قبل سنوات قليلة، كان تشغيل تطبيق يعتمد على الذكاء الاصطناعي يعني غالبًا فتح برنامج على جهازك وانتظار المعالج أو بطاقة الرسوميات لتنفيذ المهمة. أما اليوم، فأصبح من الطبيعي أن ترسل صورة أو ملفًا أو سؤالًا إلى خدمة عبر الإنترنت، ثم تحصل بعد ثوانٍ على تحليل أو نص أو صورة أو إجابة مبنية على نموذج ذكاء اصطناعي ضخم.
السؤال هنا: أين يحدث كل هذا الحساب؟
في كثير من الحالات، لا يحدث على هاتفك أو حاسوبك أصلًا.
الجزء الأكبر من العمليات الثقيلة قد يحدث داخل مراكز بيانات سحابية تحتوي على آلاف المعالجات ووحدات معالجة الرسوميات ومسرعات الذكاء الاصطناعي، مرتبطة بشبكات فائقة السرعة وبنية تخزين ضخمة وأنظمة تبريد وطاقة مصممة للعمل على مدار الساعة.
 |
| Cloud AI لماذا تنتقل قوة الذكاء الاصطناعي إلى السحابة؟ |
وهنا يظهر مفهوم Cloud AI.
لكن لماذا تحتاج نماذج الذكاء الاصطناعي إلى السحابة؟ وهل السبب مجرد امتلاك أجهزة أقوى؟ أم أن هناك علاقة أعمق بين الذكاء الاصطناعي والحوسبة السحابية والشبكات والألياف الضوئية؟
الإجابة تكشف لنا شيئًا مهمًا جدًا: الذكاء الاصطناعي الحديث لا يعتمد فقط على قوة النموذج، بل على البنية التحتية القادرة على تدريب النموذج وتشغيله ونقل البيانات إليه وتخزينها وتوسيع قدرته عند الحاجة.
ولهذا أصبحت السحابة واحدة من أهم البيئات التي ينمو فيها الذكاء الاصطناعي.
ما المقصود بـ Cloud AI؟
يمكن تبسيط مفهوم Cloud AI بأنه تشغيل أو توفير قدرات الذكاء الاصطناعي عبر البنية التحتية السحابية بدل الاعتماد الكامل على جهاز المستخدم.
عندما تستخدم خدمة ذكاء اصطناعي عبر الإنترنت، قد يكون هاتفك مجرد واجهة للتفاعل مع النظام.
أنت تكتب الطلب.
يرسل الجهاز البيانات عبر الشبكة.
تصل البيانات إلى خوادم الخدمة.
يتم تنفيذ عملية الاستدلال Inference باستخدام نموذج ذكاء اصطناعي.
ثم تعود النتيجة إليك.
يمكن تبسيط المسار هكذا:
User Device → Network → Cloud → AI Infrastructure → Inference → Network → User
وهذا النموذج يسمح بوضع الجزء الأكثر استهلاكًا للموارد في بيئة مصممة خصيصًا للتعامل مع الأحمال الضخمة.
لماذا لا نشغل كل الذكاء الاصطناعي على الجهاز؟
هذا سؤال منطقي جدًا.
أجهزة الهواتف والحواسيب أصبحت قوية للغاية.
لدينا معالجات متعددة الأنوية، ووحدات GPU، ووحدات مخصصة للذكاء الاصطناعي مثل NPU.
إذن لماذا نحتاج السحابة؟
لأن هناك فرقًا هائلًا بين تشغيل نموذج صغير على هاتف ذكي وبين تشغيل نموذج ضخم يخدم ملايين المستخدمين.
النموذج المحلي يجب أن يتناسب مع:
الذاكرة + الطاقة + الحرارة + مساحة التخزين + قدرة المعالجة
أما مركز البيانات السحابي فيستطيع توفير آلاف أو عشرات الآلاف من وحدات المعالجة، مع ذاكرة عالية السعة وشبكات داخلية فائقة السرعة.
وهنا تصبح السحابة بيئة مناسبة للأحمال التي تتجاوز قدرات الأجهزة الشخصية.
تدريب نموذج الذكاء الاصطناعي قصة مختلفة تمامًا
هناك فرق جوهري بين Training وInference.
التدريب هو المرحلة التي يتعلم فيها النموذج من البيانات.
إذا كان لديك نموذج كبير، فقد يحتاج التدريب إلى كمية هائلة من العمليات الحسابية.
وهذه العمليات لا تحدث عادة على جهاز شخصي عادي.
تحتاج البنية التدريبية إلى عدد كبير من المسرعات التي تعمل بالتوازي، مثل وحدات GPU أو مسرعات ذكاء اصطناعي متخصصة.
والأهم من ذلك أن هذه الوحدات تحتاج إلى التواصل المستمر فيما بينها.
لذلك لا تكفي قوة المعالج وحدها.
نحتاج أيضًا إلى:
High-Speed Networking + Large Memory + Fast Storage + Distributed Computing
وهنا تظهر قوة السحابة.
الذكاء الاصطناعي الحديث أصبح مسألة بنية تحتية
قد يبدو أن نجاح نموذج AI يعتمد على الخوارزمية فقط.
لكن الواقع مختلف.
يمكن أن يكون لديك نموذج ممتاز، لكن إذا لم تمتلك البنية المناسبة لتدريبه وتشغيله، فلن تستطيع الاستفادة منه على نطاق واسع.
تحتاج منظومة الذكاء الاصطناعي الحديثة إلى طبقات متعددة:
Compute
وهي المعالجة.
Memory
لتخزين البيانات المؤقتة والبيانات التي يحتاجها النموذج.
Storage
لتخزين مجموعات البيانات والنماذج والنتائج.
Networking
لربط الخوادم ببعضها ونقل البيانات.
Software Stack
لتشغيل وإدارة النماذج.
Orchestration
لتوزيع الأحمال على الموارد المتاحة.
وهذه الطبقات تعمل معًا داخل مراكز البيانات السحابية.
GPU: المحرك الذي يدفع Cloud AI
عندما نتحدث عن الذكاء الاصطناعي السحابي، لا يمكن تجاهل GPU.
السبب أن الكثير من عمليات الذكاء الاصطناعي تعتمد على عمليات رياضية متوازية بكثافة، خصوصًا عمليات المصفوفات.
وحدات GPU مصممة للتعامل مع أعداد ضخمة من العمليات المتوازية.
لكن تشغيل آلاف وحدات GPU معًا يخلق تحديات جديدة.
كيف تتواصل هذه الوحدات؟
كيف توزع البيانات؟
كيف تمنع الشبكة من أن تصبح عنق زجاجة؟
كيف تحافظ على استغلال المعالجات؟
هنا تصبح شبكة مركز البيانات نفسها عنصرًا أساسيًا في أداء الذكاء الاصطناعي.
الشبكة داخل مركز البيانات أصبحت جزءًا من المعالج
هذه فكرة مهمة جدًا.
إذا كانت لديك آلاف وحدات المعالجة، فإنها لا تعمل في عزلة.
قد تحتاج إلى تبادل كميات هائلة من البيانات أثناء التدريب.
وهذا يعني أن Data Center Networking أصبحت جزءًا من منظومة الحوسبة نفسها.
إذا كانت المعالجات سريعة جدًا لكن الشبكة بطيئة، فقد تنتظر المعالجات البيانات بدل تنفيذ العمليات.
وهذا يسمى بشكل مبسط Communication Bottleneck.
لذلك أصبحت تقنيات مثل High-Speed Ethernet وInfiniBand وغيرها من تقنيات الربط عالية الأداء مهمة في بيئات الذكاء الاصطناعي.
وهنا تدخل الألياف الضوئية
لا يمكن بناء مراكز بيانات الذكاء الاصطناعي الحديثة اعتمادًا على التوصيلات النحاسية وحدها.
كلما ارتفعت سرعات الاتصال بين الخوادم والمبدلات، أصبحت البنية البصرية أكثر أهمية.
وهنا ترتبط Cloud AI مباشرة بالموضوعات التي ناقشناها في DWDM وCoherent Optics.
الألياف الضوئية توفر القدرة على نقل كميات ضخمة من البيانات بسرعة عالية وعلى مسافات مناسبة.
وفي شبكات مراكز البيانات، يمكن استخدام تقنيات بصرية متعددة حسب المسافة والسرعة والتصميم.
ومع توسع أحمال AI، تصبح الحاجة إلى:
400G + 800G + وما بعدها
جزءًا مهمًا من تطور الشبكات عالية الأداء.
لماذا تحتاج مراكز AI إلى شبكات بهذه السرعة؟
لأن نموذج الذكاء الاصطناعي لا يعيش داخل معالج واحد بالضرورة.
يمكن توزيع النموذج أو عملية التدريب على عدد كبير من الأجهزة.
لذلك يجب تبادل البيانات باستمرار.
تخيل مجموعة من 1000 وحدة معالجة تعمل على مشروع واحد.
إذا احتاجت هذه الوحدات إلى تبادل بيانات ضخمة فيما بينها، فإن أي تأخير في الشبكة قد يؤدي إلى انخفاض كفاءة النظام بأكمله.
لذلك فإن أداء AI Cluster يعتمد على مزيج من:
Compute + Memory + Interconnect + Storage
وليس Compute فقط.
Cloud AI تعني قابلية التوسع
أحد أكبر أسباب انتقال الذكاء الاصطناعي إلى السحابة هو Scalability.
لنفترض أنك أطلقت تطبيقًا يستخدم الذكاء الاصطناعي.
في البداية لديك 100 مستخدم.
بعد فترة أصبح لديك 100 ألف مستخدم.
وبعد حملة ناجحة أصبح لديك مليون مستخدم.
إذا كان الذكاء الاصطناعي يعمل على خادم ثابت داخل مكتبك، فقد تواجه مشكلة كبيرة.
أما في السحابة، فيمكن من حيث المبدأ زيادة الموارد بحسب الحاجة.
يمكن إضافة:
Compute Instances + GPUs + Storage + Network Capacity
بحسب تصميم الخدمة.
وهذا يجعل السحابة مناسبة جدًا للتطبيقات التي تتغير أحمالها باستمرار.
Elasticity: القوة التي تظهر عند الحاجة
هناك فرق بين Scalability وElasticity.
قابلية التوسع تعني إمكانية زيادة الموارد.
أما Elasticity فتشير إلى القدرة على زيادة الموارد أو تقليلها ديناميكيًا بحسب الطلب.
وهذا مهم في تطبيقات AI.
قد يكون هناك وقت ذروة يستخدم فيه آلاف المستخدمين النموذج.
ثم ينخفض الطلب.
بدل تشغيل كل الموارد بأقصى طاقة طوال الوقت، يمكن للمنظومة السحابية تعديل الموارد وفقًا للحمل، بحسب طبيعة الخدمة والبنية المستخدمة.
وهذا يساعد في تحسين استغلال الموارد.
لكن Cloud AI ليست مجانية من ناحية التكلفة
هناك اعتقاد بأن السحابة تعني ببساطة توفير المال.
ليس دائمًا.
أحمال الذكاء الاصطناعي قد تكون مكلفة جدًا، خصوصًا عندما تحتاج إلى:
GPU Time + High-Speed Storage + Network Traffic + Data Transfer + Memory
وتزداد التكلفة إذا كان التطبيق يستخدم النموذج بكثافة.
لذلك تحتاج الشركات إلى مفهوم مهم يسمى AI Cost Optimization.
قد يتضمن ذلك اختيار نموذج أصغر عندما يكون كافيًا، أو استخدام Quantization، أو تحسين عدد مرات الاستدعاء، أو تخزين بعض النتائج، أو استخدام موارد مخصصة للأحمال المستمرة.
Inference هو التحدي اليومي
التدريب يحدث ربما على فترات طويلة.
لكن Inference قد يحدث ملايين أو مليارات المرات.
كل مرة يسأل فيها المستخدم نموذجًا، هناك عملية حسابية في الخلفية.
إذا كان لديك ملايين المستخدمين، تصبح كفاءة الاستدلال مهمة جدًا.
ولهذا تحاول منصات Cloud AI تحسين:
Latency + Throughput + Cost per Inference + GPU Utilization
والهدف هو تقديم إجابة سريعة مع الحفاظ على استغلال جيد للموارد.
لماذا لا يكفي شراء GPU أقوى؟
لأن عنق الزجاجة قد يكون في مكان آخر.
قد يكون لديك GPU قوي جدًا، لكن البيانات تصل إليه ببطء.
أو لديك شبكة ممتازة، لكن التخزين لا يستطيع توفير البيانات بسرعة.
أو لديك موارد كبيرة، لكن نظام إدارة الأحمال لا يوزع العمل بكفاءة.
لذلك يجب التعامل مع Cloud AI كنظام متكامل.
إذا كان أحد المكونات أبطأ بكثير من بقية المكونات، فإنه قد يصبح Bottleneck.
وهذا يشبه امتلاك طريق سريع جدًا ينتهي عند جسر ضيق.
من السحابة المركزية إلى Edge AI
لكن هل يعني هذا أن كل الذكاء الاصطناعي سينتقل إلى السحابة؟
لا.
وهنا تظهر واحدة من أهم الاتجاهات في المستقبل:
Cloud AI + Edge AI + On-Device AI
كل طبقة لها دور مختلف.
On-Device AI
ينفذ المهمة مباشرة على الجهاز.
مفيد عندما تكون الخصوصية أو الاستجابة الفورية أو العمل دون اتصال مهمة.
Edge AI
ينفذ الذكاء بالقرب من المستخدم أو مصدر البيانات.
يقلل المسافة وزمن الاستجابة.
Cloud AI
يوفر قدرة حسابية ضخمة ونماذج كبيرة وتخزينًا واسعًا.
والأفضل في كثير من الحالات ليس اختيار واحدة منها، بل توزيع الذكاء بين الطبقات الثلاث.
لماذا لا يمكن للسحابة وحدها حل مشكلة Latency؟
تخيل كاميرا صناعية تحتاج إلى اتخاذ قرار خلال أجزاء صغيرة جدًا من الثانية.
إذا أرسلت كل إطار إلى مركز بيانات بعيد، فقد يضيف الاتصال زمنًا غير ضروري.
هنا يمكن وضع نموذج Edge AI بالقرب من الكاميرا.
لكن إذا كانت المهمة تحتاج إلى نموذج أكبر أو تحليل تاريخي ضخم، يمكن إرسال البيانات أو النتائج إلى السحابة.
وهكذا يصبح النظام هجينًا:
Edge for Speed + Cloud for Scale
وهذه المعادلة ستكون مهمة جدًا في شبكات 5G و6G.
Cloud AI والشبكات الخاصة بـ 5G
تحتاج تطبيقات 5G المتقدمة إلى اتصال سريع مع منصات الحوسبة.
في مصنع ذكي، مثلًا، قد توجد روبوتات وكاميرات وأجهزة استشعار تنتج كميات كبيرة من البيانات.
يمكن استخدام Edge Computing لاتخاذ القرارات الحساسة للزمن.
ثم تستخدم السحابة للتدريب والتحليل طويل المدى.
يمكن أن يكون المسار:
Sensors → 5G → Edge AI → Cloud AI
وهذا يخلق منظومة موزعة للذكاء.
Cloud AI و6G: العلاقة ستكون أعمق
مع تطور 6G، لن تكون الشبكة مجرد وسيلة لنقل البيانات بين المستخدم والسحابة.
قد تصبح الشبكة نفسها جزءًا من منظومة الحوسبة.
يمكن توزيع المهام بين:
Device + RAN + Edge + Cloud + Data Center
بحسب متطلبات التطبيق.
وهذا يفتح الباب أمام مفهوم Compute-Communication Convergence، حيث تصبح الاتصالات والحوسبة مترابطتين بدرجة أكبر.
Cloud AI تحتاج إلى ألياف أقوى
كلما زادت أحمال الذكاء الاصطناعي، زادت حركة البيانات.
وهذا ينعكس على شبكات:
Data Center Interconnect – DCI
والربط بين مراكز البيانات.
قد يكون لديك مركزان للبيانات في موقعين مختلفين، وتحتاج إلى نقل كميات ضخمة من البيانات بينهما.
هنا تظهر أهمية DWDM وCoherent Optics.
يمكن أن تعمل الألياف كطريق سريع بين مراكز الذكاء الاصطناعي.
ولهذا فإن مستقبل Cloud AI مرتبط بشكل غير مباشر بتطور Optical Networking.
الذكاء الاصطناعي يجعل الشبكة نفسها أكثر ذكاءً
المفارقة الجميلة أن Cloud AI لا تعمل فوق شبكة ثابتة فقط.
بل يمكن استخدام AI لإدارة الشبكة التي تنقل AI.
يمكن استخدام الذكاء الاصطناعي في:
Traffic Prediction + Capacity Planning + Anomaly Detection + Routing Optimization + Energy Optimization
فمثلًا، إذا توقع النظام زيادة ضخمة في حركة البيانات بين منطقتين، يمكن أن يساعد في التخطيط للموارد مسبقًا.
وهنا نعود إلى مفهوم Autonomous Network.
مراكز بيانات AI تحتاج إلى الطاقة والتبريد
هناك جانب لا يظهر للمستخدم.
تشغيل أعداد كبيرة من وحدات معالجة الذكاء الاصطناعي يولد حرارة كبيرة.
لذلك لا يمكن التفكير في Cloud AI من منظور البرمجيات فقط.
يجب التفكير أيضًا في:
Power + Cooling + Data Center Design
كل GPU يحتاج إلى طاقة.
والطاقة تتحول جزئيًا إلى حرارة.
والحرارة تحتاج إلى إدارة.
لذلك أصبح تصميم مراكز بيانات الذكاء الاصطناعي مجالًا هندسيًا متكاملًا.
التبريد السائل يصبح أكثر أهمية
مع ارتفاع كثافة الطاقة داخل الرفوف، تصبح حلول التبريد التقليدية بالهواء أقل كفاءة في بعض السيناريوهات.
ولهذا تظهر تقنيات مثل:
Liquid Cooling
التي تسمح بنقل الحرارة بكفاءة أعلى في بيئات ذات كثافة حسابية مرتفعة.
وهذا يؤكد مرة أخرى أن Cloud AI ليست مجرد خدمة برمجية.
إنها منظومة تشمل:
Semiconductors + Power + Cooling + Networking + Storage + Software
البيانات هي الوقود
يمكن أن تمتلك آلاف وحدات GPU، لكن بدون بيانات مناسبة لن تستطيع بناء نموذج فعال.
وهنا تصبح Cloud Storage مهمة جدًا.
مجموعات البيانات قد تصل إلى أحجام ضخمة، وتحتاج إلى أن تكون متاحة بسرعة للأنظمة التي تقوم بالتدريب.
وهذا يخلق تحديًا في:
Data Pipeline
أي كيف تنتقل البيانات من مصدرها إلى التخزين ثم إلى بيئة التدريب ثم إلى النموذج.
كل مرحلة يجب أن تكون فعالة.
Data Pipeline قد يكون عنق الزجاجة
لنفترض أن لديك نموذجًا قادرًا على معالجة البيانات بسرعة كبيرة، لكن عملية تحميل البيانات من التخزين أبطأ.
سيبقى الـGPU في انتظار البيانات.
وهذا يعني أن شراء المزيد من GPU قد لا يحل المشكلة.
لذلك تحتاج بنية AI فعالة إلى تصميم End-to-End.
من مصدر البيانات وحتى النموذج.
أمن Cloud AI
كلما انتقلت البيانات والنماذج إلى السحابة، تظهر تحديات أمنية جديدة.
هناك بيانات مستخدمين.
هناك نماذج مدربة.
هناك واجهات API.
هناك مفاتيح وصول.
هناك عمليات تدريب واستدلال.
لذلك يجب حماية:
Data + Models + APIs + Infrastructure + Identity
وهنا تظهر أهمية مبادئ مثل Zero Trust.
لا يكفي أن تكون الخوادم داخل مركز بيانات محمي.
يجب التحقق من كل هوية واتصال وصلاحية وفقًا لسياسة النظام.
خصوصية البيانات: هل كل شيء يجب أن يذهب إلى السحابة؟
لا.
وهذه نقطة مهمة جدًا.
قد تحتوي البيانات على معلومات حساسة أو خاصة.
إرسال كل شيء إلى السحابة قد لا يكون مناسبًا لبعض التطبيقات.
هنا يمكن استخدام:
Edge AI + Data Minimization + Encryption + Federated Learning
بحسب السيناريو.
فمثلًا يمكن معالجة البيانات محليًا وإرسال النتائج فقط بدل إرسال البيانات الخام.
وهذا يقلل كمية المعلومات التي تغادر الموقع.
Federated Learning: تدريب دون نقل كل البيانات
في بعض التطبيقات، يمكن استخدام Federated Learning لتدريب نموذج بالاعتماد على بيانات موزعة دون تجميع كل البيانات الخام في مكان مركزي بالطريقة التقليدية.
تقوم الأجهزة أو المواقع المحلية بتدريب أجزاء من النموذج، ثم يتم تبادل تحديثات النموذج وفق تصميم النظام.
هذه التقنية لا تحل كل مشكلات الخصوصية تلقائيًا، لكنها توفر نموذجًا مختلفًا يمكن أن يكون مفيدًا في بعض البيئات.
Cloud AI تحتاج إلى شبكة موثوقة
هنا تظهر العلاقة بين كل ما تحدثنا عنه.
إذا كان النموذج في السحابة، فإن جودة التجربة تعتمد جزئيًا على الاتصال.
إذا كان المستخدم يحتاج إلى استجابة فورية، فإن:
Latency + Jitter + Packet Loss
تصبح مهمة.
وفي التطبيقات الصناعية، يمكن أن تكون الموثوقية أكثر أهمية من مجرد السرعة القصوى.
وهذا يعني أن تطور Cloud AI سيزيد قيمة الشبكات عالية الجودة، وليس العكس.
كيف تختار بين Cloud AI وEdge AI؟
لا توجد إجابة واحدة تناسب كل التطبيقات.
اسأل أولًا:
هل تحتاج إلى استجابة فورية؟
إذا كان نعم، فكر في Edge AI.
هل تحتاج إلى نموذج ضخم جدًا؟
إذا كان نعم، فالسحابة قد تكون الخيار الأفضل.
هل البيانات حساسة جدًا؟
فكر في المعالجة المحلية أو نموذج هجين.
هل الحمل يتغير بشدة؟
السحابة قد توفر مرونة أفضل.
هل الجهاز يعمل دون اتصال؟
قد تحتاج إلى On-Device AI.
في كثير من الحالات سيكون الحل النهائي:
Hybrid AI Architecture
وليس Cloud فقط.
كيف تبني بنية Cloud AI بشكل عملي؟
إذا كنت تعمل على مشروع جديد، لا تبدأ باختيار نموذج الذكاء الاصطناعي فقط.
ابدأ بتحديد طبيعة الحمل.
الخطوة الأولى: حدد نوع المهمة
هل تحتاج إلى:
Training؟ Inference؟ Fine-Tuning؟ Embeddings؟ Computer Vision؟ Generative AI؟
لكل مهمة متطلبات مختلفة.
الخطوة الثانية: احسب حجم البيانات
حدد كمية البيانات الداخلة والخارجة.
هذه النقطة تؤثر في التخزين والشبكة والتكلفة.
الخطوة الثالثة: حدد متطلبات Latency
هل الاستجابة المطلوبة بالمللي ثانية أم بالثواني؟
إذا كان الزمن حساسًا، فقد تحتاج إلى Edge.
الخطوة الرابعة: حدد حجم النموذج
النموذج الكبير قد يحتاج إلى ذاكرة ومعالجة أكبر.
لا تستخدم نموذجًا ضخمًا إذا كان نموذج أصغر يحقق النتيجة المطلوبة.
الخطوة الخامسة: صمم شبكة البيانات
حدد كيف ستنتقل البيانات بين:
Users → Edge → Cloud → AI Cluster → Storage
الخطوة السادسة: أضف المراقبة
راقب:
GPU Utilization + Latency + Throughput + Error Rate + Cost
ولا تنتظر حتى يشتكي المستخدم.
الخطوة السابعة: ضع خطة للتوسع
ماذا يحدث إذا تضاعف عدد المستخدمين عشرة أضعاف؟
يجب أن تكون الإجابة موجودة قبل حدوث النمو.
المستقبل لن يكون Cloud أو Edge
أحيانًا يتم تقديم النقاش وكأننا يجب أن نختار بين:
Cloud AI
أو:
Edge AI
لكن الاتجاه الأقرب للواقع هو التعاون بينهما.
يمكن للجهاز تنفيذ المهام الصغيرة.
يمكن للـEdge التعامل مع القرارات الحساسة للزمن.
يمكن للسحابة تشغيل النماذج الأكبر وتخزين البيانات وإجراء التدريب والتحليلات الثقيلة.
وهكذا يصبح الذكاء موزعًا.
من Cloud AI إلى AI Fabric
يمكن أن نصل مستقبلًا إلى مفهوم أكثر شمولًا يمكن وصفه بـ AI Fabric، حيث لا يكون الذكاء موجودًا في مكان واحد.
بل ينتشر عبر:
Device → Access Network → 5G/6G → Edge → Cloud → Data Center
كل طبقة تقدم جزءًا من القدرة الحسابية.
وهنا تصبح الشبكة نفسها عنصرًا في بنية الذكاء.
وهذا يفسر لماذا تتقاطع تقنيات AI مع 5G و6G وEdge Computing وOptical Networking بهذا الشكل القوي.
الخلاصة: السحابة ليست مكانًا فقط
قد يبدو اسم Cloud AI وكأنه يعني ببساطة "ذكاء اصطناعي على الإنترنت".
لكن الصورة أعمق بكثير.
السحابة توفر بيئة يمكنها جمع الحوسبة والتخزين والشبكات والبرمجيات والأتمتة في منظومة واحدة قابلة للتوسع.
ومع تطور نماذج الذكاء الاصطناعي، أصبح تشغيل هذه النماذج يحتاج إلى بنية تحتية ضخمة لا يمكن توفيرها بسهولة على الأجهزة الشخصية.
لكن هذا لا يعني أن كل الذكاء الاصطناعي سيبقى في السحابة.
المستقبل الأقرب هو نموذج هجين:
On-Device AI للمهام المحلية.
Edge AI للتطبيقات الحساسة للزمن.
Cloud AI للنماذج الضخمة والتدريب والتحليلات.
وستربط 5G و6G والألياف الضوئية هذه الطبقات ببعضها.
لذلك عندما نرى نموذج ذكاء اصطناعي قادرًا على فهم النص والصوت والصورة والفيديو وتنفيذ مهام معقدة، لا ينبغي أن ننظر إلى النموذج وحده.
خلف هذا الذكاء توجد منظومة ضخمة من:
GPU + Memory + Storage + High-Speed Networking + Fiber Optics + Data Centers + Cooling + Power + Software
وهذه المنظومة هي التي تجعل الذكاء الاصطناعي الحديث قابلًا للتوسع.
وربما تكون المفارقة الأكبر أن مستقبل الذكاء الاصطناعي لا يعتمد فقط على جعل النماذج أكثر ذكاءً.
بل يعتمد أيضًا على جعل البنية التحتية التي تشغل هذه النماذج أسرع وأكثر كفاءة وذكاءً.
وهنا تصبح السحابة أكثر من مجرد مكان لتشغيل AI.
إنها تتحول إلى المصنع الذي تُدرّب فيه نماذج المستقبل، والمنصة التي تشغلها، والشبكة التي تربطها بالعالم.
0 تعليقات