إعادة تقييم إنفيديا وعلي للذكاء الاصطناعي، "رمي" FLOPS في سلة المهملات

في 17 مارس، ارتدى لي كانغ، مؤسس شركة نفيديا، جاكيت الجلد المميز، وتحدث لأكثر من ساعتين على مسرح GTC 2026، وبعد ذلك، تكاد تكون جميع وسائل الإعلام تتحدث عن أن “نفيديا ستصبح ملكة التوكن”.

لكن إذا استمعت بعناية لهذا الخطاب، ستكتشف أن لي كانغ يكرر ويؤكد بشكل متكرر أن الشيء الذي يركز عليه حقًا، ليس التوكن نفسه، بل هو “التوكنات لكل واط” (Tokens per Watt). عندما عرض رسومات الأداء الاستنتاجي، ذكر هذا المفهوم بوضوح، وقال بصراحة: كل مركز بيانات، وكل مصنع ذكاء اصطناعي، مقيد بشكل أساسي بالطاقة، ولن يتحول مصنع بقدرة 1 جيجاوات إلى مصنع بقدرة 2 جيجاوات، فهذا قانون فيزيائي يحدد ذلك. تحت قدرة ثابتة، من يحقق أعلى إنتاجية من التوكن لكل واط، يكون لديه أقل تكلفة إنتاج، ومن يحقق أكثر، يكون لديه منحنى دخل أكثر حدة.

هذه هي النقطة الحاسمة الحقيقية في كامل مؤتمر GTC 2026.

الجدل العام يركز على مدى تفوق Vera Rubin على Blackwell بعدة أضعاف، أو قدرة Groq LPX على زيادة سرعة الاستنتاج بمقدار 35 مرة، أو أن نفيديا ستنقل مراكز البيانات إلى الفضاء. كل هذه أمور مهمة، لكنها في جوهرها تعبر عن نفس المنطق بشكل مختلف: في ظل قيود الطاقة، الهدف هو تعظيم الإنتاج الذكي لكل واط من الطاقة.

عندما يعتبر لي كانغ “Tokens/W” مقياسًا أساسيًا لإنتاج مصنع الذكاء الاصطناعي، فإن هناك طبقة أعمق من المعنى الصناعي، وهي أن نظام قياس التنافس في القدرة الحاسوبية، يتجه من الرقائق إلى الأنظمة، ومن المعلمات القصوى إلى الكفاءة الشاملة من النهاية إلى النهاية، ومن من يملك أسرع شرائح إلى من يستطيع تحويل الطاقة إلى ذكاء بكفاءة أعلى.

وفي ظل مجموعة المنتجات والتقنيات الحالية، لا تزال نفيديا ولي كانغ محصورين في قياس token/w، ولا يزالان بعيدين عن أن يصبحا ملك التوكن الحقيقي، ويحتاجان إلى خطوات كثيرة لتحقيق ذلك.

هذه عملية انتقال من “لغة قياس الذكاء”، وفتح هذا التحول لنظرة صناعية أوسع، هو أكثر قيمة بكثير من أي شريحة جديدة.

ومن المصادفة أن، قبل يوم واحد من افتتاح المؤتمر رسميًا، أعلنت شركة علي بابا عن تأسيس “مركز توكن علي بابا” (Alibaba Token Hub)، بقيادة وو يونغ مينغ شخصيًا، وهو مركز الذكاء الاصطناعي الخاص بشركة علي، ليس باسم الذكاء الاصطناعي، بل باسم التوكن، لترقية التوكن إلى مستوى استراتيجية علي للذكاء الاصطناعي.

وهذا يعكس أيضًا أن النظر إلى الذكاء الاصطناعي من منظار النظام أصبح تدريجيًا اعترافًا صناعيًا جديدًا. وهذا هو المفهوم الذي نرغب في التأكيد عليه من خلال هذا المقال، وهو جوهر أهمية هذا النص.

01 التغيير الأكثر أهمية في GTC 2026 ليس في الرقائق نفسها

في GTC 2026، لا يزال التركيز على منتجات جديدة وأسماء مثل Vera Rubin، Rubin POD، LPX، وDSX AI Factory. لكن إذا نظرنا إلى هذه الإعلانات مجتمعة، سنلاحظ أنها وسعت حدود سرد التنافس في القدرة الحاسوبية، من مستوى الشريحة المفردة إلى مستوى البنية التحتية للقدرة الحاسوبية، أي منظومة كاملة تتكون من الحوسبة، الشبكات، التخزين، الطاقة، التبريد، أنظمة التحكم، والبرمجيات، وهي ما يُعرف بـ “مصنع الذكاء الاصطناعي” (AI factory).

وُصف Rubin بأنه منصة على مستوى POD، تتكون من عدة رفوف تعمل معًا كنظام كبير ومتناسق؛ وُعرف DSX بأنه تصميم مرجعي موجه لمصانع الذكاء الاصطناعي، بهدف تعظيم عدد التوكنات لكل واط.

وهذا يدل على أن المنافسة الحقيقية في الصناعة تتجه من مدى قوة الرقاقة المفردة إلى مدى قوة النظام الحاسوبي بأكمله، وبشكل أدق، هل يمكن للنظام أن ينظم الموارد المحدودة من الطاقة، التبريد، والشبكة بكفاءة لتوليد إنتاج ثابت ومستقر للذكاء الاصطناعي.

والمقياس المحدد هنا هو عدد التوكنات لكل واط (Token/W).

نأمل من خلال هذا المقال أن نستخدم مقياس Tokens/W لفهم المعنى الذي تنقله هذه الإعلانات، والفرص التي تفتحها لتطوير صناعة البنية التحتية للذكاء الاصطناعي.

02 بما أن المنافسة أصبحت على النظام، فلا يمكن أن يظل نظام القياس عند مستوى الرقاقة

نظام القياس في عصر الرقائق مألوف للجميع: الذروة في الأداء Flops، عرض النطاق للذاكرة، FLOPS/W، TOPS/W، bit/J. كل هذه المؤشرات مهمة لأنها تصف حدود قدرة المكون.

لكن هذا أدى إلى موقف محرج في الممارسة: لا يوجد وحدة قياس موضوعية، موحدة، وعامة لمراكز الحوسبة الذكية.

عادة، يُستخدم وحدة MW لقياس استهلاك الطاقة للمركز، وفي الصين، عند بناء مراكز الحوسبة الذكية، يُستخدم مقياس القدرة الحاسوبية PFlops (بناءً على FP16). لكن، حتى مع نفس القدرة أو استهلاك الطاقة، إذا كانت الرقائق، الشبكات، وأنظمة التبريد مختلفة، فإن الأداء يختلف بشكل كبير.

السبب بسيط: كانت وحدات القياس السابقة تقيّم بعدة أبعاد فقط، فمثلاً، الذروة في الأداء تصف كم يمكن لرقاقة أن تُجري من حسابات نظريًا، وbit/J يصف كفاءة نقل البيانات المحلية، وعرض النطاق يقيّم قدرة مسار المعلومات في نظام فرعي واحد. كلها مقاييس على مستوى الرقاقة في أبعاد محددة.

لكن، في النهاية، السؤال الذي يطرحه نظام الذكاء الاصطناعي الكامل هو: تحت قيود ثابتة على القدرة، التبريد، وظروف غرفة الخادم، كم من النتائج الفعالة للذكاء الاصطناعي يمكن أن يُنتج؟ هذا السؤال لا يمكن الإجابة عليه فقط من خلال مؤشرات مستوى الرقاقة.

من خلال خطاب شركة نفيديا، يمكن ملاحظة أن هناك مؤشرات جديدة مثل: تكلفة التوكن (token cost)، الإنتاجية لكل واط، أداء التوكن لكل واط، وعدد التوكنات لكل واط.

نظام القياس يتجه من لغة المكونات إلى لغة النظام.

لذا، إذا كانت المقاييس الشائعة على مستوى الرقاقة هي الذروة في الأداء، عرض النطاق، وbit/J، فإن المقياس الأكثر منطقية على مستوى النظام هو Token/W. الأول يقيس قدرة المكون، والثاني يقيس الإنتاجية الكلية. الأول يحقق الأمثلية الجزئية، والثاني يحقق الأمثلية الشاملة.

03 ربط سلسلة الطاقة إلى الذكاء عبر Token/W

في نص خطاب GTC 2026، وصفت نفيديا التوكن بأنه الوحدة الأساسية للذكاء الاصطناعي الحديث. هذا التعبير دقيق جدًا. بالنسبة لنماذج اللغة الكبيرة، وخدمات الاستنتاج، وأنظمة الوكيل (Agent)، فإن الشيء الذي يدفع المستخدمين لشراء هو في جوهره قدرة النظام على توليد ومعالجة التوكنات.

من ناحية التشغيل التجاري، للتوكن ثلاث مزايا: 1) مرتبط مباشرة بعملية استنتاج النموذج. 2) مرتبط مباشرة بنموذج الإيرادات. 3) مناسب لتحمل الأحمال الجديدة في عصر الاستنتاج.

الوكيل، الحوار متعدد الجولات، السياق الطويل، التعزيز بالبحث، استدعاء الأدوات، سلاسل الاستنتاج، كلها أحمال جديدة يصعب وصفها باستخدام FLOPS فقط، لكنها تترك أثرًا في أبعاد التوكن، الكمون، والجودة (goodput).

الأهم من ذلك، أن القيود الأساسية على البنية التحتية للذكاء الاصطناعي اليوم تتجلى بشكل متزايد في قيود الطاقة. وتوقعت تقرير وكالة الطاقة الدولية “الطاقة والذكاء الاصطناعي” (Energy and AI) أنه بحلول عام 2030، سيزداد استهلاك مراكز البيانات عالميًا ليصل إلى حوالي 945 تيراواط ساعة، وهو ارتفاع كبير عن المستويات الحالية؛ والذكاء الاصطناعي هو أحد المحركات الرئيسية لهذا النمو، خاصة في الولايات المتحدة التي ستستحوذ على جزء كبير من هذا النمو. بمعنى آخر، العديد من المشكلات في صناعة الذكاء الاصطناعي، من ظاهرها أنها تتعلق بالرقائق، لكنها في جوهرها مشكلات طاقة، تبريد، وتنظيم البنية التحتية.

مفهوم Token/W له قيمة لأنه يربط أهم سلسلة في صناعة الذكاء الاصطناعي: من مدخلات الطاقة، مرورًا بالحوسبة، الشبكات، التخزين، الجدولة، والتبريد، وأخيرًا إنتاج التوكن.

من هذه الزاوية، فإن Token/W ليس مجرد بديل عن FLOPS/W أو bit/J، بل يضيف طبقة من الرؤية كانت غير مرئية سابقًا:

كمية الطاقة التي يحولها نظام الذكاء الاصطناعي إلى إنتاج ذكي.

أعتقد أن أهم نقطة للنقاش في GTC هذه المرة، تكمن هنا، لا يمكن النظر إلى الرقائق بشكل معزول، بل يجب وضعها في إطار النظام، ثم في إطار الصناعة.

وهذا هو المنظور الذي طالما دافع عنه الكاتب. عند النظر إلى رقائق الذكاء الاصطناعي، لا يكفي التركيز على الذروة في الأداء، عرض النطاق، الحجم، أو معلمات الواجهة، بل يجب أيضًا النظر في كيفية التعاون في الشبكة، وكيفية نشرها في الرفوف، وكيفية الحصول على الطاقة في المناطق الصناعية، وكيفية تشكيل هيكل التكاليف لدى العملاء، وأخيرًا، كيف تتحول إلى نتائج حقيقية على مستوى الأعمال.

وفي بعض النواحي، أثبتت GTC 2026 هذا المنظور النظامي بشكل علني، لأنه عندما بدأت نفيديا تركز على سرد قصة حول مصنع الذكاء الاصطناعي، فإن الصناعة كانت تتجه من مركزية رقائق الحوسبة إلى مركزية أنظمة الحوسبة.

وهذا أمر حاسم جدًا. فالكثير من الصناعات في مراحلها المبكرة تركز على معلمات المكونات، لأنها أسهل في القياس، وأسهل في الترويج. لكن، بمجرد أن تدخل الصناعة مرحلة النشر على نطاق واسع، فإن العامل الحاسم غالبًا هو قدرة تنظيم النظام. والبنية التحتية للذكاء الاصطناعي اليوم وصلت إلى هذه المرحلة.

04 من Token/W إلى ما هو أدنى، ستزداد أهمية الاتصالات البصرية بشكل واضح

عندما يتحول نظام القياس إلى مستوى النظام، ستتزايد أهمية العديد من العمليات التي كانت تعتبر سابقًا ملحقة أو ثانوية.

وأحد أبرز الأمثلة هو الاتصالات البصرية (Optical Interconnects).

في الماضي، كانت الصناعة تركز على وحدات الإرسال البصرية، أو على الاتصالات، أو على مكونات الأجهزة: عرض نطاق أعلى، نقل أبعد، استهلاك أقل للطاقة لكل bit، كثافة عرض نطاق أفضل، خسائر إدخال أقل. كل هذه الأمور مهمة، لكنها كانت تظل عند مستوى المكونات والرقائق. أما في إطار نظام Token/W، فإن قيمة الاتصالات البصرية ستصبح أكثر وضوحًا: فهي تقلل من تكلفة نقل البيانات، وتزيد من قدرة أنظمة الحوسبة الكبيرة على تحويل الطاقة إلى توكنات.

عند الحديث عن منتجات الشبكة البصرية لنفيديا، يُذكر أن CPO المستند إلى الفوتونات يحقق كفاءة تصل إلى 5 أضعاف مقارنة بوحدات الإرسال البصرية التقليدية، مع تقليل الكمون، ودعم توسعات أكبر لمصانع الذكاء الاصطناعي.

الهدف هنا ليس فقط أن تكون الروابط أكثر تقدمًا، بل أن يكون النظام أكبر وأكثر كفاءة.

من المنظور الصناعي، هذا منطقي جدًا. مع زيادة حجم النماذج، وطول السياقات، وتوسيع المجموعات، فإن الكثير من استهلاك الطاقة في النظام لا يحدث في وحدات الحساب، بل في نقل البيانات، وفي الاتصالات بين الرقائق، واللوحات، والخزائن، وPODs.

وفي هذه المرحلة، لم يعد الاعتماد على GPU الأقوى كافيًا لزيادة Token/W، بل يتطلب اتصالات أكثر كفاءة.

لذا، من منظور Token/W، فإن تطوير الاتصالات البصرية ليس فقط لأنه متقدم تقنيًا، بل لأنه أصبح وسيلة ضرورية لتوفير الطاقة في أنظمة الذكاء الاصطناعي الكبيرة.

05 الحوسبة الضوئية أكثر تقدمًا من الاتصالات البصرية، لكن المنطق بدأ يتضح

الحوسبة الضوئية أقدم من الاتصالات البصرية، ويجب أن نكون صادقين في ذلك.

مشاكل التعميم، والدقة، والمترجمين، وتوحيد التصنيع، ودمج الأنظمة، لا تزال في تطور. لكن، إذا وضعنا حدود المراقبة عند مستوى النظام، فإن أهميتها الصناعية أصبحت أسهل في توضيحها من قبل.

السبب هو أن Token/W يركز على الكفاءة من النهاية إلى النهاية. من يستطيع أن يقلل بشكل واضح من استهلاك الطاقة على مسارات حساب عالية التردد، عالية الكثافة، وقابلة لإعادة التعيين، سيكون لديه فرصة لزيادة كفاءة إنتاج التوكن على مستوى النظام. هذا المنطق لا يتطلب أن تحل الحوسبة الضوئية محل GPU بالكامل، ولا أن تصبح منصة حوسبة عامة بشكل فوري.

كل ما يتطلبه هو شيء واحد: في بعض الأحمال الحرجة، خفض J/token للنظام بأكمله، وزيادة إنتاج التوكن تحت ميزانية طاقة ثابتة.

وهذا هو السبب في أن سرد الحوسبة الضوئية يحتاج إلى الانتقال من كفاءة نقطة واحدة (مكون واحد) إلى مساهمة النظام في توفير الطاقة. إذا ركزت الصناعة فقط على TOPS/W أو MAC/J، فسيكون الأمر أشبه بقصة مختبرية؛ لكن إذا بدأت الصناعة في التركيز على Token/W، فسيكون لديها فرصة للمشاركة في مناقشات البنية التحتية.

هذا التغيير مهم جدًا للحوسبة الضوئية، لأنها أخيرًا توفر لغة عليا يمكن من خلالها التحدث مع العملاء، والمناطق الصناعية، والطاقة، والنفقات الرأسمالية.

06 عندما يتحول قياس القدرة الحاسوبية من الرقاقة إلى النظام، يتم دفع الاتصالات البصرية والحوسبة الضوئية إلى الخط الرئيسي للصناعة

عندما كانت المنافسة على القدرة الحاسوبية تقتصر على مستوى الرقاقة، كانت الاتصالات البصرية أشبه بتقنية الإدخال والإخراج (I/O)، وكانت الحوسبة الضوئية أشبه باستكشاف مكونات متقدمة.

لكن عندما انتقلت المنافسة إلى مستوى البنية التحتية للأنظمة الكبيرة للذكاء الاصطناعي، تغير الأمر. أصبح أداء النظام يعتمد بشكل متزايد على استهلاك الطاقة في الحساب المكثف، ونقل البيانات، وإدارة السياقات، والتعاون بين العقد، وتنظيم إمدادات الطاقة والتبريد، وهذه كلها مجالات يمكن للضوء أن يلعب فيها دورًا كبيرًا.

من منظور Token/W، فإن الاتصالات البصرية تحل مشكلة تكلفة نقل البيانات وراء كل توكن؛ والحوسبة الضوئية تحاول تقليل جزء من تكلفة الحساب وراء كل توكن. وكل منهما يؤثر بشكل مشترك على كفاءة إنتاج التوكن في النظام بأكمله.

هذه هي الأسباب الجذرية لدخولهما في صلب الصناعة.

وبشكل أكثر واقعية، بالإضافة إلى قدرة الرقائق وإمداداتها، فإن القيود التي ستواجهها مراكز البيانات ومصانع الذكاء الاصطناعي في المستقبل ستشمل أيضًا الوصول إلى الشبكة الكهربائية، وتبريد غرف الخوادم، واستهلاك الطاقة في المناطق، وكثافة القدرة في الخزائن، وسرعة الإنتاج. وتوجهات وكالة الطاقة الدولية حول استهلاك الطاقة في الذكاء الاصطناعي، وتصريحات نفيديا حول مصنع الذكاء الاصطناعي، كلها تشير إلى نفس الاتجاه: أن البنية التحتية للذكاء الاصطناعي تتجه إلى أن تكون نظامًا يُقاس باستخدام الطاقة.

من خلال هذا الاتجاه الجديد، فإن الاتصالات البصرية والحوسبة الضوئية تعالج جزءًا من المشكلات التي أصبحت أكثر تكلفة، وأصعب الاستمرار في تحسينها عبر الطرق الكهربائية التقليدية، وهي تكلفة نقل البيانات، واستهلاك الطاقة في الحسابات عالية الكثافة.

وهذا يعكس تفكيرًا أكثر تكاملًا في النظام، ولهذا السبب تركز GTC 2026 مرة أخرى على تكنولوجيا السيليكون الضوئية، والضوء الموجي، لأنها من الممكن أن تتحول من خيارات تقنية متقدمة إلى أساس صناعي يستحق البناء.

من هذا المنظور، فإن نظم CPO والحوسبة الضوئية تبدو واعدة جدًا في المستقبل!

ختامًا: المحور الرئيسي لتقدم الذكاء الاصطناعي العام (AGI)

في عمله اليومي، يواصل الكاتب الدعوة إلى وضع معايير موضوعية قابلة للقياس لقياس القدرة الحاسوبية، ويستخدم دائمًا مقياس Tokens/W لقياس أداء شرائح الحوسبة المختلفة.

عبر التاريخ التكنولوجي، عندما زادت نسبة طاقة المحرك الداخلي إلى وزنه، وُجدت السيارات، ثم الطائرات، ثم الصواريخ.

وفي عصر الذكاء الاصطناعي، عندما تزداد نسبة نتائج أنظمة الذكاء الاصطناعي (التي الآن هي التوكنات) إلى استهلاك الطاقة، فإن الذكاء سيصبح أكثر ذكاءً، ومن الممكن أن يظهر الذكاء الاصطناعي العام (AGI) في هذا السياق.

ما يستحق أن يُذكر حقًا في GTC 2026، ليس فقط سمعة شركة نفيديا أو ما إذا كان لي كانغ سيصبح “ملك التوكن”، بل هو وضوح المقياس الجديد للذكاء الاصطناعي.

وبالمزيد من التعمق، قد تدرك نفيديا، وعلي بابا، والعديد من عمالقة الصناعة، أن عليهم أن ينظروا إلى تطور صناعة الذكاء الاصطناعي من منظور النظام.

وهذا يتوافق مع الاتجاه الرئيسي لتطور الحضارة البشرية، وهو: جمع، ونقل، ومعالجة المزيد من المعلومات باستخدام طاقة أقل.

والذكاء الاصطناعي العام (AGI) لن يكون استثناءً من ذلك!

مصدر هذا المقال: تينسنت تكنولوجي

تحذيرات المخاطر وشروط الإعفاء

السوق محفوف بالمخاطر، ويجب الحذر عند الاستثمار. لا يُعد هذا المقال نصيحة استثمار شخصية، ولم يأخذ في الاعتبار الأهداف المالية الخاصة، أو الحالة المالية، أو الاحتياجات الخاصة للمستخدمين. يجب على المستخدمين تقييم ما إذا كانت الآراء، أو وجهات النظر، أو الاستنتاجات الواردة تتوافق مع ظروفهم الخاصة. يتحمل المستخدمون مسؤولية استثماراتهم بناءً على ذلك.