حرب اختبارات أداء رقائق الذكاء الاصطناعي قد عادت
هيمنت Nvidia على سوق رقائق الذكاء الاصطناعي لسنوات. كانت فجوة التفوق كبيرة لدرجة أن المنافسين توقفوا عن محاولة المنافسة في الأداء. وبدا إجراء اختبارات الأداء (Benchmarking) بلا فائدة لأن الجميع افترضوا فوز Nvidia.
لكن هذا قد تغير.
يشهد السوق الآن "تأثير انبعاث اختبارات الأداء" (Benchmark Resurrection Effect). فعندما يفكر مشترٍ كبير مثل Meta في بدائل، يستيقظ القطاع بأكمله. والآن، عادت المنافسة الحقيقية بين Nvidia وAMD وGoogle وIntel من جديد.
إليكم كيف يبدو المشهد لعام 2026:
- AMD MI300X: يتفوق في سعة الذاكرة. بفضل ذاكرة HBM3 بسعة 192 جيجابايت، يتفوق على Nvidia H100 (80 جيجابايت) في عمليات استنتاج النماذج الكبيرة (large-model inference). يمكنك استيعاب المزيد من البيانات باستخدام عدد أقل من الرقائق.
- Google TPU v5p: يتفوق في معادلة السعر مقابل الأداء ضمن منظومة Google. هو خيار رائع لمستخدمي JAX، لكنه ينطوي على تكلفة انتقال لفرق PyTorch.
- Intel Gaudi 3: يتفوق في سعر الشراء. تكلفته أقل بكثير من أجهزة Nvidia، مما يجعله خياراً قوياً للإنتاج الذي يهتم بالتكلفة.
- الرقائق المخصصة (Custom Silicon): تقوم الشركات العملاقة (Hyperscalers) مثل Amazon وMicrosoft ببناء رقائقها الخاصة لتقليل اعتمادها على Nvidia.
لماذا يهم هذا ميزانيتك:
الخطأ الأكثر تكلفة هو افتراض أن لديك مورداً واحداً فقط. فالمنافسة تدفع الأسعار نحو الانخفاض. ونحن نرى بالفعل انخفاضاً في أسعار استئجار H100 مع دخول إمدادات بديلة إلى السوق.
كيف تختار أجهزتك:
- لا تثق في العروض التسويقية. قم بتشغيل أعباء العمل الخاصة بك (workloads) على الأجهزة قبل توقيع أي عقد.
- انظر إلى التكلفة الإجمالية للملكية (TCO). ضع في اعتبارك استهلاك الطاقة، والتبريد، والوقت الذي سيقضيه فريقك في الانتقال بين الأنظمة البرمجية المختلفة.
- طابق الرقاقة مع المهمة المطلوبة. استخدم Nvidia لتدريب النماذج الرائدة (frontier training) نظراً لنضج بيئة CUDA. واستخدم AMD أو Intel لعمليات الاستنتاج (inference) عالية الحجم والحساسة للتكلفة.
لا تزال Nvidia تمتلك "الخندق البرمجي" (software moat) بفضل ملايين المطورين لـ CUDA. ومع ذلك، لم يعد سباق الأجهزة سباقاً من طرف واحد.
مجتمع تعليمي اختياري: https://t.me/GyaanSetuAi