تم إنشاء CUDA مرة أخرى...
الذكاء الاصطناعي الذي نفّذ هذا، ما زال من صنع نيفيديا.
شركة صغيرة تأسست منذ عام واحد فقط، استخدمت وكيل برمجي بالذكاء الاصطناعي لبناء نظام "برمجيات مشابهة لـ CUDA" في فقط 10 ساعات.
توقف، توقف، توقف.
أنت تقصد أن إمبراطورية البرمجيات التي بنتها نيفيديا على مدار近20 عامًا تم نسخها بهذه السهولة؟؟
ليس فقط ذلك. ديب سيك كما يُحاول تقليل كتابة CUDA الأساسية.
لقد قاموا بفتح مصدر مكتبة وحدات GPU تُسمى TileKernels، مكتوبة بلغة TileLang، مما يوفر جهدًا كبيرًا في كتابة كود CUDA منخفض المستوى يدويًا.
لكننا لسنا نسمع عن أزمة "CUDA" المشابهة لأول مرة.
بشكل دوري، يتم توجيه انتقادات شديدة لـ CUDA، ويُقال باستمرار إنها استُبدلت، أو تجاوزت، أو تم تقويض حمايتها مرة أخرى...
Is that really true?
10 ساعات "نسخ" CUDA
عند ذكر نيفيديا، يكون رد فعل الكثيرين الأول هو وحدة معالجة الرسوميات (GPU).
H100 وBlackwell وRubin، وبفضل سلسلة من الرقائق ذات الأداء الأقوى، استحوذت نيفيديا على أكبر حصة من المكاسب الناتجة عن موجة الذكاء الاصطناعي هذه.
لكن الميزة الحقيقية التي يصعب تجاوزها لدى نفيديا ليست في الأجهزة، بل في البرمجيات.
يمكن شراء الرقائق، ويمكن متابعة المواصفات، ويمكن أيضًا تطوير عملية التصنيع. لكن ما يجعل العملاء الذين استخدموا نيفيديا يصعب عليهم التحول إلى منتجات أخرى هو النظام البيئي البرمجي الكامل المبني حول وحدات معالجة الرسوميات.
While CUDA is the core of this software empire.
CUDA هي اختصار لـ Compute Unified Device Architecture، وتم تطويرها على مدار将近 20 عامًا بقيادة فريق من مديري نيفيديا بقيادة إيان بوك.
غالبًا ما يُطلق عليه لغة برمجة، لكن من الأدق القول إن CUDA هو منصة برمجية كاملة مبنية حول وحدات معالجة الرسومات (GPU) من NVIDIA.
إذا تم تبسيطه إلى ثلاث طبقات، فإن الطبقة السفلية هي طبقة النواة، والتي تشمل الـ Kernel والمحرّك ووقت التشغيل الذين يُشغلون الرقاقة مباشرةً.
في الوسط توجد طبقات المكتبة—مكتبات حسابية مُحسّنة بدرجة عالية مثل cuBLAS وcuDNN، بالإضافة إلى أدوات التصحيح والتحقق وتحليل الأداء.
في الأعلى، توجد إطارات التطوير مثل PyTorch وTensorFlow، وكم هائل من الكود وسير العمل التي جمعتها الشركات، بالإضافة إلى نظام المطورين الذي نما حول CUDA.
△
قد يبدو هذا مجردًا بعض الشيء، لكن يمكنك تصور وحدات معالجة الرسوميات من نيفيديا كمصنع.
يقوم CUDA بالطبقة السفلى بتعليم الجهاز كيفية تنفيذ كل خطوة، بينما توفر الطبقة الوسطى أدوات إنتاج جاهزة، وتتكون الطبقة العليا من نظام إنتاج كامل يعمل منذ سنوات عديدة.
لذلك، بالنسبة للعملاء، فإن ما يشترونه ليس بطاقة واحدة من NVIDIA فحسب، بل مصنع جاهز للاستخدام فور فتحه.
الآن، جاء الأخ جيريمي نيكسون مع عامل الذكاء الاصطناعي.
نيكسون هو مؤسس شركة البرمجيات الذكية الاصطناعية إنفينيتي، وكان سابقًا باحثًا في Google Brain.
طور فريقه عامل بحث ذكي يُدعى Ignition، مخصصًا لكتابة برامج أساسية لشرائح الذكاء الاصطناعي المختلفة.
يمكنه توليد GPU Kernel، وتشغيل الاختبارات، وتحديد الأخطاء، وقياس الأداء، ثم إعادة كتابة الكود تلقائيًا بناءً على النتائج.
يقوم مهندسو البشر بتحديد الاتجاهات العليا، بينما تُترك المهام الدقيقة والمتعبة فكريًا للوكيل ليقوم بها بشكل متكرر.
بهذه الطريقة، بنى Infinity برنامجًا مشابهًا لـ CUDA لشركة d-Matrix الناشئة في مجال رقائق الذكاء الاصطناعي باستخدام Ignition.
استغرق الأمر فقط 10 ساعات.
أ؟؟
هل يمكن الآن فعلاً تفويض الكود الأساسي الذي كان يتطلب من مهندسي برامج الرقائق إعادة ضبطه مراراً وتكراراً إلى الذكاء الاصطناعي؟
لا يمكن القول إنه مجرد تضخيم.
يُعد وكيل الذكاء الاصطناعي مناسبًا حقًا لمثل هذه المهام البرمجية ذات التغذية الراجعة الواضحة.
يمكنك الحصول على إجابات حول ما إذا كان الكود يمكن ترجمته، وما إذا كانت النتائج صحيحة، وما إذا كان الأداء قد تحسن من خلال التشغيل الفعلي.
وبالتالي، يمكن للوكيل تشكيل حلقة مغلقة كاملة:
كتابة الكود → الترجمة → التشغيل → اختبار الدقة والأداء → التعديل المستمر بناءً على الملاحظات
لكن Infinity تركز بشكل رئيسي على الطبقة الأولى من CUDA: توليد وتحسين Kernel الاستدلال لشرائح مختلفة، وبناء قدرات برمجية أساسية حول هذه Kernels.
إنها تطور مكتبة استدلال عامة موجهة لعدة شرائح، لكن هذا لا يعني أنها نسخت في 10 ساعات البيئة الكاملة التي تراكمت لـ CUDA على مدار近20 عامًا.
لكن...
لكن!
في الواقع، لا تحتاج إلى نسخ CUDA لجمع تمويل بقيمة 15 مليون دولار.
The company's current valuation has also reached $100 million.
لا أعرف إن كان هناك تهديد لنيفيديا، لكن الرأسمال يشتريه بقوة على أي حال. (doge)
في الجانب الاستنتاجي، تم إطلاق الجبهة الثانية!
إذا كان وكيل الذكاء الاصطناعي هو السلاح الذي يهاجم المدينة، فإن سوق الاستدلال هو الفجوة في الجدار.
يتم تقسيم الحسابات الخاصة بالنماذج الكبيرة إلى قسمين رئيسيين:
التدريب هو إنشاء النموذج، ويتطلب آلاف البطاقات تعمل معًا لعدة أشهر؛ بينما الاستدلال هو استخدام النموذج المُدرَّب للإجابة على الأسئلة، ويمكن تنفيذه حتى بمجموعة صغيرة أو بطاقة واحدة.
على جانب التدريب، لا يزال CUDA غير قابل للحل تقريبًا حاليًا.
التدريب على نطاق واسع حساس جدًا للأداء والاستقرار والتعاون بين المجموعات. أي خسارة في الكفاءة في الاتصال بين الرقائق، وجدوللة ذاكرة العرض، أو استعادة البرنامج بعد الخطأ، عندما تُضخم على آلاف أو حتى عشرات الآلاف من الرقائق، تتحول إلى وقت وتكلفة حقيقية.
لذلك، تختار الشركات منصات التدريب بحذر شديد.
حتى لو كانت مواصفات الرقائق الأخرى جيدة من الناحية النظرية، فإن التكلفة المدخرة على الأجهزة ستُدفع غالبًا مضاعفة من خلال تكاليف التطوير والتجربة والخطأ ما لم يكن البرنامج ناضجًا والكتلة مستقرة.
لكن على جانب الاستدلال، تغيرت قواعد اللعبة.
يعتقد مارشال تشوي، الرئيس التنفيذي للتجارة في شركة الرقائق الذكية الكورية Rebellions:
على جانب الاستدلال، لم تعد CUDA عاملًا حاسمًا. ستكون هذه مسابقة بين برامج مفتوحة المصدر.
لماذا يركز المنافسون جميعًا على الاستدلال؟
لأن التدريب يهتم بـ "الأداء القصوى"، بينما يهتم الاستنتاج بـ "تكلفة كل إجابة".
التدريب يتطلب تعاون آلاف البطاقات، بينما يمكن تقسيم الاستنتاج إلى مجموعات صغيرة أو حتى بطاقة واحدة؛ لا يمكن تغيير الرقائق أثناء التدريب، لكن يمكن تغييرها أثناء الاستنتاج.
في النهاية، ما دام يمكن تشغيله وبأسعار معقولة، فإن العملاء مستعدون لتجربته.
الأهم من ذلك، يمكن لبرمجيات الاستدلال أن تعمل عبر شرائح مختلفة. إذا كان إطار العمل الخاص بالاستدلال يدعم عدة شرائح، فيمكن للمستخدمين التبديل بين الأجهزة المختلفة دون الحاجة إلى إعادة كتابة الكود—
The largest lock-in effect of CUDA has now been nullified.
هذا يترك فرصة لشرائح الاستدلال المخصصة.
لا تتطلب جميع مهام الاستدلال قدرات CUDA الكاملة من التدريب إلى التعاون بين المجموعات. يمكن للرقائق المصممة من جديد لنموذج معين أو سيناريو معين، طالما أنها تعمل بشكل أسرع أو أرخص أو أكثر كفاءة في استهلاك الطاقة، أن ت奪 جزءًا من السوق من نيفيديا.
على سبيل المثال، d-Matrix هي شركة رقاقة تركز أساسًا على الاستنتاج.
تم تأسيس هذه الشركة عام 2019، وتركز على شرائح الذكاء الاصطناعي التوليدي.
تذكّر السيد شيث، المؤسس المشارك والرئيس التنفيذي، أنهم تنبّهوا مبكرًا إلى أن الفرص الناتجة عن استنتاج الذكاء الاصطناعي ستتجاوز في النهاية فرص التدريب.
البرنامج المشابه لـ CUDA الذي بناه Infinity باستخدام وكيل ذكاء اصطناعي في 10 ساعات يخدم شرائح الاستنتاج الخاصة بـ d-Matrix.
وبالتالي، تتماسك القصة الكاملة لـ "حدث الـ10 ساعات":
الرقاقة الجديدة ترغب في دخول سوق الاستنتاج، لكنها تفتقر إلى برامج ناضجة؛ يُسرّع عامل الذكاء الاصطناعي إنشاء وتحسين Kernel الأساسي، مما يقلص العمل المخصص الذي كان قد يستغرق شهورًا أو حتى سنوات إلى ساعات أو أيام.
سيد لا يخفي قوله:
على الرغم من أن نيفيديا لا تزال تحتفظ بوضعها القيادي في مجال التدريب، إلا أن ميزتها التنافسية في مجال الاستنتاج قد تضاءلت.
ليس فقط d-Matrix التي تراقب هذا الفجوة.
التركيز على الاستدلال: Rebellions و d-Matrix، والاستثمار في الرقائق على مستوى الرقاقة: Cerebras، وInferentia من أمازون، وTPU من جوجل، وMI300X من AMD…
لقد استعدت شركات رقائق الإلكترونية وعملاق الحوسبة السحابية على جميع الجبهات للاستيلاء على حصة من سوق الاستنتاج من أيدي نيفيديا.
لهذه الشركات، لا حاجة لها أن تستبدل نيفيديا فورًا.
ما يحتاجونه فقط هو إثبات أنه في بعض مهام الاستدلال، يمكن تحقيق أداء أسرع أو تكلفة أقل دون الاعتماد على مجموعة كاملة من الأجهزة وبيئة CUDA من NVIDIA.
That's enough.
ما إذا كان جدار نفيديا الدفاعي قد تم تدميره أم لا
الإجابة قد تكون... لا تزال بعيدة جدًا.
كما ذكرنا سابقًا، فإن إعادة الكتابة لمدة 10 ساعات تتعلق بـ "كود تكييف شريحة واحدة"، بينما يمتلك نظام CUDA تراكمًا مدته 20 عامًا من المكتبات وأدوات التصحيح والمجتمع وملايين المطورين.
هذا ليس شيئًا يمكن إلغاؤه بسهولة.
الأهم من ذلك، أن القدرة على توليد الكود لا تعني أنه يمكن استخدامه.
مؤسس INT21، بينغ شو، كان قد عمل في شركة البرمجيات الخاصة بالرقائق الذكية HippoML التي تم استحواذها من قبل نيفيديا، وغادر نيفيديا في أبريل من هذا العام.
حكمه هو: يمكن للوكيل توليد كمية كبيرة من الشيفرة في وقت قصير، لكن التحقق هو أضيق نقطة عُرض.
يُمكن لإنشاء عشرة آلاف سطر من الكود بواسطة الذكاء الاصطناعي أن يكون سريعًا، لكن "إثبات أن هذه العشرة آلاف سطر تُنتج نتائج صحيحة وتعمل بثبات في جميع حالات الحدود" بطيء جدًا.
أعمق أصول CUDA هي بالضبط أداة التحقق الخاصة بها — لذا يعتقد أن عصر الوكلاء سيجعل نظام التحقق成為 CUDA's next moat.
كريس لاتنر، المؤسس المشارك ورئيس تنفيذي لـ Modular، ألقى أيضًا ماءً بارداً.
他认为编码Agent带来的改进是渐进式的，「炒作被严重夸大」。
هناك ثلاثة أسباب: أولاً، كتابة الكود هي جزء صغير فقط من هندسة البرمجيات، بينما تُحدد التحسينات الإنتاجية أداء الرقاقة، مما يُحدد مباشرة تكلفة تشغيل الذكاء الاصطناعي؛
ثانيًا، برامج الرقائق هي مجال نخبوي ضيق، وعدد الأكوام المفتوحة أقل بكثير من تطوير التطبيقات، وبالتالي فإن كمية بيانات التدريب المتاحة للذكاء الاصطناعي في هذا المجال أصلاً محدودة؛
ثالثًا، تكلفة نقل ملايين الأسطر من الكود القائم لا تزال قائمة، وهذا ليس شيئًا يمكن حلّه بالتكنولوجيا، بل هو قرار تنظيمي.
نقطة أخرى يُهملها الكثيرون: إن نيفيديا تستخدم الذكاء الاصطناعي بنفسها.
أنيك باتيل، نائب رئيس بيئة المطورين لدى نيفيديا، يشير إلى:
نحن أيضًا نستخدم وكيل الذكاء الاصطناعي لتطوير CUDA بشكل أسرع وتنفيذ التحقق على نطاق أوسع.
باستخدام رمحك الخاص لمهاجمة درع الخصم، فإن الميزة النسبية للمهاجم ستتضاءل.
باينغ شو يلخص: مصير هذه المعركة يعتمد على ما إذا كان المنافسون يستطيعون اللحاق بنيفيديا أسرع من سرعة تطور نيفيديا ذاتها.
لكن من الواضح أن أكبر شركة رقائق في العالم "لم تكن تنام أو تبقى في مكانها".
بشكل عام، على المدى القصير، لا تزال حواجز دخول نيفيديا آمنة، لكن التغييرات ستبدأ هادئة على جانب الاستنتاج.
التشويق الحقيقي على المدى الطويل هو أن الخندق الدفاعي ينتقل من "المخزون الكودي" إلى "البيئة التحقق والتحسين".
من يحتل المكان الجديد أولاً، هو الفائز التالي.
رابط المرجع: [1] https://www.businessinsider.com/nvidia-cuda-new-threats-ai-coding-agents-2026-8
هذا المقال من حساب ويشات الرسمي "كيوانغ تشي"، الكاتب: تينغ يو