مدخل 101
اقتصاديات الاستدلال: كيف يغيّر التحوّل من التدريب إلى الاستدلال كل شيء
تنتقل صناعة الذكاء الاصطناعي من مرحلة يسيطر عليها التدريب (حيث يذهب الجزء الأكبر من الإنفاق إلى تدريب نماذج جديدة) إلى مرحلة يسيطر عليها الاستدلال (حيث يذهب الجزء الأكبر من الإنفاق إلى تشغيل النماذج للمستخدمين على نطاق واسع). هذا التحوّل يغيّر جذريًا ملامح الطلب على أشباه الموصلات: يفضّل التدريب معالجات GPU ضخمة بأقصى قدرة حوسبية وعرض نطاق ذاكرة، في حين يفضّل الاستدلال الكفاءة، والإنتاجية لكل واط، وتكلفة الاستعلام. الشركات التي تفوز في مرحلة التدريب (NVIDIA) قد لا تكون نفسها التي تسيطر على الاستدلال. تكتسب الشرائح المخصصة (ASIC) مثل Google TPU وAWS Trainium، والمعماريات المُحسَّنة للاستدلال (Groq، Cerebras)، وشرائح الاستدلال على الحافة (Qualcomm، MediaTek) أهمية متزايدة.
تُرجم آليًا من النص الأصلي بالإنجليزية. اقرأ النص الأصلي بالإنجليزية →
التدريب مقابل الاستدلال: اقتصاديات مختلفة
التدريب تكلفة ثابتة: تُدرَّب النموذج مرة واحدة (أو يُعاد تدريبه بشكل دوري) باستخدام مجموعات ضخمة من معالجات GPU. تفضّل الاقتصاديات هنا القدرة الحوسبية الخام — من يملك أكبر عدد من عمليات FLOPs يفوز. هذا هو مجال NVIDIA: A100 وH100 وB200 جميعها مُحسَّنة لإنتاجية التدريب.
الاستدلال تكلفة متغيرة: كل استعلام من مستخدم، وكل نداء API، وكل إجراء لعميل ذكي (agent) يتطلب حوسبة استدلال. مع توسّع تبنّي الذكاء الاصطناعي، ينمو حجم الاستدلال بشكل تصاعدي بينما يبقى التدريب ثابتًا نسبيًا. تنتقل الاقتصاديات من "أقصى قدرة حوسبية" إلى "أدنى تكلفة لكل استعلام" و"أقصى إنتاجية لكل واط".
هذا الفرق مهم للغاية للمستثمرين. في عالم يسيطر عليه التدريب، تشتري NVIDIA وسلسلة توريدها. وفي عالم يسيطر عليه الاستدلال، يتجزأ المشهد التنافسي وتتحوّل سلسلة القيمة.
من يستفيد من التحوّل نحو الاستدلال
تكتسب الشرائح المخصصة (ASIC) حصة سوقية لأن مزوّدي البنية السحابية الكبار (Google، Amazon، Microsoft) يمكنهم تصميم شرائح مُحسَّنة لأعباء استدلالهم الخاصة بتكلفة أقل لكل استعلام مقارنة بمعالجات GPU للأغراض العامة. TPU v5 من Google وTrainium2 من AWS وMTIA من Meta جميعها موجّهة للاستدلال.
تتكيّف NVIDIA عبر إصدار تكوينات مُحسَّنة للاستدلال (L40S، H100 NVL) ودفع خنادق برمجية (TensorRT-LLM، Triton). لن تخسر NVIDIA الاستدلال بالكامل — لكن حصتها السوقية ستكون أقل مما هي عليه في التدريب.
يصبح الاستدلال على الحافة ذا أهمية مع تقلّص حجم النماذج بما يكفي لتعمل على الجهاز نفسه. تستفيد Qualcomm وMediaTek والشرائح المخصصة من Apple من تشغيل الذكاء الاصطناعي محليًا بدلًا من السحابة.
ماذا يعني هذا للمؤشر الوظيفي
تتابع Closelook نسبة التدريب إلى الاستدلال من خلال طبقة الحوسبة في المؤشر الوظيفي. مع سيطرة الاستدلال، تزداد أهمية الشركات المتخصصة في الشرائح المخصصة والاستدلال نسبةً إلى الشركات المعتمدة على GPU البحتة. يتكيّف المؤشر ليعكس هذا التحوّل البنيوي.