xAI يكتمل التدريب المسبق خلال شهرين: ميزة السرعة وقيود شبكة الكهرباء

ماذا تعني “سنتان من التدريب المسبق”؟

قال ماسك مؤخرًا إن دورة تدريب النموذج الأمامي لدى xAI تبلغ تقريبًا شهرين. إذا أمكن الحفاظ على هذا الإيقاع، فلن يعود التنافس في القطاع هو “من يمتلك وحدات GPU أكثر”، بل “من يستخدمها بكفاءة أعلى”. ومن خلال نظرة على مجموعة xAI للعنقود Colossus 2 بالإضافة إلى عدة تقارير بحثية، يتضح أنهم قاموا بتحسينات كبيرة في تدفق البيانات والبنية المعمارية، ما نقل التدريب المسبق من “الحساب على أساس ربع سنوي” إلى “الحساب على أساس شهري”.

أما التأثير المباشر لهذه السرعة فهو: إذا لم يتباطأ الإيقاع، فمن الممكن أن تقوم xAI بإطلاق نماذج على مستوى تريليون معلمات بدءًا من منتصف عام 2026 تقريبًا، ما يضع ضغطًا زمنيًا على OpenAI. ومع ذلك، فإن الوتيرة العالية لها شرط مسبق—تزويد كهربائي مستقر على مستوى الغيغاوات. لم تُستكمل بعد موافقات الطاقة في تينيسي وميسيسيبي، وأي اختناق في أي حلقة قد يبطئ التقدم العام.

انتشرت عبارة “التدريب المسبق لمدة شهرين” بسرعة في أوساط الذكاء الاصطناعي. يعتقد بعض المحللين أن تصميم عنقود xAI داخل مرفق واحد هو الميزة الأساسية لمواجهة المنافسين الذين يوزعون التدريب؛ وأشارت SemiAnalysis إلى أن ضغط هذه الدورة الزمنية يسمح لـxAI بتدريب سبعة نماذج بأحجام مختلفة في الوقت نفسه (من 1T إلى 10T)، ما يعزز كثيرًا كفاءة استكشاف البنية. لكن وجهة نظر محللي الطاقة تختلف: القدرة الاستيعابية للشبكة وزمن الموافقات المتأخر هما القيود الصلبة الحقيقية. وعلى مستوى رأس المال، فإن تمويل xAI بقيمة 20 مليار دولار وائتلاف حصص Nvidia من وحدات GPU، يوضح أن المستثمرين راهنوا على أنها ستتجاوز في الربع الثالث من عام 2025 سعة مركز البيانات الخاصة بـ Meta Prometheus. لكن ما إذا كانت هذه الرهانات ستتحقق يعتمد في النهاية على شيء واحد: “لا يجب أن تنقطع الكهرباء”.

• غيّر التدريب المتوازي حساب فعالية التكلفة: عبر دفع إصدارات متعددة من الأحجام مثل 1T و1.5T و6T و10T في نفس الوقت، يستطيع xAI إجراء تجارب “إزالة/تعطيل” على نطاق واسع مباشرة، بدلًا من دفع النموذج من الحجم الصغير للأعلى، ما قد يؤدي إلى زيادة سرعة الوصول إلى تحسينات قدرها 20% إلى 30%.
• يبدو OpenAI بطيئًا من حيث الزمن: بينما ما يزال Stargate قيد التخطيط لـ 500k GPU، فإن Colossus 2 يعمل بالفعل على 550k GPU.
• عدد المعلمات ليس هو العامل الحاسم: تثار ضجة في السوق حول حجم المعلمات، لكن كفاءة التدريب المسبق هي التي تحدد من يستطيع تسليم قدرات قابلة للاستخدام بشكل أسرع؛ والتقييمات الحالية لا تسعّر بشكل كافٍ مخاطر الطاقة.

ليست المعلمات هي التي تحدد الفوز—بل سرعة التكرار هي الأهم

قد تؤدي عبارة “معلمات 10T” إلى تضليل الناس بسهولة. النماذج الأكبر ليست بالضرورة أقوى (انظر إلى Gemini من Google مثلًا). العامل الذي يحدد الحد الأقصى فعليًا هو سرعة التجارب والتكرار. عندما تضغط xAI التدريب المسبق إلى شهرين، فإنها تكون قد أجرت عدة دورات تجربة وخطأ قبل أن ينتهي المنافس من جولة تدريب كبيرة واحدة. إذا كنت ما تزال تستخدم “كم مركز بيانات أقامته” لتقييم الأمور، فقد تتعامل مع المؤشر بشكل خاطئ.

**حكمي: ** وضعت xAI نفسها باعتبارها “مختبرًا أماميًا للتجارب الأسرع في التكرار”، لكن استمرار هذه الميزة يعتمد على البنية التحتية للطاقة. إذا تجاهلت المخاطر التنظيمية ومخاطر الإمداد بالكهرباء، فقد تكون فاتتك الفرصة بالفعل؛ أما إذا كنت من فئة “builder”، فإن اختيارك لمسار كفاءة xAI قد يمنحك السبق قبل أن يلحق OpenAI بك.

الأهمية: عالية
التصنيف: اتجاهات الصناعة، رؤى تقنية، تأثير السوق

**الخلاصة: ** لا يزال لدى المشاركين الأوائل ميزة. الأكثر استفادة بشكل مباشر هم الـ builder والمستثمرون على المدى المتوسط والطويل: فعلى الأول أن يرتبطوا في أقرب وقت بإطارات عمل التكرار المرتكزة على التدريب المتوازي وكفاءة الاستدلال الأعلى الناجمة عنها ضمن نافذة تطوير المنتجات؛ وعلى الثاني أن ينجزوا ترتيباتهم قبل إعادة تسعير موافقات الكهرباء وتكاليف استهلاك الطاقة. أما من يركز فقط على “حجم المعلمات” و“عدد GPU” للتداول قصير الأجل، فمن المرجح أنه فات الأوان.