أعلنت Nvidia عن الإنتاج الكامل لـ Groq 3 LPX، وتحسين فعالية الاستدلال لـ Vera Rubin عدة مرات، و SpaceXAI تعزز الاستثمار في الوكلاء الأذكياء وذكاء الفضاء

تعمل Nvidia على تسريع منافسة البنية التحتية للذكاء الاصطناعي، من أداء التدريب والاستدلال التقليدي للنماذج، إلى مرحلة جديدة تركز على سرعة توليد Token واستهلاك الطاقة والتكلفة حول الذكاء الاصطناعي القائم على العوامل (Agentic AI).

في يوم الإثنين 24 بالتوقيت الشرقي للولايات المتحدة، أعلنت Nvidia عن بدء الإنتاج الشامل لمنصة Groq 3 LPX المخصصة لاستدلال الذكاء الاصطناعي التفاعلي. وكجزء مهم من منصة Vera Rubin، تتميز Groq 3 LPX بسرعة توليد Tokens عالية جداً بزمن استجابة منخفض للغاية. وقالت Nvidia إنه في اختبار Artificial Analysis، مع نموذج Gemma 4 31B وسياق 100,000 Token، حققت Groq 3 LPX إنتاج 3400 Token في الثانية، وهو رقم قياسي لهذا النموذج؛ كما أن سرعة الاستجابة لأعمال برمجة العوامل وغيرها من الأحمال ذات التأخير المنخفض تصل إلى أربعة أضعاف أقرب منصة منافسة.

في الوقت ذاته، أعلنت Nvidia عن نتائج اختبار جديدة لـ Vera Rubin NVL72 تحت أحمال عمل فعلية للعوامل: بناءً على حمل عمل AgentX من SemiAnalysis وباستخدام نموذج DeepSeek V4 Pro، تحقق Vera Rubin إنتاجية لكل ميغاواط (MW) تصل إلى 30 ضعف الجيل السابق GB300 NVL72، مع تقليل تكلفة كل Token حتى 35 ضعف. أكدت Nvidia أن مهام العوامل تختلف عن الدردشة أو التلخيص التقليدية، حيث يتراكم سياق المهمة عبر مئات الخطوات، وقد يصل إلى مئات آلاف Tokens.

في نفس اليوم، أعلنت Nvidia أيضاً أن SpaceXAI ستستخدم Vera CPU لتسريع تطبيقات الذكاء الاصطناعي للعوامل الجيل القادم، وستوسع بناء المنصة القائمة على Vera Rubin مع توسع قدراتها الحاسوبية إلى عدة جيجاوات؛ بالإضافة إلى ذلك، تخطط SpaceXAI لتوسيع نسخة محسّنة من Vera Rubin NVL72 إلى الفضاء، لاستخدامها في أول أقمار Starmind AI الاصطناعية.

بدء الإنتاج الشامل لـ Groq 3 LPX، تكمل Nvidia "الميل الأخير" للعوامل الذكية

دفع Nvidia للإنتاج الشامل لـ Groq 3 LPX هذه المرة ليس بهدف استبدال وحدة معالجة الرسوميات (GPU) بشريحة استدلال متخصصة، بل لإضافة قدرات توليد Token بزمن منخفض تقليدي إلى Vera Rubin جنباً إلى جنب مع معمارية GPU.

بالنسبة للعوامل، لم يعد تنفيذ المهمة مجرد "سؤال وجواب"؛ يحتاج العامل لقراءة الملفات، استدعاء الأدوات، تنفيذ الشيفرة، ومراجعة النتائج ثم المتابعة، وهذه السلسلة من العمليات قد تتكرر مئات بل آلاف المرات. خلال هذه العملية، سرعة توليد Token في كل خطوة تؤثر على الزمن الكلي لإكمال المهمة.

ذكرت Nvidia أن الذكاء الاصطناعي القائم على العوامل يجلب معه تحديين حوسبيين: من ناحية، يجب التعامل بفعالية مع سياق يتزايد باستمرار، ومن ناحية أخرى، يجب توليد Tokens بزمن منخفض جداً باستمرار. Vera Rubin NVL72 مسؤولة عن مهام التدريب والاستدلال ومعالجة السياق الموسعة، بينما Groq 3 LPX مخصصة لتعزيز سرعة التفاعل الفردي وزيادة معدل توليد Token.

أظهرت الإختبارات الحديثة لـ Nvidia أن Groq 3 LPX في ظل نموذج Gemma 4 31B وسياق 100K، تصل إلى 3400 Token مُخرجة في الثانية؛ وفي مهام العوامل وغيرها من الأحمال الحساسة للزمن تستجيب بسرعات تصل إلى أربعة أضعاف أقرب المنصات المنافسة. وقالت Nvidia إن هذه السرعة تتيح للعوامل إكمال مهام مثل كتابة الشيفرة، اختبارها، استدعاء الأدوات والتحقق من النتائج بشكل أسرع.

على صعيد الأعمال، ستكون شركة خدمات الذكاء الاصطناعي Nebius أول مزود سحابي يستخدم Groq 3 LPX، وتخطط لنشرها في منصة إنتاج الاستدلال Nebius Token Factory. تخطط Groq أيضاً لتكون من أوائل الشركات التي تعتمد هذه المنصة.

هذا يعني أنه مع بدء الإنتاج الشامل لـ Groq 3 LPX، بدأ دمج قدرات تقنية Groq التي استحوذت عليها Nvidia ضمن مجموعة المنتجات لمراكز بيانات Vera Rubin.

30 ضعف هنا ليست "سرعة" بل مزيد من مهام العوامل لكل ميغاواط

مقارنة بمؤشر الأداء الفردي مثل 3400 Token/ثانية، ما يلفت الانتباه هذه المرة هو تركيز Nvidia على الإنتاجية لكل ميغاواط وتكلفة الـ Token.

تشير بيانات الاختبارات التي نشرتها Nvidia إلى أنه في حمل عمل SemiAnalysis AgentX، تصل إنتاجية Vera Rubin NVL72 لكل ميغاواط إلى 30 ضعف GB300 NVL72، مع انخفاض تكلفة كل Token حتى 35 ضعف. ويستخدم الاختبار مسارات برمجة عوامل حقيقية، مع الحفاظ على نمو السياق الفعلي واستدعاء الأدوات وتوليد العوامل الفرعية وغيرها.

وبالتالي، فإن زيادة الإنتاجية لكل ميغاواط حتى 30 ضعف تعكس تحسناً كبيراً في فعالية الاستدلال للذكاء الاصطناعي، وليست مجرد زيادة سرعة الاستدلال للرقاقة الفردية بهذه النسبة.

هذا المؤشر له أهمية خاصة لمراكز بيانات الذكاء الاصطناعي.

كانت خدمات النماذج الضخمة التقليدية تركز أكثر على زمن الاستجابة والإنتاجية لكل طلب منفرد، بينما أحمال عمل العوامل تستمر في استهلاك Tokens. وأشارت Nvidia إلى بيانات من OpenRouter تفيد بأن استهلاك الToken في أعمال الذكاء الاصطناعي القائم على العوامل قد يصل إلى 15 ضعف مقارنة بطلبات الدردشة البسيطة. السبب أن العامل قد يبحث أولاً في قاعدة البيانات، ثم يبحث في الأخبار والملفات، ويستدعي عوامل فرعية للتحليل، ويشغل الشيفرة ويكرر التحقق من النتائج، وكل ذلك مع تراكم السياق عبر العملية.

وهذا يفتح المجال لطرق جديدة لقياس اقتصاديات بنية الذكاء الاصطناعي التحتية: كم عدد مهام العوامل الفعّالة التي يمكن إنجازها بميغاواط واحد من الكهرباء؟

مع تحول الكهرباء وموارد مراكز البيانات إلى عنق زجاجة لتوسع الذكاء الاصطناعي، فإن زيادة عدد الTokens المنتجة بالقدرة الكهربائية نفسها ربما يكون أكثر أهمية من زيادة القدرة الحسابية القصوى فقط.

تحول Vera Rubin من "منصة GPU" إلى مصنع ذكاء اصطناعي متكامل

من الناحية المعمارية، Groq 3 LPX ليست منتجاً منفصلاً، بل جزء من استراتيجية "التصميم المتكامل لتعاضد أقصى" لمنصة Vera Rubin من Nvidia.

حددت Nvidia مسبقاً Vera Rubin كمنصة مصنع ذكاء اصطناعي لعصر العوامل الذكية. ولا يتكون النظام بالكامل من وحدات معالجة رسومية (GPU) فقط، بل تم تصميمه حول الحوسبة والشبكات والتخزين والبرمجيات، ويشمل Rubin GPU و Vera CPU و Groq 3 LPX و BlueField-4 DPU و Spectrum-6 SPX وغيرها.

حيث Rubin GPU مسؤول عن التدريب الضخم والاستدلال ومعالجة السياق؛ وGroq 3 LPX يتكفل بتوليد Tokens عالي السرعة؛ بينما Vera CPU يتعامل مع كميات كبيرة من مهام العوامل بين استدعاءات النماذج والتي تعتمد على وحدة المعالجة المركزية، بما يشمل ترتيب الأدوات، تنفيذ الأكواد، معالجة البيانات والمحاكاة.

تشير معلومات المعمارية التي أعلنتها Nvidia سابقاً إلى أن منصة Vera Rubin تم تصميمها بشكل متعاون عبر سبعة أنواع من الشرائح وخمسة رفوف مخصصة، لتتولى كل عتاد القيام بالأعمال الأنسب لها، بدلاً من تكليف نوع واحد من المعالجات بجميع أحمال عمل الذكاء الاصطناعي.

هذا يعني أن Nvidia تقوم بترقية بنية الذكاء الاصطناعي من "تجمعات GPU" إلى نظام حوسبة متغاير الأنواع.

بالنسبة لمزودي السحابة للذكاء الاصطناعي، تكمن فائدة هذا النظام في إمكانية توزيع الموارد حسب الحاجة بين مراحل التدريب، الاستدلال لسياق طويل، توليد Token أو استدعاء الأدوات، وبذلك تزيد كفاءة واستثمار مركز البيانات بالكامل.

SpaceXAI تدعم Vera: الذكاء الاصطناعي القائم على العوامل ينطلق إلى الفضاء

متزامناً مع بدء الإنتاج الشامل لـ Groq 3 LPX، أعلنت SpaceXAI أيضاً توسيع استخدامها لمنظومة Vera Rubin من Nvidia.

في 24 أغسطس، أعلنت Nvidia أن SpaceXAI ستنشر Vera CPU لتطبيقات الذكاء الاصطناعي للعوامل في الجيل القادم. تم تصميم Vera خصيصاً لمعالجة الأحمال التي تعتمد على وحدة المعالجة المركزية خارج استدلال النماذج، بما يشمل استدعاء الأدوات، تنفيذ الأكواد، معالجة البيانات، تنسيق المهام والمحاكاة.

يعتمد Vera على 88 نواة Olympus صممتها Nvidia ذاتياً، ويحتوي على ذاكرة LPDDR5X ذات عرض نطاق عالي حتى 1.2 تيرابايت/ثانية. وذكرت Nvidia أن سرعة إنجاز المهام في الذكاء الاصطناعي القائم على العوامل والتعلم التعزيزي ومعالجة البيانات أسرع بحد أقصى 1.8 مرة من وحدة المعالجة المركزية x86.

بالنسبة لـ SpaceXAI، تكمن قيمة Vera ليس فقط في تعزيز أداء وحدة المعالجة المركزية.

خلال تشغيل العوامل، تحدث العديد من المهام بين مراحل الاستدلال عبر GPU، مثل تنفيذ الأكواد، معالجة البيانات، استدعاء الأدوات وتنسيق العوامل المختلفة. إذا كانت سرعة معالجة هذه المهام بوحدة المعالجة المركزية غير كافية، فقد يضطر GPU للانتظار، مما يضعف استغلال مصنع الذكاء الاصطناعي بالكامل.

لذا، ترغب SpaceXAI في استخدام Vera لمعالجة هذه المهام "ما بعد النموذج"، مما يتيح لوحدات GPU التركيز بشكل أكبر على التدريب والاستدلال بالنماذج، وزيادة كفاءة النظام بأكمله.

تخطط SpaceXAI أيضاً لتوسيع بنية Grok AI القائمة على Vera Rubin، مع توسع القدرة الحسابية إلى عدة جيجاوات؛ بالإضافة إلى ذلك، تعتزم الشركة استخدام نسخة محسّنة من Vera Rubin NVL72 في أقمار Starmind AI الاصطناعية الأولى.

وهذا يعني أن نظام الحوسبة المسرّعة من Nvidia بات يمتد من مراكز البيانات على الأرض ليصل إلى الحوسبة المدارية.

من "روبوت الدردشة" إلى "التنفيذ الذاتي"، الطلب على قدرة الذكاء الاصطناعي في ازدياد

من بدء الإنتاج الشامل لـ Groq 3 LPX إلى الإعلان عن معدل إنتاجية Vera Rubin ثلاثين ضعفاً لكل ميغاواط، وصولاً إلى توسعة SpaceXAI لاستخدام Vera Rubin في أقمار Starmind، جميع هذه الإعلانات تشير إلى تحول واحد: تطبيقات الذكاء الاصطناعي تنتقل من توليد المحتوى إلى التنفيذ التلقائي للمهام.

في سيناريوهات الدردشة والتلخيص، غالباً ما يطلب المستخدم من النموذج إنتاج فقرة نص فقط؛ أما في سيناريو العوامل، فعلى النموذج الاستمرار في الاستدلال، استدعاء الأدوات، تنفيذ الشيفرة، الوصول للبيانات الخارجية والتحقق من النتائج باستمرار.

وهذا يعني أن مؤشرات البنية التحتية للذكاء الاصطناعي في المستقبل قد تتغير—من التركيز على "تدريب نموذج أكبر"، إلى التركيز تدريجياً على عدد الـ Tokens المفيدة المنتجة لكل وحدة كهرباء، وعدد المهام المنجزة لكل وحدة تكلفة، والمدة التي يحتاجها العامل لإكمال مهمة معقدة.

Nvidia منحت Groq 3 LPX، Vera CPU و Rubin GPU ضمن منظومة مصنع الذكاء الاصطناعي نفسها، بهدف إعادة تصميم البنية التحتية لمواكبة هذا التحول.

كما توفر SpaceXAI اتجاهاً أكثر ابتكاراً للتطبيق: إذا أمكن لهذه المنظومة أن تمتد من مراكز البيانات الأرضية إلى المدار، ستتوسع حدود حوسبة الذكاء الاصطناعي إلى ما هو أبعد من غرف الملقمات التقليدية لمراكز البيانات.