NVIDIA DGX Spark: وكلاء ذكاء اصطناعي محليون على نماذج مُسرَّعة مع دعم التجميع في عناقيد

نشرت NVIDIA في مدونة المطورين الخاصة بها في يونيو 2026 مادة تشرح كيف يساعد النظام المدمج DGX Spark وإمكانية تجميعه في عناقيد على تشغيل وكلاء ذكاء اصطناعي مستقلين محليًا، على نماذج مُسرَّعة، ودون اللجوء إلى البنية التحتية السحابية. وتنطلق المادة من نوع متنامٍ من أحمال الحوسبة تولّده الوكلاء المستقلون طويلو العمر: فخلافًا للاستعلامات المفردة الموجَّهة إلى روبوت الدردشة، تحتفظ هذه الوكلاء بنوافذ سياق كبيرة وتولّد مهام متوازية أثناء عملها.

ما طبيعة الحمل الذي تفرضه الوكلاء المستقلون

تقوم سيناريوهات الاستخدام الكلاسيكية للنماذج اللغوية الكبيرة، في الغالب، على استعلامات قصيرة بسياق محدود: يطرح المستخدم سؤالًا، فيجيب النموذج، وتنتهي الجلسة. أما الوكلاء المستقلون فيعملون بطريقة مختلفة: إذ قد يحتفظون في الذاكرة لساعات بحجم كبير من السياق المتعلق بالمهمة والبيئة والخطوات السابقة، وفي الوقت نفسه يولّدون عدة مهام فرعية متوازية، مثل البحث عن المعلومات أو استدعاء الأدوات أو التحقق من النتائج الوسيطة، ويتطلبون استجابة في الوقت الفعلي عند كل خطوة. وهذا نمط حمل مختلف جذريًا عن الاستدلال التقليدي من حيث الذاكرة والحوسبة، ولأجله تروّج NVIDIA لتكوينات عتادية متخصصة.

كيف يلبّي DGX Spark والتجميع في عناقيد هذه الحاجة

DGX Spark نظام مكتبي مدمج من NVIDIA، صُمّم ليتيح للمطوّر تشغيل نماذج مُسرَّعة مباشرة في مكان عمله، لا في السحابة أو غرفة الخوادم فحسب. وقد قدّمته الشركة ضمن مجموعة أنظمة موجَّهة للمطورين الذين يحتاجون إلى قدرة حاسوبية خاصة بهم لتجربة النماذج دون اعتماد دائم على مزوّدي الخدمات السحابية. والفكرة الأساسية في مادة NVIDIA أن عدة أنظمة من هذا النوع يمكن ضمّها في عنقود واحد، لزيادة الذاكرة والقدرة الحاسوبية الإجمالية بما يلائم المهام التي لا تتسع لها وحدة واحدة: السياقات الطويلة للوكلاء المستقلين، أو عدة وكلاء يعملون بالتوازي، أو نماذج أكبر مما يتيحه نظام منفرد.

وينقل هذا النهج جزءًا من منطق بناء عناقيد البنية التحتية للذكاء الاصطناعي في مراكز البيانات إلى مستوى محطة العمل المحلية للمطوّر. فإذا كان هذا النظام يُعدّ في السابق أداة للتطوير المحلي واختبار نماذج منفردة في المقام الأول، فإن التركيز الجديد ينصبّ على القدرة على ضمّ عدة أجهزة في عنقود خصيصًا للحمل المميّز للوكلاء المستقلين طويلي التشغيل، لا للاستعلامات المفردة الموجَّهة إلى النموذج.

أبرز الحقائق:

• نُشرت المادة في مدونة NVIDIA Developer Blog في يونيو 2026
• يدور الحديث عن نظام DGX Spark وإمكانية تجميعه في عناقيد
• الحمل المستهدف هو وكلاء الذكاء اصطناعي المستقلون طويلو العمر ذوو نوافذ السياق الكبيرة
• تولّد هذه الوكلاء مهام فرعية متوازية أثناء عملها، خلافًا للاستعلامات المفردة الموجَّهة إلى روبوت الدردشة

ماذا يغيّر ذلك للمطورين

بالنسبة إلى المطورين الذين يبنون أنظمة وكلاء، يزيل التجميع المحلي للعتاد من هذا النوع بعض العقبات المرتبطة بالتطوير السحابي: فلا حاجة إلى انتظار تخصيص الموارد، ولا إلى القلق من تفاوت زمن استجابة الشبكة عند الوصول إلى عنقود GPU بعيد، ولا إلى دفع تكاليف النسخ السحابية خلال دورات تصحيح أخطاء الوكيل الطويلة التي تتطلب بطبيعتها إعادة تشغيل وتجارب متكررة. وفي الوقت نفسه، يخفّض ذلك عتبة الدخول إلى تطوير وكلاء مستقلين طويلي العمر بحق: فما كان يتطلب في السابق الوصول إلى مركز بيانات مؤسسي، أصبح متاحًا على مستوى محطة عمل المطوّر، مضمومةً في عنقود صغير مع زملائه.

أما الفرق التي واجهت أصلًا ارتفاع فواتير الاستدلال السحابي في مرحلة بناء النماذج الأولية لأنظمة الوكلاء، فقد يكون هذا البديل المحلي مجديًا اقتصاديًا حتى قبل الانتقال إلى الإنتاج، خاصةً في المرحلة التي يُعاد فيها تشغيل الوكيل كثيرًا ويخطئ ويتطلب تصحيحًا متكررًا، وكل دورة من هذه الدورات في السحابة تتحول مباشرةً إلى فاتورة من المزوّد. وفي سياق أوسع، تعكس المادة اتجاهًا عامًّا في السنوات الأخيرة: فمع انتقال أنظمة الوكلاء من فئة النماذج الأولية التجريبية إلى فئة أدوات العمل، بدأت البنية التحتية الحاسوبية الخاصة بها تتخصص بمعزل عن البنية التحتية المخصصة لتدريب النماذج، بمتطلباتها الخاصة من الذاكرة وتوازي المهام ومحلية الحوسبة.