في WAIC 2026، أطلقت شركة سنغافورة للبنية التحتية للذكاء الاصطناعي Acrab Agent Box وشريحة GΞLIX 1، بهدف توفير أساس حسابي للذكاء الاصطناعي العامل على الحافة. على عكس شرائح الذكاء الاصطناعي التقليدية، تركز GΞLIX 1 على التنسيق الهجين بين وحدة المعالجة المركزية ووحدة معالجة الذكاء الاصطناعي، وهندسة الذاكرة الموحدة، وتحسين ما قبل التعبئة، وتقدم قدرة حسابية تبلغ 700 TOPS وعرض نطاق ذاكرة يبلغ 273 غيغابايت/ثانية. ويعتقد الرئيس التنفيذي كين فوا أن الذكاء الاصطناعي دخل عصر الحوسبة الهجينة، حيث عادت وحدة المعالجة المركزية إلى مركز الصدارة، وقد جمعت Acrab تمويلًا إجماليًا يتجاوز 3.5 مليار دولار أمريكي. ويتحول الذكاء الاصطناعي على الحافة من "تشغيل نموذج واحد" إلى "تشغيل نظام ذكي على المدى الطويل"، والمنافسة الحقيقية تكمن في القدرة على التكامل الكامل بين الشريحة وطابق البرمجيات وبيئة العامل.مؤلف المقال، المصدر: NewZeal
على أي بنية حسابية يجب أن تعمل الذكاء الاصطناعي الوكيل؟
بعد أيام، بدأ أحد أكثر المفاهيم ازدحامًا في WAIC 2026 — Computer Agent — يتحول من الإثارة الأولية في المعارض إلى مسألة هندسية حقيقية.
تشغيل نموذج كبير على جهاز محلي لم يعد الجزء الأصعب. الأصعب هو ما إذا كان الرقاقة يمكنها الحفاظ على الاستقرار ضمن قيود استهلاك الطاقة والتأخير والتكلفة، عندما يتعين على الوكيل قراءة الملفات باستمرار، والاحتفاظ بالذاكرة، واستدعاء الأدوات، والعمل لفترات طويلة في الخلفية.
هذا سيغير طريقة تقييم شرائح الطرف النهائي. لا تزال TOPS وعدد معلمات النموذج وعدد التوكنات في الثانية مهمة، لكن إذا لم تتمكن عرض النطاق الترددي للذاكرة من مواكبة ذلك، أو لم يتعاون CPU مع NPU بشكل سلس، أو لم تستطع طبقة البرمجيات الحفاظ على حالة المهمة، فقد لا يكفي الذروة الأنيقة حتى لإكمال عرض توضيحي واحد.
لقد لاحظنا أن الشركة السنغافورية Acrab أجرت مؤتمرًا عبر الإنترنت هذا الأسبوع وأطلقت Agent Box، وهو ما قد يوفر نموذجًا يمكن تحليله.
في هذا الحدث الإطلاق، عرضت شركة البنية التحتية للذكاء الاصطناعي في وقت واحد التمهيد، الذاكرة الموحدة، التوافق الهجين بين CPU وNPU، وتنظيم الوكلاء.
تشير هذه الكلمات المفتاحية إلى نفس الحكم: أن الذكاء الاصطناعي على الحافة ينتقل من "تشغيل نموذج واحد" إلى "تشغيل نظام ذكي على المدى الطويل".
ما يُطلب من المعالجات حلّه لم يعد فقط كفاية القوة الحسابية، بل كيف تتدفق البيانات، وكيف تُجدول المهام، وكيف تتعاون البرمجيات والأجهزة باستمرار.
لذلك، عندما تهدأ ضجة WAIC والإطلاقات الجديدة والاتجاهات الصناعية، تصبح الأسئلة التي تستحق التساؤل الحقيقي أكثر وضوحًا: ما الذي يجب إعادة تصميمه في شرائح الطرف النهائي عندما يتحول العامل من استدعاء واحد إلى عمل مستمر؟
من استدلال واحد إلى عمل مستمر
غير العميل الحمل الجانبي
عادةً ما يُكمل روبوت المحادثة جولة واحدة من الأسئلة والأجوبة. بعد تلقي مهمة، قد يقوم الوكيل أولاً بالبحث عن المعلومات وقراءة الملفات، ثم استدعاء الكود أو المتصفح أو التقويم أو برامج المكتب؛ وبعد إكمال جزء منها، يتحقق من النتائج، ويحتفظ بحالة المهمة، وينتظر التفعيل التالي. غالبًا ما تتضمن المهمة الواحدة عدة جولات من استدعاء النموذج، كما ينتقل بين نماذج وأدوات وتطبيقات مختلفة بشكل متكرر.
عرض أكراب في المؤتمر مؤتمرًا مكتملًا نسبيًا لسير العمل: حيث يقترح المستخدم رغبته في إعداد هدية بعنوان فضائي لطفله، ثم يُقدّم النظام أفكارًا، ويساعد في اختيار الحل، ويشغل الأدوات ذات الصلة، ويتبع تقدم الإنتاج؛ وعندما تظهر ظروف جديدة في البيئة، يمكنه الاتصال بأجهزة ذكية أخرى للتعامل معها.
لا تكمن أهمية هذا العرض في ذكاء إجابة واحدة، بل في قدرة لغة طبيعية على التحويل إلى سلسلة من الإجراءات المتتالية. بالنسبة للأنظمة الحاسوبية، لم يعد الوكيل مجرد "استدعاء نموذج واحد"، بل ينتقل باستمرار بين النموذج والبيانات والبرمجيات والأجهزة.
هذه الطريقة في العمل تُعزز أولاً تقسيم المهام بين الطرف النهائي والخادم السحابي.
قد لا تكون تكلفة الاستدلال الواحدة مرتفعة، لكن مع تكرار واستمرار الاستدعاءات، تتحول الرموز من مؤشرات تقنية إلى فواتير فعلية؛ تأثير انتظار شبكة واحد على المحادثة محدود، لكنه يتراكم تدريجيًا عند دمجه في مهام متعددة الخطوات؛ يحتاج الوكيل إلى فهم سياق شخصي أكثر شمولاً، وعندما تتكرر حركة البيانات ذهابًا وإيابًا إلى السحابة، يزداد نطاق التعرض.
لذلك، لا يُعدّ الحوسبة على الحافة والحوسبة السحابية خيارين متعارضين. الهيكل الأكثر واقعية هو: ترك المهام ذات التردد العالي، الحساسة للخصوصية، والتي تتطلب استجابة سريعة وحالة مستمرة على المدى الطويل على الجهاز قدر الإمكان؛ واستدعاء الموارد السحابية فقط للاستدلالات المعقدة التي تتجاوز حدود قدرة الجهاز.
التحول الحقيقي يكمن في أن الجانب الطرفي لم يعد يتحمل مجرد استدلال نموذج واحد، بل يتحمل نظامًا ذكيًا لا يمكن إيقافه بسهولة.
يجب أن يكون قادرًا على تشغيل نماذج كبيرة، ومعالجة سياقات طويلة، ومهام متعددة، واستدعاء الأدوات؛ يجب أن تكون الأداء كافيًا، مع عدم فقدان السيطرة على استهلاك الطاقة والتكلفة، كما يجب أن تواكب في نفس الوقت بيئة Runtime وأدوات التطوير وبيئة العوامل.
يحل النموذج الكبير على الحافة مشكلة ما إذا كان يمكن تثبيت النموذج على الجهاز، بينما يهدف الذكاء الاصطناعي القائم على الوكلاء إلى حل ما إذا كان يمكن للنموذج والذاكرة والأدوات والتطبيقات أن تعمل معًا على المدى الطويل داخل الجهاز.
لا يكفي تجميع NPU فقط
يجب إعادة تصميم وحدة المعالجة المركزية والذاكرة وطابق البرمجيات معًا
في الماضي، كان إضافة وحدة NPU إلى CPU أو SoC كافية لمنح الجهاز قدرات ذكاء اصطناعي مثل التعرف على الصوت ومعالجة الصور. لكن عندما تحول العامل_agent من ميزة إضافية إلى جوهر الجهاز، لم يعد مجرد زيادة القدرة الحسابية القصوى كافيًا.
السبب هو أن العامل ليس سلسلة استدلال عصبية ثابتة. الحساب المتوازي الضخم مناسب لมอบه إلى NPU، بينما تعتمد مهام تفكيك المهام، واتخاذ القرارات الشرطية، وجدولة النظام، واستدعاء الأدوات، ومعالجة الاستثناءات، والتعاون بين الأنظمة المتعددة بشكل كبير على CPU. كلما كانت مسارات المهام أكثر ديناميكية، أصبح التنسيق بين CPU وNPU أكثر أهمية.
لخص رئيس تنفيذي Acrab، كين فوا، هذا التغيير بقوله: "عاد CPU إلى مركز عصر الذكاء الاصطناعي مرة أخرى."
في رأيه، تدخل الذكاء الاصطناعي بيئة الحوسبة المتنوعة، حيث لا يعتمد الأداء فقط على أداء NPU، بل أكثر على قدرة CPU وNPU على التعاون بسلاسة.
هذا أيضًا أحد روابط الفريق القليلة التي تستحق التوسع في Acrab.
كين فوا قاد فريق هندسة التطبيقات في آسيا والمحيط الهادئ في Arm UK وشارك في صياغة استراتيجية الملكية الفكرية العالمية، ثم شغل منصب الرئيس التنفيذي المشترك لشركة Arm الصين.
لا تقتصر أهمية هذه التجربة على السيرة المهنية في الصناعة فحسب، بل تفسر لماذا أعادت هذه الشركة تعريف أحمال عمل الوكلاء من موقع تقاطع بنية CPU والحسبة غير المتجانسة ومتطلبات التطبيقات الحقيقية.
لا يُعرّف Acrab GΞLIX 1 كمعالج ذكاء اصطناعي تقليدي، بل كمنصة حوسبة لعصر الذكاء الاصطناعي على الحافة.
يُعتمد على GΞLIX 1 كأساس للجانب المادي؛ بينما يغطي الجانب البرمجي النماذج الكبيرة، وRuntime المُحسّن، وسلسلة الأدوات الكاملة، بالإضافة إلى طبقة ترتيب الوكلاء التي تربط النماذج والأدوات والأجهزة والخدمات؛ وعلى هذا الأساس، توفر الشركة تصاميم مرجعية للوكلاء موجهة للسيناريوهات النموذجية، لمساعدة المطورين وشركاء البيئة على بناء التطبيقات بشكل أسرع.
Agent Box هو أول ظهور كامل لهذا النظام البرمجي والعتادي. ويُعرَّف كمركز ذكاء اصطناعي شخصي، ويمكنه تشغيل نماذج بحجم تريليونات المعلمات محليًا، مع الحفاظ على القدرات الأساسية حتى بدون اتصال بالإنترنت.
يُستمد اسم Acrab من الحروف الأولى لكل من Agentic Compute و Reasoning و Action و Brain، وهو أيضًا اسم نظام نجمي متعدد النجوم في علم الفلك — تمامًا كما يعكس فلسفته التصميمية: جعل وحدات الحوسبة المختلفة تعمل بالتعاون، كنظام نجمي.
تهدف الشركة إلى تزويد الوكلاء بدماغ قادر على التفكير والعمل، وبناء منصة حوسبة من الجيل التالي.
تمتلك Acrab، التي يقع مقرها في سنغافورة، جمعت تمويلًا إجماليًا يتجاوز 3.5 مليار دولار، مع مستثمرين يشملون Vertex (祥峰投资)، منصة الاستثمار الجريء العالمية التابعة لتيماتشي، وK3 Ventures، مؤسسة سنغافورية معروفة للاستثمار التكنولوجي.
تم التحقق من منصتها الحاسوبية من الجيل الأول GΞLIX في بيئات نشر حقيقية ذات متطلبات صارمة، وهي الآن في طريقها إلى أول تبني صناعي وإنتاج على نطاق واسع.
يمكن أن يوفر التمويل وقتًا لإنجاز المشروع الكبير، لكن ما يحدد ما إذا كانت الخطة قابلة للتطبيق هو قدرة النظام على التسليم.
من هذا المنظور، فإن "عودة CPU إلى المركز" لا تعني أن NPU لم يعد مهمًا.
على العكس، فهذا يعني أن الحوسبة الخاصة بالذكاء الاصطناعي أصبحت معقدة لدرجة لا يمكن معها الاعتماد على مُسرّع واحد منعزل لحل جميع المشكلات.
Beyond 700 TOPS
يحدد التمهيد ومسار البيانات التجربة الحقيقية
في كثير من الأحيان، لا تكمن عقبة استدلال النماذج الكبيرة في عدم كفاية سرعة وحدات الحساب، بل في عدم قدرة البيانات على الوصول إلى وحدات الحساب في الوقت المناسب.
حتى لو كانت المعالجات الدقيقة تمتلك قوة حوسبة قصوى عالية، فإن NPU لا يزال يضطر إلى التوقف والانتظار إذا لم تكن عرض النطاق الترددي للذاكرة متوافقة.
سيقوم العميل بزيادة مشكلة نقل البيانات بشكل أكبر. فهو يحتاج إلى قراءة السجلات التاريخية بشكل متكرر، ونقل البيانات بين النماذج والبرمجيات المختلفة، وحفظ حالة المهمة باستمرار. كل نسخة تزيد من التأخير واستهلاك الطاقة، وكلما طال وقت تشغيل المهمة، زادت أهمية تصميم النظام.
يركز تصميم GΞLIX 1 على الاحتفاظ ببيانات النموذج بالقرب قدر الإمكان من وحدة الحساب، وتقليل نقل البيانات المتكرر بين CPU وNPU والذاكرة وأنظمة التشغيل المختلفة.
وفقًا للهيكل المُعلَن من قبل Acrab، يقدم GΞLIX 1 قوة معالجة ذكاء اصطناعي تزيد عن 700 TOPS وعرض نطاق ذاكرة موحد بـ 273 غيغابايت/ثانية، مع تكوين داخلي للرقاقة يشمل ذاكرة تخزين مؤقت L1 بسعة 8 ميغابايت، وذاكرة تخزين مؤقت L2 مشتركة بعرض نطاق 768 غيغابايت/ثانية، وأربعة نوى NPU متوازية، بالإضافة إلى وحدات تسريع مخصصة مصممة لحسابات Attention.
Acrab stated that the latter can increase the related computational efficiency by up to three times.
مخبأ أكبر على الشريحة يسمح بقرب البيانات الحيوية من وحدات الحساب؛ ومشاركة مخبأ L2 تمكن من مشاركة فعّالة للمعلمات والخصائص الوسيطة بين وحدات الحساب؛ بينما تقلل هندسة الذاكرة الموحدة من نسخ البيانات غير الضروري بين النموذج ونظام التشغيل والتطبيقات.
تستخدم Acrab أيضًا بنية ذاكرة موحدة متعددة الأنظمة، مما يسمح لأنظمة التشغيل المختلفة بمشاركة الذاكرة بكفاءة أعلى. بالنسبة للجهاز الذي يشغل نموذجًا واحدًا فقط، قد يكون هذا مجرد تحسين في الكفاءة؛ أما بالنسبة للوكلاء الذين يحتاجون إلى العمل باستمرار عبر التطبيقات والأدوات المختلفة، فسيؤثر هذا مباشرة على قدرة المهام على التقدم بسلاسة.
وهذا يفسر أيضًا لماذا جعلت Acrab ميزة Prefill في مركز الفعالية. غالبًا ما يحتاج الوكيل إلى معالجة المعلومات الجديدة مرة أخرى عند إدخال ملفات جديدة أو استعادة حالة المهمة أو تحديث السياق. وكلما طالت سلسلة المهام، زاد تأثير كفاءة Prefill على التجربة العامة.
في مجموعة من الاختبارات الذاتية التي أجرتها Acrab، حقق GΞLIX 1 سرعة إعداد أولي تزيد عن 1416 رمزًا في الثانية عند تشغيل نموذج Gemma بـ 26 مليار معلمة، باستخدام ذاكرة KV بحجم 40K ومدخلات بـ 10,000 رمز؛ وفي نفس الحمل، تفوق أداؤه على منصة سطح مكتب عامة شائعة بأكثر من 7 مرات.
كما قارن Acrab GΞLIX 1 مع منصة حسابات ذكاء اصطناعي مكتبية مماثلة ضمن إطار اختبار واحد.
تُظهر البيانات أن GΞLIX 1 دخل نطاق أداء مماثل في المؤشرين الأساسيين Pre-fill و Decode، مع استهلاك طاقة أقل وتكلفة إجمالية أكثر تنافسية.
يركز Acrab على Pre-fill ومسار البيانات، مما يعكس اتجاهًا منتجًا: لا يمكن للرقائق المخصصة للوكيل على الحافة أن تركز فقط على سرعة إخراج النموذج، بل يجب أن تحل أيضًا مشكلة قدرة النموذج على قراءة السياق الطويل بسرعة، واستعادة حالة المهمة، والبدء في العمل.
لن يهتم المستخدم بعدد طبقات التخزين المؤقت التي مرت بها سلسلة الاستدلال، ولن يتحقق من TOPS قبل كل تفاعل. ما يشعر به المستخدم حقًا هو ثلاث نقاط فقط: هل يمكنه فهم الأمر بسرعة؟ هل يمكنه التشغيل المستمر؟ وهل يمتلاكه يستحق التكلفة؟
من الرقاقة إلى المنصة
المنافسة الحقيقية خارج المعلمات
لم تتشكل بعد أشكال منتجات موحدة للحواسيب الوكلاء ومركز الذكاء الاصطناعي الشخصي والأجهزة الطرفية للشركات التي ظهرت في WAIC هذا العام.
تُركّز السيناريوهات المنزلية على الذكريات الشخصية والمحتوى والتكامل بين الأجهزة، بينما تُركز السيناريوهات المؤسسية على قاعدة المعرفة ومعالجة الملفات وأمان البيانات الداخلية. تختلف متطلبات العملاء بشكل كبير فيما يتعلق بحجم النموذج وسعة الذاكرة واستهلاك الطاقة والواجهات.
كلما زاد تشتت الوحدات النهائية، صعب على منصات الحوسبة إنشاؤها. من الصعب أن تغطي شريحة واحدة جميع السيناريوهات فقط من خلال المعلمات، بل يجب أيضًا توفير Runtime وتوافق النماذج وأدوات التطوير وإطار العمل Agent لمساعدة العملاء على تحويل قوة الحوسبة الأساسية إلى منتجات قابلة للتسليم.
هذا أيضًا سؤال إضافي يواجه رقاقة Agentic AI مقارنة برقاقات الاستدلال العادية: أداء الرقاقة يحدد ما إذا كان النموذج يمكن تشغيله، وطابق البرمجيات يحدد ما إذا كان المطورون يمكنهم استخدامه، وبيئة العوامل تحدد المهام التي يمكن للجهاز إنجازها في النهاية. أي نقص في أي طبقة قد يُبقي رقاقة ذات معلمات ممتازة في مرحلة العرض التوضيحي.
تسعى Acrab إلى السيطرة على جميع هذه المراحل في آنٍ واحد. الميزة هي تعريف المنتج أكثر اكتمالاً، والمخاطرة واضحة أيضاً: الجبهة طويلة.
يجب على الشرائح إثبات الأداء والاستقرار وقدرة التسليم على نطاق واسع، ويجب على طبقة برنامج التخزين مجاراة التحديثات السريعة للنماذج، كما يجب على طبقة ترتيب الوكلاء أن تكون متوافقة مع الأدوات والتطبيقات المتغيرة باستمرار. بعد الاحتفاظ بالملفات الشخصية والذاكرة الطويلة المدى محليًا، يجب أيضًا معالجة عزل الصلاحيات وأمان الإضافات ومراجعة العمليات بشكل متزامن.
لذلك، فإن قدرة Acrab على أن تصبح منصة حوسبة في عصر الذكاء الاصطناعي الوكيلي لا تُحدد بعدد التوكنات التي تُعرض أثناء العرض، ولا بعدد المهام التي يمكن لـ Agent Box عرضها.
التحقق الأكثر أهمية هو: هل يمكن للمطورين إنشاء منتجات بسرعة على هذه المنصة؛ هل يمكن تحقيق الأداء واستهلاك الطاقة والاستقرار في آنٍ واحد بعد عمل العامل لساعات متواصلة؛ وهل يمكن للبنية التحتية للبرمجيات والعتاد مواكبة التغييرات المستمرة في النموذج وإطار العامل.
الابتكار في التصميم يحدد الحد الأقصى لقدرات شركة الرقائق، بينما الهندسة والبيئة البيئية تحدد ما إذا كان هذا الحد الأقصى سيتحول إلى طلبات.
الظهور الكثيف للواجهات الجديدة على WAIC يشير إلى أن الصناعة تنتقل من "تشغيل النماذج الكبيرة" إلى "جعل الوكلاء يعملون باستمرار". المرحلة السابقة كانت تتنافس على قوة الحوسبة والذاكرة وحجم النموذج؛ المرحلة القادمة ستتطلب أيضًا حل مشكلات السياق الطويل، والذاكرة الشخصية، واستدعاء الأدوات، والتنسيق متعدد المهام.
Acrab تراهن على هذا التغيير بالضبط.
Agent Box ليس نقطة النهاية، بل اختبار عام لقدرات المنصة.
يحتاج رقاقة الطرف النهائي إلى "إعادة تصميم"، ليس لأن TOPS غير مهمة، بل لأن الوكلاء يحولون الحساب من أرقام ذروية إلى قدرة نظام تعمل على المدى الطويل. وستعتمد صحتها في النهاية على قدرة هذه الرقائق والبرمجيات والأجهزة على الدخول إلى سير العمل الحقيقي.