هل تخفض Vera Rubin كلفة ما بعد تدريب وكلاء الذكاء الاصطناعي؟

تتزايد أهمية مرحلة ما بعد التدريب كلما انتقلت نماذج الذكاء الاصطناعي من الإجابة عن سؤال واحد إلى تنفيذ مهام متعددة الخطوات. في هذه المرحلة تُحسّن المؤسسات سلوك النموذج بالتعلّم المعزز أو الضبط الدقيق وتكرار التقييم، وهي أعمال قد تستهلك وقتًا حاسوبيًا كبيرًا حتى بعد انتهاء التدريب الأساسي.

تقول إنفيديا إن منصة Vera Rubin صُممت لرفع «الذكاء مقابل كل دولار» في أحمال ما بعد التدريب. وتدّعي الشركة أن تدريب أكبر النماذج يمكن أن يتم بعدد من وحدات معالجة الرسوم يعادل ربع العدد المطلوب على منصة Blackwell. هذا رقم صادر عن المورّد، ولا يكفي وحده لتقدير الوفر في مشروع حقيقي؛ فالنتيجة تتأثر بحجم النموذج وطريقة التعلّم المعزز وكفاءة البرمجيات واستغلال العتاد.

التحسين المقترح ليس شريحة منفردة، بل منصة تربط المعالجة والشبكات والبرمجيات. الفائدة المتوقعة تظهر عندما تكون حلقات التوليد والتقييم والتحديث مستمرة، كما في تدريب الوكلاء. لكن المؤسسة التي تشغّل نماذج أصغر أو أحمالًا متقطعة قد لا تحصل على النسبة نفسها، خصوصًا إذا كان عنق الزجاجة في البيانات أو التقييم البشري لا في الحوسبة.

قبل اتخاذ قرار، يجب بناء اختبار يمثل الحمل الفعلي: عدد الرموز في الثانية، زمن كل دورة تحسين، استهلاك الطاقة، نسبة استخدام المسرّعات، وكلفة الوصول إلى نتيجة تجتاز معيار الجودة. كما ينبغي حساب كلفة الشبكات والتخزين والترحيل، لا سعر وحدات المعالجة وحده.

الخلاصة أن Vera Rubin تضع ما بعد التدريب في مركز تصميم البنية التحتية، لكن ادعاء الكفاءة يحتاج إثباتًا على نموذج المؤسسة وبياناتها. القرار السليم يبدأ بخط أساس قابل للتكرار، ثم مقارنة النتيجة النهائية لكل دولار، وليس مقارنة مواصفات نظرية فقط.

- [إعلان إنفيديا عن Vera Rubin وما بعد التدريب](https://blogs.nvidia.com/blog/nvidia-vera-rubin-post-training-intelligence-per-dollar/) - [توثيق NVIDIA NeMo لأساليب ما بعد التدريب](https://docs.nvidia.com/nemo-framework/user-guide/24.07/modelalignment/index.html)