منذ بضع سنوات، كانت مناقشات الحوسبة السحابية للمؤسسات تتبع نمطًا مألوفًا. كانت الفرق تناقش ترحيل التطبيقات القديمة، وتحديث البنية التحتية، وخفض تكاليف مراكز البيانات. كان الهدف واضحًا: نقل أعباء العمل إلى منصات سحابية قابلة للتوسع والحصول على مرونة تشغيلية.
لكن في الأشهر الأخيرة، تغيرت نبرة هذه الحوارات بشكل ملحوظ.
في اجتماعات مراجعة البنية والتخطيط للبنية التحتية التي أشارك فيها، تبدو الأسئلة الآن مختلفة تمامًا:
أين يتم تدريب النماذج؟
هل يمكننا الوصول إلى مجموعات وحدات معالجة الرسوميات (GPU)؟
هل يمكن لخطوط بياناتنا دعم الاستدلال في الوقت الفعلي؟
السبب بسيط: الذكاء الاصطناعي — وخاصة الذكاء الاصطناعي التوليدي — يدفع البنية التحتية للمؤسسات إلى نطاقات لا تستطيع البنى السحابية التقليدية التعامل معها. تكتشف العديد من المؤسسات أن المستقبل ليس "سحابيًا أولًا" فحسب، بل "أصيلًا في الذكاء الاصطناعي".
عندما يصبح الذكاء الاصطناعي الحمل الذي يكسر السحابة
في العديد من المؤسسات، تحدث نقطة التحول عندما يحاول فريق لأول مرة نشرًا واسع النطاق للذكاء الاصطناعي التوليدي.
قد ترغب وحدة أعمال في بناء نظام ذكاء اصطناعي للمستندات، أو مساعد معرفة داخلي، أو منصة تحليلات تنبؤية مدعومة بنماذج لغوية كبيرة. على الورق، يبدو هذا مجرد عبء عمل سحابي آخر. لكن التنفيذ يكشف بسرعة عن الاختلاف.
تتصرف أعباء عمل الذكاء الاصطناعي بشكل مختلف تمامًا عن تطبيقات المؤسسات التقليدية. فهي تتطلب مجموعات بيانات ضخمة، وحوسبة مسرّعة بوحدات معالجة الرسوميات، وخطوط بيانات عالية الإنتاجية لتغذية نماذج التعلم الآلي باستمرار. غالبًا ما تجد البنى التحتية المصممة للأنظمة التعاملية صعوبة في مواكبة هذه الظروف.
رأيت بنفسي فرقًا تكتشف هذا: بيئتهم السحابية الحالية أصبحت فجأة عنق زجاجة — ليس بسبب حركة مرور التطبيقات، بل بسبب أعباء عمل تدريب نماذج الذكاء الاصطناعي. هذه هي اللحظة التي تدرك فيها العديد من المؤسسات أن الذكاء الاصطناعي ليس مجرد تطبيق آخر في السحابة، بل هو نموذج بنية تحتية جديد.
في بعض الحالات، حتى بيئات الخدمات المصغرة جيدة التصميم تجد صعوبة في مواكبة ذلك، مما يكشف قيودًا في إدخال/إخراج التخزين، وزمن انتقال الشبكة، وعزل أعباء العمل. هذه القيود الخفية غالبًا ما تظهر فقط تحت أعباء عمل الذكاء الاصطناعي المستمرة، مما يجعل من الصعب توقعها في مرحلة التخطيط الأولي.
البنية التحتية الأصلية للذكاء الاصطناعي: مجموعات GPU والحوسبة عالية الأداء
تم تحسين بيئات المؤسسات السحابية التقليدية لأعباء عمل وحدة المعالجة المركزية والتطبيقات التعاملية. في المقابل، تعطي أنظمة الذكاء الاصطناعي الأولوية للحوسبة المسرّعة بوحدات معالجة الرسوميات، والشبكات عالية النطاق الترددي، والتخزين الموزع، وخطوط التدريب القابلة للتوسع.
تسلط أدوات مثل AMD ROCm الضوء على التحول نحو الأنظمة البيئية الأصلية لوحدات معالجة الرسوميات، حيث توفر منصة متكاملة مصممة خصيصًا لأعباء عمل الذكاء الاصطناعي عالية الأداء. لكن تبنّي بنية تحتية لوحدات معالجة الرسوميات ليس مجرد توفير سعة — بل يتعلق باستخدامها بكفاءة.
تقلل العديد من المؤسسات من تعقيد جدولة وحدات معالجة الرسوميات، وتجزئة الذاكرة، والتنافس على أعباء العمل. على عكس أعباء عمل وحدة المعالجة المركزية التي يسهل توزيعها، تتطلب أعباء عمل وحدات معالجة الرسوميات تنسيقًا دقيقًا لتجنب نقص الاستخدام.تشير هذه المنصات إلى أن أعباء عمل الذكاء الاصطناعي تعيد تشكيل طريقة تصميم البنية التحتية السحابية — من طبقة حوسبة مركزية على وحدات المعالجة المركزية إلى بنية أصلية للذكاء الاصطناعي محسّنة لمعالجة البيانات المتوازية على نطاق واسع وعالية الإنتاجية.
علاوة على ذلك، فإن الابتكارات الناشئة مثل مسرعات الذكاء الاصطناعي المتخصصة والرقائق السيليكونية المخصصة تزيد من تعقيد قرارات البنية التحتية. لم يعد المهندسون المعماريون يقيّمون الأداء فقط، بل أيضًا قابلية النقل والارتباط بالمورد.
ظهور الذكاء الاصطناعي الموزع في البيئات الهجينة
نمط آخر آخذ في الظهور في نشر الذكاء الاصطناعي في المؤسسات هو التحول نحو البنية التحتية الموزعة.
شجعت الحوسبة السحابية المبكرة المؤسسات على دمج أعباء العمل في مزود سحابي واحد. أدى ذلك إلى تبسيط الحوكمة وتقليل التعقيد التشغيلي.
لكن أعباء عمل الذكاء الاصطناعي غالبًا ما تفرض قيودًا جديدة. يجب الاحتفاظ ببعض مجموعات البيانات في بنية تحتية خاصة لتلبية متطلبات الامتثال. يتطلب تدريب النماذج الكبيرة مجموعات GPU متخصصة متاحة فقط في مناطق سحابية معينة. قد يحتاج الاستدلال في الوقت الفعلي إلى العمل بالقرب من مكان توليد البيانات. لذلك، تدير العديد من المؤسسات الآن بيئات ذكاء اصطناعي هجينة ومتعددة السحابات.
تم تصميم منصات مثل Google Cloud Vertex AI صراحةً لخطوط أنابيب الذكاء الاصطناعي الهجينة، مما يمكّن المؤسسات من تدريب النماذج ونشرها عبر الأنظمة المحلية وبيئات سحابية متعددة.
في هذه البيئات، لا يقتصر الذكاء الاصطناعي على بيئة سحابية واحدة. بل يتم توزيع الذكاء عبر طبقات البنية التحتية.
يتحول التحدي من نشر التطبيقات إلى تنسيق أنظمة الذكاء الاصطناعي عبر بيئات متعددة.
يقدم هذا التوزيع أيضًا تحديات جديدة في تناسق البيانات، والتحكم في إصدارات النماذج، وإدارة زمن الاستجابة. ضمان أداء متسق للنماذج عبر البيئات المختلفة أصبح مطلبًا حاسمًا، لا سيما في الصناعات الخاضعة للتنظيم.
يصبح التنسيق الذكي أمرًا بالغ الأهمية
مع تزايد تعقيد البنية التحتية للذكاء الاصطناعي، أصبحت الإدارة السحابية اليدوية غير عملية بشكل متزايد.
قد تشمل بيئات المؤسسات الحديثة آلاف الحاويات، ومجموعات بيانات موزعة، وعناقيد حوسبة متعددة تعمل عبر منصات سحابية متعددة.
لإدارة هذا التعقيد، بدأت المؤسسات في الاعتماد على منصات التنسيق الذكية. تستخدم هذه الأنظمة التعلم الآلي لمراقبة استخدام البنية التحتية، والتنبؤ بالاحتياجات الحاسوبية، وتخصيص الموارد ديناميكيًا.
تُظهر أطر عمل مثل UCUP الجيل التالي من التنسيق — أنظمة قادرة على تنسيق عوامل ذكاء اصطناعي متعددة، ومراقبة الأداء، وضبط استراتيجيات التنفيذ في الوقت الفعلي. تتجاوز هذه المنصات الجدولة البسيطة لتصل إلى طبقة اتخاذ القرار الذكي.
ومن المفارقات أن الذكاء الاصطناعي لا يغير أعباء عمل المؤسسات فحسب، بل أصبح أيضًا النظام الذي يدير البنية التحتية السحابية نفسها.
بمرور الوقت، قد يؤدي هذا إلى بيئات بنية تحتية شبه ذاتية الحكم، حيث يركز المشغلون البشريون على السياسات والإشراف بدلاً من الإدارة المباشرة للنظام.
واقع تكلفة الذكاء الاصطناعي في المؤسسات
على الرغم من كل الابتكارات التي يعد بها الذكاء الاصطناعي، إلا أن تأثيره المالي لا يمكن تجاهله.
تتطلب نماذج اللغة الكبيرة موارد حاسوبية هائلة. مجموعات GPU باهظة الثمن وغالبًا ما تكون نادرة. قد يستهلك تدريب نموذج واحد جزءًا كبيرًا من ميزانية السحابة.
يُجبر هذا العديد من المؤسسات على إعادة التفكير في نهجها المالي تجاه الحوسبة السحابية.
أصبحت ممارسات مثل FinOps (التي تركز على إدارة وتحسين الإنفاق السحابي) ضرورية في البيئات القائمة على الذكاء الاصطناعي.تجرب الفرق استراتيجيات متنوعة، مثل:
تحسين النماذج وضغطها
بنى التدريب الموزّع
نماذج استدلال بدون خادم (Serverless)
جدولة أعباء العمل عبر المناطق الفعّالة من حيث التكلفة
في بعض الحالات، تعيد المؤسسات النظر في الاستراتيجيات الهجينة، وتنقل بعض أعباء عمل الذكاء الاصطناعي إلى المواقع المحلية عندما تميل الاقتصاديات إلى صالح البنية التحتية الخاصة.
لقد ثبت أن ابتكار الذكاء الاصطناعي يتطلب معاملة البنية المالية والبنية التقنية على قدم المساواة.
تعمل فرق FinOps بشكل متزايد مباشرة مع علماء البيانات ومهندسي تعلّم الآلة، مما ينشئ تخصصًا جديدًا متعدد الوظائف يركز على الموازنة بين الأداء وكفاءة التكلفة.
ظهور السحابة الأصلية للذكاء الاصطناعي للمؤسسات
ربما يكون التحول الأكثر أهمية هو تحول مفاهيمي.
لأكثر من عقد، كانت السحابة في المقام الأول بنية تحتية لاستضافة التطبيقات.
لكن الذكاء الاصطناعي يحوّل السحابة إلى شيء أكثر قوة.
إنها أصبحت منصة للذكاء الآلي.
لم تعد بيئات السحابة تكتفي بتشغيل البرمجيات، بل تدعم الأنظمة التي تتعلم من البيانات، وتولّد الرؤى، وتؤتمت القرارات.
بدأت المؤسسات ذات الرؤية المستقبلية في تصميم بنيتها التحتية وفقًا لهذا الواقع.
إنهم لا يقتصرون على ترحيل أعباء العمل.
إنهم يبنون أنظمة بيئية سحابية أصلية للذكاء الاصطناعي تهدف إلى دعم الذكاء واسع النطاق القائم على البيانات.
وهذا يعني أيضًا تضمين اعتبارات الذكاء الاصطناعي في كل طبقة من طبقات البنية — بدءًا من استيعاب البيانات وتخزينها وصولاً إلى الأمان والامتثال وتجربة المستخدم.
الفصل التالي من بنية السحابة للمؤسسات
ركّزت الموجة الأولى من التحول السحابي على التحديث.
الموجة القادمة تدور حول الأنظمة الذكية التي تعزز اتخاذ القرار البشري، وتؤتمت العمليات، وتطلق العنان لقدرات رقمية جديدة كليًا.
هذا التحول يفرض على مهندسي المؤسسات إعادة التفكير في أسس البنية التحتية السحابية — من بنية الحوسبة وخطوط البيانات إلى التنسيق والحوكمة.
المؤسسات الأسرع تكيفًا لن تكتفي بتشغيل أعباء عمل الذكاء الاصطناعي في السحابة.
ستبني بيئات سحابية مصممة خصيصًا للذكاء.
وفي هذه العملية، ستعيد تعريف شكل الجيل القادم من البنية التحتية للمؤسسات.
ومع ذلك، فإن المؤسسات التي تفشل في التكيف قد تظل مقيدة بافتراضات معمارية قديمة لم تعد تلبي متطلبات الابتكار القائم على الذكاء الاصطناعي.
تم نشر هذا المقال عبر شبكة المساهمين الخبراء في Foundry.