تحديث استراتيجية Nvidia للبرمجيات المفتوحة المصدر: من "داعم" إلى "منشئ"، تخطط لبناء أفضل نماذج الذكاء الاصطناعي المفتوحة المصدر في العالم بنفسها

تقوم Nvidia حالياً بتحول استراتيجي بهدوء، حيث تنتقل من كونها "داعمة" لنظام الذكاء الاصطناعي مفتوح المصدر إلى أن تصبح "بانية" لهذا النظام بنفسها.

بحسب ما ذكرته صحيفة وول ستريت جورنال، في 11 أغسطس، أفادت The Information أن Nvidia ترغب بأن تدخل Nemotron 4 الجيل القادم ضمن أقوى النماذج المفتوحة على مستوى العالم.

يتوقع الموظفون المشاركون في المشروع أن النسخة الأكبر ستحتوي على ما لا يقل عن تريليون معلمة إجمالية، وهو ما يعادل ضعف Nemotron 3 Ultra التي صدرت في يونيو.

تم اتخاذ قرارات أولية حول بيانات التدريب المسبق وبنية النموذج، لكن المواصفات النهائية وموعد الإصدار لم تحددا بعد، كما أن الجولة الأهم من التدريب لم تبدأ حتى الآن. ما يسمى "Nemotron 4 ذات التريليون معلمة" ما زالت خطة بحث وتطوير وليست منتجاً تم إطلاقه بالفعل.

قد يبدو هذا الاستثمار كأن Nvidia تريد أن تصبح OpenAI أو Anthropic أخرى، لكن في الواقع لا تحتاج Nvidia إلى استرداد التكاليف عبر رسوم API لنماذج Nemotron.

طالما أن النماذج المجانية تدفع المزيد من الشركات، والحكومات، والشركات الناشئة لبدء تدريب وتخصيص ونشر الذكاء الاصطناعي، يمكن لـ Nvidia فرض رسوم تدريجية على GPU، شبكة NVLink، أنظمة الأجهزة الكاملة، CUDA وكذلك البرامج المؤسسية.

Nemotron 4 أشبه بمحرك يولد حاجة للحوسبة: النموذج مجاني، لكن الحساب المطلوب لاستخدامه ليس كذلك.

تحتاج Nvidia إلى توسيع قاعدة المشترين من بعض العمالقة إلى السوق بأكمله

انتعاش GPU الحالي يتركز بشكل مفرط.

تُظهر بيانات 10-Q لـ Nvidia حتى 26 أبريل أن ثلاثة عملاء مباشرون ساهموا بنسبة 21%، 17% و16% من إيرادات ذلك الربع على التوالي، أي ما مجموعه 54%؛ كما كشفت الشركة أن شركة بحث وتطوير في الذكاء الاصطناعي ساهمت بشكل غير مباشر "بدخل ملحوظ" عبر خدمات السحابة.

قد يكون العملاء المباشرون من بائعي الأجهزة الكاملة، أو الموزعين، أو شركات السحابة ولا يجب اعتبارهم نهائياً ثلاثة مستخدمين نهائيين، لكن خطر تركيز العملاء قد أصبح واضحًا في الحسابات.

وما يزيد الأمور تعقيداً أن العملاء الكبار يعملون في الوقت ذاته على تطوير بدائل لمنتجات Nvidia:

• تستخدم Amazon AWS معالجات Trainium لتدريب وتشغيل Anthropic، وذكرت الشركة رسمياً أن هناك ما يقرب من مليون شريحة Trainium 2 تخدم Claude؛
• تقدم Google معالجات Ironwood TPU للتدريب والحوسبة على نطاق واسع؛
• وتستخدم AMD أيضاً MI350 وROCm للتنافس على عبء النماذج المفتوحة.

تتركز الحاجة في النماذج المغلقة على بعض المختبرات ومنصات السحابة العملاقة، ما يمنحها قوة تفاوضية كبيرة، كما يدفعها لنقل الأعباء المستقرة إلى رقائق مطورة ذاتياً.

بالنسبة لـ Nvidia، أكثر شكل سوق آمن ليس هيمنة شركة نماذج واحدة على الذكاء الاصطناعي، إنما نمو آلاف النماذج والتطبيقات المختلفة معاً. كلما تفرقت الحاجة، صعب على العميل تغطية جميع البنى برقاقة ASIC واحدة؛ وكلما تغير عبء العمل بسرعة، زاد اعتماد النظام البرمجي الناضج للـ GPU و CUDA على مرونته.

وهذا ما يفسر سبب عدم قدرة Nvidia على الاكتفاء بدعم البيئة المفتوحة بالكلام فقط. فالنموذج المفتوح المتأخر كثيراً عن النماذج المغلقة لن يجذب إلا الباحثين، ولن يدفع البنوك أو المصانع أو الهيئات الحكومية لرصد ميزانية عنقودية للإنتاج.

يجب أن يكون النموذج قوياً كفاية، بحيث تكون الشركات على استعداد لمواصلة تدريبه ببياناتها، ويكون العملاء مستعدون لإسناد الأعمال المتكررة إليه، هكذا فقط يمكن للنموذج المفتوح أن يتحول من مرات التحميل إلى استهلاك فعلي للـ GPU في غرف الخوادم.

وهنا يأتي دور معلمة "التريليون". فهي ليست ميدالية لذكاء فائق، بل وسيلة لـ Nvidia لتخطي العتبة القابلة للاستخدام في الأعمال.

ويمتلك Nemotron 3 Ultra الحالي 550 مليار معلمة إجمالية، مع تفعيل 55 مليار لكل رمز، ويدعم سياق نص يصل إلى مليون رمز.

تشير اختبارات Nvidia إلى أن النموذج يقترب من نماذج مفتوحة رائدة في بعض المهام، ويتفوق في سرعة الحساب. إلا أن The Information نقلت عن قوائم خارجية أنه ما زال متأخراً عن أقوى النماذج الصينية المفتوحة، ولا يدخل الصفوف الأولى على مستوى العالم.

لذا، حجم المعلمات هو مجرد مؤشر على الطموح، ولا يدل بالضرورة على النتائج.

ففي بنية MoE المتناثرة، يختلف العدد الإجمالي عن المعلمات التي تستخدم فعلياً في كل عملية حسابية، كما أن جودة البيانات، توكنات التدريب، التدريب الإضافي، القدرة على استخدام الأدوات ونظام الاستدلال تحدد النتائج النهائية مجتمعين.

إذا كان Nemotron 4 لديه فقط "تريليون" كرقم رائع، لكنه لم يدخل الصف الأول في المهام الحقيقية، فسيكون من الصعب أن يؤثر على أي قرار شراء.

نموذج مجاني واحد يمكنه أن يبيع مصنع ذكاء اصطناعي متكامل

لقد وضعت Nvidia بالفعل مسار التحويل:

1. يقدم Nemotron المفتوح أوزان النموذج، والبيانات، ووصفات التدريب؛
2. تستخدم الشركات NeMo لمواصلة التدريب المسبق، والتخصيص، والتعليم المعزز والتقييم؛
3. عند النشر يتم ربط الخدمات الدقيقة NIM، وطقم TensorRT-LLM وCUDA؛
4. وعندما يتوسع الحجم، تنتقل القدرة الحاسوبية إلى DGX Cloud، GPU السحابي العام أو عنقود HGX/DGX المؤسسي.
5. إلى جانب GPU، تدخل شبكة NVLink أو InfiniBand أو Spectrum-X، CPU، DPU واشتراكات NVIDIA AI Enterprise إلى فاتورة الشراء.

وقد ظهرت بالفعل نماذج أولية لهذا المسار. فمثلاً، جلبت Palantir نموذج Nemotron إلى الشبكة المعزولة للحكومة الأمريكية، حيث يمكن للعملاء تدريب النموذج محلياً، والاحتفاظ بالأوزان، ومواصلة التكرار، مع نشر الإنتاج عبر NVIDIA AI Enterprise.

ويقترب السوق الياباني من نموذج "الذكاء الاصطناعي السيادي": حيث تستخدم الهيئات البحثية والشركات بيانات Nemotron وأدوات NeMo لتدريب نماذج يابانية، بينما يتولى HGX B300 البنية التحتية الخاصة، وتقوم Jetson بالنشر عند الأطراف.

ولا يمكن للواجهات البرمجية المغلقة دخول الشبكات المعزولة، كما يصعب عليها تلبية متطلبات بيانات الإقامة، وملكية النموذج، والتدقيق المحلي. النموذج المفتوح يجلب هذه الأعباء، التي لا توجد عادة في السحابة العامة، إلى مراكز الحكومة، ومراكز البيانات للشركات، والسحب الإقليمية، وأجهزة الأطراف.

بالنسبة لشركات النماذج، هذا سوق مشتت وصعب تحصيل الرسوم منه؛ أما بالنسبة لشركة تبيع البنية التحتية مثل Nvidia، فكل موقع نشر إضافي يعني مدخلاً جديداً للمبيعات.

ويجعل توجيه النماذج هذه التجارة أكبر. إذ أفادت The Information بأن Nvidia أطلقت عند إصدار Nemotron 3.5 Lightning برنامج توجيه مجاني للنماذج. يقوم هذا البرنامج بإحالة المهام البسيطة إلى النماذج الصغيرة الرخيصة، والمهام الصعبة إلى النماذج الكبيرة.

ظاهرياً، هو يساعد العملاء على تقليل استخدام الحوسبة باهظة التكلفة؛ لكن الرهان الحقيقي أن خفض تكلفة المهمة الواحدة سيدفع الشركات إلى تشغيل المزيد من الوكلاء الدائمين، ليصبح سؤال واحد عبارة عن عملية مستمرة تشمل التخطيط، البحث، الاستدعاء، التحقق وإعادة العمل.

وتتوقع Gartner أنه بحلول 2030 ستنخفض تكلفة حساب النماذج التي تحتوي تريليون معلمة بأكثر من 90% عن 2025، لكن استهلاك الوكلاء الذكاء الاصطناعي للتوكنات في كل مهمة سيكون أعلى من روبوتات الدردشة العادية بـ5 إلى 30 مرة؛ فإذا زاد استخدام التوكنات أسرع من انخفاض الأسعار، سيظل إجمالي الإنفاق على الاستدلال في ارتفاع.

رهان Nvidia ليس "كلما زاد سعر النموذج، تُباع GPU أكثر"، بل هو "كلما انخفض ثمن الذكاء زاد الاستهلاك بشكل أسرع". يوفر Nemotron كل شيء من النماذج الخفيفة إلى النماذج الرائدة وأدوات التوجيه، لتوليد المرونة المطلوبة بعد خفض الأسعار عمداً.

بناء النماذج هدفه أيضاً مساعدة الجيل القادم من الرقائق على النجاح منذ البداية

يملك Nemotron أيضاً قيمة لا تنعكس مباشرة في إيرادات النماذج: فهو اختبار ضغط متكامل للنظام الخاص بـ Nvidia.

إذا انتظرت شركات الرقائق حتى يعتمد العملاء بنى نماذجهم، ثم بدأت في التأقلم مع آليات الانتباه الجديدة، وتوجيه MoE، والسياق الطويل والأشكال منخفضة الدقة، ستتخلف الأجهزة دائماً خطوة.

يقوم فريق الهندسة بتدريب النماذج المتقدمة بنفسه لرصد اختناقات الأداء في الحوسبة، والذاكرة، والتواصل، وسرعة تدفق البيانات، وجدولة الاستدلال بشكل مسبق، ويدمج هذه الاكتشافات في الجيل الجديد من GPU، NVLink وحزم البرمجيات.

يضم Nemotron 3 Ultra بالفعل آثار "التصميم المشترك للأجهزة": حيث يستخدم النموذج بنية هجينة من Mamba-Attention وMoE، ويعتمد تنسيق NVFP4 الذي صمم خصيصاً لـBlackwell في التدريب المسبق، وتتم تسريع الإنتاجية بواسطة توقع متعدد للتوكنات.

ذكرت Nvidia أن النسخة المكودة يمكن نشرها على أربع وحدات B200 فقط. هكذا، يكون النموذج منتجاً تجارياً وعرضاً لقدرات Blackwell في الدقة المنخفضة وأنظمة الذاكرة وبرمجيات الاستدلال.

وبمجرد فتح الشيفرة، سيستمر المطورون الخارجيون بتحسين هذا العبء لصالح Nvidia.

تمر البنى الجديدة للنماذج أولاً من خلال CUDA، وPyTorch، وvLLM، وSGLang وTensorRT-LLM، وتعود التحسينات إلى منصة Nvidia، حتى يواجه القادمون لاحقاً بيئة إنتاج ناضجة جربتها آلاف المشاريع، وليس مجرد فارق أداء GPU.

وفي أمثلة عرضتها Nvidia هذا العام، انخفضت تكلفة التوكن الواحدة لتشغيل DeepSeek V4 بمعالج Blackwell خلال شهر حتى خمس التكلفة الأصلية؛ ومع تضافر تحسينات برمجية عدة، يمكن أن يزيد الإنتاجية حتى 20 مرة.