NVIDIA تصف GQE — منصة لمحركات معالجة الاستعلامات المعجلة بواسطة GPU

نشرت NVIDIA مادة تقنية في يونيو 2026 على مدونة الشركة للمطورين حول GQE — منصة لتصميم محركات معالجة الاستعلامات المسرعة بـ GPU، والتي غالباً ما تصل أدائها إلى حد عرض نطاق الذاكرة ومعدل نقل الإدخال/الإخراج.

ما هو محرك معالجة الاستعلامات وماذا لديه علاقة بـ GPU

محركات معالجة الاستعلامات هي أنظمة برمجية تنفذ استعلامات تحليلية ضد أحجام كبيرة من البيانات: التجميعات والتصفية وجمع الجداول والعمليات الأخرى التي تشكل أساس التحليلات وتحضير البيانات. لفترة طويلة، عملت هذه الأنظمة على المعالجات ذات الأغراض العامة، لكن مع نمو أحجام البيانات، بدأت الصناعة بشكل متزايد في نقل هذه الحسابات إلى وحدات GPU، التي تكون قادرة على معالجة مصفوفات ضخمة من الصفوف والأعمدة بالتوازي عدة رتب من حيث الحجم أسرع من وحدات المعالجة المركزية عند تحسينها بشكل صحيح.

ما هي المشكلة التي يحلها GQE

تشير NVIDIA إلى أن محركات معالجة الاستعلامات المسرعة بـ GPU تصل تقليدياً إلى حد ليس بقوة الحسابات للمعالج، بل بالسرعة التي يمكن بها نقل البيانات من الذاكرة إلى كتل الحوسبة. إنها عرض نطاق الذاكرة ومعدل نقل الإدخال/الإخراج، وليس عدد الأنوية، ما يحدد غالباً السرعة الفعلية لمعالجة الاستعلامات في الممارسة العملية. تلاحظ NVIDIA أن إنجازات الأجهزة للشركة، بما في ذلك الذاكرة عالية النطاق الترددي (HBM) — الذاكرة متعددة الطبقات المثبتة في مقربة فورية من رقائق GPU للحوسبة — تعالج هذا الاختناق مباشرة.

• نُشرت المادة من قبل NVIDIA على مدونة الشركة للمطورين في يونيو 2026
• تُسمى المنصة GQE وهي مصممة لتصميم محركات معالجة الاستعلامات المسرعة بـ GPU
• الاختناق الرئيسي لمثل هذه الأنظمة هو عرض نطاق الذاكرة ومعدل نقل الإدخال/الإخراج، وليس عدد أنوية الحوسبة
• من بين حلول الأجهزة، تذكر NVIDIA الذاكرة عالية النطاق الترددي (HBM)

لماذا هذا مهم لبنية الذكاء الاصطناعي

تشكل محركات معالجة الاستعلامات أساس منصات التحليلات التي تحضر وتصفي وتنظف البيانات للتدريب والضبط الدقيق اللاحقين لنماذج التعلم الآلي. مع نمو أحجام البيانات التي يتم تدريب النماذج الحديثة عليها، يصبح نقل معالجة الاستعلامات نفسها إلى GPU — بدلاً من مجرد تدريب النموذج — جزءاً من استراتيجية NVIDIA الأوسع لبناء مكدس موحد من الأجهزة والبرمجيات لمراكز البيانات: من قواعد البيانات المسرعة بـ GPU والأطر العمل للعمل مع البيانات الجدولية إلى المسرعات نفسها للتدريب والاستدلال. يوفر هذا النهج الوقت لمهندسي البيانات، الذين لم يعد لديهم حاجة لنقل البيانات بين مجموعات CPU و GPU منفصلة في مراحل مختلفة من خط الأنابيب.

عادة ما تصاحب مواد المطورين مثل منشور GQE مجموعة أوسع من منتجات NVIDIA لتحليلات البيانات المسرعة بـ GPU، التي تطورها الشركة لعدة سنوات بالتوازي مع رقائق لتدريب شبكات الأعصاب — مما يوسع عدد السيناريوهات حيث يعمل مركز بيانات كامل على GPU من تحضير البيانات إلى الاستدلال النهائي للنموذج، بدلاً من ترك جزء من خط الأنابيب على معالجات الخادم العادية.

ما الذي يعنيه هذا

تُظهر مادة GQE المكان الذي ينزاح إليه تركيز NVIDIA: بالإضافة إلى المسرعات لتدريب النموذج والاستدلال، تستثمر الشركة بشكل منهجي في تسريع GPU للمراحل السابقة من خط أنابيب البيانات — حيث أن الأنظمة التحليلية اليوم غالباً ما تصل إلى حد الذاكرة بدلاً من الحوسبة.