شركة XCENA الكورية الجنوبية الناشئة تجمع 135 مليون دولار رهانًا على الذاكرة بدلًا من الحوسبة
حصلت شركة XCENA الكورية الجنوبية الناشئة على تمويل بقيمة 135 مليون دولار بتقييم يبلغ 570 مليون دولار. وتعارض الشركة الرأي السائد في الصناعة، إذ ترى أن عنق الزجاجة في الذكاء الاصطناعي الحديث ليس القدرة الحاسوبية ولا قوة GPU، بل سرعة الوصول إلى الذاكرة وعرض نطاقها الترددي. وفي حين يواصل المنافسون الاستثمار في معالجات أقوى فأقوى، تطوّر XCENA حلولًا متخصصة لهذه المشكلة تحديدًا.
معالج بواسطة الذكاء الاصطناعي من TechCrunch؛ بتحرير Hamidun News
جمعت شركة XCENA الكورية الجنوبية الناشئة في مجال الرقائق 135 مليون دولار من الاستثمارات بتقييم قدره 570 مليون دولار. وتراهن الشركة على فرضية مخالفة للبديهة: عنق الزجاجة في تطور الذكاء الاصطناعي الحديث ليس القدرة الحاسوبية لوحدات GPU، بل سرعة الوصول إلى الذاكرة.
الجميع يرى المشكلة، لكن لا يفهم الجميع سببها الحقيقي
تنشغل الصناعة منذ عامين بنقص وحدات GPU. وتحمل الأخبار كل يوم حديثًا عن شحّ القدرات الحاسوبية، وحروب الرقائق، وقيود الشراء. تنظر XCENA إلى المشكلة نفسها لكنها تراها بصورة مختلفة. فبحسب منطقها، حتى لو زوّدت النموذج بأقوى رقاقة في العالم، فسيهدر وقتًا طويلًا في انتظار وصول البيانات المطلوبة من الذاكرة إلى نواة الحوسبة. وتُعرف هذه الظاهرة باسم memory bottleneck، وهي تضغط على الأداء أكثر بكثير مما يلاحظه كثيرون.
وتؤكد بنية GPU الحديثة ذلك. فنواة الحوسبة قادرة على تنفيذ العمليات في غضون نانوثوانٍ، أما الوصول إلى الذاكرة فيعني في كثير من الأحيان انتظار مليارات النانوثوانٍ. والنتيجة مفارقة: المعالج جاهز للحساب، لكنه مضطر إلى انتظار وصول البيانات.
المشكلة تتفاقم مع حجم النماذج وتعقيدها
تتفاقم المشكلة بصورة أسية. فعند تدريب نموذج بتريليون معامل، يصبح حجم البيانات الواجب نقلها بين الذاكرة والمعالج هائلًا بحق. والذاكرة لا تستطيع مجاراة تدفق الطلبات.
- كل مضاعفة لمعاملات النموذج تزيد متطلبات الذاكرة بصورة أسية
- يزداد زمن الوصول إلى الذاكرة بصورة غير خطية مع زيادة الحجم
- يتجاوز استهلاك الطاقة اللازم لنقل البيانات استهلاك الحوسبة نفسها
- حتى وحدات GPU المتقدمة تعمل بنسبة 30-50% من طاقتها الكامنة بسبب انتظار الذاكرة
ويلمس المهندسون في المختبرات الكبرى هذه المشكلة عمليًا. فعند تدريب نماذج بحجم GPT، يذهب جزء كبير من وقت المعالج في انتظار البيانات اللازمة لا في الحسابات نفسها.
على ماذا تراهن XCENA
تطوّر الشركة الناشئة بنى ذاكرة متخصصة تَعِد بخفض زمن الوصول وزيادة عرض النطاق الترددي. وإذا نجح هذا النهج، فقد يمنح ميزة تنافسية كبيرة للمختبرات والشركات التي تدرّب نماذج ضخمة.
ويعني استثمار 135 مليون دولار من صناديق رأس مال جريء مرموقة أن الصناعة بدأت تصدّق هذه الفرضية. وقد يشير ذلك أيضًا إلى أن بعض كبار الباحثين ومطوّري النماذج واجهوا هذه المشكلة من الداخل ويبحثون بنشاط عن حلول.
ماذا يعني ذلك لمستقبل الذكاء الاصطناعي
إذا كانت XCENA على حق، فستبدو بنية البنية التحتية للذكاء الاصطناعي من الجيل التالي مختلفة. فبدلًا من سباق يقتصر على وحدات GPU الأقوى فأقوى، سينشأ سباق موازٍ وبالحدة نفسها على سرعة الوصول إلى الذاكرة. وقد يعيد ذلك تعريف الشركات والمختبرات القادرة على تحمّل تكلفة تدريب الجيل التالي من النماذج.
وربما تخطئ XCENA في تحليلها، ويكون عنق الزجاجة الرئيسي في الحوسبة فعلًا. لكن نجاح الشركة الناشئة في جمع هذه المبالغ استنادًا إلى رؤيتها يدل على أن التشكيك بدأ يفسح المجال لدراسة جادة للذاكرة بوصفها قيدًا حاسمًا أمام التقدم في الذكاء الاصطناعي.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول الجميع يرى المشكلة، لكن لا يفهم الجميع سببها الحقيقي؟
تنشغل الصناعة منذ عامين بنقص وحدات GPU. وتحمل الأخبار كل يوم حديثًا عن شحّ القدرات الحاسوبية، وحروب الرقائق، وقيود الشراء. تنظر XCENA إلى المشكلة نفسها لكنها تراها بصورة مختلفة. فبحسب منطقها، حتى لو زوّدت النموذج بأقوى رقاقة في العالم، فسيهدر وقتًا طويلًا في انتظار وصول البيانات المطلوبة من الذاكرة إلى نواة الحوسبة. وتُعرف هذه الظاهرة باسم memory bottleneck، وهي تضغط على الأداء أكثر بكثير مما يلاحظه كثيرون. وتؤكد بنية GPU الحديثة ذلك. فنواة الحوسبة قادرة على تنفيذ العمليات في غضون نانوثوانٍ، أما الوصول إلى الذاكرة فيعني في كثير من الأحيان انتظار مليارات النانوثوانٍ. والنتيج
ما أبرز التفاصيل حول المشكلة تتفاقم مع حجم النماذج وتعقيدها؟
تتفاقم المشكلة بصورة أسية. فعند تدريب نموذج بتريليون معامل، يصبح حجم البيانات الواجب نقلها بين الذاكرة والمعالج هائلًا بحق. والذاكرة لا تستطيع مجاراة تدفق الطلبات. كل مضاعفة لمعاملات النموذج تزيد متطلبات الذاكرة بصورة أسية يزداد زمن الوصول إلى الذاكرة بصورة غير خطية مع زيادة الحجم يتجاوز استهلاك الطاقة اللازم لنقل البيانات استهلاك الحوسبة نفسها حتى وحدات GPU المتقدمة تعمل بنسبة 30-50% من طاقتها الكامنة بسبب انتظار الذاكرة ويلمس المهندسون في المختبرات الكبرى هذه المشكلة عمليًا. فعند تدريب نماذج بحجم GPT، يذهب جزء كبير من وقت المعالج في انتظار البيانات اللازمة لا في الحسابات
ما أبرز التفاصيل حول على ماذا تراهن XCENA؟
تطوّر الشركة الناشئة بنى ذاكرة متخصصة تَعِد بخفض زمن الوصول وزيادة عرض النطاق الترددي. وإذا نجح هذا النهج، فقد يمنح ميزة تنافسية كبيرة للمختبرات والشركات التي تدرّب نماذج ضخمة. ويعني استثمار 135 مليون دولار من صناديق رأس مال جريء مرموقة أن الصناعة بدأت تصدّق هذه الفرضية. وقد يشير ذلك أيضًا إلى أن بعض كبار الباحثين ومطوّري النماذج واجهوا هذه المشكلة من الداخل ويبحثون بنشاط عن حلول.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.