الخالص.

المثال 2: خدمة نموذج لغوي كبير مع Transformers

المهمة الأكثر شيوعًا لـ H100 اليوم هي تشغيل استدلال عبر نموذج لغوي كبير. مكتبة Hugging Face `transformers` تعمل مباشرة. جرّب توليدًا سريعًا باستخدام GPT-2 كفحص سلامة:

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("gpt2")
model = AutoModelForCausalLM.from_pretrained("gpt2").cuda().eval()

prompt = "The future of AI is"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=50)
print(tokenizer.decode(outputs[0]))

بالنسبة للنماذج الأكبر من أن تتسع لوحدة معالجة رسوميات واحدة، تعد أداة الإطلاق الموزعة في PyTorch نقطة الدخول القياسية. أنشئ سكربت تدريب، ثم شغّله عبر وحدات معالجة رسوميات متعددة باستخدام:

torchrun --nproc_per_node=8 train.py

يتوسع هذا إلى عناقيد متعددة العقد عبر NVLink وInfiniBand مع تغييرات ضئيلة في الكود.

المثال 3: مراقبة الأداء

أثناء تشغيل أعباء العمل، تحقق من الاستغلال والذاكرة باستخدام حلقة مراقبة `nvidia-smi`. يُظهر الأمر الفرعي `dmon` لوحة معلومات مباشرة:

nvidia-smi dmon -s pucvmet

وللحصول على استغلال مفصّل على مدار الوقت، استخدم:

nvidia-smi --query-gpu=timestamp,utilization.gpu,power.draw,memory.used \
           --format=csv -l 1

مراقبة استهلاك الطاقة واستغلال وحدة معالجة الرسوميات أثناء أول تشغيل تدريب كبير هي أسرع طريقة للتحقق من أن النظام يعمل كما هو متوقع. في إعداد سليم، يجب أن يظل H100 قريبًا من استغلال 100% ويصل إلى أهداف الطاقة المحددة تحت الحمل المستمر.

ما يعنيه هذا لمشهد الذكاء الاصطناعي

بالنظر إلى النظام البيئي الأوسع، يتقاطع توفر عتاد H100 مباشرة مع طموحات كبار اللاعبين في الذكاء الاصطناعي. الإصدارات المستمرة لنماذج كبيرة من OpenAI، وعمل جوجل على الأنظمة متعددة الوسائط، والبنية التحتية للذكاء الاصطناعي المؤسسي من مايكروسوفت — كلها تعتمد على هذه الفئة بالضبط من المسرّعات. تركيز مدونة Replicate على الاستدلال المدعوم بـ H100 يشير أيضًا إلى اتجاه رئيسي: وحدات معالجة الرسوميات تنتقل من معدات مختبرية تجريبية إلى بنية تحتية إنتاجية. حقيقة أن الفرق الصغيرة يمكنها الآن استئجار مثيلات H100 بالساعة، عندما لم يكن شيء مماثل موجودًا حتى قبل عامين، تغيّر اقتصاديات تطوير الذكاء الاصطناعي بشكل جوهري.

بالنسبة للمهندسين الأفراد، يترجم هذا إلى ميزة ملموسة. لم تعد بحاجة إلى أن تكون جزءًا من منظمة كبيرة لتدريب أو ضبط أو خدمة نموذج ذي حجم ذي معنى. مع وجود H100 واحد أمامك، يمكنك إعادة إنتاج نتائج كانت حصرية للمختبرات الكبيرة قبل بضع سنوات فقط. الخطوات في هذه المقالة توفر الأساس لذلك العمل. من هنا، الخطوات التالية هي استكشاف مكتبات التكميم، وخوادم الاستدلال، وأطر التدريب الموزع—كلها لديها دعم من الدرجة الأولى لبنية Hopper.

الخلاصة

وحدات معالجة NVIDIA H100 ليست مجرد ترقية عتاد أخرى. إنها تمثل العمود الفقري الحاسوبي لطفرة الذكاء الاصطناعي الحالية—المحرك الذي يشغّل النماذج اللغوية الكبيرة، والأنظمة متعددة الوسائط، وخدمات الذكاء الاصطناعي الإنتاجية المُعلنة عبر الصناعة، من OpenAI وجوجل إلى مايكروسوفت وما بعدها. حقيقة أن منصات النشر الكبرى التفّت حول هذا العتاد تخبرك أين يتجه النظام البيئي.

المسار العملي للبدء أصبح الآن محددًا بوضوح: تحقق من العتاد، ثبّت برنامج التشغيل، أعد ضبط NVIDIA Container Toolkit، واسحب حاوية PyTorch مجهزة مسبقًا. في غضون دقائق، يمكنك الانتقال من العتاد الخام إلى حلقة تدريب بدقة مختلطة عاملة أو نقطة نهاية استدلال حية. سواء كنت تشغّل H100 واحدًا للبحث أو تدير عنقودًا لأعباء عمل إنتاجية، تنطبق نفس المبادئ.

الموجة التالية من الذكاء الاصطناعي ستُبنى على هذا العتاد. بتهيئة بيئة H100 الخاصة بك اليوم، تضع نفسك في موقع يسمح لك بأن تكون جزءًا منها.