Meta تطوّر رقائقها الخاصة لتدريب نماذج الذكاء الاصطناعي

تنفق الشركة عشرات المليارات من الدولارات سنويًا على البنية التحتية للذكاء الاصطناعي، ولم تعد ترغب في الاعتماد على معالجات الآخرين، حتى في أكثر المراحل حساسية: تدريب النماذج. فقد أكد المدير المالي لشركة Meta Platforms أن الشركة تطوّر رقائق خاصة بها مخصصة لتدريب نماذج الذكاء الاصطناعي المستقبلية. وجاء هذا التصريح بعد وقت قصير من إبرام عقود كبرى مع أبرز مصنّعي أشباه الموصلات، وهو يشير إلى أن استراتيجية Meta في مجال البنية التحتية الحاسوبية أصبحت أكثر طموحًا بكثير.

ولفهم حجم هذه الخطوة، لا بد من النظر إلى السياق. فحتى الآن كانت الرقائق المخصصة من Meta، وفي مقدمتها عائلة MTIA، موجّهة إلى الاستدلال (inference)، أي تشغيل النماذج المدرَّبة بالفعل. والاستدلال مهمة أبسط نسبيًا: فالنموذج يعرف ما عليه فعله، وكل ما يحتاجه هو إخراج النتائج بسرعة وكفاءة. أما التدريب فمسألة مختلفة تمامًا. إذ يتطلب تدريب نموذج لغوي كبير قدرات حوسبة هائلة، وتنسيقًا شديد التعقيد بين آلاف المعالجات، ونطاقًا ترددّيًا استثنائيًا للذاكرة. ولهذا السبب لا تزال NVIDIA، بمعالجات GPU من سلسلتي H100 وB200، المورّد الذي لا بديل له عمليًا في هذه المرحلة. وإعلان تطوير رقاقة تدريب خاصة يعني تحدّي هذا الاحتكار.

دوافع Meta واضحة وتقاس بأرقام محددة. ففي عام 2025 أنفقت الشركة نحو 35-40 مليار دولار على النفقات الرأسمالية، المرتبطة في معظمها بالبنية التحتية للذكاء الاصطناعي. وذهب جزء كبير من هذه الأموال إلى شراء معالجات GPU من NVIDIA. وفي ظل هذه الأحجام، قد يوفّر أي تراجع طفيف في الاعتماد على مورّد خارجي مليارات الدولارات. لكن الأمر لا يقتصر على المال. فالرقائق الخاصة تتيح تحسين البنية بما يلائم احتياجات محددة: بنية نماذج LLaMA، وخصوصية التدريب الموزّع في مراكز بيانات Meta، وأنماط الأحمال الفريدة. إن معالجات GPU العامة من NVIDIA ممتازة، لكنها عامة الغرض بالتحديد، ما يعني أنها تنطوي حتمًا على تنازلات.

ومن اللافت أن هذا التصريح جاء بعد أن أبرمت Meta صفقات كبرى مع أبرز مصنّعي الرقائق. قد يتساءل المرء: لماذا الاستثمار في تطوير ذاتي إذا كانت الشراكات مع Broadcom وTSMC وغيرهما تؤمّن أصلًا الوصول إلى التقنيات المتقدمة؟ تكمن الإجابة في الأفق الاستراتيجي للتخطيط. فتطوير رقاقة تدريب من الصفر عملية تستغرق من ثلاث إلى خمس سنوات من الفكرة حتى الإنتاج الواسع. وتلعب Meta على المدى الطويل: العقود الحالية تغطي احتياجات اليوم، أما السيليكون الخاص فيجب أن يضمن الاستقلالية في العقد القادم. وهذا هو المنطق نفسه الذي تتبعه Google مع TPU، وAmazon مع Trainium، وMicrosoft مع Maia، فأكبر مستهلكي القدرات الحاسوبية لا يمكنهم تحمّل الاعتماد الاستراتيجي على مورّد واحد.

غير أن الطريق من الطموح إلى رقاقة تدريب عاملة مليء بالتعقيدات التقنية والتنظيمية. فقد احتاجت Google إلى نحو عقد كامل لتصل بـ TPU إلى مستوى مكّنها من تدريب أكبر نماذجها في الغالب على عتادها الخاص. أما Amazon، رغم استثماراتها الكبيرة في Trainium، فلا تزال تواجه تساؤلات حول منظومة البرمجيات والتوافق. وتصميم الرقاقة نصف المهمة فقط. فلا بد من بناء حزمة متكاملة: مترجمات، وأطر عمل، وأدوات تصحيح، وأنظمة مراقبة. ولا بد من إقناع الباحثين لديها، المعتادين على CUDA وPyTorch، بالانتقال إلى منصة جديدة. ولا بد من ضمان موثوقية على مستوى آلاف الرقائق التي تعمل معًا لأشهر دون أعطال.

أما بالنسبة إلى NVIDIA، فهذا التصريح إشارة مقلقة أخرى في سلسلة طويلة من الإشارات المماثلة. فكل عميل كبير يعلن عن برنامج رقائق خاص به يقلّص احتمالًا السوق المتاحة أمام شركة جنسن هوانغ. لكن التجربة تُظهر أن الإحلال الفعلي يتم ببطء. فحتى Google، التي تملك أنضج رقائق الذكاء الاصطناعي المخصصة في القطاع، لا تزال تشتري معالجات GPU من NVIDIA لمهام معينة. وعلى الأرجح تتجه Meta نحو نموذج هجين، تتولى فيه رقائقها الخاصة تدريجيًا حصة متزايدة من الأحمال، بينما تبقى المشتريات من الموردين الخارجيين كضمانة ومكمّل.

إن قرار Meta تطوير رقائق التدريب ليس مجرد خبر مؤسسي، بل مؤشر على تحوّل جوهري في القطاع. فعصر سيطرة مورّد واحد على الأساس الحاسوبي لثورة الذكاء الاصطناعي بأكملها يقترب من نهايته. وتعمل كبرى شركات التقنية في العالم بشكل منهجي على بناء تكامل رأسي، من النماذج والبيانات وصولًا إلى السيليكون نفسه الذي يشغّل كل ذلك. ولم يعد السؤال ما إذا كانت Meta ستتمكن من بناء رقاقة تدريب منافسة، بل مدى سرعة نجاحها في ذلك، وكيف سيعيد هذا رسم خريطة سوق البنية التحتية للذكاء الاصطناعي التي تقدّر بمليارات الدولارات.

*Meta مصنّفة في روسيا منظمة متطرفة ومحظورة فيها.