بعد سنوات من نقل أعباء الذكاء الاصطناعي إلى مراكز البيانات السحابية، بدأت الشركات تعيد النظر في سؤال جوهري: أين يجب أن تعمل هذه النماذج فعلياً؟ بالنسبة لعدد متزايد من الفرق التقنية، لم تعد المشكلة الأساسية في حجم القدرة الحاسوبية المتاحة، بل في المسافة بين البيانات ومكان المعالجة، وبين الفكرة الأولى والنتيجة القابلة للاستخدام.
في بيئات العمل المؤسسية، كثير من حالات الاستخدام لا تتعلق بتدريب نموذج ضخم مرة واحدة، بل بتجارب متكررة وسريعة: ضبط دقيق، اختبار سلوك الوكلاء الذكيين، تشغيل استدلال على بيانات حساسة، أو تحسين نموذج بحسب ملاحظات الفريق. وكلما زادت الحاجة إلى التجريب السريع، زادت أهمية أن تكون الحوسبة قريبة من المستخدم والبيانات.
هذا التحول لا يعني أن السحابة فقدت قيمتها. على العكس، ما تزال البنية السحابية ضرورية للمهام واسعة النطاق، وللتدريب على أحجام هائلة من البيانات، ولتوسيع السعات عند الحاجة. لكن الصورة أصبحت أكثر تعقيداً: بعض أعباء العمل لم تعد تستفيد من الابتعاد عن الفريق، بل تتضرر منه بسبب التأخير، والتكلفة المتغيرة، وتعقيدات الامتثال.
القيود التنظيمية تعيد البيانات إلى الداخل
أحد أبرز الأسباب التي تدفع الشركات إلى إعادة جزء من قدرات الذكاء الاصطناعي إلى بيئتها الداخلية هو حساسية البيانات. السجلات الطبية، والبيانات المالية، والمستندات القانونية، والملفات الهندسية الخاصة، كلها أنواع معلومات لا يمكن نقلها بسهولة إلى بيئات خارجية أو مشتركة دون مراجعات صارمة. وفي بعض الحالات، يكون القرار النهائي ببساطة هو الرفض.
عندما لا تستطيع البيانات مغادرة المؤسسة، يصبح من المنطقي أن تنتقل الحوسبة إليها. هذا النموذج يقلل المخاطر المرتبطة بالامتثال، ويمنح فرق الأمن والحوكمة سيطرة أوضح على دورة حياة البيانات، ويجعل تشغيل التطبيقات الذكية أكثر توافقاً مع السياسات الداخلية ومتطلبات التدقيق.
إضافة إلى ذلك، فإن قرب المعالجة من مصدر البيانات يختصر كثيراً من التعقيد التشغيلي. فبدلاً من نسخ المعلومات أو نقلها أو تأمين قنوات إضافية لها، يمكن للفرق العمل ضمن بيئة واحدة أكثر وضوحاً وقابلية للرقابة.
السرعة أصبحت عاملاً تنافسياً في تطوير الذكاء الاصطناعي
في مشاريع الذكاء الاصطناعي، لا تقاس القيمة فقط بجودة النموذج، بل أيضاً بعدد الدورات التجريبية التي يمكن للفريق تنفيذها في أسبوع واحد. وكل تأخير في بدء المهمة، أو انتظار في قائمة المعالجة، أو رحلة ذهاب وإياب بين جهاز المطور والبنية البعيدة، يضيف زمناً ميتاً يبطئ التعلم.
في الشركات التي تعتمد على فرق صغيرة وسريعة الحركة، يمكن لهذا التأخير أن يغير الإيقاع الكامل للمشروع. الفكرة التي تُختبر صباحاً قد تحتاج إلى نتيجة قبل الظهر حتى تبقى داخل دورة اتخاذ القرار. أما إذا استغرقت التجربة ساعات طويلة أو واجهت طوابير استخدام مرتفعة، فإن الزخم قد يتراجع، وتتحول الأفكار إلى مهام مؤجلة.
لذلك أصبحت السرعة هنا أكثر من مجرد ميزة تقنية؛ إنها عنصر تنظيمي. البنية التي تسمح بالتجربة الفورية، والتعديل السريع، وإعادة التشغيل دون انتظار طويل، تمنح الفرق أفضلية واضحة في التعلم والتحسين.
الفجوة بين محطة العمل ومركز البيانات
لوقت طويل، كانت الخيارات المتاحة أمام المؤسسات محدودة: إما محطة عمل تقليدية قريبة من المستخدم لكنها غير قادرة على التعامل مع النماذج الضخمة، أو مركز بيانات بعيد يقدم قدرة هائلة لكنه يحتاج إلى إدارة أكثر تعقيداً ووقت أطول للوصول إليه. وبين هذين الخيارين كانت توجد فجوة واضحة.
هذه الفجوة أصبحت اليوم أكثر وضوحاً مع توسع استخدام النماذج الكبيرة والوكلاء الذكيين. فبعض المهام تحتاج إلى قوة تضاهي مراكز البيانات، لكنها تحتاج أيضاً إلى التحكم المحلي، والخصوصية، وسهولة الوصول. وهنا يظهر ما يمكن وصفه بالطبقة الوسطى في بنية الذكاء الاصطناعي: قوة عالية، لكن قريبة من الشخص الذي يعمل على المشكلة.
النتيجة هي انتقال الحديث من مفهوم «كمية الحوسبة» إلى مفهوم «قرب الحوسبة». أي أن السؤال لم يعد فقط: كم تملك المؤسسة من موارد؟ بل: أين توجد هذه الموارد؟ ومن يستطيع استخدامها في اللحظة المناسبة؟
الحوسبة القريبة تعيد تعريف بيئة العمل
العودة إلى الحوسبة المحلية لا تعني إغلاق الباب أمام السحابة، بل إعادة توزيع الأدوار. فالمهام الحساسة، والمتكررة، والتي تحتاج إلى تفاعل سريع، يمكن أن تُشغّل محلياً ضمن حدود المؤسسة. أما الأعباء المتغيرة أو الضخمة جداً، فتبقى قادرة على الاستفادة من موارد السحابة عندما يكون ذلك ضرورياً.
هذا النموذج الهجين يمنح فرق التقنية مساحة أكبر للتحرك. فهو يوفّر تكلفة أكثر قابلية للتنبؤ مقارنة باستهلاك السحابة المتغير، ويقلل الاعتماد على الطوابير والازدحام في البنية المشتركة، ويجعل فرق التطوير أقرب إلى البيانات والنتائج.
كما أن تشغيل الذكاء الاصطناعي داخل المؤسسة يفتح المجال أمام تطوير مساعدين ذكيين ووكلاء يعملون بشكل مستمر ضمن بيئة محكومة. وهذه النقطة مهمة بشكل خاص للشركات التي تريد أتمتة عمليات داخلية دون التخلي عن متطلبات الأمن والسرية.
لماذا يتجه السوق إلى أجهزة الذكاء الاصطناعي المكتبية المتقدمة
أحد الاتجاهات اللافتة في السوق هو صعود أجهزة حوسبة مكتبية مصممة خصيصاً للذكاء الاصطناعي، وتجمع بين أداء يقترب من مستوى مراكز البيانات وإمكانية وضعها على مكتب العمل. هذه الأجهزة تستهدف الفرق التي تحتاج إلى تشغيل النماذج الكبيرة محلياً، مع الاحتفاظ ببيئة تشغيل مستقرة ومصممة للاستخدام المؤسسي الطويل.
في هذا السياق، برزت منصات مثل ASUS ExpertCenter Pro ET900N G3 المبنية على بنية NVIDIA DGX Station، والمدعومة بشريحة NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip. الفكرة الأساسية هنا ليست مجرد جهاز قوي، بل محطة عمل قادرة على تنفيذ مهام الذكاء الاصطناعي الكبيرة دون مغادرة موقع البيانات أو الحاجة إلى دور انتظار طويل.
وتشير المواصفات المعلنة إلى قدرة ذاكرة موحدة تبلغ 748 جيجابايت، وأداء يصل إلى 20 PFLOPS في تطبيقات الذكاء الاصطناعي، إضافة إلى معالج NVIDIA Grace بمعمارية 72 نواة، ووحدة رسومية Blackwell Ultra مرتبطة عبر NVLink-C2C عالي النطاق. كما يدعم الجهاز اتصالاً شبكياً يصل إلى 800 جيجابت في الثانية عبر NVIDIA ConnectX-8 SuperNIC، وهو ما يسمح بربطه بسهولة بالبنية المركزية عند الحاجة إلى التوسع.
هذه العناصر مجتمعة تعكس اتجاهاً أوسع في الصناعة: جعل الأداء المتقدم متاحاً في بيئة العمل اليومية، لا فقط داخل مراكز الحوسبة البعيدة.
أثر مباشر على فرق التطوير وقيادات التقنية
بالنسبة لمديري تقنية المعلومات، يصبح القرار متعلقاً بالتوازن بين التحكم والكفاءة. فوجود بنية ذكاء اصطناعي محلية يمنح المؤسسة سيطرة أوضح على البيانات، ويقلل المخاطر المرتبطة بالامتثال، ويُحسن القدرة على التخطيط المالي لأن التكلفة لم تعد رهينة لاستهلاك سحابي متقلب.
أما لفرق التطوير والبحث، فإن الفائدة الأكثر وضوحاً هي السرعة. القدرة على تشغيل النماذج محلياً، واختبار التعديلات فوراً، وتكرار التجربة دون انتظار، تعني دورة ابتكار أسرع. وهذه السرعة قد تكون الفارق بين مشروع يتقدم بانتظام ومشروع يتعثر بسبب البنية التحتية.
كما أن الأجهزة المصممة للتشغيل المستمر على مدار الساعة، مع أنظمة تبريد وبنية حرارية مناسبة، تتيح استخدامات طويلة المدى في التدريب والاستدلال من دون تراجع الأداء عندما يزداد الضغط التشغيلي.
المعادلة الجديدة في بنية الذكاء الاصطناعي
التحول الحالي لا يقوم على إلغاء السحابة أو استبدالها بالكامل، بل على إدراك أن لكل عبء عمل مكانه المناسب. بعض المهام يجب أن تبقى بعيدة وقابلة للتوسع، وبعضها الآخر يجب أن يقترب من المستخدم والبيانات والقرار.
لهذا يبدو أن المعركة القادمة في الذكاء الاصطناعي لن تكون فقط حول حجم النموذج أو عدد الشرائح أو سرعة الذاكرة، بل حول المسافة. كلما تقلصت المسافة بين الفكرة والتنفيذ، وبين البيانات والمعالجة، وبين الفريق والأداة، زادت قدرة المؤسسات على الابتكار بسرعة أكبر وبدقة أعلى.
وفي هذا المعنى، لا يكمن التحدي الحقيقي في أن تكون الحوسبة موجودة، بل في أن تكون في المكان الصحيح وفي اللحظة الصحيحة. وهذه هي النقطة التي تعيد رسم خريطة الذكاء الاصطناعي داخل الشركات اليوم.