أفضل عتاد استدلال للذكاء الاصطناعي لوكلاء منخفضي زمن الاستجابة في 2026

استخدم Groq أو Cerebras قبل استئجار وحدة معالجة رسومات (GPU) ما لم تكن بحاجة إلى أوزان مخصصة (custom weights): ففي شهر توضيحي يستهلك 150 مليون رمز (token)، تبلغ فاتورة GPT OSS 120B لديهما $76.50 و $100.50، بينما تكلف شريحة B200 واحدة تعمل باستمرار $5,102.70 قبل احتساب التكاليف الهندسية. وتعد شريحة NVIDIA Blackwell الخيار الافتراضي الأفضل بمجرد أن يبرر التحكم في عبء العمل ونسبة الاستخدام المستمرة حجز سعة ثابتة، كما تُظهر نتائج OpenAI Jalapeño لماذا يجب أن يكون معيار الشراء هو زمن استجابة الوكيل الشامل من البداية إلى النهاية، وليس الرموز في الثانية.

الخيارات الأفضل في لمحة سريعة

يعتمد أفضل عتاد استدلال منخفض زمن الاستجابة أولاً على طريقة شرائه. تتفوق رقائق السيليكون المتخصصة والمستضافة عندما يتناسب كتالوج النماذج الخاص بها مع حاجتك. بينما تتفوق وحدة GPU المستأجرة عندما تحتاج إلى أوزان مخصصة، أو دعم واسع لأطر العمل، أو تحكم كامل في بيئة التقديم (serving stack). وتتفوق دوائر ASIC السحابية عندما تعوّض التزاماتك الحالية مع AWS أو Google مشقة التوافق البرمجي والتعامل مع الحصص (quotas).

يرتب هذا الدليل القيمة العملية القابلة للتطبيق تجارياً، وليس الأرقام القياسية المعزولة في المختبرات. فالشريحة التي تنشر رقماً مبهراً لمعدل الرموز في الثانية ولكنها لا تستطيع تشغيل نموذجك المختار، أو استيعاب حركة المرور لديك، أو ملاءمة ميزانيتك التشغيلية، لن تجعل وكيلك أسرع صباح يوم العمل.

ما الذي غيرته Jalapeño: تراكم زمن الاستجابة عبر حلقة الوكيل

تغير شريحة Jalapeño معيار التقييم من سرعة الشريحة المجردة إلى وقت اكتمال الطلب بالكامل. قامت OpenAI بقياس أول شريحة استدلال مخصصة لها وفق مقياس InferenceX المرجعي العام مع تجربة مستخدم متطابقة، وأعلنت عن زمن استجابة شامل أقل بمقدار 1.7 إلى 3.6 مرة من البداية إلى النهاية عبر نماذج GPT OSS 120B، و DeepSeek R1 670B، و Kimi K2.5 1T. يتضمن هذا القياس دورة طلب التقديم بالكامل وليس مجرد وتيرة حسابية معزولة.

بالنسبة لنموذج GPT OSS 120B، تسجل OpenAI وقتاً قدره 1.03 ثانية على Jalapeño مقابل 1.80 ثانية على GB200. يوفر الاستدعاء الواحد 0.77 ثانية. بالتالي، فإن وكيلاً توضيحياً يُجري 12 استدعاءً تسلسلياً للنموذج سيوفر 9.24 ثانية حتى قبل احتساب أي تحسين في الأدوات أو الشبكة.

الفارق أكبر مع نموذج DeepSeek R1: 1.65 ثانية مقابل 5.99 ثانية. وعبر حلقة تسلسلية مماثلة من 12 خطوة، يصبح الفارق الإجمالي 52.08 ثانية. هنا لم يصبح الوكيل أكثر ذكاءً، لكن المستخدم ينتظر أقل بما يقرب من دقيقة كاملة لأن كل استدعاء يعتمد على سابقه ويبدأ مبكراً.

يمكننا تسمية هذا التأثير مضاعِف زمن الاستجابة التسلسلي. غالباً ما يخطط الوكلاء، ويستدعون أداة، ويفحصون النتيجة، ويعيدون صياغة الخطة، ثم يعاودون الاستدعاء. عندما تعتمد مرحلة على اكتمال المرحلة السابقة، يتكرر أي تأخير طفيف في الطلب عبر المهمة بأكملها. ولهذا السبب قد يحقق نظام ما إنتاجية إجمالية ممتازة ولكنه يظل يبدو بطيئاً جداً لمستخدم واحد.

لا تزال الإنتاجية الكلية مهمة؛ فهي تحدد عدد الوكلاء المتزامنين الذين يمكن للنظام خدمتهم قبل أن تبدأ طوابير الانتظار في التشكل. تشير OpenAI أيضاً إلى إنجاز عمل لكل واط أعلى بمقدار 1.5 إلى 1.9 مرة عند ذروة الإنتاجية، وأداء أعلى بمقدار 2.1 إلى 4.1 مرة للأعباء التفاعلية العالية. الدرس المستفاد هنا ليس أن تنتظر كل شركة شريحة Jalapeño، بل أن يجمع معيار الشراء المعتمد بين استجابة المستخدم وقدرة التعامل مع التزامن معاً.

بالنسبة لمؤسس شركة ناشئة، قد يكون معيار القبول هو إنجاز المهمة بنسبة p95 في أقل من 20 ثانية أثناء نشاط 50 مستخدماً. وبالنسبة لمدير تكنولوجيا تنفيذي في شركة متوسطة، قد يتمثل في عدد تذاكر الدعم المنجزة بنجاح لكل كيلوواط في رف الخوادم (rack). أما بالنسبة لمدير تشغيل أول، فقد يكون ببساطة نسبة الجلسات التي يغادرها المستخدم قبل أن ينهي الوكيل مهمته. تساعد عمليات FLOPs ومعدل الرموز في الثانية على تفسير تلك النتائج، لكنها ليست النتائج النهائية بحد ذاتها.

كيف تم اختيار أفضل عتاد استدلال للذكاء الاصطناعي

يستند الترتيب إلى ستة معايير: زمن الاستجابة الشامل من البداية إلى النهاية، ومدى ملاءمة النموذج، والتحكم في أعباء العمل، وأصغر وحدة اقتصادية يمكنك شراؤها، وتكلفة الانتقال البرمجي، والتوافر للجمهور. أما كفاءة الطاقة والإنتاجية القصوى فلا تكتسبان أهمية إلا بعد أن يحقق النظام هدف زمن الاستجابة لوكيل منفرد.

تم التحقق من الأسعار، والباقات، وكتالوجات النماذج، وأشكال النسخ السحابية، وقيود الوصول، وشروط اختبارات المزودين بالرجوع إلى صفحاتهم الرسمية المباشرة في 27 أغسطس 2026. لم تشمل المقارنة إطلاق حركة مرور إنتاجية فعلية، أو استئجار هذه النسخ، أو إعادة إجراء الاختبارات المرجعية للمزودين بشكل مستقل. مصطلح "الأفضل" يعني أقوى صفقة شراء لعبء العمل المحدد استناداً إلى الحقائق العامة المتاحة والحسابات القياسية المقارنة.

تضمنت هذه القائمة سبعة مسارات للعتاد لأن الصفحة الأعلى تصنيفاً في هذا المجال تغطي سبعة مزودين. لكن المقارنة هنا مصممة عمداً لتتبع رقائق السيليكون ومسار الوصول المتاح لشرائها. ويشمل ذلك وحدات GPU العامة، ومعالجات الاستدلال المتخصصة، ورقائق ASIC من كبرى المنصات السحابية، وتصميماً مرجعياً واحداً غير متاح للشراء. وتم استبعاد أي منصة لا يمكن وصفها إلا بعبارات تسويقية عامة.

تقع طبقة العتاد هذه أيضاً أسفل منصة استدلال الذكاء الاصطناعي في الوقت الفعلي المُدارة. قد يوفّر المزود مزايا التوجيه، والتوسيع التلقائي، وإمكانية الملاحظة، والمخرجات المهيكلة، والسعة المخصصة حول شريحة أو أكثر. إذا كنت بحاجة إلى تلك الطبقة التشغيلية، فاشترها بوعي بدلاً من افتراض أن المسرّع الأسرع يتضمنها تلقائياً.

1. NVIDIA Blackwell عبر Lambda: أفضل عتاد افتراضي شامل

تعد NVIDIA Blackwell عبر Lambda أفضل عتاد افتراضي شامل لأنها تتيح لك سعة B200 بالخدمة الذاتية دون تضييق كتالوج النماذج. إنها الخيار الأنسب لفريق نماذج يقدم أوزاناً مخصصة، أو لشركة خاضعة لمتطلبات تنظيمية صارمة تحتاج إلى التحكم في بيئة التشغيل، أو لمنتج مدعوم باستثمارات ولديه حركة مرور كافية لإبقاء المسرّع مشغولاً. العائق الأساسي هو السعة الثابتة: العداد يستمر في الاحتساب حتى عندما تتوقف الطلبات. الخلاصة واضحة: تحتل Blackwell المركز الأول بفضل المرونة، وليس لكونها أرخص خيار للتجارب الأولى.

الأنسب لـ: النماذج المخصصة، والتوافق الواسع مع أطر العمل، والتقديم الإنتاجي الخاضع للتحكم الكامل
أبرز ميزة: إمكانية حجز من 1 إلى 8 وحدات GPU من طراز B200 بخدمة ذاتية مع 180 GB من VRAM لكل GPU
التسعير: $6.99/ساعة للـ GPU الواحدة، و $6.89 لحزمتي 2x، و $6.79 لحزمة 4x، و $6.69 لحزمة 8x
التجربة المجانية: لا توجد تجربة مخصصة معلنة لشريحة B200

تسعر Lambda وحدة B200 الفردية بسعر $6.99 لكل ساعة GPU، ووحدتين بسعر $6.89 لكل منهما، وأربع وحدات بسعر $6.79 لكل منها، وثماني وحدات بسعر $6.69 لكل منها. يتم احتساب الفاتورة بالدقيقة وتعلن الصفحة عن عدم وجود رسوم لنقل البيانات الصادرة (egress). خصم الحجم هنا متواضع، لذا فالخطوة الحاسمة ليست شراء المزيد من وحدات GPU، بل الوصول إلى عبء عمل مستمر يكفي لتعويض تكلفة استئجار أي GPU على الإطلاق.

تكلفة شريحة B200 واحدة تُترك قيد التشغيل لمدة شهر (730 ساعة) هي $5,102.70. وتكلفة ثماني وحدات هي $39,069.60. تستثني هذه الأرقام وقت المهندسين، والتخزين الإضافي غير المشمول في النسخة، وأدوات المراقبة، وتوزيع الأحمال (load balancing)، والسعة الاحتياطية المخصصة للطوارئ أو الارتفاعات المفاجئة في الاستخدام.

تسجل صفحة الاستدلال الخاصة بشركة NVIDIA رقماً أقل بكثير لتقديم النماذج: B200 بتكلفة $0.02 لكل مليون رمز من GPT OSS 120B باستخدام TensorRT-LLM، ونظام GB300 NVL72 بتكلفة $0.123 لكل مليون رمز مع تقديم 116 رمزاً في الثانية لكل مستخدم. هذه نتائج اختبارات مرجعية تمت على بيئة عمل محسنة بالكامل، وليست الفاتورة الفعلية التي يدفعها فريق يستأجر وحدة GPU. إن كفاءة استغلالك للعتاد والبرمجيات هي التي تحدد مدى اقتراب تكاليف الاستئجار من تلك الأرقام.

على مستوى رف الخوادم الكامل، يجمع نظام GB300 NVL72 عدد 72 وحدة GPU من طراز B300 مع 288 GB من ذاكرة HBM3e لكل منها، متصلة بنسيج NVLink بسرعة 130 TB/s. وتفيد NVIDIA بتحقيق إنتاجية أعلى بما يصل إلى 50 مرة لكل ميغاواط، وتكلفة رموز أقل بما يصل إلى 35 مرة مقارنة بمعمارية Hopper لأعباء عمل الوكلاء منخفضة زمن الاستجابة. يكتسب هذا التصميم أهمية حاسمة لنماذج "مزيج الخبراء" (Mixture-of-Experts) الضخمة، حيث يمكن للاتصال البطيء بين المسرعات أن يلغي الميزة التنافسية للشريحة نفسها.

خطة تأهيل Blackwell خلال أسبوع واحد

1. 1

   تثبيت 100 مسار تتبع تمثيلي

   قم بتضمين أطول التوجيهات، وأكبر مخرجات الأدوات، وحالات المحادثة متعددة الجولات، ومحاولات إعادة المحاولة، وأبطأ المهام الناجحة. ثبت النموذج والدقة وسقف المخرجات والتوجيهات ومخططات الأدوات عبر جميع الخيارات المتبارية.

2. 2

   البدء بوحدة B200 واحدة

   استخدم النسخة الفردية 1x بسعر $6.99 للساعة ما لم يتعذر استيعاب النموذج بالكامل في الذاكرة. يجب أن يكون الانتقال إلى نسخة أكبر حلاً لمشكلة مقاسة في سعة الذاكرة أو التزامن، وليس لمجرد التوسع العشوائي.

3. 3

   قياس الحلقة الكاملة

   سجل قياسات p50 و p95 للوقت حتى أول رمز (TTFT)، والوقت بين الرموز، وزمن استجابة المهمة المكتملة، ووقت الانتظار في الطابور، ومعدل قبول المهام، وعدد المحاولات المعادة، ومعدل استغلال الـ GPU، والتكلفة الإجمالية.

4. 4

   إعادة التشغيل عند معدل التزامن المتوقع

   لا يثبت الطلب الفردي السريع الكثير. قم بزيادة عدد التتبعات المتزامنة حتى يتجاوز زمن استجابة p95 الهدف المحدد لتجربة المستخدم، ثم سجل الإنتاجية ونسبة الاستخدام عند تلك النقطة بدقة.

5. 5

   صياغة قاعدة الاعتماد والترقية

   اعتمد Blackwell فقط إذا تفوقت على خيار API النهائي في المعيار الحاسم وكان الاستخدام المتوقع يعوض تكلفة السعة الثابتة وتكاليف الإدارة. خلاف ذلك، استمر مع واجهة API وجدول موعداً لاحقاً لإعادة الاختبار.

2. Groq LPU عبر GroqCloud: أفضل واجهة برمجة تطبيقات منخفضة زمن الاستجابة للنماذج المفتوحة المدعومة

تعد Groq LPU عبر GroqCloud أفضل خيار للشراء المبدئي بزمن استجابة منخفض عندما يكون نموذج GPT OSS مناسباً للغرض ولا تحتاج إلى أوزان مخصصة. تسجل Groq سرعة تقارب 500 رمز في الثانية لنموذج GPT OSS 120B ونحو 1,000 لنموذج GPT OSS 20B، وكلاهما عبر API بدلاً من استئجار خادم مخصص. العائق يكمن في التحكم بالكتالوج: فالنماذج المخصصة للشركات تتطلب التواصل مع المبيعات، ونماذج المعاينة (preview) قد يتم إيقافها في أي وقت دون إشعار مسبق. الحكم النهائي هو أن Groq ينبغي أن تسبق أي استئجار لـ GPU في الاختبارات المرجعية لأي نموذج مدعوم.

الأنسب لـ: وكلاء GPT OSS التفاعليين مع طلب غير مؤكد أو متقلب
أبرز ميزة: سرعة معلنة تبلغ 500 رمز/ثانية لـ GPT OSS 120B و 1,000 رمز/ثانية لـ GPT OSS 20B
التسعير: GPT OSS 120B بسعر $0.15/مليون رمز إدخال و $0.60/مليون رمز إخراج؛ GPT OSS 20B بسعر $0.075/مليون رمز إدخال و $0.30/مليون رمز إخراج
التجربة المجانية: باقة مجانية متاحة

يوفر كتالوج نماذج Groq المباشر لكلا طرازي GPT OSS للإنتاج نافذة سياق تبلغ 131,072 رمزاً وحد إكمال أقصى يبلغ 65,536 رمزاً. تبلغ حدود باقة المطورين (Developer) 250,000 رمز في الدقيقة و 1,000 طلب في الدقيقة. هذه الحدود مهمة لأي تطبيق يعتمد على الوكلاء، لأن الاستجابة الفردية السريعة تفقد قيمتها عندما تتراكم الطلبات في طابور انتظار المزود.

الباقة المجانية لدى Groq مناسبة لأعمال الدمج والاختبار الأولي. وتعتمد باقة المطورين على الدفع حسب الاستخدام، وتوفر سعة أعلى، وتتم فوترتها عبر حدود تصاعدية تبدأ من $1، و $10، و $100، و $500، وصولاً إلى $1,000 قبل الاستقرار على الفوترة الشهرية. كما تم تصنيف نماذج Llama 3.1 8B، و Llama 3.3 70B، و MiniMax M2.7 كفئة مؤسسات (Enterprise) مع تسعير يتطلب التواصل مع المبيعات.

في شهر توضيحي يشهد استهلاك 30 مليون رمز إدخال و 120 مليون رمز إخراج لنموذج GPT OSS 120B، تبلغ التكلفة على Groq نحو $76.50. هذا يقل بمقدار $5,026.20 عن تكلفة شريحة B200 واحدة مستمرة على Lambda قبل احتساب التكاليف الهندسية لإدارة الـ GPU. لا تنقلب هذه المعادلة إلا عندما يصبح التحكم في عبء العمل، أو حرية اختيار النموذج، أو الخصوصية، أو حجم الرموز المستمر مبرراً لتحمل تكلفة الجهاز المخصص.

3. استدلال Cerebras على مستوى شريحة السيليكون الكاملة: أفضل سرعة توليد خام

يعد استدلال Cerebras على مستوى شريحة السيليكون الكاملة الخيار الأفضل عندما يكون طول مخرجات النموذج هو العائق الأساسي الذي يسبب الانتظار ويكون GPT OSS 120B ملبياً لمعايير الجودة. تسجل Cerebras سرعة تقارب 3,000 رمز في الثانية لهذا النموذج، أي ستة أضعاف السرعة المنشورة لدى Groq (500 رمز في الثانية)، مع التنويه بأن هذه أرقام مستقلة لكل مزود وليست اختباراً موحداً خاضعاً للرقابة. التكلفة أعلى قليلاً لكل رمز ولكنها تعيد إجابة طويلة في وقت أقل بكثير. يكمن العائق في تنوع النماذج والتحكم في السعة: ففئة الخدمة ذات الأولوية لا تزال في المعاينة الخاصة (private preview)، ونقاط النهاية المخصصة تتطلب تنسيقاً مع مبيعات المؤسسات.

الأنسب لـ: وكلاء البحث، والبرمجة، والتفكير المنطقي ذوي المخرجات الطويلة على النماذج المدعومة
أبرز ميزة: سرعة تقارب 3,000 رمز/ثانية لنموذج GPT OSS 120B
التسعير: GPT OSS 120B بسعر $0.35/مليون رمز إدخال و $0.75/مليون رمز إخراج؛ Gemma 4 31B بسعر $0.99/مليون رمز إدخال و $1.49/مليون رمز إخراج
التجربة المجانية: رصيد بقيمة $5 بعد التحقق من وسيلة الدفع، صالح لمدة 30 يوماً

تعرض صفحة أسعار Cerebras الحالية ثلاث فئات تجارية. توفر باقة التجربة المجانية رصيداً قدره $5. وتبدأ باقة المطورين (Developer) بدفعة ذاتية بقيمة $10، وتتيح حدود معدل تزيد بعشرة أضعاف عن التجربة المجانية، وتطبق أسعار الرموز المعلنة. بينما تضيف باقة المؤسسات (Enterprise) أعلى حدود للمعدل، وأولوية مخصصة في الطوابير، وأوزاناً مخصصة، وضبطاً دقيقاً للنماذج، وخدمات تدريب، وشروطاً تعاقدية يتم التفاوض عليها.

في باقة المطورين، تبلغ تكلفة GPT OSS 120B نحو $0.35 لكل مليون رمز إدخال و $0.75 لكل مليون رمز إخراج. والشهر التوضيحي نفسه (30 مليون إدخال + 120 مليون إخراج) يكلف $100.50. هذا يزيد بمقدار $24 عن Groq، مما يجعل السؤال المطروح: هل يستحق تقليص وقت انتظار المخرجات دفع 80 سنتاً إضافياً يومياً؟

الحد الأقصى العام لنموذج GPT OSS 120B في باقة المطورين هو مليون رمز في الدقيقة و 1,000 طلب في الدقيقة. توثق Cerebras أيضاً فئات طلبات: priority، و default، و auto، و flex، إلا أن التحكم بهذه الفئات يقتصر على المعاينة الخاصة، بينما تنحصر ميزة الأولوية (Priority) في نقاط النهاية المخصصة. لذا يجب على أي فريق يحتاج إلى هدف p95 تعاقدي أن يتعامل مع سرعة الـ API العامة كاختبار أداء مبدئي، وليس كاتفاقية لمستوى الخدمة (SLA).

4. AWS Inferentia2: أفضل مسار بتكلفة ثابتة منخفضة داخل AWS

تعد AWS Inferentia2 أفضل مسار عتادي بتكلفة ثابتة منخفضة للشركات التي تعمل بالفعل داخل بيئة AWS ومستعدة لاستخدام حزمة Neuron SDK. تكلف أصغر نسخة Inf2 مبلغ $0.76 بالساعة حسب الطلب وتتضمن شريحة Inferentia2 واحدة بذاكرة مسرع سعتها 32 GB. وتتوسع هذه العائلة لتصل إلى 12 شريحة و 384 GB، مما يغطي الخدمات المخصصة الصغيرة وصولاً إلى استدلال النماذج الكبيرة الموزعة. العائق يتمثل في قابلية النقل: فالنموذج الجاهز للعمل على CUDA لا يتحول تلقائياً إلى خدمة إنتاجية جاهزة لبيئة Neuron.

الأنسب لـ: الفرق المعتمدة كلياً على AWS ولديها نماذج مستقرة وحساسية لتكاليف التقديم المخصص
أبرز ميزة: إمكانية بدء الاستخدام حسب الطلب بسعر $0.76/ساعة مع قابلية التوسع حتى 12 شريحة و 384 GB
التسعير: أربعة أحجام تبدأ من $0.76 إلى $12.98/ساعة حسب الطلب، مع خطط حجز لعام أو ثلاثة أعوام
التجربة المجانية: لا توجد تجربة مخصصة معلنة لنسخ Inf2

توضح صفحة EC2 Inf2 المباشرة كافة الفئات: تبلغ تكلفة Inf2.xlarge نحو $0.76 حسب الطلب، و $0.45 مع حجز لمدة عام، و $0.30 مع حجز لثلاث سنوات. أما Inf2.8xlarge فتبلغ $1.97، و $1.81، و $0.79 على التوالي. وتكلف Inf2.24xlarge بست شرائح $6.49، و $3.89، و $2.60. بينما تسجل Inf2.48xlarge المزودة بـ 12 شريحة $12.98، و $7.79، و $5.19.

على مدار 730 ساعة، تكلف أصغر نسخة $554.80 حسب الطلب أو $219 بمعدل حجز ثلاث سنوات. وتكلف أكبر نسخة $9,475.40 حسب الطلب أو $3,788.70 بمعدل ثلاث سنوات. خصومات الحجز ممتازة، لكن الالتزام لمدة ثلاث سنوات برسم بياني برمجي (graph) تم تجميعه بطريقة غير ملائمة لا يمثل أي توفير حقيقي.

تتكامل Neuron مع PyTorch و TensorFlow، وتوثق AWS دعمها للأشكال المدخلة الديناميكية بالإضافة إلى عوامل تشغيل مخصصة بلغة ++C. وتربط الأحجام الكبيرة بين الشرائح عبر تقنية NeuronLink بسرعة 192 GB/s، متجاوزة وحدة المعالجة المركزية (CPU) لحركة المرور بين الشرائح. تقلل هذه الميزات من عوائق النقل البرمجي، إلا أن الاعتماد لا يزال يتطلب اختبار النموذج بدقته المحددة، وتوزيع التسلسلات، وعوامل التشغيل المخصصة لديه.

5. Google TPU v6e: الأفضل لخدمات Transformer الأصلية داخل Google

تعد Google TPU v6e الخيار الأنسب لفريق يعتمد بالأساس على Google Cloud ويحتاج إلى تقديم نماذج Transformer عبر شرائح متعددة. توفر معمارية Trillium سعة 32 GB HBM لكل شريحة، ونطاقاً ترددياً للذاكرة يصل إلى 1,638 GB/s، ونسخة كاملة من 8 شرائح مخصصة للاستدلال. يبدو سعر ساعة الشريحة المعلن معتدلاً حتى تحسب التكلفة الإجمالية لشكل النسخة المستخدمة. ويتمثل العائق في حصص الاستخدام المحدودة (quota)، والبرمجيات الخاصة بـ TPU، واستمرار الفوترة طوال فترة بقاء العقدة في حالة الاستعداد (ready).

الأنسب لـ: بيئات نماذج Transformer الأصلية في Google والفرق المعتادة على طوبولوجيا شرائح TPU
أبرز ميزة: نسخة v6e-8 الكاملة المصممة خصيصاً لعمليات الاستدلال
التسعير: $2.70 حسب الطلب، و $1.35 عبر Flex-start، و $1.89 عبر وضع Calendar، و $1.89 لالتزام عام، و $1.22 لالتزام ثلاث سنوات لكل ساعة شريحة في المناطق الأمريكية المدعومة
التجربة المجانية: لا توجد تجربة مخصصة لـ TPU مدرجة

تسعر Google في صفحة أسعار Cloud TPU الحالية كل ساعة للشريحة. في منطقتي us-east1 و us-east5، تبلغ تكلفة Trillium نحو $2.70 حسب الطلب، و $1.35 عبر DWS Flex-start، و $1.89 عبر وضع DWS Calendar، و $1.89 مع التزام لمدة عام، و $1.22 مع التزام لمدة 3 سنوات. علماً أن أسعار Spot تخضع للتغيير حتى كل 30 يوماً.

نسخة v6e-8 الموثقة هي جهاز افتراضي كامل ومحسن للاستدلال. ومع وجود ثماني شرائح، يصل العداد حسب الطلب إلى $21.60 بالساعة أو $15,768 على مدار 730 ساعة. ويخفض خيار الالتزام لثلاث سنوات هذه التكلفة إلى $9.76 بالساعة أو $7,124.80 لنفس الشهر.

يوفر العتاد 918 TFLOPs بدقة BF16 و 1,836 TOPs بدقة Int8 لكل شريحة، مع نطاق ترددي ثنائي الاتجاه بين الشرائح يبلغ 800 GB/s. هذه المواصفات تجعل المنصة خياراً ممتازاً لتقديم Transformer، لكن الطوبولوجيا تشكل جزءاً من بنية التطبيق نفسه؛ فأي عبء عمل يستهلك شريحة واحدة ويهمل الشرائح السبع الأخرى سيدفع التكلفة الكاملة للنسخة دون الاستفادة من مزايا توسعها.

6. AMD Instinct MI355X عبر OCI: أفضل بديل لوحدات GPU المفتوحة على نطاق واسع

تعد AMD Instinct MI355X عبر OCI أفضل بديل مفتوح لوحدات GPU في عمليات النشر الضخمة التي تبرر العمل مع مكتبات ROCm واستئجار خادم مخصص بالكامل (bare-metal) بثماني وحدات GPU. تحمل كل شريحة ذاكرة سعتها 288 GB من طراز HBM3e مع نطاق ترددي للذاكرة يصل إلى 8 TB/s، مما يتيح للنماذج الكبيرة البقاء بالقرب من طاقة الحوسبة. تُظهر اختبارات الاستدلال المنشورة من AMD تكلفة منافسة عند نقطة تشغيل تفاعلية متكافئة. العائق هو واقع الشراء الفعلي: فسعر ساعة GPU المعلن للعامة أعلى بكثير من السعر المفترض في ذلك النموذج المرجعي.

الأنسب لـ: عمليات النشر الكبيرة لوحدات GPU المفتوحة مع توفر خبرة في ROCm وحاجة لذاكرة ضخمة
أبرز ميزة: ذاكرة 288 GB HBM3e ونطاق ترددي 8 TB/s لكل GPU
التسعير: $8.60 لكل ساعة GPU على النسخة المادية المكونة من ثماني وحدات GPU على OCI
التجربة المجانية: لا توجد تجربة مخصصة معلنة لشريحة MI355X

تجمع نسخة BM.GPU.MI355X.8 على OCI بين ثمانية مسرعات MI355X، و 2.3 TB من ذاكرة HBM3e، وشبكة أمامية بسرعة 400 Gbps، وشبكة عنقودية بسرعة 3,200 Gbps. تذكر قائمة أسعار Oracle العالمية أن وحدة MI355X تسعر بـ $8.60 لكل ساعة GPU. وبذلك تبلغ تكلفة الوحدات الثماني معاً $68.80 بالساعة أو $50,224 شهرياً (730 ساعة).

تقدم AMD رؤية اقتصادية مختلفة في تحليل التكلفة الإجمالية للملكية (TCO) لشهر مايو 2026. فعند معدل 129 رمزاً في الثانية لكل مستخدم على نموذج DeepSeek-R1، حقق نظام MI355X مكوّن من 24 وحدة GPU باستخدام MoRI و SGLang وتوقع الرموز المتعددة تكلفة بلغت $0.173 لكل مليون رمز و 2,378 رمز/ثانية/GPU. بينما حقق نظام B200 مكوّن من 28 وحدة GPU باستخدام Dynamo و TensorRT-LLM تكلفة بلغت $0.178 ومعدل 3,128 رمز/ثانية/GPU.

يفترض هذا النموذج الحسابي سعراً يبلغ $1.48 للساعة لشريحة MI355X و $1.95 لشريحة B200. لكن سعر Oracle العام لشريحة MI355X يعادل 5.81 ضعفاً لذلك السعر المفترض ($1.48). تظل نتائج الأداء مفيدة ومهمة، إلا أن تكلفة الرموز الناتجة لا يمكن اعتمادها في ميزانية السحابة العامة دون استبدال السعر الافتراضي بالقيمة الفعلية.

منظومة ROCm هي نقطة الحسم الأخرى. فهي مفتوحة المصدر وتوضح Oracle مسارات لنقل تطبيقات CUDA إليها، بينما اعتمدت نتيجة AMD على تركيبة دقيقة ومخصصة من MoRI، و SGLang، والاتصالات المكممة (quantized communication)، وتوقع الرموز المتعددة. يمكن لفريق يتقن هذه التقنيات بالفعل تحقيق وفورات ممتازة مع MI355X، بينما قد ينفق فريق صغير يبدأ من نقطة الصفر مع CUDA كل وفورات العتاد على جهود النقل والتهيئة البرمجية وتحسين الأداء.

7. OpenAI Jalapeño: العتاد الجدير بالمتابعة لا الشراء

تعد OpenAI Jalapeño النتيجة التقنية الأهم والمسار الأخير في ترتيب الشراء لأنه ببساطة لا يمكن لأحد خارج OpenAI شراؤها حالياً. حققت الشريحة زمناً استجابياً كلياً أقل ومعدل عمل أكبر لكل واط عبر ثلاثة نماذج عامة ضخمة. وتخطط OpenAI لنشرها داخل بنيتها التحتية الحاسوبية الخاصة بحلول نهاية 2026. الحكم هنا قاطع: استفد من هذه النتائج لتحسين معايير التقييم والاختبار لديك، وليس لحجز بند ميزانية لها في 2026.

الأنسب لـ: وضع المعيار القياسي لتقييم استدلال الوكلاء في المستقبل
أبرز ميزة: زمن استجابة شامل أقل بمقدار 1.7 إلى 3.6 مرة عبر ثلاثة نماذج عامة
التسعير: لا توجد أسعار خارجية منشورة
التجربة المجانية: غير متاحة للعامة

اختبرت OpenAI نماذج GPT OSS 120B، و DeepSeek R1 670B، و Kimi K2.5 1T. وعبرها جميعاً، حققت Jalapeño عملاً أعلى للذكاء الاصطناعي لكل واط بمقدار 1.5 إلى 1.9 مرة عند ذروة الإنتاجية. تم تصنيف الشريحة باستهلاك 700 W، بينما تشير OpenAI إلى أن الطاقة المستمرة المقاسة استقرت عند أو دون 550 W في أعباء العمل المختبرة.

تحتفظ هذه المعمارية بحالة النموذج، بما في ذلك مخزن KV المؤقت (KV cache) المستخدم أثناء التوليد، بالقرب من وحدات الحوسبة المخصصة لكل مرحلة. وتصف OpenAI الشبكة بأنها جزء لا يتجزأ من النظام ككل، حيث تتم معالجة ملء السياق المسبق (prefill)، وفك الترميز (decode)، ونقل البيانات في الذاكرة، والاتصال بين الوحدات كوحدة واحدة متكاملة. هذا التصميم الشامل للمنظومة هو الدرس التجاري الحقيقي وراء هذه النتائج.

لا تنشر OpenAI سعراً خارجياً، أو نسخة سحابية، أو محدد عتاد عبر واجهة API، أو أي مسار لتوريدها من قبل العملاء. وتؤكد أن مراحل التأهيل للإنتاج وتطوير البرمجيات مستمرة تمهيداً للنشر الداخلي. ومجرد ذكر الشريحة في خارطة الطريق لا يعني توفرها للبيع.

من يجب أن يختار ماذا؟

اختر Groq عندما يلبي GPT OSS معايير الجودة لديك، وتكون تكلفة الإخراج عنصراً حاسماً، ويكون هدفك هو الدمج الأسرع والأقل تكلفة. واختر Cerebras عندما تستحوذ المخرجات الطويلة على النسبة الأكبر من وقت الانتظار وتكون الزيادة البالغة $24 في عبء العمل الشهري التوضيحي غير مؤثرة. ينقلب الخيار من Groq إلى Cerebras عندما يكون التوفير المشهود في وقت إنجاز المهمة الكاملة أعلى قيمة من الفارق البسيط في سعر الرموز.

اختر NVIDIA Blackwell عندما تؤدي متطلبات كتالوج النماذج، أو الأوزان المخصصة، أو حدود الخصوصية، أو متطلبات التحكم في الاستضافة إلى استبعاد المزودين المتخصصين. وينقلب الاختيار من واجهات API إلى وحدات GPU عندما يعوض حجم الطلب المستمر وقيمة التحكم المباشر تكلفة تتجاوز $5,102.70 شهرياً لشريحة B200 واحدة دائمة العمل، يضاف إليها تكلفة الكوادر والأنظمة التي تديرها.

اختر AWS Inferentia2 عندما يتم تجميع النموذج بسلاسة باستخدام Neuron وتكون شركتك مشترية بالفعل لخدمات وإدارة AWS. فتكلفة البدء البالغة $0.76 تجعلها خياراً جديراً بالاهتمام لتوفير خدمة مخصصة قبل اللجوء إلى وحدات GPU العامة، ولكن بشرط ألا تكون سهولة نقل التطبيق مطلباً استراتيجياً لك.

اختر Google TPU v6e عندما تكون طوبولوجيا TPU وإدارة بيئة Google Cloud جزءاً أساسياً ومألوفاً في بنيتك الحالية. إن طبيعة النسخة المكونة من ثماني شرائح واحتساب التكلفة في حالة الاستعداد (READY) يجعلانها خياراً سيئاً للاستكشاف والتجارب، لكنها تصبح بنية تحتية ممتازة وملتزماً بها بعد إثبات ملاءمتها بتتبع عملي مضبوط.

اختر AMD MI355X عندما تبرر سعة الذاكرة البالغة 288 GB لكل شريحة، وطبيعة ROCm المفتوحة، وقدرات الشبكات الضخمة حجز خادم مادي كامل بثماني وحدات GPU. احرص على طلب دراسة تكلفة ملكية مبنية على السعر العام البالغ $8.60 لكل ساعة GPU أو على عرض سعر تعاقدي رسمي موقع، ولا تعتمد أبداً على افتراض $1.48 الوارد في الاختبار المرجعي.

أبقِ Jalapeño في قائمة المتابعة حتى تصبح متاحة للشراء أو الاختيار من قبل العملاء. فمهمتها الأساسية اليوم هي إجبار جميع المزودين الآخرين على الإجابة عن السؤال الأهم: ما هي السرعة الفعلية لاكتمال الطلب بالكامل في حدود التزامن وميزانية الطاقة التي يحتاجها وكيلك؟

خيارات ينبغي تجنبها

تجنب نماذج المعاينة (Preview) على Groq للاعتماد عليها في الإنتاج

تؤكد Groq صراحة أن نماذج المعاينة قد يتم إيقافها في فترات وجيزة وليست مخصصة للعمليات الإنتاجية. يمكن أن تكون المعاينة مفيدة للتقييم المنضبط، لكن لا ينبغي أبداً أن تصبح النموذج الوحيد لاختيار الأدوات أو استعادة العمليات وراء وعود تقدمها لعملائك.

تجنب سعة Spot في Google TPU لالتزامات زمن الاستجابة التفاعلي

تخصص Google سعة TPU من فئة Spot أو السعة القابلة للإيقاف للمهام المجمعة (batch) وتلك التي تتحمل الأخطاء. يتطلب الوكيل التفاعلي الذي يقدم التزاماً بزمن استجابة p95 سعة جاهزة ومستقرة يمكن التنبؤ بها. استخدم العتاد القابل للمقاطعة للتقييمات غير المتصلة (offline)، أو الفهرسة، أو إعادة التشغيل، وليس لحلقة الوكيل التسلسلية المباشرة.

تجنب وضع خطة شراء لشريحة Jalapeño لعام 2026

تخطط OpenAI لنشر الشريحة داخلياً بحلول نهاية العام ولم تطرح أي أسعار خارجية أو مسار للوصول إليها. التعامل معها كعتاد متاح للطلب يحول أرقام الاختبارات المرجعية إلى ميزانية وهمية. بدلاً من ذلك، قارن الأنظمة المتاحة للشراء وفق المنهجية التي اتبعتها الشريحة.

تجنب اعتماد اقتصاديات تكلفة الرموز لدى AMD دون تعديل سعر الـ GPU

تعتمد نتائج AMD المنشورة بتكلفة $0.173 لكل مليون رمز على افتراض تكلفة ملكية قدره $1.48 لكل ساعة GPU، في حين أن سعر Oracle العام لشريحة MI355X هو $8.60 لكل ساعة. يمكن لنتائج الأداء أن ترشح الشريحة للمرحلة النهائية، لكن التكلفة غير المعدلة لا يمكن أن تعتمد للموافقة على الشراء.

تجنب حجز العتاد المخصص قبل استقرار حركة المرور وإمكانية توقعها

يمكن للمسرّع المخصص أن يعزز التحكم ويقلل التباين في زمن الاستجابة (tail latency)، لكن عداده يستمر في حساب التكاليف خلال فترات الخمول. ابدأ دائماً بنقاط نهاية تُحسب حسب الاستخدام طالما كانت مناسبة للنموذج، ثم انتقل للعتاد المخصص بعد أن تُظهر التتبعات أحجاماً مستمرة أو ضغطاً في الطوابير أو حاجة للتحكم. غالباً ما تكون أرخص واجهة برمجة تطبيقات للذكاء الاصطناعي أقل تكلفة بكثير من شريحة ممتازة يغلب عليها الخمول، حتى وإن بدت تكلفتها الظاهرة لكل رمز أعلى.

خطوة يوم الإثنين: شغّل مجموعة تتبعات واحدة قبل توقيع عقود السعة

قم بتثبيت 100 مسار تتبع تمثيلي لوكلاء شركتك صباح يوم الإثنين القادم. واحرص على تضمين المهام الشائعة، وأطول التوجيهات، وأكبر المستندات المسترجعة، وأخطاء الأدوات، ومحاولات الإعادة، وأبطأ الجلسات التي تمت بنجاح. مع تثبيت النموذج، والتوجيه، ومخططات الأدوات، وسقف المخرجات، ومعايير القبول.

قم بتشغيل النظام الحالي إلى جانب خيارين مرشحين من القائمة النهائية. وقس زمن استجابة المهمة المكتملة p50 و p95، والوقت حتى أول رمز، والوقت بين الرموز، ووقت الطابور، ومعدل قبول المهام، وأخطاء وسائط الأدوات، وعدد المحاولات المعادة، ورموز الإدخال والإخراج، ونسبة استغلال العتاد، والإنفاق الإجمالي. يجب قياس المهمة ابتداءً من طلب المستخدم وحتى الحصول على النتيجة المقبولة، وليس من أول بايت للنموذج حتى آخره فقط.

وبحلول يوم الجمعة، اتخذ واحداً من ثلاثة قرارات: قم بالتبديل إذا اجتاز أحد المرشحين حواجز الجودة وتفوق على أهداف زمن الاستجابة الحاسم أو التكلفة بهامش محدد مسبقاً. أو قسّم حركة المرور إذا تفوقت شريحة متخصصة في قطاع محدد فقط، مثل كتابة الشيفرات البرمجية ذات المخرجات الطويلة أو الاختيار فائق السرعة للأدوات. أو ابقَ على مسارك الحالي إذا كانت المكاسب المحققة أقل من تكاليف الانتقال والتشغيل.

لا تتطلب نتائج العتاد الجديدة توقيع عقد جديد هذا الأسبوع؛ بل تتطلب صياغة اختبار قبول أفضل هذا الأسبوع.

الأسئلة الشائعة

ما هو أفضل عتاد استدلال للذكاء الاصطناعي؟

تعد NVIDIA Blackwell الخيار الافتراضي الأوسع لخدمات الإنتاج المخصصة. بينما تمثل Groq و Cerebras خيارات شراء أولى أفضل عندما تكون نماذجهما المستضافة متوافقة مع متطلباتك، نظراً لأن التسعير حسب الاستهلاك يجنبك تكلفة المسرعات الخاملة. ولا تتفوق AWS Inferentia2، أو Google TPU v6e، أو AMD MI355X إلا عندما تتوافق البيئة السحابية والبرمجية الحالية معها بالفعل.

كيف يمكن تقليل زمن استجابة وكيل الذكاء الاصطناعي؟

قس الحلقة التسلسلية الكاملة: وقت الانتظار في الطابور، وملء السياق المسبق، وفك الترميز، وشبكة النقل، وتنفيذ الأدوات، وإعادة المحاولات، وطبقة التنسيق البرمجي (orchestration). ابدأ بتقليص أبطأ مرحلة متكررة أولاً؛ فالسيليكون الأسرع لا يغير تجربة المستخدم إلا إذا كان تقديم النموذج هو عنق الزجاجة الأساسي المقيد للأداء.

ما هو أفضل عتاد لتشغيل نماذج LLM محلياً في 2026؟

يعد العتاد المحلي قراراً يرتبط في المقام الأول بالخصوصية، وإمكانية العمل دون اتصال بالإنترنت، وتثبيت سعة التكلفة. اختر العتاد وفقاً للنموذج المحدد، ومستوى التكميم (quantization)، وحجم السياق، ومعدل التزامن المطلوب، ثم قس حلقة الوكيل الكاملة. هذا الترتيب المخصص لبيئات الإنتاج لا يعتبر نتائج أجهزة العمل الفردية (workstations) بديلاً عن اختبارات الخدمات السحابية متعددة المستخدمين.

هل تكفي ذاكرة 24GB VRAM لتشغيل نموذج LLM محلياً؟

يمكن أن تكون كافية للنماذج الصغيرة أو المكممة، لكن أوزان النموذج لا تمثل سوى جزء من استهلاك الذاكرة الكلي. فمخزن KV المؤقت، وطول السياق، والطلبات المتزامنة، وحجم الذاكرة التشغيلية للنظام، وإعدادات المخرجات هي العوامل الحاسمة التي تحدد ما إذا كان النظام سيعمل بسلاسة دون تجاوز سعة الذاكرة أو التوقف.

احصل على خريطة أدوات الذكاء الاصطناعي لأصحاب الأعمال للمقارنة بين طبقات التقديم والبوابات ومسارات العمل المحيطة بالعتاد.