إنفيديا: من النماذج الكبيرة "ذات التدريب لمرة واحدة" إلى الـ Agent "التحسين بعد التدريب"، تتغير متطلبات القدرة الحسابية

تقوم Nvidia بتوسيع القيمة الأساسية لمنصة Vera Rubin للجيل التالي من خفض تكلفة الاستدلال إلى رفع كفاءة تدريب النماذج، وتعتمد على مؤشر جديد يُسمى "الذكاء لكل دولار" (intelligence per dollar)، حيث تراهن على أن ما بعد التدريب في عصر Agentic AI سيصبح الطلب الأكثر جوهرية على قوة الحوسبة.

وفي مدونة رسمية، أوضحت Nvidia أنه مع بروز Agentic AI، تحولت عمليات ما بعد التدريب من خطوة نهائية لمرة واحدة إلى عبء عمل أساسي ومتكرر. وبخلاف النماذج التوليدية التقليدية، تتطلب نماذج الذكاء الاصطناعي القادرة على التصرف التخطيط، واستخدام الأدوات، وتصحيح الأخطاء ذاتياً أثناء التشغيل، مع تغيّر بيئتها أسبوعياً، مما يؤدي إلى تراكم متواصل في الحاجة إلى قوة الحوسبة لعمليات ما بعد التدريب. وأشارت Nvidia إلى أن منصة Vera Rubin صُممت خصيصاً لتعامل هذه الأعباء بشكل تعاوني، حيث يمكنها تدريب نماذج ضخمة باستخدام ربع عدد وحدات GPU مقارنة بمنصة Blackwell من الجيل السابق.

هذا المفهوم يرتبط بشكل مباشر بمنطق مبيعات قوة الحوسبة لدى Nvidia: فدورة ما بعد التدريب التي لا تتوقف تعني أن الطلب على تجمعات GPU من العملاء سيتحول من نمط المشاريع المؤقتة إلى وضع اعتيادي دائم، وهو ما يوسع نطاق السوق المحتمل. وقد صرحت شركات مثل Prime Intellect و Perplexity و Together AI، التي تدير بالفعل عبءَ عمل ما بعد التدريب على منصة Nvidia، بأنها تخطط للانتقال أو توسيع عملياتها إلى منصة Vera Rubin.

ما بعد التدريب يصبح القوة المحركة الأساسية لقوة الحوسبة في عصر Agentic AI

تقدم Nvidia في مدونتها عرضاً منهجياً للأهمية الاستراتيجية لما بعد التدريب. فالمرحلة المسبقة للتدريب تمنح النماذج طلاقة لغوية، أما "الذكاء" الحقيقي—بما يشمل كتابة الأكواد، وتنفيذ مهام متعددة الخطوات، واستخدام أدوات البحث، والتعافي من الأخطاء—فيتشكل في مرحلة ما بعد التدريب.

يستخدم ما بعد التدريب تقنيات التعلم المعزز (RL): حيث يقوم النموذج بمحاولة أداء مهمة معينة (انتشار أمامي)، ثم يتم تقييم المحاولة وتحديث أوزان النموذج (انتشار عكسي)، ومع تكرار هذه العملية ملايين المرات، تتحسن قدرات النموذج تدريجياً. وتشير Nvidia إلى أن هذه العملية كثيفة الاستهلاك لقوة الحوسبة، وتحتاج إلى آلاف من البيئات لتوليد النتائج في وقت واحد، مع الإبقاء على المسرعات بحمولة تشغيل قصوى.

وتضع Nvidia "الذكاء لكل دولار" كمؤشر أعلى من "تكلفة كل token": الأول يقيس كفاءة تشغيل مصنع الاستدلال، بينما الثاني يقيس ما إذا كان الاستثمار في بناء وصيانة نموذج مؤهل للنشر مجدياً. كلا المؤشرين متداخلين—خفض تكلفة كل token يقلل أيضاً تكلفة بناء الذكاء للنموذج، بينما المزيد من الذكاء في النموذج يزيد من قيمة الخدمة لكل token.

Nemotron Ultra توفر معياراً قابلاً للتحقق لما بعد التدريب

لدعم هذا الطرح، كشفت Nvidia عن تفاصيل ما بعد تدريب نموذجها مفتوح الأوزان Nemotron 3 Ultra. يبلغ حجم هذا النموذج 550 مليار معلمة، ويستخدم بنية الخبراء المختلطة (MoE)، كما تدير دورة ما بعد التدريب بالكامل عبر إطار عمل NeMo RL.

وفي معيار SWE-bench Verified الواقعي لاختبار البرمجة، حصل Nemotron 3 Ultra على 71.7%، أي أن سبعة من كل عشرة عيوب برمجية حقيقية مأخوذة من مشاريع مفتوحة المصدر تم إصدار حلول فعالة لها يمكنها اجتياز اختبارات المشروع الأصلية. وأشارت Nvidia إلى أن نتائج هذا المعيار متاحة للتحقق، وأن خطة ما بعد التدريب معلن عنها بالكامل.

كما تشير Nvidia إلى أن منصة Blackwell جعلت عمليات ما بعد التدريب المتكررة المطلوبة في عصر Agentic AI ممكنة اقتصادياً عبر خفض تكلفة التشغيل الأحادي، بينما سوف تواصل منصة Vera Rubin هذا المسار نحو دعم المزيد من النتائج، والمزيد من البيئات المتوازية، ودورات ما بعد تدريب لا تتوقف.

العملاء الرئيسيون يثبتون قدرات المنصة، وخطط الانتقال تظهر للعيان

كشفت عدة شركات تدير فعلاً عبءَ عمل ما بعد التدريب على منصة Nvidia عن تفاصيل تقنية دقيقة، وعبّرت عن نيتها للانتقال إلى Vera Rubin.

تواصل Prime Intellect تنفيذ عمليات ما بعد التدريب على النماذج المفتوحة الرائدة على منصة Blackwell، وتستخدم NVIDIA Dynamo لتنظيم الاستدلال. وقد دمجت الشركة بنيتها التحتية sandbox مع معالج NVIDIA Vera CPU، وأظهرت اختبارات المقارنة مع معمارية x86 أن Vera CPU تحقق متوسط إنتاجية أعلى بنسبة 30% في أحمال عمل RL sandbox الحقيقية. وتخطط Prime Intellect لاستخدام Vera Rubin لتوسيع نطاق بيئات التعلم المعزز وتسريع دورة التدريب إلى الاستدلال.

تشغل Perplexity حزمة ما بعد التدريب باستخدام RL عبر مئات من معالجات GPU التابعة لـNvidia بشكل غير متزامن، مع اعتمادها على محرك نقل الوزن المبني على RDMA لمزامنة نموذج بعدد تريليون معلمة بين عقدة التدريب وعقدة الاستدلال خلال ثانيتين فقط. ثم يتم نشر نموذج Qwen3 235B بعد التدريب على نظام NVIDIA GB200 NVL72.

أما Together AI فتوفر قدرات ما بعد التدريب كخدمة، وتغطي الضبط الإشرافي الدقيق والتعلم المعزز والتحسين المباشر للتفضيلات، وضمن تسليمها عبر API و SDK، وقد أعلنت عن تشغيلها على منصة Nvidia وسعيها للاتصال بمنصة Vera Rubin.