في خطوة قد تعيد تشكيل البنية التقنية لأنظمة الذكاء الاصطناعي الحديثة، كشفت شركة ديب سيك (DeepSeek) بالتعاون مع جامعة بكين عن تقنية تدريب مبتكرة تحمل اسم Engram، تستهدف معالجة واحدة من أعقد المشكلات التي تواجه القطاع اليوم، وهي أزمة الذاكرة في الذكاء الاصطناعي، الناتجة عن الاعتماد المفرط على ذاكرة النطاق العريض عالية السرعة (HBM), وتأتي هذه التقنية في وقت تشهد فيه سوق شرائح الذاكرة اضطرابات حادة، مع ارتفاع أسعار DRAM بنحو خمسة أضعاف خلال أسابيع قليلة، مدفوعة بالطلب المتزايد على العتاد الداعم للنماذج اللغوية الضخمة.

تقنية Engram من ديب سيك قد تنهي أزمة الذاكرة في الذكاء الاصطناعي وتقلل الاعتماد على HBM المكلفة

تقنية Engram من ديب سيك قد تنهي أزمة الذاكرة في الذكاء الاصطناعي وتقلل الاعتماد على HBM المكلفة

تعتمد النماذج اللغوية الكبيرة التقليدية على ذاكرة HBM ليس فقط لتنفيذ العمليات الحسابية المعقدة، بل أيضًا لتخزين واسترجاع المعرفة الأساسية، ما يؤدي إلى اختناق مزدوج في الأداء والتكلفة.

ومع تسارع سباق الذكاء الاصطناعي عالميًا، بات هذا الاختناق أحد أبرز العوائق أمام توسيع النماذج وتحسين كفاءتها، وفقًا لتقارير تقنية متخصصة، من بينها تقرير نشره موقع TechRadar.

Engram فصل المعرفة عن الحوسبة

تقدم تقنية Engram مقاربة مختلفة جذريًا، تقوم على فصل تخزين المعرفة عن عمليات الحوسبة، بما يسمح للنموذج بالوصول إلى المعلومات الأساسية دون استنزاف ذاكرة GPU عالية السرعة.

ويرى الباحثون أن هذا الفصل يحرر قدرًا كبيرًا من الموارد، ويحد من الاعتماد على HBM، التي تُعد من أكثر مكونات البنية التحتية تكلفة في أنظمة الذكاء الاصطناعي الحديثة.

كيف تعمل تقنية Engram

تعتمد Engram على آلية مبتكرة لاسترجاع المعرفة باستخدام N-grams مُشفرة (Hashed N-grams)، تتيح وصولًا ثابتًا وسريعًا للمعلومات بغض النظر عن السياق الحالي للنموذج.

ويتم لاحقًا تمرير هذه البيانات عبر بوابة ذكية حساسة للسياق، تقوم بضبط المعلومات المسترجعة بما يتوافق مع الحالة الداخلية للنموذج، ما يعزز قدرته على التعامل مع السياقات الطويلة، ويدعم تقنيات الجلب المسبق (Prefetching) دون تحميل النظام عبئًا حسابيًا إضافيًا يُذكر.

نتائج اختبارية تعزز جدوى التقنية

أظهرت الاختبارات الأولية نتائج واعدة، حيث جرى تطبيق Engram على نموذج ضخم يضم 27 مليار مُعامل، وحقق تحسنًا ملحوظًا في عدد من المؤشرات القياسية المعتمدة في الصناعة، دون زيادة في:

• عدد العمليات الحسابية (FLOPs)
• حجم النموذج الكلي

كما بينت النتائج أن إعادة تخصيص 20–25% من ميزانية المعاملات لصالح وحدة Engram يوفر أداءً يفوق نماذج Mixture-of-Experts (MoE) التقليدية، مع الحفاظ على استقرار الأداء عبر مختلف أحجام النماذج.

تقليل الاعتماد على HBM وخفض التكاليف

تكمن الميزة الاستراتيجية الأهم في Engram في تقليل الحاجة إلى الذاكرة فائقة السرعة، عبر استخدام آليات بحث ثابتة للمعلومات غير المتغيرة، ما يحسن كفاءة استهلاك الذاكرة بشكل عام.

وتتكامل هذه المقاربة مع حلول منخفضة التكلفة، مثل:

• مسرعات الاستدلال المعتمدة على SSD
• تقنيات توسيع الذاكرة من شركات مثل Phison

كما تتوافق Engram مع معايير CXL (Compute Express Link) الناشئة، المصممة أساسًا لتجاوز اختناقات ذاكرة GPU في أحمال العمل واسعة النطاق.

أزمة قانونية غير متوقعة تضرب OnePlus مذكرة توقيف بحق الرئيس التنفيذي في تايوان

أبعاد جيوسياسية وتأثير تنافسي

قد يكون لهذا الابتكار أثر خاص في السوق الصينية، حيث لا يزال الوصول إلى تقنيات HBM المتقدمة محدودًا مقارنة بشركات رائدة مثل Samsung وSK Hynix وMicron.

ويمثل تقليل الاعتماد على هذا النوع من الذاكرة فرصة استراتيجية لشركات الذكاء الاصطناعي الصينية لتعزيز قدرتها التنافسية عالميًا، دون الارتهان الكامل لسلاسل توريد حساسة جيوسياسيًا.

عودة خدمات جوجل إلى سوريا تدريجيا إتاحة Google Play دون VPN وخطوة نحو الانفتاح الرقمي

هل تقترب نهاية أزمة الذاكرة العالمية

تشير النتائج الأولية إلى أن Engram قد تفتح الباب أمام:

• توسيع قدرات النماذج اللغوية
• زيادة عمق التفكير والاستدلال
• خفض متطلبات الذاكرة بشكل ملحوظ

وهو ما قد يسهم مستقبلًا في تهدئة تقلبات أسعار DRAM وDDR5، والتخفيف من الضغوط على سلاسل التوريد العالمية.

ورغم أن التقنية لا تزال في مراحلها المبكرة، إلا أنها تمثل خطوة محورية نحو كسر الحلقة المفرغة بين تطور الذكاء الاصطناعي وارتفاع تكلفة العتاد، وربما تشكل بداية نهاية ما يُعرف اليوم بـ أزمة الذاكرة في الذكاء الاصطناعي.

استثمار سيكويا في أنثروبيك يقود جولة تمويل تاريخية بقيمة قد تصل إلى 25 مليار دولار