البنية التحتية للذكاء الاصطناعي: كيف تعمل مراكز البيانات ووحدات GPU؟
عندما يكتب المستخدم سؤالًا إلى نموذج ذكاء اصطناعي ويحصل على الإجابة خلال ثوانٍ، تبدو العملية وكأنها تحدث داخل البرنامج نفسه. لكن خلف تلك الواجهة توجد طبقة ضخمة من الخوادم والمعالجات والذاكرة والشبكات والتخزين وأنظمة الطاقة والتبريد تعمل معًا لتنفيذ مليارات العمليات الحسابية.
كلما أصبحت نماذج الذكاء الاصطناعي أكبر وأكثر اعتمادًا على الاستدلال، ازدادت أهمية هذه الطبقة. لم تعد المنافسة في AI مرتبطة بالخوارزميات والبيانات فقط، بل أيضًا بمن يستطيع توفير الحوسبة والطاقة والذاكرة والشبكات اللازمة لتدريب النماذج وتشغيلها على نطاق واسع.
هذه المنظومة هي ما نطلق عليه البنية التحتية للذكاء الاصطناعي. فما مكوناتها؟ ولماذا أصبحت وحدات GPU محورًا أساسيًا فيها؟ وكيف يختلف مركز بيانات AI عن مركز البيانات التقليدي؟
ما هي البنية التحتية للذكاء الاصطناعي؟
البنية التحتية للذكاء الاصطناعي (AI Infrastructure) هي مجموعة الموارد المادية والبرمجية التي تتيح تدريب نماذج الذكاء الاصطناعي وتشغيلها وتقديمها للمستخدمين والتطبيقات.
تشمل هذه المنظومة المعالجات المسرّعة مثل GPU، ووحدات CPU، والذاكرة عالية النطاق، وأنظمة التخزين، وشبكات الربط عالية السرعة، والخوادم ومراكز البيانات، إضافة إلى برمجيات إدارة الحوسبة وأطر تعلم الآلة والطاقة والتبريد.
ولا تعمل هذه المكونات بصورة منفصلة. فإذا كانت المعالجات سريعة لكن الشبكة بطيئة، قد تنتظر الشرائح وصول البيانات. وإذا كانت الذاكرة غير كافية، يصبح نقل البيانات عنق زجاجة. وإذا لم يستطع مركز البيانات توفير الطاقة أو إزالة الحرارة، لا يمكن تشغيل العدد المطلوب من المسرّعات بكثافة عالية.
لماذا يحتاج الذكاء الاصطناعي إلى بنية تحتية مختلفة؟
تستطيع الخوادم التقليدية تشغيل مواقع الويب وقواعد البيانات وتطبيقات الأعمال بكفاءة، لكن تدريب النماذج الحديثة يتطلب نوعًا مختلفًا من الحمل الحسابي.
تعتمد الشبكات العصبية على أعداد هائلة من عمليات المصفوفات والمتجهات التي يمكن تنفيذ الكثير منها بالتوازي. ولهذا تستفيد تطبيقات AI من معالجات تستطيع معالجة عدد كبير من العمليات في الوقت نفسه بدل الاعتماد فقط على عدد محدود من الأنوية القوية.
كما أن تدريب نموذج كبير قد يحتاج إلى توزيع العمل على مئات أو آلاف المسرّعات. عندها لا تصبح سرعة الشريحة وحدها مهمة؛ بل تصبح سرعة التواصل بين الشرائح والخوادم، وعرض نطاق الذاكرة، وسرعة التخزين، وإدارة المجموعة كلها جزءًا من أداء النموذج.
ما دور وحدات GPU في الذكاء الاصطناعي؟
صُممت وحدة معالجة الرسومات GPU في الأصل لمعالجة الرسوم، وهي مهمة تتطلب تنفيذ عمليات كثيرة بالتوازي. هذه الخاصية جعلتها مناسبة أيضًا للعمليات الرياضية المستخدمة بكثافة في التعلم العميق.
بدل أن ينفذ المعالج سلسلة صغيرة من المهام المعقدة واحدًا تلو الآخر، تستطيع GPU تشغيل عدد كبير من العمليات المتشابهة بالتوازي. وهذا مناسب بصورة خاصة لعمليات ضرب المصفوفات التي تشكل جزءًا أساسيًا من تدريب الشبكات العصبية وتشغيلها.
ومع نمو الذكاء الاصطناعي تطورت المسرّعات لتتضمن وحدات مصممة خصيصًا لعمليات تعلم الآلة وأنواع بيانات أقل دقة تساعد على زيادة الأداء وتقليل استهلاك الذاكرة والطاقة.
ما الفرق بين CPU وGPU في الذكاء الاصطناعي؟
| العامل | CPU | GPU |
| طبيعة المعالجة | عدد أقل من الأنوية القوية والمرنة | عدد كبير من وحدات المعالجة المتوازية |
| الاستخدام | نظام التشغيل، التطبيقات، التحكم، تجهيز بعض البيانات | العمليات الحسابية المتوازية والتعلم العميق |
| في أنظمة AI | يدير أجزاء من سير العمل ويشغل مهام عامة | يسرّع التدريب والاستدلال والعمليات الرياضية الكثيفة |
| هل يستبدل أحدهما الآخر؟ | لا | لا؛ يعملان غالبًا ضمن النظام نفسه |
لذلك لا تعني هيمنة GPU في الذكاء الاصطناعي أن CPU أصبح غير مهم. فالخادم الحديث يجمع بين أنواع مختلفة من المعالجات، ويعطي كل نوع الجزء الذي يناسب بنيته.
هل GPU هي المعالجات الوحيدة المستخدمة في AI؟
لا. تستخدم الصناعة أنواعًا متعددة من المسرّعات. طورت Google مثلًا وحدات TPU خصيصًا لأحمال تعلم الآلة، كما توجد شرائح ومسرّعات من شركات أخرى مصممة للتدريب أو الاستدلال.
وتتجه الصناعة أيضًا إلى تصميم شرائح أكثر تخصصًا بحسب المهمة. فقد تكون متطلبات تدريب نموذج ضخم مختلفة عن تشغيل نموذج صغير على هاتف أو معالجة طلبات استدلال بكميات كبيرة داخل مركز بيانات.
لذلك فإن GPU هي أشهر مكونات البنية التحتية للذكاء الاصطناعي اليوم، لكنها جزء من سوق أوسع لمسرّعات AI.
ما الفرق بين التدريب والاستدلال في البنية التحتية للذكاء الاصطناعي؟
التدريب Training
خلال التدريب يتعلم النموذج من كميات كبيرة من البيانات عبر عمليات حسابية متكررة لتحديث أوزانه. قد تستمر عملية تدريب النماذج الكبيرة أيامًا أو أسابيع وتستخدم مجموعات ضخمة من المسرّعات تعمل معًا. لذلك تكون الحوسبة والشبكات والذاكرة عوامل حاسمة.
الاستدلال Inference
الاستدلال هو استخدام النموذج المدرَّب لإنتاج نتيجة جديدة، مثل الإجابة عن سؤال أو إنشاء صورة أو تحليل مستند. وقد يكون الطلب الواحد أصغر بكثير من عملية التدريب، لكن خدمة ملايين المستخدمين تجعل إجمالي حوسبة الاستدلال ضخمًا.
وتضيف نماذج الاستدلال الحديثة بعدًا آخر؛ إذ يمكن أن تستخدم حوسبة إضافية أثناء معالجة السؤال للوصول إلى إجابات أفضل في المهام المعقدة. وهذا يعني أن تكلفة تشغيل النموذج لا تعتمد فقط على حجمه، بل أيضًا على مقدار العمل الذي ينفذه لكل طلب.
اقرأ أكثر حول: ما هي نماذج الاستدلال في الذكاء الاصطناعي؟ وكيف تعمل؟
كيف يعمل مركز بيانات الذكاء الاصطناعي؟
مركز بيانات AI هو منشأة تجمع أعدادًا كبيرة من الخوادم والمسرّعات وتوفر لها الشبكات والطاقة والتبريد والبنية التشغيلية اللازمة. ويمكن النظر إليه كنظام حوسبة ضخم بدل مجموعة من الأجهزة المستقلة.
داخل الرفوف توجد خوادم تضم CPU وGPU أو مسرّعات أخرى وذاكرة وتخزينًا محليًا. ترتبط هذه الخوادم بشبكات عالية السرعة حتى تستطيع المسرّعات تبادل البيانات أثناء التدريب الموزع.
وتتصل المجموعة أيضًا بأنظمة تخزين تحمل مجموعات البيانات ونقاط حفظ النماذج، بينما تدير طبقة برمجية توزيع المهام ومراقبة الأجهزة والتعامل مع الأعطال وتخصيص الموارد للمستخدمين.
لماذا تحتاج مراكز بيانات AI إلى شبكات فائقة السرعة؟
عندما يُوزع تدريب نموذج على آلاف المسرّعات، يجب عليها تبادل النتائج والبيانات باستمرار. إذا استغرقت هذه الاتصالات وقتًا طويلًا، قد تبقى GPU باهظة الثمن في انتظار الشبكة بدل إجراء الحسابات.
لهذا تستخدم مجموعات AI شبكات عالية النطاق ومنخفضة التأخير، وتقنيات ربط مخصصة داخل الخادم وبين الخوادم. وتتنافس تقنيات مثل InfiniBand وEthernet عالي السرعة على حمل هذه الحركة.
في هذا السياق تصبح الشبكة جزءًا من «الحاسوب» نفسه: زيادة عدد الشرائح دون قدرة كافية على ربطها لا تعطي زيادة مماثلة في الأداء.
ما دور الذاكرة HBM في معالجات الذكاء الاصطناعي؟
لا يكفي أن تكون وحدة الحساب سريعة؛ يجب أن تصل البيانات إليها بسرعة أيضًا. ولهذا أصبحت الذاكرة عالية النطاق HBM من المكونات الاستراتيجية في مسرّعات AI.
توفر HBM عرض نطاق مرتفعًا بين الذاكرة والمعالج، وهو أمر مهم عند التعامل مع النماذج الكبيرة وكميات ضخمة من البيانات. وإذا لم تستطع الذاكرة تغذية وحدات الحساب بالمعدل المطلوب، يصبح أداء النظام مقيدًا بحركة البيانات.
كما تحدد سعة الذاكرة حجم النموذج والدفعات التي يمكن وضعها على المسرّع، ولذلك أصبحت كمية HBM وعرض نطاقها من الأرقام المهمة عند تقييم أجيال شرائح الذكاء الاصطناعي.
ما دور التخزين في البنية التحتية للذكاء الاصطناعي؟
تحتاج عمليات التدريب إلى قراءة مجموعات بيانات ضخمة وحفظ نسخ من حالة النموذج بصورة دورية. كما تحتاج منصات الذكاء الاصطناعي إلى تخزين النماذج والبيانات الوسيطة والسجلات.
لهذا تستخدم البنية الحديثة طبقات مختلفة من التخزين تجمع بين السرعة والسعة. فالبيانات التي يحتاجها التدريب فورًا يجب أن تصل بسرعة، بينما يمكن الاحتفاظ بمجموعات أخرى في تخزين أكبر وأبطأ نسبيًا.
التصميم السيئ لمسار البيانات قد يجعل المسرّعات تنتظر الملفات، لذلك أصبح نقل البيانات من التخزين إلى الحوسبة جزءًا أساسيًا من هندسة AI.
لماذا تستهلك مراكز بيانات الذكاء الاصطناعي الكثير من الكهرباء؟
تشغيل آلاف المسرّعات بصورة متواصلة يحتاج إلى قدرة كهربائية كبيرة، كما تتحول نسبة كبيرة من هذه الطاقة في النهاية إلى حرارة يجب إزالتها.
وتشير وكالة الطاقة الدولية إلى أن مراكز البيانات استهلكت عالميًا نحو 415 تيراواط ساعة من الكهرباء في 2024، أي قرابة 1.5% من استهلاك الكهرباء العالمي، وتتوقع أن يتضاعف استهلاكها تقريبًا إلى نحو 945 تيراواط ساعة بحلول 2030، مع كون الذكاء الاصطناعي محركًا رئيسيًا للنمو.
لكن الأثر لا يتوزع بالتساوي على العالم؛ فمراكز البيانات تتركز جغرافيًا، ما يجعل توفير القدرة الكهربائية وربط المنشآت بالشبكة تحديًا محليًا كبيرًا حتى عندما تبدو حصتها العالمية محدودة نسبيًا.
كيف يتم تبريد خوادم الذكاء الاصطناعي؟
كلما ارتفعت كثافة الطاقة داخل الرفوف، أصبح إخراج الحرارة أصعب. كانت مراكز البيانات تعتمد تاريخيًا بدرجة كبيرة على تبريد الهواء، لكن خوادم AI عالية الكثافة تدفع الصناعة نحو استخدام التبريد السائل بصورة أوسع.
يمكن للسائل نقل الحرارة بكفاءة أعلى من الهواء والوصول مباشرة إلى المكونات الساخنة عبر ألواح تبريد أو أنظمة أخرى. وتسمح هذه المقاربة بوضع قدرة حسابية أكبر في مساحة أصغر.
التبريد ليس نظامًا مساعدًا منفصلًا عن الحوسبة؛ فإذا لم تستطع المنشأة إزالة الحرارة الناتجة عن المسرّعات فلن تستطيع تشغيلها عند طاقتها المطلوبة.
ما المقصود بمصانع الذكاء الاصطناعي AI Factories؟
ظهر مصطلح AI Factory لوصف مراكز حوسبة مصممة بصورة متكاملة لإنتاج مخرجات الذكاء الاصطناعي على نطاق واسع. بدل النظر إلى كل خادم كوحدة مستقلة، تُصمم المعالجات والشبكات والتخزين والبرمجيات والتبريد كنظام واحد.
تستخدم NVIDIA المصطلح بكثافة لوصف منشآت تتعامل مع البيانات كمدخل وتنتج رموزًا أو مخرجات ذكاء اصطناعي كقيمة رقمية. كما بدأت شركات وحكومات استخدام التعبير في مشاريع بنية تحتية واسعة للذكاء الاصطناعي.
المصطلح تسويقي جزئيًا، لكنه يعكس تحولًا حقيقيًا: مراكز AI الحديثة تُبنى حول متطلبات الحوسبة المسرّعة من مستوى الشريحة وصولًا إلى الكهرباء والمبنى.
لماذا تتسابق الشركات والدول لبناء بنية تحتية للذكاء الاصطناعي؟
امتلاك نموذج قوي لا يكفي إذا لم توجد القدرة الحاسوبية لتدريبه وتشغيله. ولهذا أصبحت سلاسل توريد الشرائح ومراكز البيانات والطاقة والبنية السحابية جزءًا من المنافسة العالمية على الذكاء الاصطناعي.
بالنسبة إلى شركات التقنية، تعني البنية الأكبر القدرة على تدريب نماذج أكثر تطورًا وخدمة عدد أكبر من المستخدمين. أما الحكومات فتنظر أيضًا إلى الحوسبة بوصفها موردًا استراتيجيًا يمكن أن يؤثر في البحث والاقتصاد والخدمات العامة والسيادة الرقمية.
وهنا تتقاطع AI Infrastructure مع السحابة السيادية؛ فالدولة التي تريد تشغيل نماذج على بيانات حساسة محليًا تحتاج ليس فقط إلى قواعد قانونية، بل إلى مراكز بيانات ومسرّعات وطاقة وشبكات قادرة على استضافة هذه الأحمال.
ما أبرز تحديات البنية التحتية للذكاء الاصطناعي؟
تكلفة المسرّعات
المعالج ليس التكلفة الوحيدة، لكن بناء مجموعات كبيرة من المسرّعات يحتاج إلى استثمارات ضخمة في الخوادم والشبكات والتخزين والمنشآت.
توفر الطاقة
يمكن أن تستغرق إضافة قدرة كهربائية جديدة وقتًا أطول من شراء الخوادم نفسها، ما يجعل الطاقة ومواقع مراكز البيانات عاملين في خطط توسع AI.
الذاكرة وسلاسل التوريد
تحتاج المسرّعات إلى مكونات متقدمة مثل HBM والتغليف المتطور، لذلك لا تعتمد القدرة الإنتاجية على تصنيع شريحة الحساب وحدها.
التبريد والمياه
تحتاج المنشآت إلى إزالة كميات كبيرة من الحرارة، وتختلف تقنيات التبريد واستهلاك المياه بحسب تصميم المركز والمناخ ومصدر الطاقة.
كفاءة الاستخدام
GPU غير المستخدمة لا تزال استثمارًا مكلفًا. لذلك تحتاج المؤسسات إلى جدولة جيدة للمهام ومراقبة الأداء وتحسين النماذج حتى تستفيد من الموارد المتاحة.
هل ستستمر الحاجة إلى المزيد من وحدات GPU؟
من المرجح أن يستمر الطلب على الحوسبة المسرّعة، لكن زيادة الأداء لن تأتي فقط من إضافة المزيد من الشرائح. تعمل الصناعة في الوقت نفسه على نماذج أكثر كفاءة، وأنواع بيانات أقل دقة، ومسرّعات متخصصة، وتحسين الشبكات والذاكرة والبرمجيات.
كما يمكن أن ينتقل جزء أكبر من الاستدلال إلى الأجهزة الطرفية والهواتف والحواسيب الشخصية، بينما تبقى النماذج الأكبر والأحمال الأكثر كثافة في مراكز البيانات.
لذلك قد يكون مستقبل البنية التحتية للذكاء الاصطناعي مزيجًا من مراكز فائقة الضخامة وحوسبة سحابية ومسرّعات محلية، مع اختيار مكان التنفيذ بحسب حجم النموذج وحساسية البيانات والتكلفة وزمن الاستجابة.
لمسة أول بايت: الذكاء الاصطناعي ليس برنامجًا فقط
من السهل اختزال ثورة الذكاء الاصطناعي في النماذج التي نستخدمها على الشاشة، لكن كل إجابة تولدها هذه النماذج تعتمد في النهاية على عالم مادي جدًا: سيليكون وذاكرة وألياف وشبكات وكهرباء ومياه وأنظمة تبريد.
ولهذا انتقلت المنافسة في AI من سؤال «من يملك أفضل خوارزمية؟» إلى سؤال أوسع: من يستطيع بناء وتشغيل نظام حوسبة كامل بكفاءة وعلى نطاق هائل؟
قد تكون وحدة GPU أشهر قطعة في هذا النظام، لكنها لا تعمل وحدها. قوة البنية التحتية الحقيقية تظهر عندما تعمل المعالجات والذاكرة والشبكات والتخزين والطاقة والتبريد كآلة واحدة. وهذه الآلة هي التي تقف خلف كل نموذج ذكاء اصطناعي كبير نستخدمه اليوم.
أسئلة شائعة حول البنية التحتية للذكاء الاصطناعي
ما المقصود بالبنية التحتية للذكاء الاصطناعي؟
هي منظومة الأجهزة والبرمجيات ومراكز البيانات والشبكات والتخزين والطاقة والتبريد التي تستخدم لتدريب نماذج الذكاء الاصطناعي وتشغيلها على نطاق واسع.
لماذا تستخدم وحدات GPU في الذكاء الاصطناعي؟
لأن بنيتها مناسبة لتنفيذ أعداد كبيرة من العمليات الحسابية بالتوازي، وهو ما يتوافق مع العمليات الرياضية الكثيفة المستخدمة في الشبكات العصبية والتعلم العميق.
ما الفرق بين GPU وCPU؟
CPU معالج عام ومرن مناسب لمجموعة واسعة من المهام، بينما تحتوي GPU على قدرة أكبر على تنفيذ الكثير من العمليات المتشابهة بالتوازي. ويعمل النوعان عادةً معًا داخل أنظمة AI.
ما الفرق بين تدريب النموذج والاستدلال؟
التدريب هو المرحلة التي يتعلم فيها النموذج عبر تحديث أوزانه من البيانات، بينما الاستدلال هو استخدام النموذج بعد تدريبه لإنتاج إجابات أو توقعات أو محتوى جديد.
لماذا تحتاج مراكز بيانات AI إلى تبريد قوي؟
لأن المسرّعات عالية الأداء تستهلك طاقة كبيرة وتنتج حرارة كثيفة، ويجب التخلص منها حتى تعمل الأجهزة ضمن حدودها الحرارية. ولهذا يتوسع استخدام التبريد السائل في الخوادم عالية الكثافة.
ما هي ذاكرة HBM؟
هي ذاكرة عالية النطاق توضع بالقرب من المسرّعات لتوفير معدل نقل مرتفع جدًا للبيانات، ما يساعد وحدات الحساب على العمل دون انتظار الذاكرة لفترات طويلة.
ما المقصود بمصنع الذكاء الاصطناعي؟
هو تعبير يستخدم لوصف مركز حوسبة مصمم بصورة متكاملة لتدريب وتشغيل أنظمة AI على نطاق واسع، بحيث تعمل المعالجات والشبكات والتخزين والبرمجيات والطاقة والتبريد كنظام واحد.