أكثر من مجرد "شريحة" - حرب البُنى المعمارية للذكاء في نوفمبر 2025
في قلب ثورة الذكاء الاصطناعي، تدور رحى حرب خفية لا تقل ضراوة عن صراع الشركات العملاقة. إنها معركة البُنى المعمارية للرقائق الإلكترونية، حيث تتنافس NVIDIA بوحدات معالجة الرسوميات (GPUs) التي أصبحت المعيار الذهبي للتدريب، وAlphabet (Google) بوحدات معالجة الموتر (TPUs) المصممة خصيصاً لمهام الذكاء الاصطناعي.
السؤال ليس من الأفضل ببساطة، بل من يمتلك الرؤية المعمارية التي ستشكل مستقبل الذكاء الاصطناعي؟ هذا المقال يغوص في جوهر الفروقات، يكشف أوراق القوة والضعف لكل منهما، ويرسم ملامح الطريق نحو الذكاء الاصطناعي الفائق – مدعوماً بأحدث البيانات حتى 27 نوفمبر 2025، مع مقارنات دقيقة وأرقام محدثة.
1. NVIDIA GPU: "الحصان الجامح" للتدريب والبحث العام
NVIDIA، بقيادة جنسن هوانج، لم تصمم وحدات معالجة الرسوميات (GPUs) في الأصل للذكاء الاصطناعي، لكن مرونتها وقدرتها على المعالجة المتوازية الضخمة جعلتها الركيزة الأساسية للثورة. في 2025، تسيطر GPUs على 80-92% من سوق معالجات التدريب، مع Blackwell B200 يقدم 9 petaFLOPS في BF16.
جوهر القوة: المعالجة المتوازية والمرونة
البنية المعمارية: تعتمد GPUs على آلاف نوى المعالجة الصغيرة (CUDA Cores) التي تعمل بالتوازي. هذه البنية مثالية للمهام التي تتطلب عمليات حسابية مكثفة ومتكررة بشكل مستقل، مثل ضرب المصفوفات الكبيرة، والتي تشكل جوهر تدريب الشبكات العصبية العميقة. Blackwell B200 يصل إلى 8 TB/s memory bandwidth مع 192 GB HBM3e.
المرونة (Versatility): هذه هي نقطة قوة NVIDIA الأبرز. يمكن لـGPUs التعامل مع مجموعة واسعة من أعباء العمل: من تدريب نماذج اللغات الكبيرة (LLMs) والرؤية الحاسوبية (Computer Vision)، إلى المحاكاة الفيزيائية (Physics Simulations) والرسوميات ثلاثية الأبعاد. هذا يجعلها الخيار المفضل للباحثين الذين يستكشفون نماذج جديدة وغير معروفة، مع دعم 90% من الأبحاث العالمية.
النظام البيئي (Ecosystem): تمتلك NVIDIA نظاماً بيئياً هائلاً يشمل مكتبات برمجية (مثل CUDA وcuDNN) وأطر للتعلم العميق (مثل PyTorch وTensorFlow) تم تحسينها بشكل كبير للعمل على GPUs. هذا الدعم الواسع يقلل من حاجز الدخول للمطورين ويضمن توافقية عالية، حيث يسيطر CUDA على 80% من deployments في 2025.
تحديات GPUs في عصر الذكاء الاصطناعي الفائق
الاستهلاك الطاقي: مع تزايد حجم النماذج، تستهلك GPUs طاقة كهربائية هائلة وتنتج حرارة كبيرة، مما يزيد من تكلفة التشغيل والبنية التحتية لمراكز البيانات. الاستهلاك الفعلي للـB200 يصل إلى 600 واط تحت الأحمال العادية، مع إمكانية الوصول لـ1,200 واط عند الحد الأقصى TDP.
تكاليف الشراء: أسعار أحدث وحدات GPU (مثل سلسلة H100 وBlackwell B200) باهظة للغاية، حيث تتراوح أسعار B200 بين $45,000-50,000 لكل شريحة، مما يجعل بناء "مصانع الذكاء الاصطناعي" مكلفاً جداً.
الاستخدام غير الفعال للمساحة (Spatial Efficiency): على الرغم من قوتها، فإن GPUs ليست مصممة حصرياً لمهام الذكاء الاصطناعي، مما يعني أن جزءاً من بنيتها قد لا يُستغل بكفاءة 100% في تدريب النماذج، خاصة مقارنة بـTPUs في المهام المتخصصة.
2. Alphabet TPU: "الرياضي المتخصص" لكفاءة تدريب النماذج الضخمة
دخلت Alphabet (Google) المعركة بأسلوب مختلف: بناء وحدات معالجة الموتر (TPUs) المخصصة تماماً للذكاء الاصطناعي، بهدف تحقيق كفاءة غير مسبوقة في تدريب نماذجها العملاقة (مثل LaMDA وPaLM وGemini). في 2025، حصة TPUs 3-6% من السوق، لكنها توفر 4x أفضل performance per dollar في LLaMA 70B.
جوهر القوة: الكفاءة والتخصص في ضرب المصفوفات
البنية المعمارية: تعتمد TPUs على بنية معمارية تسمى "محرك ضرب المصفوفات" (Matrix Multiply Unit - MXU). هذه البنية مصممة خصيصاً لتنفيذ عمليات ضرب المصفوفات (Matrix Multiplication) وجمعها بشكل أسرع وأكثر كفاءة، وهي العمليات التي تستحوذ على الجزء الأكبر من تدريب الشبكات العصبية. TPU v7 Ironwood يصل إلى 4.6 petaFLOPS FP8 per chip.
الكفاءة (Efficiency): نظراً لتخصصها، تتفوق TPUs في الكفاءة الطاقية والأداء لكل دولار عند تدريب نماذج الذكاء الاصطناعي الضخمة. هذا يقلل بشكل كبير من أزمنة التدريب والتكاليف التشغيلية. أبحاث Google تشير إلى أن TPUs تحقق كفاءة طاقية أعلى بنسبة تصل إلى 80% مقارنة بـGPUs في مهام معينة، وفي 2025، TPU v7 Ironwood توفر 100% أفضل performance per watt من v6e.
الاندماج السلس (Seamless Integration): تم تصميم TPUs للعمل بشكل متكامل مع إطار عمل TensorFlow الخاص بـGoogle، مما يوفر تجربة تطوير وتحسين سلسة ضمن بيئة Google Cloud. JAX/XLA يدعم التحسين التلقائي للأداء.
الحوسبة الفائقة (Supercomputing Scale): توفر Google أجيالاً متعددة من TPUs (مثل v4 وv5e وv7)، وتجمعها في "TPU Pods" التي تعمل كحواسيب فائقة مخصصة للذكاء الاصطناعي، مما يتيح تدريب نماذج بمليارات المعلمات بكفاءة. TPU v7 pods تصل إلى 42.5 exaFLOPS في FP8، مع 9,216 chips.
تحديات TPUs في بيئة الذكاء الاصطناعي المتغيرة
التخصص (Specialization): في حين أن التخصص هو نقطة قوة، إلا أنه أيضاً نقطة ضعف. TPUs أقل مرونة بكثير من GPUs. لا يمكنها التعامل بفاعلية مع أعباء العمل الأخرى غير الذكاء الاصطناعي، وحتى داخل الذكاء الاصطناعي، قد لا تكون الأمثل للنماذج الجديدة أو غير التقليدية التي لا تعتمد بشكل كبير على ضرب المصفوفات.
النظام البيئي المحدود: على الرغم من دعم TensorFlow، فإن النظام البيئي لـTPUs لا يزال أقل اتساعاً وتنوعاً من NVIDIA CUDA، مما قد يحد من خيارات المطورين الذين يفضلون أطر أخرى. JAX/XLA يدعم TPUs بشكل ممتاز، لكن PyTorch/XLA يحتاج تعديلات إضافية.
إمكانية الوصول: TPUs متاحة بشكل أساسي كخدمة سحابية (Google Cloud TPU) ولا تباع كمنتجات منفصلة للمستهلكين أو الشركات لتركيبها في مراكز بياناتهم الخاصة، مما يحد من خيارات النشر المرنة. حصة السوق 3-4% في 2025، متوقع 5-6% بنهاية العام.
3. معركة الاستخدام: التدريب، الاستنتاج، وتوقيت الثورة
الاختيار بين GPU وTPU لا يعتمد فقط على البنية، بل على نوع المهمة، وحجم النموذج، وأهداف المشروع.
التدريب (Training): كلا الشريحتين متميزتان في التدريب، لكن TPUs تتفوق في كفاءة تدريب النماذج الضخمة جداً والمصممة خصيصاً لبيئتها (4x أفضل $/performance في LLaMA 70B)، بينما تبقى GPUs الخيار الأكثر مرونة وشمولية للتدريب العام والأبحاث.
الاستنتاج (Inference): هذه هي المرحلة التي يتم فيها استخدام النموذج المدرب لإنتاج التنبؤات. هنا، يمكن أن تتفوق TPUs في الكفاءة لمهام الاستنتاج المتكررة على نطاق واسع (مثل البحث في Google)، بينما توفر GPUs أداءً جيداً ومرونة أكبر للتطبيقات المتنوعة (150 tokens/s في LLaMA 70B).
الابتكار المستمر: تتسارع وتيرة الابتكار في كلا المعسكرين. NVIDIA تستمر في إصدار أجيال جديدة من GPUs (مثل Grace Blackwell) التي تدمج معالجات مركزية متخصصة للذكاء الاصطناعي. بينما تستثمر Google في تحسين أجيال TPUs وكفاءتها. TPU v7 Ironwood (أكتوبر 2025) يقدم 4.6 petaFLOPS FP8، قريب من أداء B200.
4. معركة التحالفات: Meta تتجه نحو TPUs
في تطور لافت في نوفمبر 2025، أفادت التقارير أن Meta تدرس استخدام وحدات TPU من Google في مراكز بياناتها بحلول 2027، مما أدى لانخفاض أسهم NVIDIA بنسبة 4-7% في يوم واحد. هذا التحول الاستراتيجي يعكس رغبة عمالقة التكنولوجيا في تنويع مصادرها وتقليل الاعتماد على مورد واحد.
وفقاً لمصادر داخل Google، الشركة تستخدم TPUs حصرياً لجميع عمليات الاستنتاج الخاصة بها، بما في ذلك Gemini وVeo، بينما تشتري GPUs من NVIDIA فقط لعملاء Google Cloud. هذه الخطوة تؤكد أن المعركة لم تعد تقنية فقط، بل أصبحت سياسية واقتصادية بامتياز.
5. Anthropic: نموذج التنويع الذكي
شركة Anthropic، المطورة لنماذج Claude، تخطط لاستخدام ما يصل إلى مليون وحدة TPU لتدريب وتشغيل الأجيال القادمة من نماذجها، في خطوة تعكس الثقة المتزايدة في قدرات Google. لكن الأمر الأكثر إثارة هو أن Anthropic لا تضع كل بيضها في سلة واحدة - فهي تستخدم أيضاً مئات الآلاف من شرائح Amazon Trainium 2 ضمن مشروع Rainier.
هذه الاستراتيجية المزدوجة تعكس فهماً عميقاً لمستقبل الذكاء الاصطناعي: لن يكون هناك "فائز يأخذ كل شيء"، بل نظام بيئي متعدد حيث كل معمارية تخدم احتياجات محددة.
6. من الورق إلى الواقع: مفاجآت الأداء الفعلي
عندما تحصل الشركات على أحدث الشرائح، غالباً ما تكتشف فجوة بين الأداء النظري والواقع العملي. أظهرت اختبارات مستقلة أن B200 أسرع بنسبة 57% في تدريب نماذج الرؤية الحاسوبية مقارنة بـH100، وهو رقم مثير لكنه أقل من التوقعات الأولية.
أما في مهام الاستنتاج للنماذج اللغوية الكبيرة، فكانت المكاسب أصغر من المتوقع في البداية، ويُعزى ذلك لعدم نضج البرمجيات الداعمة بعد. هذا يذكرنا أن الأجهزة، مهما كانت قوية، تحتاج لنظام بيئي برمجي ناضج لتحقيق إمكاناتها الكاملة.
على الجانب الآخر، Google أعلنت أن TPU v7 Ironwood يحقق تحسناً بنسبة 100% في الأداء لكل واط مقارنة بـv6e، مما يجعله الخيار الأمثل للشركات التي تبحث عن كفاءة طاقية قصوى.
7. عقد التحول الجذري: 2025-2030
سوق معالجات الذكاء الاصطناعي، المقدر بـ1.2 مليار دولار في 2022، من المتوقع أن يصل إلى 7.5 مليار دولار بحلول 2030، بمعدل نمو سنوي مركب يتجاوز 25%. لكن الأهم من حجم السوق هو توزيع الحصص:
- 72% من الشركات الكبرى تستثمر بمتوسط 2.8 مليون دولار في شرائح ذكاء اصطناعي مخصصة
- 28% من الشركات تفضل الحلول السحابية باستثمارات تتراوح بين $150K-300K
هذا الانقسام يكشف عن حقيقة جوهرية: الشركات الكبرى تبني "سيادتها التقنية" من خلال شرائح مخصصة، بينما تعتمد الشركات الأصغر على المرونة السحابية.
كل عمالقة التكنولوجيا - Google، Amazon، Meta، Microsoft، وحتى OpenAI - يستثمرون الآن في تطوير شرائح ASIC مخصصة، في إشارة واضحة إلى أن الاعتماد الكامل على NVIDIA لم يعد خياراً استراتيجياً سليماً. نجاح Google في تدريب Gemini 3 بالكامل على TPUs أثبت أن البدائل ليست نظرية، بل واقع فعلي.
الخلاصة: ليست معركة تقنية، بل رؤية للمستقبل
ردت NVIDIA على المخاوف بتأكيد أن تقنيتها "متقدمة بجيل كامل" وأنها "المنصة الوحيدة التي تشغل كل نموذج ذكاء اصطناعي في كل مكان"، لكن كما أشار كريس ميلر، مؤلف "Chip War"، فإن TPUs من Google قد تكون تقنياً مساوية أو حتى متفوقة على GPUs من NVIDIA في مجالات محددة.
الحقيقة أن السؤال لم يعد "من الأفضل؟" بل "ما هي المعمارية الأنسب لحالة الاستخدام الخاصة بك؟"
التوصيات الاستراتيجية:
للباحثين والشركات الناشئة: GPUs لا تزال الخيار الأمثل بفضل نظامها البيئي الناضج والمرونة في التجريب مع نماذج جديدة.
للشركات الكبرى: TPUs توفر كفاءة أعلى وتكلفة أقل لكل استعلام عند تشغيل نماذج ضخمة على نطاق واسع.
للمستقبل: المنصات الهجينة التي تجمع بين نقاط القوة في كلتا المعماريتين، والشركات التي تستطيع تطوير نظام بيئي برمجي يدعم هذا التنوع.
تقرير IDC يشير إلى أن نموذج AI Hypercomputer من Google حقق عائد استثمار بنسبة 353% على مدى ثلاث سنوات، مع تخفيض إنفاق تكنولوجيا المعلومات بنسبة 28% - وهو دليل ملموس على أن الكفاءة قد تتفوق على القوة الخام في عصر الذكاء الاصطناعي الفائق.
مستقبل الذكاء يتطلب أكثر من "شريحة واحدة"
لا يوجد "فائز" مطلق في هذه المعركة، بل حلول مصممة لأهداف مختلفة. NVIDIA GPUs هي "الحصان الجامح" للبحث العام، المرونة، والنظام البيئي الواسع (حصة 80-90%). بينما Alphabet TPUs هي "الرياضي المتخصص" الذي يحقق كفاءة لا مثيل لها في تدريب النماذج الضخمة داخل نظام بيئي محكم (حصة 3-6%).
مستقبل الذكاء الاصطناعي لن يكون حكراً على شريحة واحدة، بل على البنى المعمارية الهجينة (Hybrid Architectures) التي تجمع بين نقاط قوة كلتا التقنيتين، وعلى الشركات التي تستطيع تطوير نظام بيئي برمجي يدعم هذا التنوع.
المتخصصون يدركون أن فهم هذه الفروقات ليس رفاهية، بل ضرورة استراتيجية لتوجيه استثماراتهم ومشاريعهم في سباق الذكاء الاصطناعي الذي لن يتوقف، بل سيتسارع بشكل أسي في السنوات القادمة.
