كيف تعمل نماذج الذكاء الاصطناعي الكبيرة مثل Claude وChatGPT وGemini داخل مراكز البيانات؟
حين تشغّل نموذجًا محليًا، فهو يعمل على بطاقة رسوميات واحدة بجهازك. أما نماذج Claude وChatGPT وGemini، فتعمل على آلاف المعالجات المترابطة داخل مراكز بيانات عالمية. نشرح هنا مسار سؤالك منذ النقر على "إرسال" حتى ظهور الإجابة كلمة بكلمة، وكيف يخدم النموذج ملايين المستخدمين في اللحظة ذاتها.


إذا جرّبت تشغيل نموذج ذكاء اصطناعي محليًا عبر أدوات مثل Ollama أو LM Studio، فالصورة واضحة: ملف أوزان ببضعة جيجابايتات، وبطاقة رسوميات واحدة، ومستخدم وحيد هو أنت. لكن ماذا يحدث حين تكتب سؤالك في Claude أو ChatGPT أو Gemini؟ أين يذهب هذا السؤال؟ هل تُخصَّص لك نسخة من النموذج؟ وإذا سأل شخص في الرياض وآخر في القاهرة في اللحظة ذاتها، هل يتحدثان إلى النموذج نفسه؟
الإجابة المختصرة: النموذج واحد، لكنه يمتلك نسخًا متطابقة عديدة. تعمل هذه النسخ على مجموعات ضخمة من المعالجات الموزعة في مراكز بيانات مختلفة. يُوجَّه طلبك إلى إحدى هذه النسخ لتخدمك مع مئات المستخدمين الآخرين في الوقت نفسه، دون أن تتداخل المحادثات. نشرح في هذا المقال تفاصيل هذه العملية خطوة بخطوة.
لماذا لا يكفي جهاز واحد لتشغيل نموذج بحجم Claude؟
النموذج اللغوي أساسًا هو ملف ضخم من الأرقام المعروفة باسم "الأوزان" أو "المعاملات" (Parameters). يحتاج كل معامل مساحة في الذاكرة. فمثلًا، نموذج مفتوح مثل Llama 3 بحجم 70 مليار معامل يتطلب نحو 140 جيجابايت بدقة FP16 (بايتان لكل معامل). في المقابل، توفر أقوى بطاقات الرسوميات للمستهلكين بين 24 و32 جيجابايت فقط. لذا، تعمل النماذج المحلية غالبًا بنسخ مضغوطة (Quantized) وأصغر حجمًا.
أما النماذج الرائدة مثل Claude وGPT وGemini، فيُقدَّر حجمها بمئات المليارات أو حتى تريليونات المعاملات (لا تعلن الشركات عن الأرقام الدقيقة). للمقارنة، يحتاج نموذج Llama 3.1 المفتوح بحجم 405 مليارات معامل إلى 810 جيجابايت تقريبًا بدقة FP16. ويحتوي نموذج DeepSeek-V3 على 671 مليار معامل. ورغم ذلك، يحمل أقوى معالج في مراكز البيانات مثل NVIDIA H100 نحو 80 جيجابايت فقط. النتيجة إذن: لا يتسع النموذج لمعالج واحد، بل يُقسَّم على معالجات عدة تعمل معًا كجهاز واحد.

العتاد: ليس سيرفرات عادية بل "خزائن" تعمل كمعالج واحد
لم يعد الخادم المنفرد (Server) هو الوحدة الأساسية في مراكز البيانات الحديثة، بل حلت مكانه الخزانة الكاملة (Rack). وتتصدر المشهد ثلاثة أنواع من المعالجات:
- معالجات NVIDIA الرسومية (GPU): مثل H100 وB200. يضم نظام GB200 NVL72 مثلًا 72 معالج Blackwell داخل خزانة واحدة مبرّدة بالسوائل. تبلغ ذاكرتها الإجمالية نحو 13.8 تيرابايت، وتعمل جميعها كمسرّع واحد ضخم.
- معالجات Google TPU: شرائح مخصصة لحسابات نماذج Transformer. تُجمع في "كبسولات" (Pods) تضم مئات أو آلاف الشرائح المترابطة بشبكة ضوئية خاصة. ويعتمد عليها نموذج Gemini أساسًا.
- معالجات AWS Trainium: شرائح طورتها أمازون. وقد ذكرت Anthropic في تقرير هندسي أنها تشغّل نموذج Claude على ثلاث منصات بالتوازي: AWS Trainium وNVIDIA GPU وGoogle TPU.
الذاكرة عالية النطاق (HBM): عنق الزجاجة الحقيقي
لا تعتمد سرعة تشغيل النماذج على قوة المعالجة وحدها، بل على سرعة قراءة الأوزان من الذاكرة. فالمعالج يحتاج إلى قراءة أوزان النموذج بالكامل تقريبًا لتوليد كلمة واحدة. لذلك تُدمج ذاكرة HBM فوق المعالج مباشرة لتوفير سرعة نقل تبلغ عدة تيرابايتات في الثانية، متجاوزة سرعة حواسيبنا العادية بعشرات المرات.
الشبكات: كيف "تتكلم" المعالجات مع بعضها
عند تقسيم النموذج، تحتاج المعالجات إلى تبادل النتائج آلاف المرات في الثانية. تُستخدم وصلات NVLink فائقة السرعة داخل الخزانة الواحدة (تبلغ 1.8 تيرابايت في الثانية لكل معالج في الجيل الأحدث). أما للربط بين الخزائن، فتُستخدم شبكات InfiniBand أو Ethernet عالية السرعة.
مرّر أفقيًا لعرض جميع الأعمدة
| المنصة | عدد المعالجات في الوحدة | ذاكرة كل معالج | تقنية الربط |
|---|---|---|---|
| NVIDIA HGX H100 | 8 في السيرفر | 80 جيجابايت HBM3 | NVLink 4 (900 جيجابايت/ث) |
| NVIDIA GB200 NVL72 | 72 في الخزانة | 192 جيجابايت HBM3e | NVLink 5 (1.8 تيرابايت/ث) |
| Google TPU v6e | 256 في الكبسولة | 32 جيجابايت HBM | شبكة ICI ضوئية |
كيف يُقسَّم النموذج على المعالجات؟
توجد ثلاث طرق رئيسية لتقسيم النموذج، وغالبًا ما تُدمج معًا في بيئات الإنتاج الفعلية:
- التوازي الموتّري (Tensor Parallelism): تُقسَّم كل طبقة في النموذج أفقيًا. ينفذ كل معالج جزءًا من العملية الحسابية، ثم تُدمج النتائج. يتطلب هذا الأسلوب اتصالًا فائق السرعة، لذا يُطبق حصرًا داخل الخزانة الواحدة.
- التوازي الأنبوبي (Pipeline Parallelism): تُوزَّع طبقات النموذج بالتسلسل. تعمل الطبقات الأولى على مجموعة معالجات، والطبقات التالية على مجموعة أخرى، ليُشكل ذلك ما يشبه خط الإنتاج في المصانع.
- توازي الخبراء (Expert Parallelism): تُبنى نماذج حديثة كثيرة بأسلوب "خليط الخبراء" (Mixture of Experts). يتكون النموذج هنا من عشرات الشبكات الفرعية المتخصصة، ولا يُفعَّل منها لكل كلمة سوى عدد قليل. في نموذج DeepSeek-V3 مثلًا، يعمل 37 مليار معامل فقط للكلمة الواحدة من أصل 671 مليارًا. تُوزَّع هذه الشبكات (الخبراء) على معالجات متعددة، وتُوجَّه كل كلمة للخبراء المناسبين لها.
مرّر أفقيًا لعرض جميع الأعمدة
| الطريقة | ماذا يُقسَّم | أين تعمل عادة | التحدي الأساسي |
|---|---|---|---|
| التوازي الموتّري | داخل كل طبقة | داخل الخزانة (NVLink) | سرعة الاتصال |
| التوازي الأنبوبي | الطبقات بالتتابع | بين السيرفرات | فترات انتظار بين المراحل |
| توازي الخبراء | الشبكات الفرعية المتخصصة | داخل الخزانة وبينها | توزيع الحمل على الخبراء |
تُسمى مجموعة المعالجات التي تضم نسخة كاملة من النموذج باسم "نسخة الخدمة" (Replica). وهذا يقودنا إلى سؤالك الأهم.
رحلة سؤالك: من الضغط على "إرسال" حتى ظهور الإجابة

- الاتصال المشفّر والتحقق: ينطلق سؤالك من جهازك باتصال مشفر (HTTPS) نحو أقرب نقطة دخول للشركة. وتجري هناك عملية التحقق من حسابك أو مفتاح واجهة المبرمجين (API) الخاص بك.
- حدود الاستخدام: تتأكد بوابة الواجهة من عدم تجاوزك للحصة المقررة. تُحسب هذه الحصص عادةً بناءً على "التوكنات" وليس عدد الطلبات فحسب. وفي أوقات الضغط العالي، قد تظهر لك رسالة "الخدمة مشغولة" أو الخطأ رقم 429.
- تحويل النص إلى توكنات (Tokenization): يُقسَّم نصك إلى وحدات صغيرة تُعرف بالتوكنات. يتحول كل توكن إلى رقم، فالنموذج لا يقرأ الحروف بل هذه الأرقام.
- التوجيه لنسخة النموذج: يحدد موزّع الأحمال (Load Balancer) نسخة متطابقة من النموذج لاستقبال طلبك. تعتمد الخيارات على المنطقة الجغرافية، وحجم الضغط، وطول المحادثة. وأحيانًا تُوجَّه المحادثة لنسخة تحتفظ بأجزاء سابقة منها في ذاكرتها.
- مرحلة القراءة (Prefill): تقرأ النسخة سؤالك كاملًا مع سجل المحادثة دفعة واحدة. تستهلك هذه المرحلة قدرة حسابية عالية، وتحدد مدتها فترة انتظارك قبل ظهور الكلمة الأولى.
- مرحلة التوليد (Decode): يبدأ النموذج بإنتاج الإجابة توكنًا بعد الآخر، حيث تعتمد الكلمة الجديدة على الكلمات السابقة. ترتبط سرعة هذه المرحلة بسرعة الذاكرة أكثر من القدرة الحسابية.
- البث المباشر (Streaming): يُحوَّل كل توكن فور توليده إلى نص ويُرسل إليك مباشرة. لهذا السبب، تلاحظ كتابة الإجابة أمامك كلمة بكلمة بدلاً من ظهورها دفعة واحدة.
معلومة مهمة: النموذج لا "يتذكرك" بين رسالة وأخرى
لا يمتلك النموذج ذاكرة دائمة تربط بين الطلبات. فحين تكتب رسالة جديدة، يُرسل التطبيق سجل المحادثة كاملًا (أو ملخصًا عنه) برفقة رسالتك ليقرأه النموذج مجددًا. ولهذا، قد تُوجَّه رسالتك الثانية إلى نسخة مختلفة تمامًا عن الأولى دون أن تشعر بالفرق. ولتسريع هذه العملية، تحتفظ الأنظمة مؤقتًا بالحسابات المرتبطة ببداية المحادثة (Prefix Caching)، وتسعى لتوجيه رسائلك المتتالية للنسخة ذاتها للاستفادة من هذا التخزين.
هل تتحدث أنت وغيرك مع النموذج نفسه؟
الإجابة هي نعم ولا. الأوزان واحدة: فالمستخدمون يتعاملون مع النموذج نفسه والأرقام ذاتها. وهي أوزان مخصصة للقراءة فقط ولا تتأثر بمحادثتك. في المقابل، النسخ متعددة: تشغّل الشركة مئات أو آلاف النسخ المتطابقة من النموذج، وتوزعها على خزائن ومراكز بيانات في مناطق مختلفة حول العالم. تُشغَّل نسخ إضافية مع زيادة الضغط، وتُحوَّل المعالجات لمهام أخرى متى انخفض الاستخدام.

قد تُجهَّز النسخ لأغراض مختلفة. نشرت شركة Anthropic تقريرًا هندسيًا في سبتمبر 2025 يناقش ثلاثة أعطال أثرت على جودة نموذج Claude. وأوضح التقرير أن النظام وجَّه بعض الطلبات القصيرة بالخطأ إلى خوادم مخصصة لنافذة سياق بحجم مليون توكن. وكان هذا التوجيه "لاصقًا"، بمعنى أن المستخدم الذي نُقل طلبه للمجموعة الخاطئة استمر فيها خلال رسائله اللاحقة. هذا المثال الواقعي يؤكد أن خلف الواجهة البسيطة تعمل مجموعات ضخمة من الخوادم تديرها أنظمة توجيه معقدة لتحديد مسار كل طلب.
كيف تخدم نسخة واحدة مئات المستخدمين في اللحظة نفسها؟
ستكون التكلفة خيالية لو خصصنا نسخة لكل مستخدم على حدة. يكمن الحل في نظام التجميع (Batching). يُدمج النظام طلبات عشرات أو مئات المستخدمين في دفعة واحدة. فقراءة الأوزان من الذاكرة مرة واحدة لتلبية مئة مستخدم تُعد أسلوبًا أعلى كفاءة من قراءتها مئة مرة منفصلة.

- التجميع المستمر (Continuous Batching): لا ينتظر النظام انتهاء كافة طلبات الدفعة، بل يخرج الطلب المكتمل فورًا ليحل محله طلب جديد. تعتمد محركات مثل vLLM وSGLang وTensorRT-LLM على هذه التقنية.
- ذاكرة المحادثة (KV Cache): العنصر الوحيد المخصص لك داخل النسخة هو "ذاكرة المحادثة المؤقتة". تحتفظ هذه الذاكرة بنتائج الحسابات السابقة لمنع النموذج من إعادة قراءة السجل بالكامل عند توليد الكلمات. وتستهلك مساحة كبيرة. ففي نموذج بـ 70 مليار معامل، تستهلك محادثة بطول 8 آلاف توكن نحو 2.7 جيجابايت. وإذا خدمت النسخة 64 مستخدمًا متزامنًا، فستتجاوز حاجتها 170 جيجابايت لتشغيل هذه الذاكرة فقط.
- إدارة الذاكرة بالصفحات (PagedAttention): تقنية مستوحاة من أنظمة التشغيل، تعمل على تقسيم ذاكرة المحادثات إلى صفحات صغيرة بدلًا من حجز مساحات ضخمة متصلة لكل مستخدم. يتيح ذلك للمعالج استيعاب عدد أكبر من المحادثات.
- العزل بين المستخدمين: تُعزل ذاكرة كل محادثة عن البقية كليًا. وإذا تضمنت عدة طلبات جزءًا ثابتًا مشتركًا (مثل تعليمات النظام)، يُخصص هذا الجزء للقراءة فقط، بينما يُحفظ نصك الجديد في مساحة مستقلة خاصة بك.
فصل القراءة عن التوليد
تتطلب مرحلة القراءة قدرة حسابية كبيرة، بينما تحتاج مرحلة التوليد لسرعة عالية في الذاكرة. لهذا السبب، اتجهت الأنظمة الحديثة لفصل المرحلتين. تتولى مجموعة معالجات قراءة الأسئلة، ثم تنقل "ذاكرة المحادثة" عبر الشبكة إلى مجموعة أخرى تتفرغ لعملية التوليد. يُسهم هذا النهج في تقليل أوقات الانتظار ومضاعفة عدد المستخدمين ضمن الخزانة الواحدة.
الكهرباء والتبريد: الوجه الخفي لكل إجابة
تستهلك خزانة GB200 NVL72 الواحدة نحو 120 كيلوواط من الطاقة، وهو ما يعادل استهلاك عشرات الخزائن في مراكز البيانات القديمة. ولم يعد التبريد الهوائي مجديًا هنا، لذا تُثبت ألواح تبريد سائل مباشرة على المعالجات، وتُستخدم دوائر مغلقة لتصريف الحرارة نحو أنظمة المياه بالمركز. ولهذا السبب، تفضّل شركات الذكاء الاصطناعي بناء مراكزها بالقرب من مصادر الطاقة العالية. وتتفاوت تكلفة كل إجابة وفقًا لحجم النموذج وطول كل من السؤال والرد.
مرّر أفقيًا لعرض جميع الأعمدة
| ما يحدث على جهازك | ما يحدث في مركز البيانات |
|---|---|
| نموذج مضغوط في بطاقة رسوميات واحدة | نموذج كامل مقسّم على 8 إلى 72 معالجًا أو أكثر |
| مستخدم واحد | مئات المستخدمين لكل نسخة، وآلاف النسخ |
| بلا شبكة | شبكات بسرعة تيرابايتات في الثانية |
| مروحة تبريد | تبريد سائل وأنظمة طاقة بمئات الكيلوواطات |
| خصوصية كاملة على جهازك | بياناتك تمر بخوادم المزوّد وفق سياساته |
ماذا يعني هذا لصاحب العمل؟
يساعدك فهم هذه البنية التحتية في اتخاذ قرارات صائبة عند دمج الذكاء الاصطناعي ضمن منتجاتك ومواقعك:
- الاعتماد على واجهة برمجة تطبيقات (API) جاهزة: توفر لك خدمات Anthropic أو OpenAI أو Google وصولًا لأقوى النماذج، وتجنبك تكاليف الاستثمار في العتاد، فمحاسبتك تعتمد على الاستخدام الفعلي.
- سرعة الاستجابة: تعتمد السرعة على المسافة بين عملائك وأقرب مركز بيانات، وعلى حجم المحتوى المُرسل. لذا، يُنصح بتقليل السياقات الزائدة واستغلال ميزة التخزين المؤقت للتعليمات الثابتة.
- حدود الاستخدام: هي قيود فعلية. يجب أن يتضمن تطبيقك آلية ذكية لمعالجة رسائل انشغال الخدمة وإعادة المحاولة التلقائية.
- النماذج المحلية والمستضافة ذاتيًا: تمثل الخيار الأمثل حين تصبح خصوصية البيانات هي الأولوية، لكنها تتطلب التنازل عن حجم النموذج أو تحمل تكاليف عتاد مرتفعة.
نحن في Webdivs ندعم الشركات في مصر والخليج لدمج تقنيات الذكاء الاصطناعي عمليًا داخل المواقع والتطبيقات. نقدم خدمات شاملة تبدأ باختيار النموذج الأنسب وربطه عبر واجهات API، وتصل إلى تطوير مساعدين أذكياء يتقنون العربية لخدمة عملائك على مدار الساعة.
المصادر
- Anthropic Engineering: A postmortem of three recent issues (سبتمبر 2025)
- NVIDIA: GB200 NVL72 (مواصفات رسمية)
- vLLM: Efficient Memory Management for LLM Serving with PagedAttention
- DeepSeek-V3 Technical Report
- Redis: Prefill vs Decode
- بحث معمّق أُجري عبر Google NotebookLM شمل 32 مصدرًا تقنيًا وأكاديميًا
الأسئلة الشائعة حول الموضوع
إجابات عملية وسريعة تلخص أهم النقاط
لا. توجد نسخ متطابقة كثيرة من النموذج، وتخدم النسخة الواحدة مئات المستخدمين معًا. الجزء الوحيد المخصص لك هو الذاكرة المؤقتة لمحادثتك.
لا تتأثر أوزان النموذج أثناء المحادثات. يكتفي النموذج بقراءة سجل المحادثة المرفق مع كل رسالة. أما مسألة استخدام محادثاتك لتدريب إصدارات لاحقة فتتبع سياسات كل شركة وخيارات الخصوصية في حسابك.
يُنتج النموذج نصوصه توكنًا تلو الآخر. ويُبث كل توكن إليك فور إنتاجه مباشرة، بدلًا من تأخير العرض لحين اكتمال النص المولد.
يرجع ذلك لمحدودية المعالجات المتاحة في لحظة معينة. وعندما تتجاوز الطلبات القدرة الاستيعابية، تلجأ الأنظمة لرفض بعضها مؤقتًا أو تأخيرها لضمان استقرار الخدمة.
لا. فالنماذج الرائدة مثل Claude وGPT وGemini لا تدعم التشغيل المحلي، وتتطلب أحجامها الضخمة عشرات المعالجات المتخصصة. لكن يمكنك الاستعانة بنماذج مفتوحة المصدر وصغيرة الحجم مثل Llama أو Qwen أو Gemma وتشغيلها عبر أجهزة قوية.
مقالات أخرى قد تهمك
تصفح كافة المقالات
أمان وعزل بيئات وكلاء الذكاء الاصطناعي (AI Sandboxing): المعمارية الأمنية لحماية السيرفرات والشبكات الداخلية 2026
دليل الأمن السيبراني المتقدم لحماية الخوادم والبيئات المؤسسية عند تشغيل وكلاء أذكياء بصلاحيات تنفيذ الأوامر: العزل عبر MicroVMs، إغلاق مسارات الهروب الشبكي (Egress)، وتطبيق بوابات الموافقة البشرية الصارمة.

دليل معمارية بوابات الذكاء الاصطناعي (AI Gateway): إدارة التكاليف، أمان المفاتيح، وتوجيه النماذج للشركات 2026
دليل عملي للمدراء التقنيين وفرق الـ DevOps: كيف تبني وتعتمد بوابة مركزية للذكاء الاصطناعي لحماية مفاتيح الـ API، وتوجيه الطلبات تلقائياً بين المزودين، وخفض فواتير الاستهلاك عبر التخزين الدلالي (Semantic Caching).
هل ترغب في تطبيق هذه الحلول في مشروعك؟
تواصل مع خبرائنا لمناقشة أفكارك وتحويلها إلى حلول رقمية ناجحة.
تواصل مع فريقنا الآن