اقتصاديات رمز جيه سون هوانغ

كيف يغير AI · اقتصاديات الرموز من نماذج الربح لمراكز البيانات؟

الصحفي: زينغ تشن يي

تُعرف قمة NVIDIA GTC، التي تعتبر مؤشرًا سنويًا لاتجاه صناعة الذكاء الاصطناعي، هذا العام من 16 إلى 19 مارس في سان خوسيه، كاليفورنيا، الولايات المتحدة.

في صباح 16 مارس بالتوقيت المحلي، الساعة 11 صباحًا، أي فجر 17 مارس بتوقيت بكين، ألقى الرئيس التنفيذي لنفيديا، هوانغ رونغشون، خطابًا رئيسيًا استمر لأكثر من ساعتين في مركز SAP بسان خوسيه.

توقع هوانغ خلال خطابه أن الطلب على البنية التحتية للذكاء الاصطناعي حول العالم سيصل إلى تريليون دولار بحلول عام 2027. وقال أيضًا إن الطلب الفعلي قد يكون أعلى بكثير من تريليون دولار، وأن منتجات نفيديا قد تكون غير كافية لتلبية الطلب.

بعد إصدار هذا الرقم، ارتفعت أسهم نفيديا في السوق الأمريكية بشكل فوري بأكثر من 4%. لكن بعد ساعات قليلة عند افتتاح السوق الصينية، انخفضت أسهم شركات سلسلة التوريد الحاسوبية بشكل جماعي، حيث هبطت أسهم شركة Tianfu Communication (300394.SZ) بأكثر من 10%، وLongguang Huaxin (688048.SH) بنسبة 9.72%، وتراجع معظم الأسهم الرائدة بما يقرب من 5 أيام من الارتفاع.

بين توقعات تريليون دولار وانخفاض أسهم السلسلة الصناعية، يكمن الفرق في المقياس الزمني.

هوانغ رونغشون يتحدث عن توقعات الطلب المستقبلية، بينما الجدول الزمني للجيل القادم من معمارية شرائح Feynman التي أعلن عنها لن يتم طرحها حتى عام 2028. بالإضافة إلى ذلك، أشارت تقارير بحثية أصدرها شركة Wanlian Securities في 16 مارس إلى أن متوسط نسبة السعر إلى الأرباح في قطاع الإلكترونيات في السوق الصينية (A股) حتى 15 مارس كان حوالي 82 مرة، مما يعكس قلق السوق من ارتفاع الأسعار.

لكن ما يستحق الانتباه في خطاب هوانغ ليس الرقم نفسه، بل هو أنه استغرق ساعتين لعرض منهجية تجارية جديدة: أن مراكز البيانات تتغير من كونها أماكن لتدريب النماذج إلى أن تصبح مصانع لإنتاج الرموز (Tokens).

مصنع الرموز

الرمز (Token) هو الوحدة الأساسية لمعالجة المعلومات في نماذج اللغة الكبيرة، ويمكن فهمه بشكل تقريبي على أنه قطعة نصية يتم معالجتها أو توليدها بواسطة الذكاء الاصطناعي، حيث يقابل كل حرف صيني حوالي رمز واحد أو اثنين.

خلال العامين الماضيين، شهد استهلاك الرموز قفزات كبيرة من حيث الحجم.

أشار هوانغ إلى أن هذا التطور يعود إلى ثلاث مراحل رئيسية: في نهاية عام 2022، أطلقت ChatGPT، وتعلم الذكاء الاصطناعي كيفية توليد المحتوى، وبدأ في استهلاك الرموز بكميات هائلة؛ بعد ظهور نموذج ChatGPT o1، تعلم الذكاء الاصطناعي الاستنتاج والتفكير، وللقيام بذلك، يحتاج إلى توليد الكثير من الرموز داخليًا لنفسه؛ بعد إصدار Claude Code (أداة برمجة ذكاء اصطناعي من شركة Anthropic)، أصبح بإمكان الذكاء الاصطناعي قراءة الملفات، وكتابة الشفرات، واختبارها، وكل مهمة ينجزها تستهلك رموزًا أكثر بكثير من المحادثات البسيطة.

ذكر هوانغ أن جميع مهندسي البرمجيات في نفيديا يستخدمون الذكاء الاصطناعي للمساعدة في البرمجة.

يعمل الذكاء الاصطناعي على مرحلتين: التدريب، وهو عملية جعل النموذج أكثر ذكاءً، وتكلفتها عالية جدًا؛ والاستنتاج، وهو عملية تنفيذ النموذج للأعمال، وتحدث يوميًا، والطلب عليها يتزايد. في الماضي، كانت معظم عمليات شراء وحدات معالجة الرسوميات (GPU)، التي تعتبر المكون الرئيسي للحوسبة الذكائية، موجهة للتدريب، لكن الآن التركيز يتحول نحو الاستنتاج.

قال هوانغ إن حجم أعمال مقدمي خدمات الاستنتاج زاد بمقدار 100 مرة خلال العام الماضي. وأكد محلل IDC في الصين، دو يونلونغ، أن خوادم الاستنتاج في السوق المحلية تتجاوز الآن من حيث النمو والحصة السوقية تلك الخاصة بالتدريب، حيث تصل نسبة الاستهلاك من قيمة شحنات الخوادم إلى حوالي 60%.

رغم أن الطلب على الاستنتاج يتفجر، إلا أن سوق الرموز لا تزال تفتقر إلى نظام تسعير واضح.

عرض هوانغ خمس فئات سعرية مستقبلية: الطبقة المجانية، حيث يتم إنتاج رموز بكميات كبيرة ولكن بسرعة استجابة بطيئة؛ الطبقة المتوسطة، حوالي 3 دولارات لكل مليون رمز؛ الطبقة العليا، حوالي 6 دولارات لكل مليون رمز؛ الطبقة عالية السرعة، حوالي 45 دولارًا لكل مليون رمز؛ وأعلى مستوى، حوالي 150 دولارًا لكل مليون رمز. وكلما زاد حجم النموذج، وطول السياق، وسرعة الاستجابة، زادت تكلفة الرموز.

أعطى مثالًا على الطبقة العليا: فريق بحثي يستخدم 50 مليون رمز يوميًا، وإذا حسبنا السعر بـ150 دولارًا لكل مليون رمز، فسيكون المبلغ حوالي 7500 دولار، وهو مبلغ غير كبير بالنسبة للشركات. بعد زيادة حجم النافذة السياقية من 32 ألف رمز إلى 400 ألف رمز، يمكن للذكاء الاصطناعي قراءة عقد كامل أو قاعدة بيانات كاملة مرة واحدة، وتكون التكلفة مقابل ذلك أعلى بكثير، وتحقق إنجازات لم تكن ممكنة سابقًا.

مع وجود نظام تسعير متعدد الطبقات، يتغير النموذج الاقتصادي لمراكز البيانات.

قال هوانغ إن كل مركز بيانات يتعرض لقيود في الطاقة، وأن مركز البيانات الذي يستهلك 1 جيجاوات (وحدة قياس الطاقة) لن يتحول أبدًا إلى 2 جيجاوات، فذلك يعتمد على الكهرباء والأرض. وتحت نفس القدرة، من يستهلك أكبر قدر من الرموز لكل واط من الطاقة هو الذي يكون أقل تكلفة في الإنتاج. بمعنى آخر، بنفس استهلاك الكيلوواط، من ينتج المزيد من الرموز يحقق أرباحًا أكبر.

عرض هوانغ مجموعة من الأرقام: مركز بيانات واحد بقدرة 1 جيجاوات، إذا وزع قدراته على فئات سعرية مختلفة، فإن إيرادات نفيديا الحالية باستخدام معمارية Blackwell تصل إلى حوالي 30 مليار دولار سنويًا، وإذا استبدلها بالجيل الجديد Vera Rubin، فالإيرادات تصل إلى حوالي 150 مليار دولار، بالإضافة إلى أن معالج Groq LPU للتسريع في الاستنتاج يمكن أن يحقق إيرادات تصل إلى 300 مليار دولار. نفس مركز البيانات، مع تغيير الأجهزة، يمكن أن يحقق إيرادات تصل إلى عشرة أضعاف.

بلغت إيرادات نفيديا للسنة المالية 2026 حوالي 215.9 مليار دولار، وساهمت مبيعات مراكز البيانات بـ 193.7 مليار دولار منها.

وفقًا لمنطق هوانغ، لم تُستغل مراكز البيانات الحالية بشكل كامل، وإذا استبدلت بأجهزة الجيل الجديد، يمكن أن تتضاعف الإيرادات عدة مرات تحت نفس ظروف الطاقة. وهكذا، فإن التوقع بتريليون دولار ليس بسبب ارتفاع أسعار الرقائق، بل لأن نفس كمية الطاقة يمكن أن تنتج رموزًا أكثر وأغلى قيمة.

قال هوانغ إن كل رئيس تنفيذي في المستقبل سيراقب كفاءة مصنع الرموز الخاص به، لأنه مرتبط مباشرة بالإيرادات.

وصف أيضًا ظاهرة تظهر الآن في وادي السيليكون: أن المزيد من المهندسين يستخدمون الذكاء الاصطناعي يوميًا لكتابة الشفرات، وإجراء الأبحاث، ومعالجة المستندات، وكل ذلك يستهلك الرموز، ويحتاج الشركات إلى دفع تكاليف استخدام الذكاء الاصطناعي للموظفين.

وتوقع أن تكون هذه التكاليف كبيرة لدرجة تتطلب تخصيص ميزانية خاصة، تمامًا كما تخصص الشركات ميزانية لأجهزة الكمبيوتر والبرمجيات للموظفين.

كما ذكر أن كل مهندس جديد عند انضمامه للشركة سيحصل على ميزانية سنوية للرموز، تقدر بحوالي نصف راتبه الأساسي.

نوعان من الشرائح

تتوافق هذه المنهجية الاقتصادية للرموز مع منصة Vera Rubin التي أُعلنت رسميًا في GTC.

قال هوانغ إن الحديث عن معمارية Hopper كان يقتضي رفع قطعة من الشريحة، لكن Vera Rubin ليست مجرد قطعة، بل نظام كامل. هذا النظام يحقق تبريد سائل بنسبة 100%، وتقليل زمن التركيب من يومين إلى ساعتين.

تتكون Vera Rubin من سبع شرائح. الوحدة الأساسية NVL72 تجمع 72 وحدة معالجة رسوميات Rubin و36 وحدة معالجة مركزية Vera، وتتصل عبر NVLink 6، وهي تقنية نفيديا للربط عالي السرعة بين الشرائح. مقارنة بالجيل السابق Blackwell، فإن الأداء لكل واط في الاستنتاج ارتفع بمقدار 10 أضعاف، وتكلفة كل رمز انخفض إلى عُشرها.

أطلقت نفيديا أيضًا معالجًا مركزيًا جديدًا بـ 88 نواة من سلسلة Vera، مُحسن خصيصًا لأداء أدوات استدعاء البيانات والذكاء الاصطناعي.

قال هوانغ إن الرئيس التنفيذي لمايكروسوفت، ساتيا نادلا، أكد له أن أولى وحدات Vera Rubin قد بدأت العمل على منصة Azure السحابية.

لكن هناك عيب في Vera Rubin، حيث قال هوانغ إن عندما يحتاج المستخدمون إلى توليد أكثر من 400 رمز في الثانية، فإن عرض النطاق الترددي لوحدة NVL72 يصبح غير كافٍ. الحل لهذه المشكلة هو شركة Groq الأمريكية التي تأسست عام 2016، والتي استحوذت عليها نفيديا سابقًا على تقنياتها وفريقها الأساسي.

LPU (وحدة معالجة اللغة) من Groq وGPU يختلفان تمامًا. ذاكرة GPU كبيرة وقوية، حيث تحتوي كل وحدة Rubin GPU على 288 جيجابايت من الذاكرة، وتناسب العمليات المعقدة. أما LPU، فهي صغيرة الحجم ولكنها سريعة جدًا في القراءة والكتابة، حيث تحتوي على 500 ميجابايت فقط، ولا يمكنها استيعاب كامل معلمات النموذج، لكنها أسرع بكثير في توليد الرموز وتقليل التأخير.

تستخدم نفيديا برنامج Dynamo لإدارة عمليات الاستنتاج، حيث تقسم العملية إلى خطوتين: فهم السياق الذي يتطلب قوة حساب وذاكرة كبيرة، يُعالج بواسطة Vera Rubin، وتوليد الرموز الذي يتطلب استجابة سريعة، يُعالج بواسطة Groq LPU. يتصلان عبر شبكة إيثرنت عالية السرعة، مما يقلل التأخير بنسبة تقارب النصف.

يسمي هوانغ هذا الأسلوب “فصل الاستنتاج” (أي تقسيم عملية الاستنتاج بين شرائح مختلفة)، والفكرة الأساسية هي أن الأداء العالي والتأخير المنخفض متناقضان بطبيعته، والأفضل أن تتخصص كل شريحة في مهمة معينة.

قال إن هذا التكوين حقق أداءً يزيد بمقدار 35 مرة مقارنة بالجيل السابق، عند سعر يتراوح بين 45 و150 دولارًا.

من منظور زمني أطول، يمكن لمركز بيانات واحد بقدرة 1 جيجاوات أن يزيد معدل إنتاج الرموز من 22 مليون في الثانية إلى 700 مليون خلال عامين.

نصائح هوانغ للعملاء هي: إذا كانت الأعمال تعتمد على استنتاج عالي الإنتاجية، فليستخدموا Vera Rubin بالكامل؛ وإذا كانت هناك حاجة للبرمجة والتفاعل في الوقت الحقيقي، فيمكن تخصيص حوالي 25% من قدرة مركز البيانات لـ Groq LPU.

قال هوانغ إن ثلاث وحدات LPU من Groq، التي تصنعها سامسونج، دخلت الإنتاج، ومن المتوقع أن تبدأ الشحنات في الربع الثالث من هذا العام.

وفي الجانب البرمجي، أطلقت نفيديا منصة الذكاء الاصطناعي للمؤسسات NemoClaw، التي تدعم مشروع OpenClaw المفتوح المصدر الذي حقق نموًا سريعًا على GitHub، ورفع هوانغ من مكانته ليصبح بمستوى نظام تشغيل للحواسيب الذكية.

لكن استخدام OpenClaw مباشرة في بيئة الشركات يحمل مخاطر أمنية، لأنها تتيح للذكاء الاصطناعي الوصول إلى البيانات الحساسة، وتنفيذ الشفرات، والتواصل مع الخارج. لذلك، أضافت نفيديا طبقة أمان مؤسسية على OpenClaw، تسمى NemoClaw. وأعلنت 17 شركة برمجيات، بما في ذلك Adobe وSalesforce وSAP، عن اعتمادها لأداة تطوير الوكيل من نفيديا.

أما عن خارطة الطريق، فتوقعت نفيديا إصدار الجيل التالي Feynman في عام 2028، والذي سيدعم لأول مرة تقنيتي الاتصال عبر الكابلات النحاسية (Copper Cables) وCPO (تقنية دمج مكونات الاتصال الضوئي مباشرة في الشريحة).

ويُعد CUDA، منصة الحوسبة العامة التي طورتها نفيديا، والتي تعتبر حجر الزاوية لنظامها البيئي البرمجي، من بين إنجازات هذا العام، حيث يحتفل بمرور 20 عامًا على إطلاقه. وأوضح هوانغ أن 60% من أعمال نفيديا تأتي من أكبر خمس شركات خدمات سحابية عالمية، و40% من قطاعات أخرى مثل الذكاء الاصطناعي السيادي، والأعمال، والصناعة، والروبوتات.

وفي مؤتمر GTC، أعلنت نفيديا أيضًا عن تعاون مع Uber وBYD وGeely وHyundai وNissan وIsuzu في مجال القيادة الذاتية. ودفع هذا الإعلان أسهم قطاع السيارات في سوق هونغ كونغ للارتفاع الجماعي، حيث ارتفعت أسهم شركة Geely (00175.HK) بأكثر من 5% خلال التداول، وأغلقت بزيادة 4.55%.