الخندق الأساسي لدى Nvidia ليس الرقاقات بل CUDA: وكلاء الذكاء الاصطناعي بدؤوا في إعادة كتابته

لعشرين عامًا لم تكن سرعة وحدات GPU هي الأصل التنافسي الرئيسي لدى Nvidia، بل منصة CUDA البرمجية، وهي الطبقة التي تحوّل سيليكون الشركة إلى أداة بيد مطوّري الذكاء الاصطناعي. ووفق تحليل The Next Web، بدأ وكلاء الذكاء الاصطناعي لكتابة الشيفرة وأدوات تحسين الاستدلال (inference) الجديدة في هدم هذا الخندق.

لماذا تُعدّ CUDA أهم من أي رقاقة من Nvidia

ظهرت CUDA عام 2006، وتحوّلت خلال ما يقارب عقدين إلى أساس تطوير الذكاء الاصطناعي: إذ تعتمد عليها PyTorch وTensorFlow وJAX ومعظم أطر التعلّم العميق الرائدة. وقد بُنيت حول تجريدات CUDA، على مدى سنوات، آلاف النوى (kernels) عالية التحسين وخطوط ML المؤسسية والمناهج التدريبية في الجامعات.

لم يكن الانتقال من CUDA إلى بديل يعني استبدال عدد من الدوال، بل إعادة بناء حزمة برمجية جرى تنقيحها على مدى سنوات. تقدّم AMD منصة ROCm، وتقدّم Intel منصة oneAPI، لكن توافقهما مع منظومة CUDA القائمة ظل محدودًا، وتطلّب نقل النوى الحرجة معرفة عميقة بالبنى المعمارية الدقيقة لوحدات GPU. والنتيجة أن حتى الشركات التي كانت لديها حوافز اقتصادية لتغيير مورّد العتاد بقيت في الغالب مع Nvidia، لأن كلفة الخروج من المنظومة البرمجية كانت مرتفعة جدًا.

• تعمل CUDA منذ عام 2006، أي ما يقارب 20 عامًا من المنظومة المتراكمة
• PyTorch وTensorFlow وJAX محسّنة أصلًا لـ CUDA
• AMD ROCm وIntel oneAPI بديلان عمليان بتوافق محدود
• كان الانتقال إلى منصة أخرى يتطلب تاريخيًا أشهرًا من عمل مهندسي GPU
• ارتفاع كلفة الخروج، لا تفوّق الرقاقات، هو ما أبقى الصناعة مع Nvidia

كيف بدأ وكلاء الذكاء الاصطناعي في إعادة كتابة الخندق

بدأ وكلاء الذكاء الاصطناعي لكتابة الشيفرة، مثل GitHub Copilot وCursor وDevin وما يماثلها، بتولّي الجزء الميكانيكي من الانتقال بعيدًا عن CUDA: فهم يحلّلون التبعيات ويعيدون كتابة النوى ويكيّفون الواجهات لتناسب ROCm أو oneAPI. والكلفة التي كانت تُقاس سابقًا بأشهر من عمل مختصّين في الشيفرة منخفضة المستوى بدأت تتراجع.

«لم يكن خندق

Nvidia الحقيقي عتاديًا قط. وقد بدأ الذكاء الاصطناعي في إعادة كتابته»، من تحليل The Next Web.

وبحسب تقدير المنشور، لم يقم خندق Nvidia على التفوق التقني لـ CUDA بحد ذاته، بل على الكلفة الباهظة للخروج منها. والأدوات التي تخفّض هذه الكلفة تغيّر جذريًا معادلة المنافسة في سوق عتاد الذكاء الاصطناعي.

وبالتوازي يتطوّر مسار تحسين الاستدلال المستقل عن العتاد. فإطار Triton من OpenAI ومترجمات MLIR ولغة Mojo من شركة Modular تتيح كتابة نوى لوحدات GPU دون ارتباط صارم بواجهة CUDA API. وهي، مع وكلاء الذكاء الاصطناعي، تشكّل مجموعة أدوات تخفّض بصورة منهجية حاجز تغيير المنصة العتادية وتفتح الطريق أمام منافسة حقيقية.

ماذا يعني ذلك

لا يعني تهديد CUDA انهيار Nvidia: فميزة الأداء العتادية لعائلة Blackwell لا تزال حقيقية، ودورة استبدال أساطيل GPU في مراكز البيانات تستغرق سنوات، والأثر الناتج عن المنظومة لا يزول في موسم واحد. لكن مجرد أن وكلاء الذكاء الاصطناعي بدؤوا يخفّضون الحاجز غير التقني الأهم لدى Nvidia يغيّر الصورة بعيدة المدى: فقد حصلت AMD وIntel والشركات الناشئة العاملة على رقاقات مخصصة على فرصة حقيقية لجذب المطوّرين الذين لم يكن بوسعهم سابقًا مغادرة منظومة CUDA.