Groq وPaytm تطلقان الاستدلال على رقائق LPU للمدفوعات على نطاق الهند

أعلنت Groq وPaytm شراكة ستشغّل بموجبها منصة المدفوعات الهندية جزءًا من نماذج الذكاء الاصطناعي لديها عبر GroqCloud، وهي سحابة الشركة المبنية على رقائق LPU من تصميمها. صدر الإعلان في 5 نوفمبر 2025. تشمل السيناريوهات المستهدفة مكافحة الاحتيال وتقييم المخاطر وتسجيل العملاء الجدد والتخصيص. والوعد الرئيسي هو استدلال أسرع وأرخص مما تقدمه أنظمة GPU التقليدية، لكن البيان الصحفي لا يتضمن أرقامًا تدعم ذلك.

ماذا تحصل عليه Paytm تحديدًا

تصف Paytm نفسها بأنها شركة رائدة في الهند في المدفوعات عبر الهاتف المحمول وتوزيع الخدمات المالية. وكانت قد بدأت سابقًا بدمج الذكاء الاصطناعي في نمذجة المخاطر ومنع الاحتيال وتسجيل العملاء الجدد وتقديم العروض الشخصية. والآن ستنقل جزءًا من الجانب الحسابي لهذه المهام إلى Groq.

تراهن Groq على التخصص الضيق. فقد صُمّمت وحدة LPU، أي Language Processing Unit، للاستدلال، أي لتشغيل النماذج المدرَّبة أصلًا، لا لتدريبها. وتتيح GroqCloud الوصول إلى هذه الرقائق كخدمة سحابية. تأسست الشركة عام 2016، وتقول إن أكثر من مليوني مطوّر وعددًا من شركات قائمة Fortune 500 يعملون على منصتها.

قال نارِندرا سينغ ياداف، مدير الأعمال في Paytm، إن التعاون يعزز القاعدة التقنية ويتيح تشغيل الاستدلال في الوقت الفعلي «على نطاق واسع». أما سكوت أولبين، المدير العام لـ Groq في منطقة APAC، فتحدث عن «النطاق الوطني» وعن إتاحة الذكاء الاصطناعي.

لماذا تحتاج خدمة المدفوعات إلى استدلال سريع

في المدفوعات، تعمل النماذج ضمن ميزانية زمنية صارمة جدًا. يجب اتخاذ القرار بشأن المعاملة بينما ينتظر المستخدم التأكيد عند الصندوق أو في التطبيق. وتقع درجات تقييم الاحتيال وفحص الشذوذ وتقييم المخاطر في صلب هذا المسار. وكل مئة مللي ثانية إضافية تعني إما التخلي عن الدفع، وإما الاضطرار إلى نموذج أضعف يُبسَّط من أجل السرعة.

لذلك يؤثر الاستدلال السريع والمتوقَّع الأداء مباشرةً في مؤشرات الأعمال: نسبة المعاملات الناجحة، وخسائر الاحتيال، وتكلفة كل قرار يتخذه النموذج. وبالنسبة إلى منصة تخدم سوقًا جماهيرية ذات مبالغ صغيرة، يصبح المؤشر الأخير حاسمًا. فإذا كان تقييم عملية واحدة مكلفًا، فلن يكون مجديًا اقتصاديًا في المدفوعات الزهيدة.

العبارة الأخيرة في البيان، «السرعة والذكاء والوصول»، تبدو تسويقية، لكن أساسها هو اقتصاديات الاستدلال تحديدًا.

ما المعروف وما غير المعروف

• المزوّد: Groq، سحابة GroqCloud على رقائق LPU.
• العميل: Paytm، منصة المدفوعات والخدمات المالية.
• المهام: نماذج المخاطر ومكافحة الاحتيال وتسجيل العملاء الجدد والتخصيص ومعالجة المعاملات.
• الميزة المعلنة: استدلال أسرع وأرخص مما تقدمه وحدات GPU التقليدية.
• غير المعلن: زمن الاستجابة بالمللي ثانية، والإنتاجية، ونسبة التوفير، وحجم الأحمال، وقائمة النماذج، ومواعيد التنفيذ، والشروط المالية.

هذا بيان صحفي نموذجي للشراكات: الاتجاه واضح، لكن لا توجد حتى الآن نتائج قابلة للقياس. بل لا يُعرف ما إذا كانت Paytm ستنقل نماذجها الإنتاجية إلى LPU، أم ستبدأ بجزء من السيناريوهات وبمشاريع تجريبية. ولم يُوضَّح كذلك ما إذا كانت بيانات العملاء ستُعالَج على بنية Groq التحتية. وهذه مسألة تنظيمية بالنسبة إلى شركة مالية: فتوطين البيانات ومتطلبات الجهة التنظيمية الهندية قد يحددان بنية النشر أكثر مما تحددها سرعة الرقائق.

كيف نقرأ هذا الإعلان

بالنسبة إلى Groq، هذا عميل كبير في سوق تولّد فيها ملايين المعاملات الصغيرة يوميًا حملًا مستمرًا على الاستدلال. أما بالنسبة إلى شركات المدفوعات والتقنية المالية الأخرى، فهو إشارة إلى أن المسرّعات المتخصصة باتت تُعتبر بديلًا عمليًا لوحدات GPU في بيئة الإنتاج، لا في العروض التجريبية فقط.

والخلاصة العملية للفرق التي تبني الذكاء الاصطناعي في القطاع المالي: ينبغي مقارنة مزوّدي الاستدلال بتكلفة القرار الواحد عند زمن استجابة محدد على نموذجكم أنتم، لا بمعايير الأداء القصوى. وتحققوا مسبقًا من الجانب القانوني لتخزين البيانات ومعالجتها. وتابعوا ما إذا كانت Paytm وGroq ستنشران أرقامًا حقيقية بعد عدة أرباع. فهذه الأرقام وحدها ستُظهر ما إذا كان الانتقال قد حقق مكسبًا ملموسًا أم بقي مجرد إعلان.