الفجوة الرقمية الجديدة في الذكاء الاصطناعي: لماذا ستحقق النماذج الجاهزة للطرف والمتوافقة مع معالجات 중앙ي الأفضلية في حرب التكلفة

يتوسع سوق الذكاء الاصطناعي العالمي بسرعة مذهلة. في عام 2024، تم تقديره عند 257.68 مليار دولار، مع توقعات تضع قيمته عند 371.71 مليار دولار بحلول نهاية عام 2025 وتصعد إلى 2.4 تريليون دولار بحلول عام 2032. هذا يعني زيادة تقريبا عشر مرات في أقل من عقد من الزمن، مسار يتنافس مع بعض أكبر الثورات التكنولوجية في التاريخ الحديث.

على مدار العقد الماضي، حصلت ما يقرب من 1500 شركة ذكاء اصطناعي جديدة على استثمارات تتجاوز 1.5 مليون دولار، مما يشير ليس فقط إلى موجة من الابتكار ولكن أيضا إلى وجود قوي للتنافس الشديد. الشركات القائمة لا تجلس على الأرصفة أيضا. وفقا لتقرير صناعي لشركة ماكينزي في يناير، يخطط 92% من المنظمات لزيادة إنفاقها على الذكاء الاصطناعي خلال السنوات الثلاث القادمة.

لكن مع تسارع اعتماد الذكاء الاصطناعي، يظهر البنية التحتية التي تدعمه بعض الشقوق. على مدار السنوات القليلة الماضية، انتقل الذكاء الاصطناعي من العروض المثيرة إلى حمولات عمل حقيقية ومستمرة.

العقبة الحقيقية ليست فقط في جودة النموذج، بل في مكان وطريقة تشغيل تلك النماذج. تتكون فجوة رقمية جديدة، ليس حول الوصول إلى البيانات أو المواهب، ولكن حول استراتيجية الحوسبة. تواجه المنظمات مفترق طرق حاسم: الاستمرار في الاعتماد على أنظمة ثقيلة بالوحدات الرسومية (GPU) ومتمركزة في السحابة، أو تبني هياكل أقل تعقيداً وجاهزة للطرف (Edge) ومعتمدة على معالجات 중앙ي (CPU) التي تتميز بتكلفة تشغيل أقل عند التوسع، وسهولة التثبيت في بيئات متنوعة، وتتوافق بشكل أفضل مع احتياجات الخصوصية والاتصال.

تكون الخيارات المعمارية مهمة لأن العبء الحقيقي ليس في بناء النماذج، بل في تشغيلها يوماً بعد يوم. यह هو المكان الذي تتجاوز فيه تكاليف الاستدلال بسرعة تكاليف التدريب وتهيئ اقتصاد الذكاء الاصطناعي عند التوسع.

الاستدلال يبتلع ميزانيات الذكاء الاصطناعي

في حين أن العناوين الرئيسية غالباً ما تسلط الضوء على الإنفاق الكبير لتدريب النماذج المتقدمة، فإن الاستدلال هو الفاتورة التي لا تتوقف. يشير تقرير مؤشر الذكاء الاصطناعي لجامعة ستانفورد لعام 2025 إلى أن التطورات السريعة في النماذج الصغيرة قد خفضت تكلفة تحقيق أداء “GPT-3.5” بمزيد من 280 مرة بين نهاية عام 2022 ونهاية عام 2024. ومع ذلك، يؤكد التقرير أيضا على هوس الصناعة بتحسين كفاءة الاستدلال.

أثارت أسعار وحدات معالجة الرسومات (GPU) في السحابة فقط الضغط. يمكن أن تكلّف استئجار مثيلات GPU عالية الأداء، على مدى أفق ثلاث إلى خمس سنوات، تقريباً ضعف سعر شراء نفس الأجهزة. إن المرونة مفيدة لتحميل العمل الشبكي، ولكن استئجار الاستدلال لفترات طويلة يهدر الميزانيات بهدوء. حتى شركة إنفيديا، التي تعتمد أعمالها على معززات، قد أنفقت العام الماضي بجد في تحسين الاستدلال عبر كافة منصاتها. هذا يدل على أن ساحة المعركة الحقيقية تتحرك من أداء التدريب إلى اقتصاد الخدمة.

يعني هذا الضغط الناشئ عن التكلفة أن المنظمات التي لا ترغب أو لا تستطيع إعادة التفكير في استراتيجيات الحوسبة الخاصة بها تتعرض لخطر التخلف.

لماذا يغير الطرف (ومعالجات 중앙ي) من منحنى التكلفة

الواقع القاسي هو أن الاستدلال المعتمد على وحدات معالجة الرسومات (GPU) يخلق اقتصاديات غير مستدامة. تشغيل حمولات عمل ذكاء اصطناعي كبيرة ووقت حقيقي على وحدات معالجة رسومات باهظة الثمن لا يزيد فقط من التكاليف، بل يسرع أيضاً من التهالك المادي للمعدات. دورات الابتكار تتحرك بسرعة كبيرة، غالباً أقل من 18 شهراً بين أجيال جديدة من الرقاقات، بحيث تفقد استثمارات البنية التحتية قيمتها بسرعة. هذا أدى إلى تحذير المحللين من تكاليف التهالك المرتبطة بشراء رقاقات الذكاء الاصطناعي لأنهم يخفضون بالفعل تقديرات الأرباح. على سبيل المثال، من المتوقع أن تتحمل شركة ألفابيت 28 مليار دولار في تكاليف التهالك بحلول عام 2026.

المصانع، العيادات، المحلات التجارية، والأجهزة المحمولة هي الأماكن التي سيتطلب فيها الذكاء الاصطناعي العمل بشكل متزايد. إرسال كل طلب إلى مجموعة مركزية من وحدات معالجة الرسومات غالباً ما يكون الأداة الخاطئة للعمل لأنها باهظة الثمن، وتستهلك طاقة كبيرة، وتعاني من تأخيرات وقلق بشأن الخصوصية.

بيئات الطرف ليست مزارع متجانسة من وحدات معالجة الرسومات. إنها أساطيل متنوعة من معالجات 중앙ي: خوادم، حواسيب محمولة متينّة، حواسيب محمولة، وأجهزة محمولة. هذا التنوع يجعل معالجات 중앙ي أساساً طبيعياً لتنفيذ الذكاء الاصطناعي بكفاءة في التكلفة.

في هذا المنظر الجديد، معالجات 중앙ي ليست فقط بديلاً، بل هي الطريق الذكي التكلفة لتنفيذ الذكاء الاصطناعي القابل للتوسع والمنفتح.

وحدات معالجة الرسومات كـ “طائرة خاصة” للذكاء الاصطناعي

كلما ازدادت نماذج الذكاء الاصطناعي حجمًا و複雑ية، زادت الحاجة إلى طاقة وحدة معالجة الرسومات، مما لا يزيد فقط من تكاليف البنية التحتية والطاقة، بل يركز أيضاً قدرات الذكاء الاصطناعي المتقدمة في أيدي الذين يمكنهم تحمل تكاليفها.

تشير الدراسات إلى أن النماذج العامة الكبيرة للنماذج التوليدية غالباً ما تستخدم كميات كبيرة من الطاقة وتولّد انبعاثات كربونية أعلى بشكل ملحوظ لكل ألف استدلال مقارنة بنظم أصغر وأكثر تحديداً. حتى عند التحكم في عدد المعاملات، تعزز هياكل معالجة الرسومات الحواجز المالية والتشغيلية. بمرور الوقت، يخلق هذا عائقاً، مما يجعل من الصعب بشكل غير متناسب على الشركات الناشئة والباحثين والمجتمعات المحرومة الوصول إلى أدوات الذكاء الاصطناعي المتقدمة.

إنها مشكلة حصرية: وحدات معالجة الرسومات مثل الطائرات الخاصة، فهي سريعة وقوية، ولكنها متاحة فقط لدائرة صغيرة من المنظمات الممولة جيداً.

لكن الاعتراف بهذه الحدود لا يعني رفض وحدات معالجة الرسومات تماماً. لا تزال هذه الوحدات استثنائية لبعض فئات النماذج وأنماط الإنتاج. استراتيجية معالجات مرکزی أولاً ليست معادية لوحدات معالجة الرسومات. إنها حل ذكي التكلفة.

هذا النهج يوسع نطاق الوصول ويعمل على ضمان أن يتم دفع تنفيذ الذكاء الاصطناعي بالكفاءة، لا بالpretentiousness. بدلاً من مستقبل محدد بالحصرية لوحدات معالجة الرسومات، تفتح معالجات مرکزی الباب أمام تنفيذ الذكاء الاصطناعي القابل للتوسع والمتوافق والشامل.

الانتقال الضروري إلى نماذج مدعومة بمعالجات مرکزی

إذا كان اقتصاد الذكاء الاصطناعي سيتوسع بشكل مستدام، فإن الحل يتمثل في إعادة تخيل كيفية تدريب النماذج وتنفيذها. أحد النهج يتمثل في إعطاء الأولوية للبيانات عالية الإنتروبيا وحالات الحواف خلال التدريب. هذه المدخلات تدفع التقدم المهم وتقلل من الحاجة إلى مجموعات بيانات ضخمة، مما يسمح للنماذج بالتشغيل بمتغيرات أقل مع الحفاظ على الفعالية العالية.

من خلال كونها مدمجة بدرجة كافية للتشغيل على معالجات مرکزی عامة، سواء في الحواسيب المحمولة أو الهواتف الذكية أو الخوادم أو أجهزة إنترنت الأشياء، تقلل هذه النماذج بشكل كبير من تكاليف الاستدلال واستهلاك الطاقة. كما تمكن المعالجة في الوقت الفعلي مباشرة على الجهاز، مما يقلل من التأخير ويحسن الخصوصية من خلال الحفاظ على البيانات الحساسة محليًا.

هذا التحول ليس فقط حول التكلفة؛ إنه أيضاً حول العدالة. في قطاعات مثل الرعاية الصحية، حيث توجد “صحاري” من الوصول، يمكن لتنفيذ نماذج معالجات مرکزی جاهزة للطرف أن يغلق الفجوات من خلال تقديم أدوات ذكاء اصطناعي متقدمة مباشرة إلى العيادات أو مراكز الاتصال أو الأجهزة الميدانية دون الاعتماد على حواسيب مركزية نادرة.

من القوة إلى الوصول: معالجات مرکزی كعامل مساواة كبير في الذكاء الاصطناعي

سوف تختبر السنوات القادمة ليس من يمكن بناء نماذج الذكاء الاصطناعي الأكثر قوة، بل من يمكن تقديمها بكفاءة ومستدامة وبتوسع. تقدم نماذج معالجات مرکزی المُحسّنة للطرف طريقًا للأمام. من خلال تمكين الذكاء الاصطناعي من التشغيل بشكل فعال على الأجهزة العامة، تقلل هذه النماذج من الحواجز أمام الشركات الناشئة والباحثين، وتقلل من الاعتماد على سلاسل التوريد الهشة، وتجلب التطبيقات المتقدمة إلى البيئات التي تكون فيها مجموعات وحدات معالجة الرسومات المركزية غير عملية.

تقييم البنية التحتية لذكاء اصطناعي من خلال مقاييس مثل التكلفة الإجمالية لكل ساعة من الاستدلال، ودرجات التثبيت، وجاهزية الطرف، يضمن أن الحلول تُحكم ليس فقط من خلال دقة البENCHMARK، بل أيضاً من خلال khảية توسيعها بأسعار معقولة وشاملة في العالم الحقيقي.

المراهنة عالية. إذا استمرت الصناعة في معاملة وحدات معالجة الرسومات كالأساس، ستبقى الوصول حكراً، وستتركز الابتكارات، وستتأخر انتشارها في الخدمات العامة والرعاية الصحية والقطاعات المحرومة. لكن إذا تم تبني استراتيجيات معالجات مرکزی أولاً وجاهزة للطرف، يمكن للذكاء الاصطناعي أن يصبح أكثر متانة وخصوصية واستدامة. هذا لا يعادل فقط ساحة اللعب، بل يعيد تعريفها.