جنسن هوانغ جاء مع "وحش" يزن 2500 كجم، NVIDIA Vera Rubin تُغير صناعة الذكاء الاصطناعي تمامًا

آخر مرة لم تحضر NVIDIA بطاقات الرسوميات الاستهلاكية في CES، كان ذلك قبل 5 سنوات. لكن هذه المرة مختلفة — حيث ظهر Jensen Huang مرتديًا سترة جلد التمساح المميزة، لكنه قدم شيئًا ذا وزن كبير: خزانة خادم بوزن 2.5 طن، ومنصة حوسبة Vera Rubin التي قد تعيد تشكيل صناعة الذكاء الاصطناعي بأكملها.

هذا النظام، الذي سُمي على اسم الفلكية Vera Rubin (اكتشفت المادة المظلمة)، يعالج أحد أكثر التحديات إلحاحًا في عصر الذكاء الاصطناعي — حيث تتطلب موارد الحوسبة التي تبلغ قيمتها 100 تريليون دولار تحديثًا جذريًا.

من خلال جهاز واحد، فهم كيف تلعب NVIDIA “تكامل الرقائق”

عندما بدأ قانون مور التقليدي يفقد فعاليته تدريجيًا، اختارت NVIDIA مسار التكامل الشديد. هذه المرة، كسروا القاعدة التي تقول إن كل جيل من المنتجات يطور 1-2 رقاقات فقط — حيث أعاد Vera Rubin تصميم 6 رقاقات في آن واحد، ودخلت جميعها مرحلة الإنتاج الضخم.

هذه الرقاقات الستة هي:

• Vera CPU: 88 نواة Olympus، 176 خيطًا متوازيًا، و227 مليار ترانزستور على رقاقة واحدة
• Rubin GPU: أداء استنتاجي يصل إلى 50 PFLOPS (خمس مرات أداء Blackwell السابق)، و336 مليار ترانزستور
• بطاقة الشبكة ConnectX-9: Ethernet بسرعة 800Gbps، تدعم تسريع RDMA القابل للبرمجة
• BlueField-4 DPU: مصممة خصيصًا لمنصة تخزين الذكاء الاصطناعي من الجيل القادم، و126 مليار ترانزستور
• رقاقة التبديل NVLink-6: تربط 18 عقدة حوسبة، وتعمل مع 72 من بطاقات Rubin GPU بشكل متعاون
• مفتاح التبديل البصري Spectrum-6: 512 قناة بسرعة 200Gbps، و3.52 تريليون ترانزستور

قد تبدو المعايير مملة عند النظر إليها بشكل فردي، لكن الأرقام الأساسية تقول: — تدريب نموذج يتكون من 100 تريليون معلمة يتطلب فقط ربع عدد أنظمة Blackwell. وتكلفة إنشاء وحدة توليد رمز (token) انخفض إلى عُشرها.

وراء زيادة كثافة الحوسبة: ثورة هندسية

في السابق، كان بناء عقدة حاسوبية فائق القوة يتطلب 43 كابلًا، ويستغرق تركيبها ساعتين، وكان من السهل أن يحدث خطأ. أما عقدة Vera Rubin، فهي لا تحتوي على أي أسلاك كهربائية، فقط 6 أنابيب تبريد مائية — مما يقلل وقت التركيب إلى 5 دقائق.

في الجزء الخلفي من الخزانة، يوجد ما يقرب من 3.2 كيلومتر من الكابلات النحاسية، و5000 سلك يشكل شبكة NVLink الأساسية، بسرعة عرض 400Gbps. قال Jensen Huang مازحًا: “يحتاج إلى مدير تنفيذي بصحة جيدة ليحرك هذا الشيء.”

الأهم من ذلك هو ترقية الذاكرة — حيث يمتلك نظام NVL72 ذاكرة LPDDR5X بسعة 54 تيرابايت (ثلاثة أضعاف سعة الجيل السابق) و20.7 تيرابايت من HBM، مع عرض نطاق ترددي يصل إلى 1.6 PB/ثانية. على الرغم من أن الأداء زاد بمقدار 3.5-5 مرات، إلا أن عدد الترانزستورات زاد فقط بنسبة 1.7، مما يعكس تقدم تقنية التصنيع في أشباه الموصلات.

حل مشكلة “الذيل الطويل”: من القدرة إلى التطبيق

لطالما كانت هناك مشكلة في تدريب الذكاء الاصطناعي — وهي ضعف الذاكرة السياقية. أثناء عمل النماذج الكبيرة، يتم إنشاء “ذاكرة تخزين مؤقت للقيم المفتاحية” (KV Cache)، وهي “ذاكرة العمل” للذكاء الاصطناعي. ومع زيادة طول الحوار، وتضخم النموذج، غالبًا ما تكون سعة HBM غير كافية.

الحل الذي قدمته Vera Rubin هو نشر معالجات BlueField-4 داخل الخزانة لإدارة ذاكرة KV. كل عقدة تحتوي على 4 معالجات BlueField-4، وكل منها يوفر 150 تيرابايت من سعة السياق — وعند تخصيصها لبطاقات GPU، تحصل كل بطاقة على 16 تيرابايت إضافية من الذاكرة (بالإضافة إلى حوالي 1 تيرابايت من ذاكرة GPU نفسها)، مع الحفاظ على سرعة نقل تصل إلى 200Gbps، دون حدوث عنق زجاجة في الأداء.

ولجعل هذه “ملاحظات” التي تتوزع عبر عشرات الخزانات وآلاف بطاقات GPU تعمل كوحدة ذاكرة موحدة، يجب أن تكون الشبكة كبيرة وسريعة ومستقرة بما يكفي. هنا يأتي دور Spectrum-X — أول منصة Ethernet مصممة خصيصًا للذكاء الاصطناعي التوليدي، وتدمج تقنية السيليكون الضوئي من TSMC، مع 512 قناة بسرعة 200Gbps.

حسب حساب Jensen Huang: تكلفة مركز البيانات بقدرة 1 جيجاوات تصل إلى 50 مليار دولار، وSpectrum-X يمكن أن يرفع الأداء بنسبة 25%، مما يوفر 50 مليار دولار. قال: “يمكنك القول إن هذا النظام الشبكي يكاد يكون مجانيًا.”

“الفتح المذهل للمصدر” وتحول الصناعة

بالعودة إلى بداية الخطاب، ألقى Jensen Huang رقمًا — إن 10 تريليون دولار من الموارد الحاسوبية التي استُثمرت خلال العقد الماضي تتجه نحو ترقية شاملة. لكن الأمر لا يقتصر على تحديث الأجهزة فقط، بل هو تحول في نمط البرمجة.

لقد أذهل الجميع الكشف عن المصدر المفتوح لـ DeepSeek V1 العام الماضي. كأول نظام استنتاجي مفتوح المصدر، أطلق موجة من التطوير في الصناعة. النموذجين Kimi K2 وDeepSeek V3.2 من الصين يحتلان المرتبة الأولى والثانية في التصنيفات الحالية.

اعترف Jensen Huang بأنه على الرغم من أن النماذج المفتوحة قد تتأخر عن المستويات الرائدة في الصناعة بـ6 أشهر، إلا أن نماذج جديدة تظهر كل 6 أشهر. هذا معدل التكرار السريع يجعل الشركات الناشئة، والشركات الكبرى، والمؤسسات البحثية لا ترغب في التخلف — وNVIDIA ليست استثناءً. لذلك، لم يقتصر الأمر على “بيع المعول”، بل استثمروا أيضًا مئات الملايين من الدولارات في سحابة DGX Cloud، لتطوير نماذج مثل La Proteina (تخليق البروتين) وOpenFold 3.

عائلة نماذج Nemotron المفتوحة تشمل مجالات الصوت، والوسائط المتعددة، وRAG، والأمان، وتحقق أداءً جيدًا في العديد من التصنيفات، مع تزايد اعتماد الشركات عليها.

ثلاث طبقات من الحوسبة للذكاء الاصطناعي الفيزيائي

إذا تمكنت النماذج اللغوية الكبيرة من حل مشكلة “العالم الرقمي”، فإن الطموح التالي هو السيطرة على “العالم الفيزيائي”. لجعل الذكاء الاصطناعي يفهم قوانين الفيزياء ويعيش في الواقع، يحتاج إلى بيانات نادرة جدًا.

لخص Jensen Huang الحاجة إلى “ثلاثة حواسيب” للذكاء الاصطناعي الفيزيائي:

1. حاسوب التدريب — نظام عالي الأداء يحمل بطاقات التدريب (مثل بنية GB300)
2. حاسوب الاستنتاج — “دماغ صغير” مدمج في الروبوتات والسيارات، مسؤول عن اتخاذ القرارات وتنفيذها في الوقت الحقيقي
3. حاسوب المحاكاة — يشمل Omniverse وCosmos، لتمكين AI من التعلم والتفاعل في بيئة افتراضية

نظام Cosmos قادر على توليد بيئات تدريب ضخمة للفيزياء للعالم الحقيقي. استنادًا إلى هذا الهيكل، أعلن Jensen Huang عن إطلاق أول نموذج قيادة ذاتية كامل من النهاية إلى النهاية، وهو Alpamayo.

على عكس الأنظمة التقليدية، فإن Alpamayo هو تدريب كامل من البداية للنهاية. يكمن تميزه في حل مشكلة “الذيل الطويل” في القيادة الذاتية — عند مواجهة مواقف غير مألوفة ومعقدة على الطريق، لا ينفذ بشكل جامد، بل يستخدم الاستنتاج مثل الإنسان. “سيخبرك بما يجب أن تفعله بعد ذلك، ولماذا تفعل ذلك.” في العرض، كانت قيادة السيارة طبيعية وسلسة، وقادرة على تحليل المواقف المعقدة إلى قواعد أساسية.

تم بالفعل تنفيذ ذلك — حيث ستُطرح سيارة Mercedes CLA التي تعتمد على تقنية Alpamayo في الربع الأول من هذا العام في الولايات المتحدة، ثم ستتوسع إلى أوروبا وآسيا. وقد صنفتها NCAP كواحدة من أكثر السيارات أمانًا على مستوى العالم، بفضل تصميم NVIDIA الفريد لـ"طبقتي الأمان" — حيث يتغير النظام تلقائيًا إلى وضع أكثر أمانًا عند عدم اليقين في الذكاء الاصطناعي من النهاية إلى النهاية.

جيش الروبوتات والمصنع كروبوت

استراتيجية NVIDIA للروبوتات أيضًا طموحة جدًا. ستُجهز جميع الروبوتات بحواسيب Jetson الصغيرة، وتُدرَّب في محاكي Isaac من Omniverse. تم دمج هذه التقنيات في أنظمة صناعية من شركات مثل Synopsys وCadence وSiemens.

ظهر على المسرح روبوتات بشرية من Boston Dynamics وAgility، بالإضافة إلى روبوتات رباعية الأرجل وروبوتات ديزني. قال Jensen Huang مازحًا: “هذه المخلوقات اللطيفة ستُصمم وتُصنع، وحتى تُختبر وتُتحقق من صحتها في الحاسوب، قبل أن تتعرض للجاذبية الحقيقية، وكأنها عاشت مرة أخرى.”

رؤيتهم النهائية هي تسريع كل شيء من تصميم الرقائق الأساسية، إلى بنية الأنظمة، إلى محاكاة المصانع، باستخدام الذكاء الاصطناعي الفيزيائي — بما يشمل التخطيط الصناعي لمناطق جديدة، وتطبيقات جديدة، مثل إنشاء خريطة فيزيائية (mapa fizyczna azji) للتحقق من أداء القيادة الذاتية والروبوتات في ظروف جغرافية مختلفة.

منطق “بيع الأسلحة أثناء زمن الحرب”

لو لم يكن Jensen Huang، لظننت أن هذا حدث لإطلاق نموذج ذكاء اصطناعي. مع تصاعد فقاعة الذكاء الاصطناعي، وتباطؤ قانون مور، يبدو أن Jensen Huang يريد إعادة إشعال ثقتنا في الذكاء الاصطناعي — من خلال عرض ما يمكن أن يفعله حقًا.

من منصة الرقائق القوية Vera Rubin، إلى التركيز على التطبيقات والبرمجيات، ثم إلى الذكاء الاصطناعي الفيزيائي، والقيادة الذاتية، والروبوتات، وغيرها من الحالات التطبيقية، — كانوا يصنعون الرقائق للعالم الافتراضي، والآن يشاركون في العروض، ويركزون على الذكاء الاصطناعي الفيزيائي، ويتنافسون في العالم الحقيقي.

فالأمر، بعد كل شيء، هو “زمن الحرب”، حيث لا يمكن أن تظل الأسلحة مبيعاتها متوقفة.

خاتمة: نظرًا لضيق الوقت في CES، لم يُعرض جميع شرائح Jensen Huang. الأجزاء غير المعروضة أُنتجت في مقطع فكاهي قصير.