Bing Xu، المؤسس والرئيس التنفيذي لشركة INT21 – سلسلة المقابلات

Bing Xu، المؤسس والرئيس التنفيذي لشركة INT21، هو مهندس بنية تحتية للذكاء الاصطناعي ورائد أعمال يمتلك خبرة عميقة تشمل تحسين أداء وحدات معالجة الرسوميات، أنظمة التعلم الآلي، والعوامل الذكية المستقلة. قبل تأسيس INT21 في عام 2026، كان شو مهندسًا مميزًا في NVIDIA، حيث عمل على تطوير البرمجيات المدفوعة بالعوامل وخلق أجيال متعددة من عوامل البرمجة، بما في ذلك العمل وراء VibeTensor وAVO. انضم إلى NVIDIA بعد استحواذها على HippoML، الشركة الناشئة لتسريع الاستدلال على وحدات GPU التي أسسها وتولى رئاستها. في السابق، شغل شو منصب مهندس برمجيات أول كبير في Meta، حيث أنشأ AITemplate وساهم في تحسين كفاءة استدلال GPU عبر أعباء العمل الإنتاجية، كما شغل مناصب هندسية وبحثية في OctoML، Facebook AI، Apple، وTuri. ركز مساره المهني باستمرار على تحسين البرمجيات والبنية التحتية التي تدعم أنظمة الذكاء الاصطناعي الحديثة.

INT21 تبني بنية تحتية للذكاء الاصطناعي ذات تحسين ذاتي صممت لاستخدام أسراب العوامل المستقلة لتطوير واختبار ومعايرة وتحسين البرمجيات التي تشغل أعباء العمل الذكية بصورة مستمرة. يتركز اهتمامها الحالي على مصنع محرك الاستدلال، الذي يستخدم عوامل متخصصة لاستكشاف استراتيجيات التحسين بالتوازي وبناء محركات استدلال كاملة تشمل نوى CUDA وPTX، والسائقين، وبنية الخدمة، مع التحقق من الأداء مباشرة على الأجهزة المستهدفة. تُبنى تقنية الشركة على SwarmOS، منصة سحابية أصلية تسمح لعدد كبير من العوامل بالتنسيق حول أهداف هندسية قابلة للقياس مع الاحتفاظ بالأدلة والدروس بين الأجيال. أظهرت INT21 هذا النهج في البداية من خلال مصنع نوى PTX، الذي أنتج وقام بمعايرة نوى GPU عبر أجهزة NVIDIA Hopper وBlackwell؛ ومنذ ذلك الحين حولت موارد الحوسبة إلى تحسين محركات الاستدلال الكاملة.

قمت بتأسيس INT21 بعد مواجهة صعوبة مستمرة في توظيف مهندسي بنية تحتية متخصصين بسرعة كافية لبناء وتحسين أنظمة الذكاء الاصطناعي. ما الذي أقنعك أن الحل ليس مجرد أدوات تطوير أفضل، بل أسراب عوامل مستقلة ذات تحسين ذاتي قادرة على تولي هذا العمل بنفسها؟

إنها مشكلة معروفة أن الطلب على المواهب المتخصصة في بنية تحتية الذكاء الاصطناعي عبر تخصصات مختلفة يفوق العرض، وقد واجهت هذا التحدي بنفسي. هذا ما دفعني للنظر إلى أسراب العوامل ذات التحسين الذاتي كخيار. خلال السنوات القليلة الماضية، عملت على حلول ذكاء اصطناعي ذات تحسين ذاتي، والآن تتحرك التقنية بسرعة تجعل هذه الأنظمة قادرة حقًا على بناء وتشغيل وتحسين البنية التحتية بشكل مستقل.

الفلسفة الأساسية وراء INT21 هي أن العوامل، مثل البشر، تصبح أكثر ذكاءً من خلال تراكم المعرفة. هذا يختلف جوهريًا عن أدوات التطوير التقليدية التي لا تزال مقيدة بعدد الساعات التي يمكن لشخص ما العمل بها والمشكلات التي يمكنه حلها فعليًا. استخدام أسراب العوامل ذات التحسين الذاتي يعني أننا نصبح أسرع وأكثر دقة وكفاءة مع كل دورة إنتاج. وبما أن عواملنا غير مقيدة بالأطر الحالية، يمكننا بناء حلول من الصفر لكل عبء عمل محدد.

قبل INT21، أسست HippoML التي استحوذت عليها NVIDIA بعد 14 شهرًا من الإطلاق، ثم أصبحت مهندسًا مميزًا في NVIDIA. ماذا علمتك تلك التجارب عن عنق الزجاجة في بنية تحتية الذكاء الاصطناعي التي شكلت في النهاية بنية ومهمة INT21؟

في HippoML، تخصصنا في استدلال الذكاء الاصطناعي التوليدي عالي الأداء، وبنينا أدوات تحسين برمجية لتشغيل نماذج اللغة الكبيرة بسرعة وكفاءة أكبر. أدركنا أننا لا نستطيع التوسع دون الاعتماد على مقاولين موهوبين من أوروبا الشرقية وأماكن أخرى، فقط لمواكبة الطلب المتزايد على تحسين استدلال الذكاء الاصطناعي.

بعد أن استحوذت NVIDIA علينا، بدأت ببناء نهج تطوير قائم على العوامل داخل الشركة. نحن نشرنا أبحاثًا تثبت أن الحزام (طبقة البنية التحتية حول النموذج) هو ما يحدد فعليًا أداء العامل، وليس النموذج نفسه. كان ذلك دليلًا على أن عنق الزجاجة الحقيقي في بنية تحتية الذكاء الاصطناعي ليس العثور على نماذج أفضل، بل تحسين الأنظمة التي تشغلها.

مع تحسن النماذج، يجب أن تتوسع البنية التحتية حولها بالمثل. لكن دورات التحسين التي يديرها البشر تكافح لمواكبة السرعة. تقوم بتحسين حلقة تدريب لنموذج واحد، ثم تنشرها، وإذا تغيرت بنية النموذج أو ظهرت جيل جديد من وحدات GPU، عليك أن تبدأ من جديد. في ظل وجود تحديث نموذج جديد تقريبًا كل أسبوع، يصبح هذا النهج القديم غير مستدام. هذا الإدراك أقنعني بأن الاختراق التالي يكمن في البنية التحتية ذات التحسين الذاتي، مما دفعني لتأسيس INT21.

تصف INT21 نهجها بأنه “بنية تحتية ذات تحسين ذاتي”، وهو مختلف تمامًا عن التحسين الذاتي المتكرر حيث يحاول الباحثون جعل نموذج الذكاء الاصطناعي الأساسي أكثر قدرة. كيف يعمل نهجكم، ولماذا تعتقد أن تحسين الأنظمة حول النماذج القائمة قد يحقق مكاسب ذات معنى أقرب زمنًا؟

نهج التحسين الذاتي المتكرر يركز على تدريب نماذج مملوكة، وتجميع فرق بحثية، وجمع رأس مال هائل. إنها رحلة تستغرق عقدًا من الزمن وتكلف مبالغ طائلة، لأنك تطلب من النموذج أن يفكر في عملية تدريبه الخاصة.

نهجنا مختلف. في INT21، لا نسعى لتحسين النماذج المتقدمة نفسها، وهو ما قد يستغرق سنوات ومليارات من رأس المال. بل نبني أسراب عوامل تحسن الحزام، طبقة البنية التحتية التي تقع بين النموذج والأداء. هذا ما أثبتته أبحاثي في Nvidia: الحزام، وليس النموذج، هو ما يحدد أداء العامل في المهام المعقدة. لا يحتاج العامل إلى فهم قدرات النموذج المتقدم لإيجاد تحسين كفاءة بنسبة 10٪؛ ما يحتاجه هو استكشاف مساحة التصميم، والقياس، والتحقق، والاحتفاظ بما ينجح.

طريقة التفكير في النهجين هي أن أحدهما يبني محطة طاقة بينما الآخر يبني باستخدام الكهرباء الموجودة بالفعل. يمكننا التحرك أسرع ومعالجة الطلب الفعلي والفوري. وهذا يعني أننا نرى بالفعل مكاسب ملحوظة وقابلة للقياس في البنية التحتية ذات التحسين الذاتي اليوم.

أطلقت INT21 مؤخرًا مصنع محرك الاستدلال، موسعةً المفهوم إلى ما وراء نوى GPU الفردية إلى محركات استدلال كاملة. ماذا يعني ذلك عمليًا عندما يبني سرب العوامل محرك استدلال بشكل مستقل ويُحسّنه، وأي أجزاء من تلك العملية تطلبت تقليديًا أكثر الخبرة البشرية تخصصًا؟

محرك الاستدلال هو البرمجية التي تشغّل نموذجًا على العتاد. إنه نظام معقّد يتخذ عشرات القرارات التصميمية في آنٍ واحد، مثل أي العمليات تُشغَل معًا في نواة واحدة، أو كيف تُوزَّع الجداول الزمنية عبر الأنوية. هذه القرارات مترابطة، فإذا غيرت واحدة، عليك إعادة اختبار كل شيء آخر.

تقليديًا، يقوم مهندس بضبط كل ذلك يدويًا لكل نموذج. بالنسبة لتوليد الفيديو والموسيقى والكلام، تكون المهمة صعبة لأنها بنى متعددة المراحل ومتعددة المقاييس ولا توجد أطر جاهزة. أسراب عوامل INT21 تبني المكدس الكامل من البداية إلى النهاية، من النوى الفردية إلى محرك الاستدلال الكامل. مكدساتنا لتوليد الفيديو والصوت لا تحتاج إلى مراجعة شفرة بشرية وتتفوق على حلول الاستدلال المتقدمة تحت نفس إعدادات التوازي.

لقد أنتج مصنع نوى PTX الخاص بكم تطبيقات تتفوق على القواعد الأساسية الحالية بنسبة تصل إلى 59٪ في بعض أعباء العمل. على المستوى التقني، أين تجد العوامل تحسينات الأداء التي تغفل عنها التطبيقات المكتوبة يدويًا أو المترجمات التقليدية؟

تفوق مصنع نوى PTX لدينا القاعدة المتاحة الأفضل بنسبة تصل إلى 59٪ مقارنةً بـ KDA (Kimi Linear Attention). يعود ذلك إلى قدرة أسراب العوامل ذات التحسين الذاتي على استكشاف آلاف المتغيّرات في جزء من الوقت، وهي عملية مرهقة ومكلفة جدًا على المهندسين البشر.

الفرق هو أن النوى المكتوبة يدويًا تعتمد على لغات مخصصة (DSLs)، قوالب، ومترجمات تم إعدادها مسبقًا لوحدات GPU. تعمل DSL جيدًا للأنماط الشائعة، لكن عندما تواجه عبء عمل جديد مثل KDA، غالبًا ما لا يستطيع المترجم العام الأداء بشكل مثالي. تتجاوز عواملنا تلك التجريدات تمامًا، مما يعني أنها غير مقيدة بفرضيات DSL أو المترجم. هذه الحرية في استكشاف مساحة التصميم بالكامل دون الالتزام بأنماط مسبقة هي مصدر التحسين.

تخلق بنية تحتية مولدة بالذكاء الاصطناعي مشكلة تحقق غير عادية: التحسين غير مفيد إذا كان أسرع لكنه غير صحيح بشكل طفيف. كيف تختبر أسراب العوامل الخاصة بكم، وتُقارن الأداء، وتُرفض الفشل، وتحتفظ بالاكتشافات الناجحة، وما مدى أهمية حلقة التغذية الراجعة هذه لجعل النظام يتحسن ذاتيًا فعليًا وليس مجرد عامل برمجة ذكاء اصطناعي؟

حلقة التغذية الراجعة حاسمة، لأن التحسين لا قيمة له إذا كان صحيحًا فقط تحت افتراضات محددة أو لتوزيع مدخلات معين. في INT21، نضمن أن تكون حلقة التغذية الراجعة صارمة.

نبدأ من النموذج، قيود النشر، والقياس الخدمي المهم. ثم تستكشف أسراب العوامل ذات التحسين الذاتي مسارات التكوين والتحسين في آنٍ واحد، وتقيّم كل مرشح مقابل أهداف الدقة والأداء. تُحتفظ فقط بالتطبيقات التي تعمل.

ما يجعل ذلك تحسينًا ذاتيًا حقيقيًا هو أن بيانات التحقق نفسها تتحسن. تلك البيانات تُعيد تغذية أسراب العوامل، فتُعيد صقل فهمها لما ينجح، وتغلق حلقة التغذية الراجعة باستمرار. بدون هذه الصرامة، ستحصل فقط على نظام يولّد شفرات تبدو مقبولة ويمكن شحنها بسرعة، لكن مع ديون تقنية تتراكم بصمت وتقوّض الثقة في ما يُبنى.

في NVIDIA، عملت على مشاريع تشمل VibeTensor وAgentic Variation Operators، حيث ولدت العوامل كميات كبيرة من برمجيات النظام وبحثت تلقائيًا عن تحسينات GPU. ماذا كشفت تلك المشاريع عن أنواع المشكلات الهندسية التي يمكن للعوامل الذكائية حلها بالفعل والتي قد يظن الكثير من المطورين أنها لا تزال تتطلب خبراء بشريين؟

علمتني VibeTensor شيئًا أسميه “تأثير فرانكشتاين”. قام الذكاء الاصطناعي بعمل صحيح على كل مستوى، لكن عندما تجمع كل تلك القطع معًا كنظام، يظل أقل مما يستطيع الخبراء البشر بناءه.

كان عمل Agentic Variation Operators عكس ذلك. أظهر أن الذكاء الاصطناعي يمكنه التفوق على الخبراء البشر في مشكلات ذات نطاق ضيق. توليد النوى مثال جيد، لأن المشكلة ضيقة، قابلة للقياس، ولها هدف واحد.

“تأثير فرانكشتاين” هو بالضبط ما تحله INT21. عينات الهندسة من مصنع محرك الاستدلال لدينا تتفوق على محركات الاستدلال المفتوحة المصدر عالية الأداء مثل SGLang وvLLM، لأننا تعلمنا هيكلة المشكلة بشكل صحيح. نُعطي العوامل قيودًا واضحة، أهدافًا قابلة للقياس، وحلقات تغذية راجعة محكمة. لا يزال الخبراء البشر ضروريين، لكن بدلاً من إجراء تحسينات، يقدمون توجيهًا قيمًا ويفسرون النتائج. يضاعف الذكاء الاصطناعي تأثير الخبير من خلال التنفيذ الأسرع وبشكل أكثر منهجية مما يستطيع أي إنسان.

تستخدم INT21 عدة عوامل متخصصة بدلاً من الاعتماد على عامل واحد بسياق نافذة كبير متزايد. لماذا ترى أن تنسيق متعدد العوامل هو نهج أكثر قابلية للتوسع لمشكلات الهندسة المعقدة، وكيف تقسم العوامل العمل، وتشارك الاكتشافات، وتتجنب التكرار أو التعارض بينها؟

نافذة السياق الأكبر تسمح لك بحفظ مزيد من المعلومات في آنٍ واحد، لكنها لا تساعدك على حل مشكلات متعددة الأبعاد حيث كل شيء مترابط. نستخدم منصة سحابية أصلية لتشغيل عوامل متخصصة، جميعها تعمل نحو هدف قابل للقياس نفسه. تستكشف العوامل بالتوازي، وتستمر في التقارب نحو حلول أقوى.

هذا أكثر قابلية للتوسع لعدة أسباب. أولاً، يبقى كل عامل مركزًا على مهمته. ثانيًا، لا تطلب من عامل واحد التفكير في كل شيء مرة واحدة، لذا تكون العملية أكثر كفاءة. وأخيرًا، يعكس ذلك طريقة عمل فرق البنية التحتية فعليًا، حيث تمتلك كل فرقة نطاقها الخاص، لكنها تتزامن عندما تؤثر القرارات على بعضها البعض.

إذا أصبحت أسراب العوامل قادرة على تحسين النوى، ومحركات الاستدلال، والمترجمات، والطبقات الأخرى من مكدس الذكاء الاصطناعي باستمرار، كيف سيتغير دور مهندس البنية التحتية؟ هل تتوقع أن هذه الأنظمة ستعالج نقص المهندسين المتخصصين أولًا، أم ستؤتمت في النهاية جزءًا كبيرًا من تطوير البنية التحتية نفسها؟

ستتغير وظيفة مهندس البنية التحتية تمامًا. لم يعودوا يضطرون إلى الخوض في شفرة النوى وضبط الذاكرة. بل يحددون الأهداف، يضعون مساحة التصميم، يضعون القيود، ويفسرون النتائج.

مع مرور الوقت، سيحتاج عدد أقل من مهندسي البنية التحتية للحفاظ على تشغيل الأنظمة وتحسينها. لكن العمل الاستراتيجي المتبقي يصبح أكثر قيمة، وليس أقل. عمليًا، يعني ذلك أن المؤسسات يمكنها تشغيل بنية تحتية للذكاء الاصطناعي معقدة بعدد أقل بكثير من المهندسين المتخصصين مقارنةً بما هو مطلوب اليوم. وهذا مهم لكل شركة تسعى لبناء أنظمة ذكاء اصطناعي إنتاجية.

رؤيتكم طويلة الأمد هي أن تعمل أسراب العوامل ذات التحسين الذاتي عبر كل طبقة من بنية تحتية الذكاء الاصطناعي. كيف يبدو هذا المكدس إذا نجحت الرؤية، وهل يمكن أن نصل في النهاية إلى نقطة حيث تعيد بنية تحتية الذكاء الاصطناعي كتابة نفسها وتحسينها باستمرار مع تغير النماذج وأعباء العمل والعتاد؟

حاليًا، كل طبقة من مكدس الذكاء الاصطناعي تُحسّن بشكل مستقل، من النوى منخفضة المستوى إلى الأطر الأساسية، إلى الواجهات. لكنها لا تتنسيق مع بعضها البعض. لذا يمكنك تحسين طبقة واحدة، ثم تتسبب عن غير قصد في كسر شيء آخر في المراحل اللاحقة.

في INT21، الرؤية هي أن تتنسيق أسراب العوامل بشكل مستقل عبر جميع هذه الطبقات، وتستمر في التعديل والتكيف. عندما يأتي نموذج جديد، يعيد المكدس بالكامل تحسينه له، بحيث لا تتأخر البنية التحتية عن ما يُشغَّل عليها.

لم يكن ذلك ممكنًا لأن المهندسين البشر لا يستطيعون التحرك بسرعة كافية. لكن مع أسراب العوامل التي تستمر في التحسين، تظهر بنية تحتية ذات تحسين ذاتي كفئة حوسبة متميزة. البنية التحتية التي يمكنها التكيف بسرعة النماذج والعتاد هي التي ستفوز. كل ما عدا ذلك يصبح عبئًا.

شكرًا لكم على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا INT21.