---
title: "ما هي شبكات AI Back-End؟ ولماذا تحتاج مراكز بيانات الذكاء الاصطناعي إلى شبكات مختلفة؟"
description: "عند� ا نتحدث عن البنية التحتية للذكاء الاصطناعي، يذهب الاهت� ا� غالباً إلى � عالجات GPU. لكن وجود عشرات آلاف ال� سرعات داخل � ركز البيانات لا يكفي وحده. يجب أن تستطيع هذه ال� عالجات تبادل ك� يات ضخ� ة..."
url: https://awalbyte.com/%d8%b4%d8%a8%d9%83%d8%a7%d8%aa-ai-back-end/
date: 2026-09-23
modified: 2026-09-19
author: "فريق تحرير أول بايت"
image: https://awalbyte.com/wp-content/uploads/2026/09/ما-هي-شبكات-AI-Back-End؟-ولماذا-تحتاج-مراكز.webp
categories: ["الذكاء الاصطناعي"]
type: post
lang: ar
---

# ما هي شبكات AI Back-End؟ ولماذا تحتاج مراكز بيانات الذكاء الاصطناعي إلى شبكات مختلفة؟

عندما نتحدث عن البنية التحتية للذكاء الاصطناعي، يذهب الاهتمام غالباً إلى معالجات GPU.

لكن وجود عشرات آلاف المسرعات داخل مركز البيانات لا يكفي وحده.

يجب أن تستطيع هذه المعالجات تبادل كميات ضخمة من البيانات بسرعة شديدة، وإلا ستقضي وحدات GPU باهظة الثمن جزءاً من وقتها في انتظار البيانات بدلاً من إجراء العمليات الحسابية.

لهذا أصبحت **AI Back-End Networks** واحدة من أهم طبقات البنية التحتية للذكاء الاصطناعي، وبدأت المنافسة تمتد من المعالجات إلى الشبكات التي تربطها.

## ما هي AI Back-End Networks؟

هي شبكات عالية الأداء تربط الخوادم ومعالجات GPU والمسرعات داخل مجموعات الحوسبة المستخدمة لتدريب وتشغيل نماذج الذكاء الاصطناعي.

لا تتمثل مهمتها الأساسية في توصيل المستخدم بالإنترنت.

بل في السماح لأعداد كبيرة من المسرعات بتبادل البيانات فيما بينها بسرعة عالية جداً وزمن استجابة منخفض.

لهذا تسمى أحياناً **East-West Networks** لأن معظم حركة البيانات تحدث بين الأنظمة داخل مركز البيانات، وليس من المركز إلى المستخدم الخارجي.

## ما الفرق بين Front-End وBack-End Network؟

يمكن لمركز بيانات AI أن يحتوي على عدة أنواع من الشبكات.

**Front-End Network** تتعامل مع الحركة المرتبطة بالتطبيقات والمستخدمين والخدمات والوصول إلى البيانات.

أما **Back-End Network** فتربط البنية الحاسوبية نفسها.

لنتخيل خدمة ذكاء اصطناعي.

عندما يرسل المستخدم طلباً إلى الخدمة، تمر البيانات عبر البنية الأمامية.

لكن إذا كان تشغيل النموذج يحتاج إلى مئات أو آلاف وحدات GPU تعمل معاً، تحدث كمية ضخمة من الاتصالات في الخلفية بين تلك المسرعات.

هذه الحركة هي التي تحتاج إلى AI Back-End Network.

## لماذا تحتاج وحدات GPU إلى التواصل المستمر؟

النماذج الكبيرة لا يمكن دائماً وضعها وتشغيلها على معالج واحد.

لذلك يجري تقسيم العمل بين عدد كبير من المسرعات.

أثناء التدريب، يحسب كل GPU جزءاً من العمليات، ثم تحتاج الأجهزة إلى تبادل النتائج وتحديث المعلمات بصورة متكررة.

تحدث عمليات مثل **All-Reduce** لجمع البيانات الناتجة عن عدة مسرعات ومزامنتها.

إذا استغرقت عملية نقل البيانات وقتاً طويلاً، تتوقف بعض وحدات GPU عن الحساب وتنتظر الشبكة.

ومع ارتفاع تكلفة المسرعات، تصبح كل لحظة انتظار مكلفة.

لهذا لم تعد الشبكة مجرد وسيلة اتصال جانبية؛ أصبحت عاملاً يمكن أن يحدد أداء وكلفة AI Cluster بالكامل.

AMD وصفت هذا التحول في 2026 بأن عنق الزجاجة بدأ ينتقل باتجاه الشبكة مع توسع التدريب والاستدلال الموزع إلى عشرات آلاف وحدات GPU.

## ما معنى Scale-Up Networking؟

**Scale-Up** يعني ربط مجموعة من المسرعات بصورة شديدة التقارب بحيث تعمل كأنها مورد حوسبي كبير ومتكامل.

يحدث ذلك عادة داخل الخادم أو الرف أو نطاق حوسبي قريب جداً.

تحتاج هذه الطبقة إلى نطاق ترددي هائل وزمن استجابة شديد الانخفاض لأن وحدات GPU تتبادل البيانات باستمرار.

ومن أشهر التقنيات المستخدمة هنا **NVLink** من NVIDIA.

في جيل NVLink 6 تقول NVIDIA إن الاتصال يوفر نطاقاً ثنائي الاتجاه يصل إلى 3.6 تيرابايت في الثانية لكل GPU ضمن منصة Vera Rubin NVL72.

الهدف هو جعل مجموعة كبيرة من المسرعات تتصرف بدرجة أكبر كمنظومة حوسبة واحدة.

## ما معنى Scale-Out Networking؟

مهما كان Scale-Up كبيراً، هناك حدود لعدد المسرعات التي يمكن ربطها داخل نطاق واحد.

عندما نريد توسيع النظام عبر أعداد أكبر من الخوادم والرفوف ننتقل إلى **Scale-Out**.

هذه الشبكة تربط مجموعات الحوسبة ببعضها لتكوين Cluster قد يحتوي على آلاف أو عشرات آلاف المسرعات.

وهنا نجد تقنيات مثل:

**InfiniBand**

و

**Ethernet المهيأ لأحمال AI.**

لذلك يمكن تبسيط الأمر:

**Scale-Up:** ربط شديد السرعة داخل نطاق حوسبي متقارب.

**Scale-Out:** ربط أعداد كبيرة من هذه الأنظمة عبر الـAI Cluster.

والبنية الحديثة تحتاج غالباً إلى الاثنين معاً.

## ما الفرق بين Ethernet وInfiniBand في شبكات AI؟

InfiniBand مستخدمة منذ سنوات في الحوسبة عالية الأداء ومراكز AI، وتوفر اتصالاً عالي النطاق ومنخفض التأخير.

أما Ethernet فهي التقنية الأكثر انتشاراً في شبكات مراكز البيانات التقليدية، لكنها تطورت بسرعة لتناسب أحمال AI.

أحد أسباب جاذبية Ethernet هو النظام البيئي الواسع وتعدد الشركات والمعدات والخبرات المتوفرة حولها.

لكن AI يحتاج إلى خصائص إضافية للتعامل مع الازدحام وفقد الحزم ونقل البيانات بزمن منخفض.

لذلك ظهرت حلول Ethernet مخصصة بصورة أكبر لهذه الأحمال.

والسوق لا يتحرك في اتجاه واحد بسيط؛ كلا التقنيتين تتطوران وتستخدمان في بنى AI مختلفة.

## هل Ethernet تتفوق على InfiniBand؟

لا يمكن اختصار القرار بهذه الطريقة.

يعتمد الاختيار على بنية مركز البيانات وحجم الـCluster والمعدات والتكلفة والنظام البيئي المطلوب.

لكن بيانات السوق تكشف تحولاً مهماً.

وفق Dell’Oro Group، تضاعفت مبيعات محولات Ethernet المستخدمة في AI Back-End Networks بأكثر من الضعف خلال الربع الأول من 2026، وشكلت نحو ثلثي مبيعات محولات مراكز البيانات داخل AI Clusters.

وفي الوقت نفسه، تضاعفت مبيعات InfiniBand بأكثر من ثلاث مرات خلال الربع نفسه مع توسع أنظمة 800 Gbps المرتبطة بمنصة Blackwell Ultra.

أي أن نمو Ethernet لا يعني اختفاء InfiniBand؛ الطلب يرتفع على الاثنين مع توسع بنية AI.

## لماذا أصبحت سرعات 800G و1.6T مهمة؟

عندما يتضاعف عدد وحدات GPU، ترتفع كمية البيانات التي يجب نقلها عبر الشبكة.

لهذا تنتقل الصناعة بسرعة من وصلات 400 Gbps إلى **800 Gbps** ثم **1.6 Tbps**.

وتوقع Dell’Oro أن يكون 2026 أول عام للانتشار واسع الحجم لمحولات 1.6 Tbps، مدفوعاً بالطلب على نطاق ترددي أعلى داخل AI Clusters.

هذه السرعات لا تعني أن المستخدم سيحصل على «إنترنت 1.6 تيرابت».

إنها قدرة الروابط الموجودة داخل البنية التحتية لمركز البيانات على نقل كميات ضخمة من البيانات بين معدات الشبكة والحوسبة.

## لماذا تعد Latency مهمة في تدريب AI؟

Bandwidth يحدد كمية البيانات التي تستطيع الشبكة نقلها.

أما **Latency** فتحدد المدة التي تحتاج إليها البيانات للانتقال والاستجابة.

في الحوسبة الموزعة، قد تعتمد مرحلة حسابية على نتائج قادمة من عدة وحدات GPU.

إذا تأخر جزء من المجموعة، يمكن أن تنتظر بقية المسرعات.

وهذا يجعل أداء النظام مرتبطاً أحياناً بأبطأ جزء في سلسلة الاتصال.

لهذا تحتاج AI Networks إلى الجمع بين:

**نطاق ترددي مرتفع + زمن استجابة منخفض + قدرة على إدارة الازدحام + موثوقية عالية.**

ولا يكفي تحقيق رقم كبير في سرعة منفذ الشبكة فقط.

## ماذا يحدث إذا تعطلت الشبكة داخل AI Cluster؟

في Cluster يحتوي على آلاف الأجهزة، يصبح حدوث عطل في أحد المكونات أمراً متوقعاً مع مرور الوقت.

قد يتعطل رابط أو Switch أو جزء من البنية.

لذلك يجب تصميم الشبكة بحيث تستطيع إعادة توجيه البيانات والمحافظة على تشغيل الـCluster قدر الإمكان.

وتضيف منصات AI Networking الحديثة خصائص لمراقبة الشبكة واكتشاف المشكلات وإعادة توجيه الحركة وإجراء الصيانة دون إيقاف المنظومة كاملة.

كلما ارتفع عدد المسرعات، أصبحت **Resiliency** جزءاً أساسياً من التصميم.

## لماذا لا تكفي شبكات مراكز البيانات التقليدية؟

شبكات المؤسسات العادية مصممة للتعامل مع تطبيقات متنوعة وحركة بيانات قد تكون أقل تزامناً.

AI Training مختلف.

قد تحتاج آلاف المسرعات إلى تبادل كميات ضخمة من البيانات في اللحظة نفسها.

وهذا يخلق أنماط حركة شديدة الكثافة يمكن أن تسبب ازدحاماً سريعاً إذا لم تكن الشبكة مصممة للتعامل معها.

لذلك تحتاج AI Back-End Networks إلى Switches وروابط وبروتوكولات وآليات تحكم بالازدحام مصممة لهذه الأحمال.

وهذا هو السبب في تحول AI Networking إلى سوق مستقل تتابعه شركات الأبحاث حالياً جنباً إلى جنب مع سوق المسرعات نفسها.

## ما علاقة الشبكات الضوئية بمراكز بيانات AI؟

كلما ارتفعت سرعات الاتصال والمسافات وعدد الأجهزة، تصبح الإشارات الكهربائية أكثر صعوبة من حيث استهلاك الطاقة وفقد الإشارة.

لهذا تعتمد مراكز البيانات بصورة متزايدة على **Optical Networking** لنقل البيانات.

تتحول البيانات الكهربائية إلى ضوء ينتقل عبر الألياف الضوئية، ثم يعاد تحويله في الطرف الآخر.

ومع توسع AI Clusters، يرتفع الطلب على أجهزة الإرسال والاستقبال الضوئية والليزر والألياف والمكونات المرتبطة بها.

وهذا جعل طفرة AI تعيد تنشيط قطاع كامل من شركات الشبكات والألياف والمكونات الضوئية.

## ما هي Co-Packaged Optics؟

في الأنظمة التقليدية تكون الوحدات الضوئية قابلة للفصل وموجودة عند منافذ Switch.

لكن مع ارتفاع السرعات إلى مستويات أكبر، تصبح المسافة الكهربائية بين شريحة Switch والوحدة الضوئية مصدراً متزايداً لاستهلاك الطاقة.

تحاول **Co-Packaged Optics أو CPO** تقريب المكونات الضوئية من شريحة الشبكة نفسها.

الهدف هو تقليل المسافة التي تقطعها الإشارة كهربائياً قبل تحويلها إلى ضوء.

وتتوقع الصناعة أن تبدأ CPO بالظهور بصورة أوسع مع الأجيال الجديدة من محولات Ethernet وInfiniBand، خصوصاً مع توسع شبكات AI.

لذلك قد تصبح الفوتونيات واحدة من أهم التقنيات التي تسمح لمراكز البيانات بالاستمرار في زيادة حجم AI Clusters دون أن تصبح الطاقة المستخدمة لنقل البيانات مشكلة ضخمة.

## ما الذي تغير في AI Networking خلال 2026؟

أصبحت الشبكات جزءاً مباشراً من سباق البنية التحتية للذكاء الاصطناعي.

تقول Dell’Oro إن Ethernet وسعت موقعها داخل Scale-Out AI Networks خلال 2026، بالتزامن مع نمو قوي أيضاً لـInfiniBand.

وأعلنت شركات الرقائق والشبكات عن أجيال جديدة تستهدف Scale-Up وScale-Out، بينما بدأت وصلات 1.6T وتقنيات CPO بالانتقال تدريجياً نحو الاستخدام الفعلي.

وفي سبتمبر وحده استمرت الاستثمارات في شركات تعمل تحديداً على مشكلة نقل البيانات داخل AI Data Centers؛ فقد جمعت شركة Delos Data الناشئة 100 مليون دولار لتطوير شرائح وبرمجيات شبكات تستهدف تحسين حركة البيانات بين أنظمة الحوسبة المختلفة.

هذا يوضح أن الصناعة لم تعد ترى أداء AI باعتباره مسألة GPU فقط.

## هل الشبكة أهم من GPU؟

ليست المسألة اختيار أحدهما.

المعالج ينفذ العمليات الحسابية، بينما الشبكة تسمح لآلاف المعالجات بالعمل معاً.

يمكن امتلاك مسرعات شديدة القوة، لكن شبكة بطيئة تجعل جزءاً من قدرتها غير مستخدم.

وفي المقابل، أسرع شبكة في العالم لن تعوض نقص القدرة الحاسوبية.

لهذا يجري التعامل مع مراكز بيانات AI بصورة متزايدة باعتبارها **نظاماً متكاملاً** من الحوسبة والذاكرة والتخزين والشبكات والطاقة والتبريد.

ويجب تطوير جميع هذه الطبقات معاً.

## لماذا ستصبح AI Back-End Networks أكثر أهمية؟

النماذج والتطبيقات الجديدة تدفع باتجاه المزيد من الحوسبة الموزعة.

التدريب يحتاج إلى Clusters ضخمة، والاستدلال نفسه بدأ ينتشر عبر عدد أكبر من المسرعات، كما يمكن لأنظمة Agentic AI توليد أعداد كبيرة من الطلبات والعمليات المتزامنة.

كل ذلك يزيد حركة البيانات داخل مراكز AI.

ولهذا قد يكون أحد أهم سباقات البنية التحتية خلال السنوات القادمة غير مرئي للمستخدم النهائي:

**كيف ننقل البيانات بين مئات آلاف أو ملايين المسرعات بأسرع وأكفأ طريقة ممكنة؟**

الجواب لن يعتمد على تقنية واحدة.

سنرى منافسة وتكاملاً بين **NVLink وEthernet وInfiniBand وUALink والشبكات الضوئية وSilicon Photonics وCo-Packaged Optics**.

وهنا تكمن أهمية AI Back-End Networks: فكلما أصبحت نماذج الذكاء الاصطناعي أكبر وأكثر توزيعاً، أصبحت الشبكة التي تربط الحوسبة جزءاً من الحوسبة نفسها.