في ظل التطور السريع للتقنيات البرمجية، أصبحت نظم التجميع التقليدية عبئاً على المطورين. لكن ماذا لو كان بإمكان الذكاء الاصطناعي أن يقدم حلاً مبتكراً؟ في دراسة حديثة، تم استكشاف إمكانية استخدام نماذج اللغة الكبيرة (Large Language Models) كبديل عن نظم التجميع التقليدية، فيما يُعرف بـ "AI lowering".

يقوم الباحثون بدراسة عملية تحويل أنوية Triton، التي تستخدم في تطوير البرمجيات، إلى تعليمات PTX الخاصة بشركات مثل NVIDIA، حيث تم بناء بيئة تقيّم أداء التعليمات المنتجة. خلال التجارب التي شملت اثني عشر نواة شائعة على وحدات معالجة الرسوميات Ada، Hopper، وBlackwell، حققت "AI lowering" أداءً يتراوح بين 0.83x إلى 3.34x مقارنةً مع أنظمة التجميع التقليدية.

لكن ما الذي يجعل هذه النتائج مذهلة؟ أكبر التحسينات تأتي من التحولات التي لم تقدمها نظم التجميع التقليدية، مثل فك تشفير الأوزان الثنائية Packed مباشرة إلى معالجات Tensor Core، وتخصيص كل خيط لصف Softmax كامل في ذاكرة Tensor، وإعادة استخدام نوافذ الالتفاف المتداخلة.

تستند هذه النتائج إلى بيئة تقييم قوية تدعم التحقق الشامل، وتبني على "Volta"، وهو محقق PTX موجود، مع تحسينات ملحوظة لدعم معماريات وحدات معالجة الرسوميات الحديثة.

إن الأيام القادمة قد تشهد تحولاً جذرياً في كيفية تطوير البرمجيات، حيث يمكن للذكاء الاصطناعي أن يحل محل التمثيلات الوسيطة المخصصة ومدققات البرمجيات، مما يقلل بشكل كبير من الزمن والجهد المطلوبين للانتقال إلى رقائق جديدة عامة أو مخصصة.