الاختناق الحقيقي للبنية التحتية للذكاء الاصطناعي: نقل البيانات وليس قوة معالجة GPU

عندما تنتظر وحدات معالجة الرسومات (GPU) البيانات، فإن استثمارات القدرة الحاسوبية تُهدر

على مدار الـ 18 شهرًا الماضية، قامت الشركات بشراء وحدات معالجة رسومات (GPU) بشكل مكثف، وتدريب نماذج كبيرة، ونشر أدوات الذكاء الاصطناعي. ومع ذلك، عند الانتقال من التجارب إلى الإنتاج، يزداد الضغط على عائد الاستثمار (ROI). يشير تقرير IDC لعام 2025 إلى أن المؤسسات تتحول من عمليات نشر الذكاء الاصطناعي لمرة واحدة إلى بنى إنتاجية قابلة للتكرار والتوسع، حيث أصبح الأداء والأمان والموثوقية والاتساق التشغيلي بنفس أهمية ابتكار النماذج.

لكن العديد من الشركات تكتشف أن السبب الجذري لضعف أداء مشاريع الذكاء الاصطناعي ليس نقص القدرة الحاسوبية، بل عدم كفاءة نقل البيانات. تعمل وحدات معالجة الرسومات (GPU) باهظة الثمن في حالة خمول مستمر أثناء انتظار البيانات، حيث تصل تكلفة كل ثانية من الخمول إلى عدة دولارات. يُظهر تحليل انقطاعات Uptime Institute لعام 2025 أن أكثر من نصف المؤسسات تكبدت تكاليف انقطاع تتجاوز 100 ألف دولار للانقطاع الأكثر خطورة، وخمسها تجاوز مليون دولار - وغالبًا ما ينشأ الانقطاع عن ازدحام مسار البيانات.

نموذج الجبل الجليدي: 90% من البنية التحتية المهملة

يشبه نيراف شاه، نائب الرئيس الأول للتسويق في F5 المنتجات، البنية التحتية للذكاء الاصطناعي بنموذج الجبل الجليدي: فوق السطح توجد نماذج اللغات الكبيرة (LLM) وتطبيقات الذكاء الاصطناعي وأطر العمل التنظيمية ومجموعات وحدات معالجة الرسومات (GPU) باهظة الثمن - وهي الـ 10% التي تجذب معظم الاستثمارات؛ بينما تحت السطح توجد التخزين والشبكات وإدارة حركة المرور وضوابط الأمان والأنظمة المسؤولة عن نقل البيانات - وهي الـ 90% التي تحدد ما إذا كان الاستثمار سيحقق قيمة حقيقية.

تعتمد أنظمة الذكاء الاصطناعي الحديثة على كميات هائلة من البيانات غير المنظمة، المخزنة في أنظمة تخزين كائنات متوافقة مع S3. تتطلب أحمال عمل التدريب والضبط الدقيق (Fine-tuning) واسترجاع المعلومات المعزز (RAG) والاستدلال (Inference) تدفقًا مستمرًا للبيانات بين التخزين وبيئة وحدات معالجة الرسومات (GPU). عندما تصبح خطوط الأنابيب محدودة، ينخفض استخدام وحدات معالجة الرسومات (GPU) بشكل حاد. يشير شاه: "تبدو الأعراض وكأنها مشكلة حسابية، لكن الجذر غالبًا هو جوع البيانات".

على عكس التطبيقات المؤسسية التقليدية، تعمل أحمال عمل الذكاء الاصطناعي على تضخيم نقاط الضعف الصغيرة في البنية التحتية. فارتفاع زمن الانتقال (Latency spike) أو انسداد الإنتاجية أو ارتفاع حركة المرور الذي لا يُلاحظ في بيئة عادية، ينتج عنه تأثير غير متناسب في سيناريوهات الذكاء الاصطناعي.

من الاقتران المحكم إلى الاقتران الفضفاض: تغيير البنية يدفع نحو المرونة

ينشأ الاختناق الحالي من قرارات بنيوية سابقة على ظهور الذكاء الاصطناعي. تاريخيًا، كانت المؤسسات تربط التطبيقات مباشرة ببيئة التخزين، مما كان بسيطًا وفعالًا. لكن على نطاق الذكاء الاصطناعي، يتحول هذا البساطة إلى عائق. تضطر أنظمة التخزين إلى معالجة مهام ليست من اختصاصها: إنهاء الاتصالات المشفرة، إدارة حركة مرور الشبكة، تنفيذ سياسات الأمان، ومعالجة عدد كبير من طلبات الذكاء الاصطناعي الموزعة. كل معاملة مشفرة تستهلك وحدة المعالجة المركزية (CPU)، وكل اتصال ينتج عنه عبء، وكل ذروة في حركة المرور تضغط إضافيًا على نظام التخزين.

الحل هو الانتقال إلى بنية اقتران فضفاض: إدراج وحدة تحكم في توصيل التطبيقات (ADC) بين الحوسبة والتخزين، كطبقة تحكم ذكية. تصبح ADC البوابة الأمامية للتخزين، حيث تتعامل مع إنهاء TLS وإدارة الشهادات وتحسين حركة المرور وتنفيذ السياسات ومعالجة S3 الواعية بالبروتوكول. من خلال نقل وظائف الشبكة والتشفير إلى بنية تحتية مخصصة، يمكن لنظام التخزين التركيز على تقديم البيانات. وفي الوقت نفسه، يمكن ترقية بيئة التخزين أو توسيعها أو ترحيلها دون إجبار التطبيقات على التغيير، مما يحقق مرونة تشغيلية.

الطبقة الوسطى لم تعد مجرد "قفزة إضافية": ADC تحسن الأداء لا تضعفه

في الماضي، كانت فرق البنية التحتية تتعامل مع أي طبقة إضافية في مسار البيانات بريبة، معتبرة أن كل مكون يزيد من زمن الانتقال.## لم تعد الطبقة الوسطى مجرد "قفزة إضافية": ADC يحسن الأداء بدلاً من تقليله

في الماضي، كانت فرق البنية التحتية متشككة في أي طبقة إضافية في مسار البيانات، معتبرة أن كل مكون يزيد من زمن الاستجابة. تتحدى البنية التحتية للذكاء الاصطناعي هذا الافتراض. أظهرت اختبارات مستقلة من SecureIQLab تقييم تأثير وضع ADC أمام التخزين الكائني للمؤسسات، مما أظهر خسارة ضئيلة في الإنتاجية، وفي ظل ظروف الشبكة الفعلية، غالباً ما تكون إنتاجية حركة المرور المدارة عبر طبقة التحكم أفضل. السبب هو أن ADC لا يمرر حركة المرور فحسب، بل يعمل على تحسين الاتصالات وإدارة البروتوكولات وتفريغ عمليات التشفير وتوجيه الطلبات بذكاء، مما يساعد مسار البيانات على العمل بكفاءة أكبر.

دراسة حالة: تحسين نقل البيانات يحقق زيادة في الأداء بمقدار 5 أضعاف

كانت مؤسسة مالية عالمية كبيرة تستعد لتوسيع بنيتها التحتية للذكاء الاصطناعي، باستخدام أعباء عمل Kubernetes وتخزين الكائنات S3. كانت البيئة الأصلية تعتمد على موازن تحميل افتراضي مشترك، ومع زيادة حجم البيانات ظهرت مشاكل في الأداء والموثوقية. بدلاً من زيادة سعة الحوسبة، ركزت المؤسسة على الحدود بين التخزين والحوسبة: نشرت بنية تحتية مادية مخصصة لـ ADC أمام التخزين الكائني، مما أنشأ نقطة تحكم مركزية لإدارة حركة المرور وتحسين S3. النتيجة: تحسن أداء عمليات إنشاء الكائنات وقراءتها وحذفها بمقدار 5 أضعاف على الأقل، وتحسن زمن استجابة الحذف بأكثر من مرتبة من حيث الحجم، دون حدوث تراجع في الأداء.

أبعاد المرونة الثلاثة: قابلية الوصول، السياسة، والتسليم

يقدم مارك منجر، مهندس حلول F5، ثلاثة أبعاد لتقييم بنية توصيل بيانات الذكاء الاصطناعي:

• قابلية الوصول: ضمان أن أعباء عمل الذكاء الاصطناعي يمكنها دائمًا الوصول إلى موارد التخزين السليمة. عند تدهور مجموعة التخزين أو عدم توفرها، يتم إعادة توجيه حركة المرور تلقائيًا دون تعطيل تطبيقات الذكاء الاصطناعي.
• السياسة: منع التوقف الذاتي. يمكن لأعباء عمل الذكاء الاصطناعي إنتاج حركة مرور غير طبيعية مثل تأثير "قطيع الذعر" وعواصف إعادة المحاولة، ويمكن لطبقة التحكم الذكية تشكيل حركة المرور وتنفيذ السياسات، والحفاظ على وضع أمني ثابت دون التضحية بالأداء.
• التسليم: التركيز على الاستمرارية. فشل عقدة التخزين، ترقيات الأجهزة، تصحيحات البرامج - تعزل البنية المرنة عملاء الذكاء الاصطناعي عن هذه التغييرات، حتى إذا تغيرت البنية التحتية الخلفية، لا تنقطع تدفقات البيانات.

تعمل هذه الأبعاد الثلاثة معًا لضمان بقاء وحدات معالجة الرسومات فعالة تحت ضغط البيئة الأساسية.

تطور ADC إلى ADSP: منصة موحدة للتوصيل والأمان

مع ازدياد حجم بيئات الذكاء الاصطناعي وتشتتها، لم يعد إدارة حركة المرور فقط كافيًا. تحتاج المؤسسات إلى قابلية المراقبة والأمان وتنفيذ السياسات واتساق العمليات. هذا يدفع إلى الاهتمام بمنصة توصيل التطبيقات والأمان (ADSP)، التي تجمع بين توصيل التطبيقات وهندسة حركة المرور والتحكم الأمني والرؤية.

"كسر الذكاء الاصطناعي نمط معالجة التوصيل والأمان كمشكلتين مستقلتين" ، كما قال شاه. "عندما تتحرك البيانات باستمرار بين التخزين والحوسبة والتطبيقات في بيئات هجينة متعددة السحابات، تحتاج إلى منصة موحدة توصل وتحمي حركة المرور في نفس الوقت." هذا مشابه لتطور البنية التحتية للويب قبل 20 عامًا: من موازنة تحميل بسيطة إلى وحدات تحكم توصيل التطبيقات المعقدة.

CloudTechDaily Insight## CloudTechDaily Insight

الاختناقات في البنية التحتية للذكاء الاصطناعي تتحول من الحوسبة إلى نقل البيانات. إذا ركزت المؤسسات فقط على شراء وحدات معالجة الرسوميات (GPU) وأهملت كفاءة قناة نقل البيانات من التخزين إلى الحوسبة، فستواجه هدرًا استثماريًا كبيرًا وأداءً غير موثوق. لا تعمل البنية المترابطة الفضفاضة وطبقة التحكم الذكية (مثل ADC/ADSP) على تحسين استخدام وحدات المعالجة الرسومية فحسب، بل تقلل أيضًا من تعقيد التشغيل وتعزز المرونة. بالنسبة لمديري تقنية المعلومات (CIO) ومهندسي السحابة، يجب أن تصبح طبقة نقل البيانات جزءًا أساسيًا من استراتيجية البنية التحتية للذكاء الاصطناعي. في المستقبل، مع نمو الطلب على الاستدلال والذكاء الاصطناعي على الحافة، سيحدد تحسين مسار البيانات نجاح أو فشل نشر الذكاء الاصطناعي. تحتاج المؤسسات إلى إعادة تقييم بنيتها الحالية: هل تم فصل وظائف الشبكة والأمن وإدارة المرور عن التخزين؟ هل تم تقديم لوحة تحكم موحدة للتسليم؟ ستؤثر الإجابات بشكل مباشر على عائد الاستثمار (ROI) وقابلية التوسع لمشاريع الذكاء الاصطناعي.