401 مليار دولار تُضخ في الذكاء الاصطناعي بينما تبقى وحدات GPU خاملة: كيف تحل افتراضية vGPU مشكلة هدر البنية التحتية للذكاء الاصطناعي؟

في عام 2026، تشير تقديرات Gartner التي نقلتها VentureBeat إلى أن الإنفاق العالمي على البنية التحتية للذكاء الاصطناعي سيرتفع بمقدار إضافي قدره 401 مليار دولار هذا العام. لكن تقرير Cast AI، الذي استُشهد به في المقال نفسه، يكشف عن واقع مختلف تمامًا: متوسط معدل استخدام وحدات معالجة الرسومات (GPU) في الشركات لا يتجاوز نحو 5% فقط. بعبارة أخرى، فإن الجزء الأكبر من هذا الإنفاق الضخم يبقى خاملًا دون أن يحقق قيمة تتناسب معه. المشكلة لا تكمن في نقص وحدات GPU، بل في الطريقة التي تدير بها الشركات مواردها الحالية من هذه الوحدات وتتشاركها.

المفارقة: إنفاق ضخم، ومعدل استخدام GPU لا يزال منخفضًا

وفقًا لتحليل VentureBeat، فإن سبب بقاء وحدات GPU في الشركات خاملة لا يعود إلى نقص إمكانية الوصول إليها — فالعديد من المؤسسات الكبرى تحجز سعة من وحدات GPU دون استخدامها فعليًا. العائق الحقيقي يكمن في حلقة شراء ذاتية التعزيز مدفوعة بالخوف من تفويت الفرصة (FOMO)، إلى جانب بنية بيانات غير ناضجة، وحوكمة مجزأة، وخطط تسعير بسعر ثابت خلال مراحل التجربة تسمح للفرق ببناء مسارات معالجة مُتضخمة — بدءًا من عوامل ذكاء اصطناعي ذات سياق طويل جدًا، وصولًا إلى طبقات استرجاع معقدة دون داعٍ.

والجدير بالملاحظة أن استطلاع VentureBeat نفسه للربع الأول من 2026 أظهر أن نسبة من يعتبرون تكلفة الاستدلال (cost per inference)/التكلفة الإجمالية للملكية أولوية قصوى ارتفعت من 34% إلى 41%، بينما ارتفع القلق المتعلق بالأمن والامتثال من 41.5% إلى 48.7%. يعكس هذان الرقمان تحول تركيز الشركات من مجرد “امتلاك وحدات GPU متاحة” إلى “استخدامها بكفاءة وأمان” — وهي اللحظة التي تبرز فيها تقنية افتراضية وحدات المعالجة الرسومية (vGPU) كحل أساسي.

كيف تحل افتراضية GPU (vGPU) هذه المشكلة؟

في جوهرها، تقوم افتراضية GPU بتقسيم بطاقة GPU فعلية واحدة إلى عدة أقسام منفصلة بحيث يمكن لعدة أجهزة افتراضية أو أحمال عمل استخدامها في وقت واحد، بدلاً من أن يستحوذ تطبيق واحد على البطاقة بأكملها بينما يستخدم جزءًا بسيطًا فقط من قدرتها الفعلية. ووفقًا للوصف التقني الرسمي من NVIDIA لتقنية Multi-Instance GPU (MIG)، يمكن تقسيم وحدات GPU ذات المعمارية الأحدث إلى عدة نسخ مستقلة، تمتلك كل منها وحدة معالجة وذاكرة وذاكرة تخزين مؤقت خاصة بها، مما يتيح تشغيل عدة أحمال عمل بالتوازي دون تنافس على الموارد أو تداخل بين المستأجرين.

لماذا يُعد الأمان في البيئات متعددة المستأجرين (Multi-Tenant) مهمًا؟

عندما يتشارك عدة عملاء أو أقسام البنية التحتية ذاتها لوحدات GPU، فإن تقسيم الموارد على مستوى العتاد — وليس فقط على مستوى البرمجيات — يساعد على منع أي حمل عمل من الاستحواذ على ذاكرة حمل عمل آخر أو التأثير على أدائه. ولهذا السبب بالتحديد، يجب بناء بنية افتراضية GPU على أساس مركز بيانات يستوفي معايير أمنية معترفًا بها دوليًا، مع عمليات مراقبة واعتماد واضحة، بدلاً من الاكتفاء بطبقة افتراضية برمجية تعمل على بنية تحتية عادية.

Viettel Cloud GPU: افتراضية مرنة من A30 إلى H200

في فيتنام، تم بناء خدمة Viettel Cloud GPU على بنية تحتية لمركز بيانات معتمدة وفق معيار ANSI/TIA-942-B Rated 3، إلى جانب شهادات أمن المعلومات ISO 27001 وISO 27017، مما يتيح للشركات استئجار السعة بعدة تكوينات (1/2/4/6/8 بطاقات) والاستفادة من ميزة vGPU لافتراضية وحدات GPU بما يتناسب مع الاحتياج الفعلي، بدلاً من شراء سعة زائدة تنتهي بالخمول كما هو الحال في الاتجاه العالمي المذكور أعلاه.

تضم التشكيلة الحالية NVIDIA H200 (141 جيجابايت) وL40S (48 جيجابايت)، وهما أحدث الفئتين الرئيسيتين لمهام الذكاء الاصطناعي والتعلم الآلي، وتدريب النماذج الكبيرة والاستدلال، إلى جانب A30 (24 جيجابايت) الذي لا يزال خيارًا موفرًا للتكلفة لأحمال العمل الصغيرة والمتوسطة. وللشركات المترددة بين هذه الفئات من وحدات GPU، يمكن الرجوع إلى مقالنا التفصيلي حول مقارنة وحدات معالجة الرسومات السحابية T4 وA30 وL40S وH200 لاختيار التكوين المناسب لحِمل عمل الذكاء الاصطناعي الخاص بها.

تأتي كل باقة GPU مع نظام تشغيل ومُشغِّل NVIDIA ومجموعة أدوات CUDA مثبتة مسبقًا، مع دعم كامل لأطر عمل الذكاء الاصطناعي والتعلم الآلي الشائعة (TensorFlow وPyTorch وCaffe) وأدوات الرسوميات والعرض (Redshift وOctane وV-Ray) — وهو ما يناسب فرق أبحاث الذكاء الاصطناعي، وكذلك استوديوهات عرض الأفلام والألعاب والتصميم المعماري ثلاثي الأبعاد التي تحتاج إلى قدرة رسومية كبيرة ضمن نموذج استئجار مرن. أما بالنسبة للشركات التي تواجه صعوبة بسبب محدودية الإمدادات المحلية من وحدات GPU، فإن استئجار السعة حسب الطلب عبر Cloud GPU هو أيضًا الحل الذي تناولناه في مقالنا حول ضبط نماذج الذكاء الاصطناعي باللغة الفيتنامية في ظل نقص وطني في وحدات GPU.

يمكن للشركات التسجيل في تجربة إثبات المفهوم (POC) لمدة تصل إلى 7 أيام قبل اتخاذ قرار الاستثمار طويل الأمد، مما يتيح قياس الأداء الفعلي بدقة قبل التوسع في النطاق — وهو نهج يتعارض تمامًا مع “حلقة الشراء المدفوعة بالخوف من تفويت الفرصة” التي تدفع مؤسسات حول العالم إلى إهدار مئات المليارات من الدولارات على وحدات GPU خاملة.

المراجع

للحصول على عرض سعر تفصيلي واستشارة حول الحل المناسب، يُرجى التواصل مع فريق المبيعات عبر الخط الساخن/Zalo/WhatsApp: 0966707701 أو البريد الإلكتروني: dungnh1@viettelidc.com.vn