Rubin يقدّم 50 PFLOPS لكل شريحة وTPU 8t يقدّم 12,6، لكن Google تراهن على الحجم
تصنع Nvidia وGoogle شرائح للذكاء الاصطناعي. ووفق البيانات المعلنة، تقدّم شريحة Nvidia Rubin الواحدة ما يصل إلى 50 PFLOPS (50 كوادريليون عملية في الثانية)، بينما تقدّم شريحة Google TPU 8t نحو 12,6 PFLOPS، أي أقل بنحو 4 مرات تقريبًا. لكن Google تعتمد على العدد: يضم السوبر بود الواحد (عنقود ضخم) 9 600 شريحة TPU 8t، في حين يضم رف Nvidia 72 وحدة GPU. المختبرات لا تشتري الشرائح، بل تشتري التوكن الرخيص. لذلك قارنوا بين تكلفة المليون توكن على حِملكم الفعلي، لا بين الذروة المذكورة في ورقة المواصفات.
معالج بواسطة الذكاء الاصطناعي من X: @ZeeshhDecodes؛ بتحرير Hamidun News
عند إطلاق مسرّع جديد للذكاء الاصطناعي، ينشغل الإنترنت بمقارنة الجداول: من يملك PFLOPS أكثر (كوادريليونات العمليات في الثانية). قارن صاحب قناة AI Decoded (@ZeeshhDecodes) بين Nvidia Rubin وGoogle TPU 8t. فوفق الذروة المعلنة، تقدّم شريحة Rubin الواحدة 50 PFLOPS، بينما تقدّم شريحة TPU 8t الواحدة 12,6، أي إن Nvidia أسرع بنحو 4 مرات. لكن Google ترد بالحجم: يضم السوبر بود الواحد (عنقود مترابط) من TPU 8t عدد 9 600 شريحة، بينما يتسع رف Nvidia لـ72 وحدة GPU. والخلاصة لكم أن اختيار السحابة بناءً على رقم شريحة واحدة لا معنى له، فالمهم هو حساب سعر التوكن، أي سعر كل قطعة نصية يعيدها النموذج إلى المستخدم.
ماذا تُظهر الأرقام لكل شريحة
يستند الكاتب إلى صفحات المواصفات. فقد أُعلن عن ذروة لشريحة Nvidia Rubin تبلغ 50 PFLOPS لكل شريحة، بينما تظهر شريحة Google TPU 8t في القائمة بـ12,6 PFLOPS. لو اشترى مختبر مسرّعًا واحدًا ووضعه على مكتبه، لكان الاختيار واضحًا: في مواجهة «شريحة مقابل شريحة» ما زالت Nvidia تتفوق، ويقرّ الكاتب بذلك بأمانة.
لكن هذه الشرائح لا تُستخدم منفردة على المكاتب. فالنماذج الكبيرة تُدرَّب وتُشغَّل على مئات الآلاف من المسرّعات المترابطة، وعند هذا المستوى تتغير الصورة.
أين تعوّض Google الفارق
وفق ما ورد في المنشور، يجمع سوبر بود TPU 8t الواحد 9 600 شريحة، بينما يتسع رف Nvidia لـ72 وحدة GPU. وإذا ضربنا أرقام الذروة ضربًا تقريبيًا، نحصل على نحو 121 000 PFLOPS (حوالي 121 EFLOPS) للسوبر بود مقابل 3 600 PFLOPS (3,6 EFLOPS) للرف. هذه المقارنة ليست عادلة تمامًا: فالسوبر بود وحدة بنية تحتية كاملة، أما الرف فمجرد جزء منها. لكنها توضح منطق Google: لا تحاول التفوق على Nvidia في الشريحة الواحدة، بل بناء منظومة مترابطة ضخمة جدًا والمنافسة بالسعر.
ويصوغ الكاتب الفكرة هكذا: Google تلعب بورقة الحجم والسعر. شريحتها أضعف، لكن عددها كبير، وهي شرائح من تصنيعها، دون هامش ربح لمورّد خارجي. أما نقطة قوة Nvidia فهي كثافة الحوسبة: 72 وحدة GPU قوية في رف واحد.
لماذا تهم تكلفة التوكن
الفكرة الرئيسية في المنشور: المختبرات لا تشتري الشرائح، بل تشتري تكلفة التوكن. وبهذه الوحدة يحسب المال من يبيعون الوصول إلى النموذج أو يشغّلونه في بيئة الإنتاج. وتتكوّن التكلفة تقريبًا على النحو التالي: سعر العتاد وإيجاره في الساعة، مضافًا إليه الكهرباء والتبريد والشبكة، مقسومًا على عدد التوكنات التي أنتجها النظام فعليًا خلال تلك الساعة.
أما PFLOPS القصوى فلا تعكس الكثير من ذلك:
- الاستخدام الفعلي. الذروة الورقية لا تتحقق تقريبًا أبدًا: فالذاكرة والشبكة بين الشرائح وجودة الحزمة البرمجية تحسم الكثير.
- صيغة الحوسبة. تعتمد أرقام الذروة على الدقة (مثل FP8 أو FP4). ولم يوضّح المنشور ذلك، لذلك لا يمكن اعتبار الرقمين 50 و12,6 قابلين للمقارنة تمامًا دون التحقق من الوثائق.
- سعر الشراء والطاقة. شريحة أضعف بأربع مرات، لكنها أرخص بوضوح وأكثر كفاءة في استهلاك الطاقة، قد تنتج التوكن بسعر أقل.
- البرمجيات. الأدوات المألوفة كثيرًا ما تفوق في وزنها بضعة PFLOPS إضافية.
ماذا تفعلون عمليًا
إذا كنتم تختارون سحابة أو مزوّد استدلال، فلا تقارنوا الذروة النظرية. شغّلوا نموذجكم بطول السياق الذي تستخدمونه وبحركة المرور الفعلية، ثم احسبوا السعر لكل مليون توكن وزمن الاستجابة. قد يكون الأداء على Nvidia أسرع، وعلى TPU أرخص. والقياس على حِملكم الفعلي وحده هو الذي يحسم الأمر.
وإذا كان اقتصاد منتجكم قائمًا على التوكن الرخيص، فإن الارتباط بمعسكر واحد مخاطرة، ويُستحسن اختبار المنصتين.
القيود
هذا رأي شخصي قصير نُشر في شبكة اجتماعية، وليس اختبار أداء مستقلًا. فالأرقام مأخوذة من صفحات المواصفات، أي أنها ذروة معلنة وليست سرعة مقيسة في التدريب أو الاستدلال. ولا يتضمن المنشور تكلفة فعلية للتوكن لشريحتي Rubin وTPU 8t، مع أنها هي التي تحسم هذا الجدل.
- 19 نوفمبر 2026Q.ANT وAMD تشغّلان نموذج LLM بحجم 1 مليار معلمة بشريحة ضوئية بدل آلية الانتباه
- 19 نوفمبر 2026كلمة «لعبة فيديو» ترفع استعداد GPT-6 Astra لاختيار الأهداف من 6% إلى 92%
- 19 نوفمبر 2026AWS تضيف إلى SageMaker تصنيفاً لأكثر من 70 نموذجاً: الجودة والسرعة والسعر في جدول واحد
- 18 نوفمبر 2026جنسن هوانغ يستقيل من منصب الرئيس التنفيذي لـ NVIDIA، والشركة تفقد أكثر من $1 تريليون من قيمتها السوقية
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ماذا تُظهر الأرقام لكل شريحة؟
يستند الكاتب إلى صفحات المواصفات. فقد أُعلن عن ذروة لشريحة Nvidia Rubin تبلغ 50 PFLOPS لكل شريحة، بينما تظهر شريحة Google TPU 8t في القائمة بـ12,6 PFLOPS. لو اشترى مختبر مسرّعًا واحدًا ووضعه على مكتبه، لكان الاختيار واضحًا: في مواجهة «شريحة مقابل شريحة» ما زالت Nvidia تتفوق، ويقرّ الكاتب بذلك بأمانة. لكن هذه الشرائح لا تُستخدم منفردة على المكاتب. فالنماذج الكبيرة تُدرَّب وتُشغَّل على مئات الآلاف من المسرّعات المترابطة، وعند هذا المستوى تتغير الصورة.
ما أبرز التفاصيل حول أين تعوّض Google الفارق؟
وفق ما ورد في المنشور، يجمع سوبر بود TPU 8t الواحد 9 600 شريحة، بينما يتسع رف Nvidia لـ72 وحدة GPU. وإذا ضربنا أرقام الذروة ضربًا تقريبيًا، نحصل على نحو 121 000 PFLOPS (حوالي 121 EFLOPS) للسوبر بود مقابل 3 600 PFLOPS (3,6 EFLOPS) للرف. هذه المقارنة ليست عادلة تمامًا: فالسوبر بود وحدة بنية تحتية كاملة، أما الرف فمجرد جزء منها. لكنها توضح منطق Google: لا تحاول التفوق على Nvidia في الشريحة الواحدة، بل بناء منظومة مترابطة ضخمة جدًا والمنافسة بالسعر. ويصوغ الكاتب الفكرة هكذا: Google تلعب بورقة الحجم والسعر.
ما أبرز التفاصيل حول لماذا تهم تكلفة التوكن؟
الفكرة الرئيسية في المنشور: المختبرات لا تشتري الشرائح، بل تشتري تكلفة التوكن. وبهذه الوحدة يحسب المال من يبيعون الوصول إلى النموذج أو يشغّلونه في بيئة الإنتاج. وتتكوّن التكلفة تقريبًا على النحو التالي: سعر العتاد وإيجاره في الساعة، مضافًا إليه الكهرباء والتبريد والشبكة، مقسومًا على عدد التوكنات التي أنتجها النظام فعليًا خلال تلك الساعة. أما PFLOPS القصوى فلا تعكس الكثير من ذلك: الاستخدام الفعلي. الذروة الورقية لا تتحقق تقريبًا أبدًا: فالذاكرة والشبكة بين الشرائح وجودة الحزمة البرمجية تحسم الكثير. صيغة الحوسبة.
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.