تصميم البنية لتحقيق القيمة: كيف تحقق المؤسسات عائداً مستمراً على استثمارات الذكاء الاصطناعي

مع انتقال المؤسسات من مرحلة تجارب الذكاء الاصطناعي إلى النشر على نطاق واسع، تبرز حقيقة جوهرية: استراتيجية البنية التحتية لا تنفصل عن النتائج الاقتصادية. فقد كانت مبادرات الذكاء الاصطناعي معزولة في مختبرات الابتكار والبرامج التجريبية المحدودة طوال سنوات. وكانت بطبيعتها استكشافية، أقرب لكونها تجارب لإثبات المفهوم تهدف إلى اختبار الجدوى أكثر من تحقيق أثر واسع على مستوى المؤسسة. والآن تقارب هذه المرحلة نهايتها.

اليوم، بات الذكاء الاصطناعي يُدمج مباشرة في الوظائف الأساسية للأعمال: سلاسل توريد تُحسَّن في الوقت الفعلي، وأنظمة خدمة عملاء تحل الاستفسارات ذاتياً، ومحركات نمذجة مالية تكتشف الشذوذ قبل تصاعد المخاطر، ومسارات تصميم منتجات معززة بمحاكاة ذكية.

مع هذا التحول، تظهر متطلبات جديدة. إذ لم يعد تقييم أنظمة الذكاء الاصطناعي محدوداً بحداثتها التقنية أو دقة نماذجها. بل بات التقييم يشمل نتائج أعمال قابلة للقياس، مثل تحسين هوامش الأرباح، ورفع كفاءة العمليات، وتعزيز نمو الإيرادات، وتحقيق التميّز التنافسي. وتدرك المؤسسات بشكل متزايد أن العوامل المؤثرة على هذه النتائج لا تقتصر على النماذج المستخدمة، بل تتضمن قرارات البنية التحتية المتخذة قبل وقت طويل من النشر.

لا يوجد حل واحد يناسب الجميع

تتصدر نماذج الذكاء الاصطناعي التي تستخدم تريليونات المعلمات (Parameters) وعناقيد ضخمة من وحدات معالجة الرسومات الأخبار من حين لآخر، وهو ما يجعلها مهيمنة على السردية العامة للذكاء الاصطناعي. لكن ورغم أن هذه التطورات تمثل تقدماً تقنياً مهماً، فهي لا تغطي جميع حالات الاستخدام المؤسسية.

أنظمة الذكاء الاصطناعي التوليدي الكبرى ليست ضرورية حقاً لجميع أعباء العمل، بل إن التطبيقات الحيوية للأعمال مثل الصيانة التنبؤية، واكتشاف الاحتيال، وأنظمة التصنيف، ومحركات التنبؤ يمكن أن تعمل بكفاءة على بنى تعلم آلي تمتلك متطلبات حوسبة أقل. ومن الشائع أن تحقق هذه البنى والأنظمة الأصغر عوائد قوية، والسبب هو تحديداً أنها مصممة لغرض محدد ومرتبطة بشكل وثيق بهدف تشغيلي واضح.

عندما تظنّ المؤسسات أن نضج الذكاء الاصطناعي يعني بالضرورة زيادة عدد المعلمات وتوسيع البنية التحتية، فإن تكاليفها تبدأ بالارتفاع بشكل غير مبرر. فعندما يتم تخصيص موارد حوسبة تفوق الحاجة، يتراجع العائد على الاستثمار قبل تحقيق النتائج المرجوة.

لإنشاء بنية تحتية مناسبة للغرض، لا بد من إجراء تقييمٍ منضبط ومدروس للمتطلبات والتوقعات. وعلى كل شركة أن تسأل ما يلي: ما مستوى التعقيد الذي تتطلبه حالة الاستخدام؟ ما زمن الاستجابة المقبول؟ وما درجة الدقة التي تُحسّن النتائج بشكل ملموس؟ فالإجابة عن هذه الأسئلة هي الخطوة الأساسية للإطلاق الناجح لأي مشروع ذكاء اصطناعي.

تختلف احتياجات البنية التحتية بشكل كبير بحسب نوع النموذج. فمن الممكن أن تعمل نماذج التعلم الآلي التقليدية بكفاءة في بيئات تعتمد على وحدات المعالجة المركزية. وقد تتطلب نماذج الذكاء الاصطناعي التوليدي المخصصة عناقيد من وحدات معالجة الرسومات للتدريب والاستدلال. أما أنظمة الذكاء الاصطناعي الوكيل (Agentic AI) فتحتاج إلى طبقات تنسيق أكثر تطوراً واستراتيجيات لإدارة الذاكرة. وعندما تتطابق البنية التحتية بدقة مع متطلبات عبء العمل، تتحول الكفاءة إلى ميزة تنافسية بدلاً من أن تكون قيداً.

محركات التكلفة

تتأثر اقتصاديات البنية التحتية للذكاء الاصطناعي بالعديد من العوامل المترابطة. ويعد فهم تفاعل هذه العوامل ضرورياً لتقدير التكلفة الإجمالية للملكية وتبرير قرارات الاستثمار. ووفق ورقة بحثية صدرت مؤخراً عن شركة البيانات IDC¹، تشمل هذه المتغيرات:

• نوع النموذج يلعب دوراً محورياً. إذ تحتاج أنظمة الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل قدرات حوسبة أعلى بالمقارنة مع أنظمة تعلم الآلة التقليدية، ويعود ذلك إلى اختلاف أنواع البنى وأنماط الاستدلال المستخدمة.
• عدد المعلمات يؤثر بشكل كبير في تكلفة التدريب. فالنماذج الأكبر تتطلب قدرة حوسبة متوازية أكبر ودورات معالجة أطول، لا سيما خلال مرحلة ما قبل التدريب، وبالطبع تترجم المتطلبات الأعلى إلى تكاليف أكبر.
• حجم بيانات التدريب يزيد من متطلبات التخزين والشبكات. فمجموعات البيانات الضخمة ترفع متطلبات الإدخال والإخراج والحوسبة، ما يستدعي خطوط بيانات قوية وقدرة معالجة كافية لمنع الاختناقات.
• دقة نتائج النموذج تخلق ديناميكيات تكلفة غير خطية. حيث يتطلب رفع مستوى دقة نماذج الذكاء الاصطناعي نحو الحد النظري الأقصى زيادة هائلة وغير متناسبة في الحوسبة. وفيما تحتاج بعض حالات الاستخدام إلى هذا المستوى المرتفع من الدقة، فمعظمها لا تتطلبه حقاً.
• زمن الوصول للقيمة يؤثر بدوره في تصميم البنية التحتية. فقد تتطلب الجداول الزمنية الطموحة مستوى أعلى من التوازي وتخصيصات حوسبة أكبر لتقليص فترات التدريب، ويترتب على ذلك تكاليف إضافية.
• زمن استجابة الاستعلام هو عامل حاسم في الأنظمة الموجهة للعملاء. فالحاجة لتخفيض زمن الاستجابة تؤثر بشكل مباشر على القرارات التصميمية المتعلقة بتحسين الذاكرة وتوزيع العتاد.
• حجم الاستعلام وتزامن الاستعلامات يؤثران في متطلبات التوسع. فارتفاع أعداد المستخدمين أو إدخال وسائط متعددة يزيد من متطلبات عرض نطاق الذاكرة والمعالجة، ويظهر ذلك بالأخص في أنظمة الذكاء الاصطناعي التوليدي التي تتعامل مع نوافذ سياق كبيرة.

بتقييم هذه العوامل بشكل منهجي، وفي مرحلة مبكرة من عملية التخطيط، تحصل المؤسسات على رؤية أوضح لتغيرات التكلفة ومقايضات الأداء. وهنا تتحول البنية التحتية من بند إنفاق تفاعلي إلى متغير مالي يمكن نمذجته.

الحلول الهجينة

لا تقل أهمية مكان وجود البنية التحتية عن كيفية إعدادها. فبينما توفر البيئات السحابية مرونة وإتاحة سريعة للموارد، فهي تمكّن المؤسسات من توسيع الموارد ديناميكياً والتجربة دون دورات شراء طويلة. وبالمقابل يمكن أن توفر عمليات النشر الداخلي عبر مراكز البيانات المحلية للمؤسسات إمكانية أعلى للتنبؤ بالتكلفة على المدى المستدام، وبالأخص عندما تكون أعباء العمل مستقرة وتُستخدم بشكل مستمر. أما بيئات الحوسبة على الحافة، فهي تقلل من زمن الاستجابة وتكاليف نقل البيانات في العمليات الموزعة، ما يسمح بالاستدلال المحلي قرب مصادر البيانات.

اليوم، لم يعد الاختيار الحصري بين السحابة ومراكز البيانات خياراً عملياً لمعظم الشركات، لذا يتزايد الاتجاه نحو نماذج هجينة توازن بين المرونة، والتحكم، والتكلفة. وبالتالي، لم يعد السؤال الاستراتيجي يركز على اختيار بيئة واحدة لكل المهام، بل على تحديد أي عبء عمل ينتمي إلى أي بيئة.

لتحديد البيئة المناسبة لكل عبء عمل، لا بد من تعاون مبكر بين الإدارات المختلفة. إذ يجب أن تكون قيادات تقنية المعلومات حاضرة ومشاركة منذ الخطوات الأولى في تطوير استراتيجية الذكاء الاصطناعي، ولا يكفي إشراكها في المراحل اللاحقة بعد اختيار النموذج مثلاً. فعندما يُدمج تخطيط البنية التحتية في تطوير دراسة الجدوى، يتحسن التوافق بين التصميم التقني والأهداف المالية بشكل ملحوظ. وبالمقابل، يؤدي اختلال التوافق بين الأقسام إلى زيادة تكاليف إعادة التهيئة وتضييع قدرات عديدة.

AMD ومنطق البنية التحتية الموحدة

مع صقل المؤسسات لاستراتيجياتها في البنية التحتية، تكتسب المنصات الموحدة اهتماماً متزايداً. وللاستجابة لهذه الاحتياجات، طورت شركة AMD منظومة تغطي مختلف طبقات مكدس الذكاء الاصطناعي. حيث تسمح معالجات AMD EPYC™ CPUs بأداء قابل للتوسع في مراكز البيانات عبر أعباء عمل متنوعة في الذكاء الاصطناعي والمؤسسات. كما تعزز مسرّعات AMD Instinct™ GPUs تدريب الذكاء الاصطناعي والاستدلال في البيئات عالية الأداء. وعلى مستوى الأجهزة، تتيح معالجات AMD Ryzen™ AI PRO قدرات الذكاء الاصطناعي على الحواسيب المستخدمة في الشركات، مع ميزات أمان وإدارة مدمجة ضمنها.

إلى جانب قدراتها في مجال العتاد، توفر شركة AMD حزمة AMD Enterprise AI Suite وهي طبقة برمجية مفتوحة وموحدة تُبسّط نشر النماذج، وتنسيق الموارد، وإدارة دورة الحياة عبر البيئات المختلفة. ويكتسب نظام AMD البيئي المتقدم جاذبية خاصة لدى الشركات التي تسعى لتجنب الارتباط بمزود واحد حصرياً أو المعاناة من سلاسل الأدوات المجزأة وغير المتوافقة؛ حيث توفر استراتيجيات البنية التحتية المفتوحة والقابلة للتجزئة مرونة تشغيلية إلى جانب قابلية أكبر للتنبؤ المالي.

اليوم، باتت البنية التحتية للذكاء الاصطناعي تمثل أكبر مركز تكلفة ضمن مبادرات التحول الرقمي. وفي هذه البيئة، يقلل التصميم الموحد الذي تتبناه AMD من العوائق التشغيلية، فيسرّع دورات الإطلاق، ويبسّط أعباء الإدارة، ويحسّن شفافية التكلفة.

---

^{1 IDC White Paper, sponsored by Supermicro and AMD, For a Solid Return on Investment with AI, Consider the Many Ways to Purpose-Fit Your Infrastructure, #US54076325, December 2025}