تبدیل مدل هوش مصنوعی به کامپیوتر؛ اجرای بازی Doom با پردازنده تعبیه‌شده در مدل Qwen

یک مهندس هوش مصنوعی به نام دیویانش آگراوال از پروژه‌ای نوآورانه و نامتعارف به نام Qwenputer رونمایی کرده است. در ساده‌ترین تعریف، Qwenputer ترکیبی تجربی از مدل زبانی پایه Qwen 3.5 4B با یک پردازنده ۳۲ بیتی با معماری RISC-V است که دستورهای آن مستقیماً در وزن‌های مدل کامپایل و تعبیه شده‌اند. این پروژه در عمل می‌تواند عملیات محاسباتی پردازنده را انجام دهد و حتی کدهای زبان C و MicroPython را روی پردازنده داخلی خود بدون نیاز به هیچ ابزار خارجی یا محیط اجرای مجزا اجرا کند. افزون بر این، این مدل قادر است بازی کلاسیک Doom را نیز، هرچند با سرعتی بسیار پایین، به اجرا درآورد.

پیاده‌سازی Qwenputer مفاهیم و راه‌حل‌های فنی بسیار جذابی را پیش روی جامعه متن‌باز قرار می‌دهد. برای نمونه، این توسعه‌دهنده از حالت معماری Gated DeltaNet در مدل Qwen به‌عنوان حافظه رم (RAM) بهره گرفته است؛ ترفندی که خود او آن را راهکاری بسیار هوشمندانه می‌داند. اگرچه استفاده از وزن‌های سریع به‌عنوان حافظه رم ایده‌ای کاملاً تازه نیست، اما دستکاری معماری مدل Qwen 3.5 به این شیوه برای نخستین بار رخ می‌دهد.

برخلاف روند معمول ساخت و آموزش مدل‌های زبانی بزرگ، اضافه کردن این واحد پردازش مرکزی هیچ نیازی به فرآیند آموزش (Training) ندارد. ساختار این پردازنده RISC-V در واقع از ۱۱ لایه ترنسفورمر تشکیل شده که پیش از لایه‌های اصلی Qwen قرار گرفته‌اند و هیچ‌یک از وزن‌های آن‌ها حاصل یاد‌گیری نیستند، بلکه یک کامپایلر تک‌تک آن‌ها را محاسبه و تنظیم کرده است. آگراوال تأکید می‌کند که این پردازنده داخلی توانسته تمام آزمون‌های رسمی سنجش RISC-V را با موفقیت پشت سر بگذارد، برنامه‌های آن با شبیه‌ساز QEMU مطابقت کامل دارد و بیش از ۱۸ میلیون دستور پردازشی را به‌صورت پیوسته و بدون کوچک‌ترین خطایی اجرا کرده است.

سازنده پروژه اشاره می‌کند که مدل Qwen برای ارسال دستورها و بازخوانی نتایج، بدون نیاز به فراخوانی توابع یا ابزارهای جانبی، منحصراً از همین پردازنده درونی استفاده می‌کند. این ویژگی در عمل به مدل امکان می‌دهد محاسبات ریاضی را با دقت مطلق انجام دهد و نقطه ضعف تاریخی مدل‌های زبانی در انجام محاسبات عددی را برطرف کند. هم‌چنین کاربران می‌توانند کدهای برنامه‌نویسی سازگار با C و MicroPython را مستقیماً روی پردازنده تعبیه‌شده در دل هوش مصنوعی اجرا کنند.

توسعه‌دهنده به تعبیه پردازنده در مدل زبانی بسنده نکرده و یک فایل‌سیستم اختصاصی نیز برای آن طراحی کرده است. او این توسعه را گامی طبیعی می‌داند، زیرا زیرساخت رم از قبل در سیستم فعال بوده است. فضای ذخیره‌سازی فایل‌ها نیز از همان وضعیت DeltaNet بهره می‌برد و شامل ۱۰۲۴ اسلات است که می‌توانند تا ۵۱۲ فایل را در خود جای دهند. نکته جالب اینکه اگر وضعیت مدل را در پایان گفتگو ذخیره کنید، داده‌های این فایل‌سیستم به‌صورت پایدار باقی می‌مانند.

به‌دلیل اضافه شدن این منابع و لایه‌های جدید، حجم مدل پایه Qwen 3.5 4B تقریباً دو برابر شده و به حدود ۱۹ گیگابایت رسیده است. از همین رو، توسعه‌دهنده پیشنهاد می‌کند برای آزمایش نسخه فعلی Qwenputer از سیستمی با حداقل ۲۴ گیگابایت حافظه ویدیویی (VRAM) استفاده شود. در حال حاضر تلاش‌هایی برای بهینه‌سازی روند کدنویسی و افزایش سرعت اجرای دستورها در این سامانه در حال انجام است.

پروژه Qwenputer در درجه اول یک کاوش آزمایشگاهی برای بررسی مرزهای توانایی شبکه‌های عصبی است و نه راهکاری نهایی برای حل مشکلی خاص. با وجود این، ساخت چنین مدل سفارشی و نامتعارفی دریچه‌ای تازه به روی کاربردهای عملی نوآورانه در آینده می‌گشاید و نشان می‌دهد مدل‌های زبانی فراتر از پیش‌بینی واژه‌ها، پتانسیل تبدیل شدن به ریزپردازنده‌های کامل نرم‌افزاری را دارند.

علاقه‌مندان می‌توانند افزون بر مطالعه جزئیات معماری در یادداشت وبلاگ سازنده، کدهای این پروژه را که تحت مجوز متن‌باز MIT منتشر شده است در GitHub بررسی کنند. هم‌چنین برای تجربه مستقیم و اجرای این مدل نامتعارف، دسترسی به آن از طریق پلتفرم Hugging Face فراهم شده است.