04 سبتمبر 2025·5 دقيقة
جينسن هوانغ والاستراتيجية وراء العمود الفقري للذكاء الاصطناعي لدى نفيديا
كيف حوّل جينسن هوانغ نفيديا من صانع بطاقات ألعاب إلى بنية تحتية للذكاء الاصطناعي—رهانات منصات، CUDA، مراكز بيانات، وشراكات غذّت الانطلاقة.
كيف حوّل جينسن هوانغ نفيديا من صانع بطاقات ألعاب إلى بنية تحتية للذكاء الاصطناعي—رهانات منصات، CUDA، مراكز بيانات، وشراكات غذّت الانطلاقة.
عندما يصف الناس نفيديا بأنها «العمود الفقري للذكاء الاصطناعي»، فهم لا يمتدحون فقط شرائح سريعة. إنهم يشيرون إلى مجموعة من اللبنات الأساسية التي تعتمد عليها أنظمة الذكاء الاصطناعي الحديثة لتدريب النماذج، تشغيلها في المنتجات، وتوسيعها بشكل اقتصادي.
ببساطة، العمود الفقري هو ما تعتمد عليه الأجزاء الأخرى. بالنسبة للذكاء الاصطناعي، عادةً ما يعني ذلك أربعة أشياء تعمل معًا:
إذا غاب أيٌّ من هذه، يتباطأ تقدم الذكاء الاصطناعي. سيليكون سريع دون برمجيات قابلة للاستخدام يبقى في المختبر؛ وأدوات رائعة دون سعة هاردوير كافية تصطدم بجدار.
تُروى هذه القصة غالبًا عبر شخصية جينسن هوانغ، المؤسس المشارك والرئيس التنفيذي لنفيديا—ليس كعبقري وحيد، بل كقائد اتخذ رهانات من نوع المنصة مرارًا. بدلاً من النظر إلى GPUs كفئة منتج واحدة، استثمرت نفيديا مبكرًا في تحويلها إلى أساس يمكن للشركات البناء عليه. هذا تطلّب الالتزام بدورات طويلة من استثمار البرمجيات وبناء علاقات مع المطورين ومزودي السحابة والمؤسسات قبل أن يكون العائد واضحًا.
الأقسام التالية تفكك كيف انتقلت نفيديا من الرسوم إلى الحوسبة العامة، لماذا كانت CUDA مهمة، كيف أعاد التعلم العميق تشكيل الطلب، وكيف شكّلت هندسة النظم والشراكات وقيود التصنيع السوق. الهدف ليس تمثيل نفيديا أسطوريًا—بل فهم التحركات الاستراتيجية التي حوّلت عنصرًا إلى بنية تحتية.
نفيديا لم تبدأ كشركة "ذكاء اصطناعي". كانت هويتها المبكرة الرسوم: صنع GPUs قادرة على عرض عوالم ثلاثية الأبعاد بسلاسة للاعبين والمصممين. هذا التركيز أجبر الفريق على التميّز في قدرة أثبتت لاحقًا أهميتها—القيام بالعديد من العمليات الرياضية الصغيرة في نفس الوقت.
لرسم إطار لعبة واحد، يجب على الحاسوب حساب الألوان، الإضاءة، القوام، والهندسة لملايين البكسلات. والأهم أن كثيرًا من حسابات البكسلات هذه لا تعتمد على بعضها البعض. يمكنك العمل على البكسل #1 والبكسل #1,000,000 في آن واحد.
لهذا تطورت GPUs إلى آلات متوازية ضخمة: بدلاً من وجود أنوية قليلة قوية جدًا، لديها الكثير من الأنوية الصغيرة المصممة لتكرار عمليات بسيطة عبر دفعات ضخمة من البيانات.
تشبيه بسيط:
عندما أدرك المهندسون أن أنماط التوازي نفسها تظهر خارج الألعاب—في محاكاة فيزيائية، معالجة الصور، ترميز الفيديو، والحوسبة العلمية—توقفت GPU عن الظهور كمكوّن هامشي وبدأت تبدو كمحرك عام لـ "الكثير من الحسابات في وقت واحد".
هذا التحول أعاد صياغة فرصة نفيديا: ليس فقط بيع بطاقات رسومية للمستهلكين، بل بناء منصة لأحمال العمل التي تكافئ الحوسبة المتوازية—ممهِّدًا لما سيطلبه التعلم العميق لاحقًا.
الرهان الاستراتيجي المميز لنفيديا لم يكن فقط "صنع GPUs أسرع". كان "جعل GPUs منصة يختارها المطورون—ويستمرون في اختيارها—لأن تجربة البرمجيات تتراكم بمرور الوقت."
يمكن مقارنة شريحة رسوم بسهولة بمواصفات: أنوية، عرض نطاق، استهلاك طاقة، السعر. المنصة أصعب في الاستبدال. بالاستثمار مبكرًا في نموذج برمجي ثابت، هدفت نفيديا إلى تحويل قرار الشراء من "أي شريحة هي الأسرع هذا العام؟" إلى "على أيّ تكدس سيبني فريقنا خلال السنوات الخمس القادمة؟"
CUDA حولت GPU من معالج رسوم مخصّص إلى شيء يمكن للمبرمجين استخدامه لحسابات متنوعة. بدلًا من إجبار المطورين على التفكير بمصطلحات واجهات رسوم، قدّمت CUDA طريقة مباشرة لكتابة شيفرة معجَّلة بالـGPU، مدعومة بمترجمات، أدوات تصحيح، وأدوات قياس الأداء.
كان لهذا "الجسر" أهمية لأنه خفّض الاحتكاك لتجربة أحمال عمل جديدة. ومع أن المطورين رأوا نتائج—محاكاة أسرع، تحليلات أفضل، ولاحقًا التعلم العميق—كان لديهم سبب للبقاء.
القيادة في العتاد قد تكون مؤقتة؛ لكن النظم البرمجية تتراكم. الأدوات، المكتبات، الشروحات، ومعرفة المجتمع تخلق تكاليف تحويل لا تظهر في جدول معيار الأداء. مع الوقت، تبني الفرق قواعد شيفرة داخلية، توظف خبراء في CUDA، وتعتمد على مجموعة متزايدة من اللبنات المحسنة.
CUDA ليست خالية من العيوب. هناك منحنى تعلّم، وبرمجة GPU قد تتطلب تفكيرًا خاصًا بالأداء. قابلية النقل قد تكون مصدر قلق أيضًا: قد ترتبط الشيفرة وعمليات العمل بمنظومة نفيديا، مما يخلق اعتمادًا تحاول بعض المؤسسات موازنته بمعايير وتجريدات بديلة.
غيّر التعلم العميق معنى "العتاد الجيد" للذكاء الاصطناعي. موجات سابقة من التعلم الآلي غالبًا ما كانت تناسبها CPUs لأن النماذج كانت أصغر وتجارب التدريب أقصر. الشبكات العصبية الحديثة—خصوصًا في الرؤية والكلام واللغة—حوّلت التدريب إلى مهمة ضخمة من حساب الأرقام، وهذا يتوافق مباشرة مع ما تجيده GPUs بالفعل.
التدريب يهيمن عليه تكرار نفس أنواع العمليات: ضربات مصفوفات كبيرة وجبر خطي متعلق. هذه الحسابات قابلة للتوازي بدرجة كبيرة—مما يعني إمكانية تقسيم العمل إلى قطع صغيرة وتشغيلها في نفس الوقت.
GPUs بُنيت للعمل المتوازي منذ البداية (أصلًا للرسم). الآلاف من الأنوية الصغيرة يمكنها معالجة العديد من الضربات بالتوازي، وهذا يحدث فرقًا كبيرًا عندما تقوم بمليارات أو تريليونات منها. مع نمو مجموعات البيانات وحجم النماذج، لم يعد هذا التسريع «شيئًا جيدًا» فقط—كان غالبًا ما يحدِّد ما إذا كان التدريب سينتهي خلال أيام بدلًا من أسابيع.
دورة الاعتماد المبكرة كانت عملية وليست لامعة. باحثون في الجامعات والمختبرات جربوا GPUs لأنهم يحتاجون مزيدًا من الحوسبة مقابل المال. ومع تحسن النتائج، انتشرت الأفكار في شيفرات مشتركة واضطرادات تدريب قابلة للتكرار.
ثم جعلت الأُطر الأمور أسهل. عندما دعمت أدوات شائعة مثل TensorFlow وPyTorch الـGPU خارج الصندوق، لم يعد الفريق بحاجة لكتابة شيفرة GPU منخفضة المستوى للاستفادة. هذا خفّض الاحتكاك: طلاب أكثر تمكنوا من تدريب نماذج أكبر، شركات ناشئة أكثر استطاعت النمذجة بسرعة، وشركات قائمة استطاعت تبرير الاستثمار في خوادم GPU.
من المهم ألّا ننسب الفضل كاملاً للعتاد. التقدّم نتاج خوارزميات أفضل، تقنيات تدريب محسنة، مجموعات بيانات أكبر، وأدوات برمجية مطورة. أصبحت GPUs مركزية لأنها تطابقت مع شكل أحمال العمل الجديدة—ومع ذلك جعلها النظام البيئي المحيط أكثر وصولًا.
بيع بطاقة رسومية للاعبين يتعلق غالبًا بمعدلات الإطارات والسعر. بيع قدرة حوسبة لمركز بيانات عمل مختلف: المشتري يهتم بالاستمرارية، التوفر، عقود الدعم، وماذا سيبدو المسار خلال الثلاث سنوات القادمة.
زبائن مراكز البيانات—مزودو السحابة، مختبرات البحث، والمؤسسات—لا يجمعون حواسيب هواة. إنهم يديرون خدمات حيوية للإيرادات حيث قد تعني عقدة فاشلة اتفاقيات مستوى خدمة ضائعة وأموالًا حقيقية. هذا يغيّر الحوار من "شريحة سريعة" إلى "نظام موثوق": تكوينات مُحققة، انضباط للبرمجيات الثابتة، تحديثات أمنية، وإرشادات تشغيل واضحة.
للتدريب والاستنتاج، السرعة الخام مهمة، لكن أيضًا كمية العمل التي يمكنك إنجازها لكل وحدة طاقة ومساحة. مراكز البيانات تعمل ضمن قيود: كثافة الرفوف، قدرة التبريد، وتكاليف الكهرباء.
تطوَّر عرض نفيديا ليصبح مجموعة معايير مناسبة لمراكز البيانات:
وحدة GPU وحدها لا تحل مشكلة النشر. مشترُو مراكز البيانات يريدون مسارًا كاملاً ومدعومًا للإنتاج: أجهزة مصممة لبيئات الخوادم، تصاميم مرجعية على مستوى النظام، إصدارات تعريف وبرمجيات ثابتة، وبرمجيات تُسهِّل استخدام العتاد بكفاءة.
هنا يبرز تأطير نفيديا كـ"ستاك كامل"—الهاردوير مع برمجياته ودعمه المحيط التي تقلل المخاطر للعملاء الذين لا يستطيعون المغامرة.
المؤسسات تختار منصات يعتقدون أنها ستُصان. خرائط الطريق طويلة الأمد تشير إلى أن شراء اليوم لن يُترك عرضة للتقادُم، في حين أن موثوقية المؤسسات—مكونات مُحقَّقة، دورات تحديث متوقعة، ودعم سريع الاستجابة—تقلل القلق التشغيلي. مع الوقت، تتحول GPUs من قطع قابلة للاستبدال إلى قرار منصة يمكن لمراكز البيانات توحيده حوله.
فوز نفيديا في ساحة الذكاء الاصطناعي لم يكن بمعالجة GPU كمكوّن مُنفصل تُرك للآخرين لدمجه في الخوادم. الشركة تعاملت بشكل متزايد مع الأداء كنتيجة نظامية—مزيج من الشريحة، اللوحة التي تجلس عليها، كيفية تواصل GPUs مع بعضها، وكيفية نشر الستاك بأكمله في مركز البيانات.
منتج GPU الحديث غالبًا ما يكون مجموعة مُغلفة من القرارات: تكوين الذاكرة، توصيل الطاقة، التبريد، تخطيط اللوحة، وتصاميم مرجعية مُحقَّقة. هذه الاختيارات هي التي تحدد ما إذا كان الزبون سيستطيع تشغيل عنقوده بأقصى سرعة لأسابيع دون مفاجآت.
بتقديم لبنات بناء كاملة—لوحات وخوادم مُختبرة مسبقًا—خفّضت نفيديا العبء عن باقي السلسلة: مصنعي المعدات الأصلية، مزودي السحابة، وفرق تكنولوجيا المعلومات بالمؤسسات.
تدريب النماذج الكبيرة تهيمن عليه الاتصالات: GPUs تتبادل التدرجات، التفعيلات، وبارامترات النموذج باستمرار. إذا تباطأ هذا المرور، تبقى الحوسبة باهظة التكلفة في حالة انتظار.
الروابط عالية النطاق والمنخفضة الكمون بين GPUs (ومتَصَمَّمات تبديل جيدة) تسمح للتدريب بالتوسع من "صندوق سريع واحد" إلى العديد من الصناديق التي تعمل كأنها واحدة. النتيجة العملية هي استخدام أفضل ووقت تدريب أقصر مع نمو النماذج.
نموذج نفيديا للمنصة يُفهم بسهولة عندما ترى التسلسل:
كل مستوى مصمَّم ليتكامل بسلاسة مع التالي، حتى يتمكن العملاء من توسيع السعة دون إعادة تصميم كل شيء.
للعملاء، هذا التغليف النظمي يحوّل البنية التحتية للذكاء الاصطناعي إلى شيء أقرب للمنتجات الملائمة للمشتريات: تكوينات أوضح، أداء متوقع، ونشر أسرع. هذا يخفض مخاطر النشر، يسرّع الاعتماد، ويجعل توسيع الذكاء الاصطناعي يبدو تشغيليًا—لا مجرد تجربة.
جداول المقارنة تساعد في الفوز بالعناوين، لكن نصيب عقل المطوِّر هو ما يمنح سنوات من الزعامة. الفرق التي تختار ما تُجربه—وما تُصدره—غالبًا تختار الخيار الذي يبدو الأسرع، الأكثر أمانًا، والأكثر دعمًا، حتى لو كان شريحة أخرى قريبة في الأداء الخام.
GPU لا يخلق القيمة بنفسه؛ المطورون هم من يفعلون. إذا استطاع مهندسوكم الوصول إلى نتائج عمل هذا الأسبوع (وليس الربع القادم)، تصبح منصتكم الخيار الافتراضي للمشروع التالي—ثم التالي. هذا النمط يتراكم داخل الشركات: أمثلة داخلية، شيفرات قابلة لإعادة الاستخدام، و"هكذا نعمل هنا" تصبح مقنعة مثل أي معيار أداء.
استثمرت نفيديا بكثافة في أجزاء بناء ثقة البرمجيات غير اللامعة:
بمجرد أن تُبنى نماذج الفريق، خطوط أنابيبهم، وخطط التوظيف حول تكدس محدد، لا يكون التحول مجرد "تبديل بطاقة". إنه إعادة تدريب مهندسين، إعادة كتابة شيفرات، تحقق النتائج، وإعادة بناء إجراءات التشغيل. تلك الاحتكاكات تصبح خندقًا دفاعيًا.
مثال بسيط: بدلًا من تحسين عمليات المصفوفة وإدارة الذاكرة يدويًا لأسابيع، يمكن للفريق استخدام مكتبات مُعدة مسبقًا (لطبقات شائعة ونوى الانتباه) والحصول على نتائج عاملة في أيام. التكرار الأسرع يعني تجارب أكثر، دورات منتج أسرع، وسبب أقوى للبقاء مع المنصة.
نفيديا لم تربح سوق الذكاء الاصطناعي ببيع الشرائح بمعزل. ربحت لأنها وُجدت داخل الأماكن التي يشتري الناس ويستأجرون ويَتعلّمون الحوسبة—منصات السحابة، خوادم المؤسسات، ومختبرات الجامعات. هذا التوزيع كان مهما مثل الأداء الخام.
لكثير من الفرق، العامل الحاسم لم يكن "أي GPU هو الأفضل؟" بل "أي خيار أستطيع تشغيله هذا الأسبوع؟" عندما عرضت AWS وAzure وGoogle Cloud وغيرها أمثل نفيديا كخيار افتراضي، أصبح الاعتماد خانة في إجراءات الشراء بدل مشروع بنية تحتية طويل.
نفس النمط ظهر في المؤسسات عبر شركاء OEM (Dell، HPE، Lenovo، Supermicro وغيرها). إذا جاءت الـGPU داخل خادم مُحقَّق، مع تعريفات وعقود دعم متوافقة، يصبح من السهل جدًا لتقنية المعلومات الموافقة.
الشراكات مكنت أيضًا تحسينًا مشتركًا على نطاق. مزودو السحابة يستطيعون ضبط الشبكات، التخزين، والجدولة لأحمال GPU الثقيلة. نفيديا تستطيع مواءمة ميزات الهاردوير ومكتباتها مع الأُطر التي يستخدمها العملاء (PyTorch، TensorFlow، مكتبات CUDA، أطر استنتاج)، ثم تحقق الأداء على أنماط شائعة مثل تدريب نماذج كبيرة، التخصيص (fine-tuning)، والاستنتاج عالي العرض.
حلقة التغذية الراجعة هذه دقيقة لكنها قوية: أثر الإنتاج الحقيقي يحدّد النوى، النوى تؤثر على المكتبات، والمكتبات تؤثر فيما يبنيه المطورون بعد ذلك.
البرامج الأكاديمية ومختبرات البحث ساعدت على توحيد أدوات نفيديا في المقررات والأوراق البحثية. الطلاب تعلّموا على أنظمة مُحرّكة بـCUDA، ثم حملوا تلك العادات إلى الشركات الناشئة والفرق المؤسسية—قناة اعتماد تتراكم عبر السنوات.
حتى الشراكات القوية لا تعني حصرية. مزودو السحابة والمؤسسات الكبيرة غالبًا ما يجربون بدائل (GPUs أخرى، مسرعات مخصصة، أو بائعين مختلفين) لإدارة التكلفة ومخاطر التوريد والتفاوض. ميزة نفيديا كانت كونها الخيار الأسهل "نعم" عبر القنوات—مع الحاجة الدائمة لكسب التجديد مع كل جيل.
في هذا السياق، «العمود الفقري» يعني مجموعة الأسس التي تعتمد عليها فرق الذكاء الاصطناعي لتدريب النماذج، تشغيل الاستنتاج، والتحجيم بثبات. الأمر لا يقتصر على وحدة المعالجة الرسومية (GPU) وحدها—بل يشمل أيضًا طبقة البرمجيات، المكتبات، أدوات المطورين، والقدرة على شحن ودعم الأنظمة على مستوى مراكز البيانات.
إذا كان أي طبقة ضعيفة (الهاردوير، البرمجيات، الأدوات، أو التوفر)، فإن التقدم يتباطأ أو يصبح مكلفًا جدًا.
المعالجات المركزية (CPUs) مُحسَّنة لمهام معقدة ومتسلسلة بعدد أقل من التعليمات في كل مرة (ممتازة للتحكم والحوسبة العامة). أما وحدات المعالجة الرسومية (GPUs) فهي مُصممة للعمليات المتوازية واسعة النطاق، حيث يتكرر نفس النوع من العمليات الحسابية عبر كميات كبيرة من البيانات.
التعلّم العميق يعتمد بكثافة على ضرب المصفوفات وجبر خطي الذي يتوازي جيدًا—لذلك عادةً ما توفر وحدات GPU إنتاجية أعلى بكثير للتدريب والعديد من أحمال الاستنتاج.
CUDA هي منصة برمجية من نفيديا تُحوِّل وحدة GPU من معالج رسوم متخصِّص إلى شيء يمكن للمبرمجين استخدامه لحسابات عامة. القيمة لا تكمن فقط في الأداء، بل في تجربة المطور المستقرة: مترجمات، أدوات تصحيح/قياس الأداء، ونظام بيئي طويل المدى من المكتبات المحسّنة.
هذا النظام البيئي يخلق زخمًا: الفرق تبني قواعد شيفرة ومسارات عمل حوله، ما يقلل الاحتكاك للمشاريع المستقبلية ويرفع تكلفة التحوُّل.
ليس بالضرورة. كثير من الفرق تحصل على فوائد GPU دون كتابة CUDA مباشرة لأن الأُطر والمكتبات تتولّى ذلك.
مسارات شائعة تشمل:
عادةً تحتاج للعمل على مستوى CUDA عندما تبني نواة مخصصة، تُحسّن الكمون إلى أقصى حد، أو تعمل على نطاق كبير جدًا.
التدريب غالبًا ما يتضمن «حساب + تواصل» مكثفًا بين GPUs. كلما كبرت النماذج، زاد تبادل التدرجات والبارامترات؛ فإذا كان الشبك بطيئًا، تبقى وحدات الحوسبة الثمينة خاملة.
لهذا يعتمد أداء الكتلة على تصميم النظام:
الـ FLOPS القصوى وحدها لا تضمن وقت تدريب سريع.
مراكز البيانات تختار لأجل الاتساق وإدارة دورة الحياة، وليس فقط لأجل أقصى أداء. بخلاف الأداء، يهتمون أيضًا بـ:
هذا يحول القرار من «شريحة سريعة» إلى «منصة منخفضة المخاطر».
لأن نضج البرمجيات غالبًا ما يحدّد "الوقت حتى أول نتيجة" ومخاطر التشغيل. مسرّع أرخص قليلًا قد يصبح أغلى بعد احتساب:
الفرق تختار في كثير من الأحيان ما هو الأكثر موثوقية وموثَّقًا جيدًا، لا ما يبدو أرخص في السعر الصافي.
تقييد العرض لا يمرّ عبر تصنيع الشريحة فقط. عنق الزجاجة الشائع يشمل:
والطلب أيضًا «مُتكتّل»—مشروعات كبيرة تشتري آلاف GPUs دفعة واحدة؛ لذلك أي خطأ بسيط في التوقُّعات قد يطيل أزمنة التسليم.
نعم. كثير من المؤسسات تستخدم مزيجًا بحسب عبء العمل:
النهج العملي هو اختبار نماذجك الحقيقية واحتساب وقت الهندسة في التكلفة الإجمالية، لا مجرد سعر العتاد.
المخاطر الشائعة هي التكلفة، الاعتماد (lock-in)، والتوافر. طرق تقليل التعرض بدون إيقاف التقدّم:
عامل قرار اختيار GPU كقرار منصة طويل الأجل، وليس مجرد شراء قطعة.