تعمل وحدات معالجة الموتر من Google الآن داخل مراكز بيانات Meta، وفقًا لتقرير صادر عن Tom's Hardware نُشر في 22 أكتوبر 2026 - وهي المرة الأولى التي تبيع فيها Google شرائح الذكاء الاصطناعي المخصصة الخاصة بها إلى عميل خارجي كأجهزة منشورة وليس من خلال السحابة الخاصة بها. تمثل هذه الخطوة تحولًا تاريخيًا في سوق أجهزة الذكاء الاصطناعي، حيث كانت وحدات معالجة الرسوميات من Nvidia منذ فترة طويلة هي الخيار الافتراضي للتدريب وخدمة النماذج الكبيرة.
لسنوات، كان الافتراض في الصناعة هو أن النظام البيئي لبرنامج CUDA الخاص بشركة Nvidia جعل وحدات معالجة الرسومات الخاصة بها غير قابلة للاستبدال، حتى مع ظهور البدائل. ويتم الآن اختبار هذا الافتراض من قبل الشركتين الأكثر قدرة على كسره. تُظهر هذه الصفقة، التي تأتي على رأس إنفاق Meta الهائل على البنية التحتية للذكاء الاصطناعي في هذا الربع، مدى جدية سعي المتوسعين الفائقين إلى تحقيق استقلالية الحوسبة - وهي قصة يمكنك متابعتها بمزيد من التعمق مع أحدث تطورات الذكاء الاصطناعي التي تتم تغطيتها يوميًا على صفحتنا الرئيسية على aibuzzwire.news.
من TorchTPU إلى الفولاذ والسيليكون
لقد تم وضع الأساس لهذه اللحظة علناً قبل يومين فقط. في 20 أكتوبر، أعلنت Google وMeta بشكل مشترك عن TorchTPU مفتوحة المصدر، وهي واجهة PyTorch الخلفية الأصلية لوحدات TPU الخاصة بشركة Google، والتي تم الإعلان عنها على مدونة PyTorch الرسمية بواسطة فريق TorchTPU. بدأ المشروع في Google في منتصف عام 2025 بالتعاون مع فريق Meta's PyTorch، وهو يفعل شيئًا لم تتم إدارته بشكل نظيف من قبل أي جهد سابق: فهو يتيح تشغيل أعباء عمل PyTorch الحالية على وحدات TPU مع تغيير بسيط في التعليمات البرمجية، حيث يتم بشكل أساسي تبديل `.to("cuda")` بـ `.to("tpu"`).
وهذا مهم لأن محاولة Google السابقة، PyTorch/XLA، التي تم إطلاقها في عام 2020، تطلبت تعديلات متطفلة على كود المصدر، وعانت من أوقات الترجمة الطويلة، وافتقرت إلى دعم وضع التنفيذ الأصلي لـ PyTorch. انتهى الأمر بالعديد من الفرق التي جربت استخدام وحدات معالجة الرسومات (TPU) بالعودة إلى وحدات معالجة الرسوميات من Nvidia ببساطة لأن تجربة المطورين كانت مؤلمة للغاية. تم تصميم TorchTPU بشكل صريح لإصلاح ذلك، مع عدم وجود تبعيات JAX في وقت التشغيل وتكامل torch.compile المبني على Torch Dynamo بدلاً من نهج Lazy Tensor الأقدم.
ما الذي يتم الحصول عليه من Meta الصفقة
إن النتائج التقنية التي نشرتها شركتا Google وMeta جديرة بالملاحظة. وفقًا للتفاصيل التي أوردتها Yahoo Tech، تم التحقق من صحة مكدس TorchTPU مقابل 5000 نموذج Hugging Face، ويوفر وضع تنفيذ DeferAndFuse من Google مكاسب في الأداء بنسبة 50 بالمائة أو أكثر من التنفيذ الصارم الصارم. تُظهر دراسات الحالة الخاصة بالموردين أن نموذج Meta's Llama 3 405B يصل إلى 57 بالمائة من استخدام نموذج FLOPs في مجموعات من 128 إلى 1,024 من وحدات Ironwood TPU - وهي أرقام تشير، على الرغم من الإبلاغ عنها ذاتيًا، إلى أن الرقائق يمكنها تشغيل أعباء عمل تدريبية على نطاق حدودي بكفاءة.
الاقتصاد هو القصة الأكبر. يشاع منذ فترة طويلة أن تكلفة وحدات معالجة الرسومات (TPU) أقل بكثير من وحدات معالجة الرسوميات المتطورة من Nvidia، كما أن الشركة التي تتمتع بشهية Meta للحوسبة - والتي تغطي طموحاتها البحثية في مجال الذكاء الاصطناعي وأنظمة التوصية الخاصة بها - لديها كل الحوافز للتنويع بعيدًا عن مورد واحد. ذكرت بلومبرج منذ نوفمبر 2025 أن ميتا وجوجل كانا يناقشان نشر وحدات المعالجة الحرارية (TPU) في مراكز بيانات ميتا، وأبلغت رويترز عن التعاون بشأن TorchTPU في ديسمبر 2025. ما تغير الآن هو أن الصفقة انتقلت من المناقشة إلى النشر، حيث أفادت شركة Tom's Hardware أن الرقائق مثبتة فعليًا وتعمل في مرافق Meta.
صدع في درع نفيديا
لا تزال Nvidia تسيطر على الأغلبية الساحقة من سوق مسرعات الذكاء الاصطناعي، ولا تزال إيرادات مركز البيانات الخاصة بها هي المعيار الذي يسعى إليه كل منافس. لكن الديناميكيات تتغير. كما ذكرت TechCrunch في تغطيتها لإطلاق TorchTPU، انضمت Google إلى Amazon في مهاجمة معقل Nvidia على طبقة البرامج التي تبقي المطورين مرتبطين بأجهزتها. في هذه الأثناء، تكتسب شركة Meta نفوذًا تفاوضيًا: كل حامل TPU تقوم بتثبيته هو عبارة عن مجموعة من وحدات معالجة الرسومات التي لم يكن من الضروري شراؤها بسعر Nvidia.
الضغط يأتي من اتجاهات متعددة في وقت واحد. تمتلك أمازون رقائق Trainium الخاصة بها، وتمتلك Google رقائق TPU، وتقوم موجة من الشركات الناشئة ببناء مسرعات خاصة بالاستدلال. ما يجعل نشر Meta مختلفًا هو الحجم والرؤية. تعد Meta واحدة من أكبر عملاء Nvidia، وإذا توصلت فرقها الهندسية إلى أن وحدات TPU يمكن أن تحمل حصة كبيرة من أعباء العمل التدريبية والاستدلالية، فإن المشترين الكبار الآخرين سيولون اهتمامًا وثيقًا.
المحاذير
لا شيء من هذا يعني أن موقف نفيديا ينهار بين عشية وضحاها. تحذر مدونة PyTorch نفسها من أنه على الرغم من أن النماذج قد تنفد من الصندوق على وحدات TPU، إلا أن تحقيق أعلى أداء لا يزال يتطلب تحسينًا مدركًا للأجهزة، لأن أشكال النماذج واستراتيجيات التجزئة وتطبيقات kernel يتم ضبطها عادةً لتناسب بنيات وحدة معالجة الرسومات. تختلف مجموعة تعليمات TPU عن مجموعة Nvidia، ويظل النظام البيئي للأدوات والمكتبات والمهندسين ذوي الخبرة مرتكزًا بشكل كبير على وحدة معالجة الرسومات.
هناك أيضا مسألة العرض. لقد احتفظت Google تاريخيًا بوحدات TPU لأحمال عملها الداخلية وعملائها السحابيين، كما أن القدرة على تصنيع المسرعات المخصصة ليست غير محدودة. ما إذا كانت Google قادرة أو راغبة في توفير وحدات TPU على نطاق مفيد لإجمالي البصمة الحسابية لشركة Meta - والتي تتضاءل أمام معظم الشركات - يبقى سؤالًا مفتوحًا.
ما يجب مشاهدته بعد ذلك
الإشارات المباشرة التي يجب مراقبتها هي ما إذا كانت شركات التوسعة الفائقة الأخرى تتبع خطى Meta، وكيف تستجيب Nvidia للتسعير، وما إذا كان زخم TorchTPU مفتوح المصدر يترجم إلى ترحيل حقيقي لأحمال عمل PyTorch إلى البنية التحتية لـ TPU. لقد كان سوق أجهزة الذكاء الاصطناعي ينتظر سنوات للحصول على بديل موثوق لـ Nvidia في الطرف العلوي. ومع تشغيل وحدات TPU الآن في مراكز بيانات تابعة لشركة ثانية، فقد يكون هذا الانتظار قد انتهى أخيرًا.
البقاء في صدارة الذكاء الاصطناعي
يتسارع سباق أجهزة الذكاء الاصطناعي بسرعة، ويتم الآن تحديد الفائزين والخاسرين في العقد المقبل. ابق في صدارة الذكاء الاصطناعي من خلال تغطية مستقلة للرقائق والنماذج والصفقات التي تعيد تشكيل الصناعة.
اقرأ المزيد من أخبار الذكاء الاصطناعي →
