تتغير طبيعة المنافسة في بنية الذكاء الاصطناعي التحتية. فبعد سنوات ارتبطت فيها أفضلية Nvidia أساساً بامتلاك وحدات معالجة الرسوميات GPU الأكثر تقدماً، يشير هذا التحليل إلى أن مركز الثقل ينتقل تدريجياً إلى ما يحيط بالمعالج: إدارة الذاكرة، وتوجيه البيانات، والتخزين، والشبكات، وتنسيق العمل بين مكونات النظام. ومع توسع أحمال الذكاء الاصطناعي إلى نطاق الغيغاواط، لم تعد زيادة عدد دورات المعالجة وحدها كافية لتحقيق الكفاءة المطلوبة.
تأتي هذه القراءة في وقت بدأت فيه شركات البنية السحابية الكبرى، مثل Amazon وGoogle، بتطوير شرائحها الخاصة، ما أضعف فكرة أن Nvidia هي الخيار الوحيد للحصول على عتاد متقدم للذكاء الاصطناعي. وقد أثار ذلك تساؤلات حول مدى استدامة تفوق الشركة، خصوصاً بعد نمو قيمتها السوقية عشرة أضعاف بين بداية 2023 ومنتصف 2025، قبل أن تصبح حركة سهمها أكثر اعتدالاً خلال العام التالي وسط مخاوف من المنافسة على وحدات GPU.
من المعالج إلى منظومة الرف
بحسب المادة، تطرح Nvidia حالياً بنية Vera Rubin التي تجمع وحدة Rubin GPU مع مجموعة من الوحدات الأخرى، من بينها Vera CPU ومسرّع الاستدلال Groq 3 LPX ورفوف مخصصة للتخزين والشبكات. ولا تركز هذه المكونات بالضرورة على تنفيذ الرموز مباشرة، بل على ضمان وصول البيانات إلى وحدات GPU بالسرعة والتوقيت المناسبين.
يمكن تشبيه GPU بالمحرك، بينما تتولى بقية مكونات النظام وظائف السيارة التي تضمن استخدام قوة المحرك بكفاءة. فكلما زادت قدرة مراكز البيانات، زادت الحاجة إلى الذاكرة، لكن نقل البيانات من الذاكرة إلى المعالج دون اختناقات أصبح تحدياً مستقلاً. وهذا التحدي يزداد أهمية مع سعي مشغلي البنية التحتية إلى خفض عدد الرموز التي يمكن إنتاجها لكل واط.
دور Vera CPU في توجيه البيانات
قال Jason Hardy، نائب رئيس Nvidia لتقنيات التخزين، إن Vera مهمة لأن مقدار الذاكرة التي يمكن وضعها في خادم واحد أو منصة حوسبة محدودة. ووفقاً لما نقله التحليل عنه، حققت العمليات تحسناً يصل إلى ثلاثة أضعاف عندما أتاحت Vera CPU تسريعها، ما سمح باستخدام وحدات التخزين الفلاشية بكامل إمكاناتها بدلاً من ترك الأداء يتعطل بسبب اختناقات نقل البيانات.
المغزى العملي هنا أن أداء مركز البيانات لا يتحدد بمواصفات GPU منفردة فقط. فحتى وحدة المعالجة السريعة قد لا تحقق فائدتها الكاملة إذا لم تصل إليها البيانات في الوقت المناسب، أو إذا كانت الذاكرة والتخزين والشبكات غير قادرة على مواكبة حركة العمل. لذلك تحاول Nvidia بيع نظام متكامل، لا مجرد شريحة منفصلة.
حل مختلف من OpenAI
لا تقتصر معالجة مشكلة حركة البيانات على Nvidia. فعندما طورت OpenAI شريحة Jalapeño، كان تقليل كمية البيانات التي يجب نقلها بين المكونات محوراً رئيسياً في التصميم. وذكرت الشركة أن المجال الكبير للشريحة يسمح ببقاء كامل عبء العمل داخل نظام متصل واحد، ما يقلل حركة البيانات وتأخيرات الاتصال ويساعد على إبقاء الطلب سريعاً وفعالاً من البداية إلى النهاية.
يختلف الأسلوبان: تحاول منظومة Nvidia إدارة حركة البيانات بكفاءة عبر مجموعة من المكونات المتخصصة، بينما تسعى OpenAI إلى تقليل الحركة نفسها عبر إبقاء عبء العمل ضمن شريحة أو نظام متكامل. لكن النتيجة المستهدفة واحدة، وهي تحسين الكفاءة بدلاً من الاعتماد فقط على إضافة دورات معالجة أو شرائح أكثر.
لماذا يهم هذا التحول؟
تظهر هنا طبقة جديدة من المنافسة في الذكاء الاصطناعي. لم يعد بناء GPU منافس كافياً بالضرورة؛ إذ تحتاج الشركات أيضاً إلى جعل النظام بأكمله يعمل بكفاءة. وهذا يفتح مجالاً أمام مصنعي الشرائح ومشغلي الخدمات السحابية للتنافس في تصميم الرفوف، وتنسيق الذاكرة، وإدارة التخزين والشبكات، وليس فقط في قوة المعالجة الخام.
قراءة certi.news: ما تغير فعلاً هو تعريف الأداء في مراكز بيانات الذكاء الاصطناعي. فالمعيار ينتقل من سؤال «ما مدى سرعة الشريحة؟» إلى سؤال أوسع: «ما مدى كفاءة المنظومة في إبقاء الشريحة مشغولة بالبيانات المناسبة؟». يمنح ذلك Nvidia فرصة لتوسيع ميزتها إلى طبقة يصعب فصلها عن بقية البنية، لكنه لا يحسم المنافسة. فالشركة ستواجه منافسين في وحدات GPU وفي إدارة الأنظمة والتنسيق، كما أن المصدر لا يقدم أرقاماً مقارنة شاملة بين منظومة Nvidia وحلول المنافسين، ولا يثبت أن الأفضلية الحالية ستستمر على المدى الطويل.
بالنسبة إلى مشغلي مراكز البيانات، يعني هذا أن قرارات البنية التحتية قد تتطلب النظر إلى كفاءة النظام كاملاً، لا إلى سعر أو أداء المعالج وحده. أما بالنسبة إلى مصممي الشرائح، فالتحدي يتوسع من زيادة القدرة الحسابية إلى تقليل حركة البيانات والاختناقات. ويشير التحليل إلى أن Nvidia تبدو في المراحل المبكرة صاحبة تقدم قوي في هذه الطبقة الجديدة، من دون أن يعني ذلك انتهاء المنافسة أو ضمان تفوق دائم.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.