مشهد الانتشار الذكي الاصطناعي… المفتاح للفوز أو الخسارة ليس «تنافس وحدات معالجة الرسوميات»، بل هو البنية التحتية للاستدلال ذات الكفاءة من حيث التكلفة

مع دخول الشركات في مرحلة ما بعد التجربة من الذكاء الاصطناعي (AI) إلى مرحلة الانتشار الشامل، تتغير مفاتيح الفوز والخسارة في السوق. اليوم، لم يعد جوهر المنافسة هو مجرد تراكم نماذج أكبر وعدد أكبر من وحدات معالجة الرسوميات (GPU)، بل من يستطيع بناء “نظام استدلال AI قابل للتوسع” بشكل أفضل مع السيطرة على الميزانية وتشغيله بشكل مستقر.

تتوافق شركة ريد هات (Red Hat) وإنتل (Intel) مع هذا الاتجاه، وتسريع توسيع بنية تحتية لاستدلال AI تعتمد على التقنيات مفتوحة المصدر. أشار تانييم إبراهيم، المدير العام لمهندسي استدلال AI في ريد هات، ونائب رئيس قسم مراكز البيانات وAI في إنتل، بيل بيرسون، خلال “قمة ريد هات 2026” إلى أن التحدي الحقيقي في تشغيل خدمات AI على نطاق واسع يكمن في الكفاءة من حيث التكلفة وتحسين تكوين البنية التحتية.

التحول من الاعتماد على GPU إلى استراتيجية المعالجة المتوازية باستخدام CPU

في المرحلة الأولى من انتشار الذكاء الاصطناعي التوليدي، بعد ظهور ChatGPT والنماذج ذات الأوزان المفتوحة، كانت الممارسة السائدة هي نشر النماذج الكبيرة على تجمعات ضخمة من وحدات معالجة الرسوميات (GPU). ومع ذلك، في بيئة الشركات الفعلية، أصبحت تكاليف التشغيل والتحكم في العمليات مساوية للأداء، وأصبح السؤال الرئيسي هو كيفية توسيع النماذج بكفاءة على منصات مثل ريد هات لينكس للأعمال (RHEL) وOpenShift.

قال إبراهيم إن ريد هات تفكر بشكل متزايد في كيفية إدارة أحد مشاريعها المفتوحة المصدر، “vLLM”، على نطاق واسع. وأوضح أن التحدي الأساسي هو تقليل “تكلفة كل رمز” (token)، بحيث يمكن تطبيق AI على الأعمال التجارية الفعلية، مع الحفاظ على القدرة على الحوكمة، وتحقيق نشر واسع النطاق.

وفي الآونة الأخيرة، بدأ ترتيب الأولويات في البنية التحتية يتغير. شرح بيرسون أن، على عكس المرحلة المبكرة التي كانت تركز على GPU، مع انتشار “الذكاء الاصطناعي الوكيل” (代理型AI)، برز دور المعالج المركزي (CPU) مرة أخرى. هذا يعني أن ليس كل أعمال AI تتطلب GPU، وأن الجمع بين CPU وGPU بشكل مناسب حسب نوع العمل أصبح أكثر أهمية.

ريد هات وإنتل توسعان دعم vLLM المبني على معالجات Xeon

استنادًا إلى هذا الفهم، دمجت الشركتان في إصدار “ريد هات AI 3.4” دعمًا كاملًا لـ vLLM في بيئة إنتل Xeon. الجوهر هنا ليس تقديم تكوين موحد للجميع، بل تصميم مزيج من الأجهزة والبرمجيات يتناسب مع طبيعة أعمال كل شركة وتوقعاتها.

قال بيرسون إن العديد من الشركات كانت تتبع نهج “عندك مطرقة، ترى كل شيء مسامير”، معتمدة على خطة تعتمد على GPU بشكل رئيسي. لكنه أوضح أنه إذا أعاد تقييم موارد CPU التي تم نشرها على نطاق واسع في مراكز البيانات، وتحول إلى إضافة GPU حسب الحاجة، فسيتمكن من تحقيق أداء أفضل وتكاليف أقل في الوقت ذاته.

وبشكل خاص، هناك العديد من الأعمال الوكيلة مثل استدعاء الأدوات وتنظيم البيانات، التي يمكن معالجتها بدون GPU. وترى إنتل أن تمكين CPU من تحمل مهام الاستدلال هذه يمكن أن يسمح لـ GPU بالتركيز على العمليات الأكثر كثافة، مما يعزز كفاءة النظام بأكمله.

منافسة بنية تحتية للذكاء الاصطناعي: “كفاءة التشغيل” أصبحت أكثر أهمية من “الأداء”

تشير المناقشة إلى أن سوق AI قد تجاوز الآن المنافسة على أداء النماذج فقط، واتجه نحو المنافسة على الكفاءة الاقتصادية في مرحلة التشغيل. بالنسبة للشركات، أصبح من الأكثر واقعية أن تركز على كيفية الاستفادة بشكل أفضل من أصول مراكز البيانات الحالية، مع تحقيق “تكلفة رمز منخفضة” وخدمة مستقرة، بدلاً من مجرد السعي للحصول على أعلى أداء ممكن.

وفي النهاية، من المحتمل أن يكون الفائز في المنافسة على الذكاء الاصطناعي في الجيل القادم ليس الشركة التي تمتلك أقوى الأجهزة، بل تلك التي تعتمد على مزيج CPU-GPU المناسب وبرمجيات مفتوحة المصدر، والتي يمكنها تحقيق أقصى قدر من “نسبة الكفاءة من حيث التكلفة”. ويُنظر إلى تعاون ريد هات وإنتل على أنه خطوة تتوافق مع هذا الاتجاه السوقي.

TP AI تنبيه: يستند هذا الملخص إلى نموذج لغة TokenPost.ai. قد يكون هناك بعض الفقد أو عدم التطابق مع الحقائق في النص الأصلي.