ثورة في توليد الفيديو بالذكاء الاصطناعي: كيف تُعيد شراكة Decart و AWS Trainium3 رسم قواعد المنافسة مع NVIDIA؟
كتب: محمد شاهين
في تحول استراتيجي كبير داخل معسكر البنى التحتية السحابية، أعلنت شركة Decart الناشئة في مجال فيديو الذكاء الاصطناعي عن شراكة كاملة مع Amazon Web Services (AWS)، ستقوم بموجبها بتحسين نموذجها الرئيسي “لوسي Lucy” على مُسرِّع الذكاء الاصطناعي المخصص من أمازون AWS Trainium3، لدعم توليد الفيديو في الوقت الفعلي. الصفقة تمثل ضربة استباقية في مواجهة هيمنة معالجات NVIDIA، وتُبرز التوجه المتسارع نحو المُسرعات المخصصة.
الشراكة الاستراتيجية: “لوسي” على منصة Bedrock
ليست الصفقة مجرد استثمار في البنية التحتية، بل هي اندماج عميق في إستراتيجية أمازون السحابية:
الالتزام الكامل: تذهب Decart “بكل ثقلها” إلى AWS، مما يعني أن عمليات التدريب والاستدلال ستتم على منصتها بالكامل.
التوافر عبر Amazon Bedrock: سيتم توفير نماذج Decart، بما فيها Lucy، على منصة Bedrock الشهيرة، مما يسمح للمطورين بدمج قدرات توليد الفيديو الفوري في أي تطبيق سحابي بسهولة، كخدمة “جاهزة للاستخدام” دون الاهتمام بالبنية التحتية المعقدة.
مكاسب متبادلة: تزيد هذه الخطوة من قدرات AWS “التوصيل والتشغيل”، وتوفر لـ Decart وصولاً فورياً إلى مجتمع المطورين الضخم الخاص بأمازون.
لماذا المُسرِّعات المخصصة (ASICs) تهدد هيمنة GPU؟
يكمن السر في كفاءة الدوائر المتكاملة الخاصة بالتطبيق (ASIC). بينما تشبه وحدات المعالجة المركزية (CPU) سكين الجيش السويسري (متعددة الاستخدامات)، ووحدات معالجة الرسومات (GPU) تشبه المثقاب الكهربائي القوي (للحسابات المتوازية الضخمة)، فإن مُسرِّعات الذكاء الاصطناعي المخصصة مثل Trainium تشبه المشرط الدقيق.
الكفاءة القصوى: يتم تصميم شريحة ASIC لتنفيذ مهمة واحدة محددة (مثل ضرب المصفوفات للذكاء الاصطناعي) بأعلى كفاءة ممكنة، وذلك بإزالة جميع الوحدات الوظيفية غير ذات الصلة.
مكاسب هائلة: يؤدي هذا التخصص إلى فوائد كبيرة في الأداء واستهلاك الطاقة مقارنة بوحدات معالجة الرسومات ذات الأغراض العامة.
اتجاه سائد: هذا ليس إجراءً منعزلاً. فشركة Anthropic (صاحبة Claude) تستخدم آلاف معالجات Trainium2 في “مشروع Rainier”. كما أن شركات كبرى مثل Meta و Google و OpenAI تطور أو تستخدم بالفعل معالجات مخصصة مشابهة (مثل TPU و MTIA).
ميزة Trainium3: 4 أسرع بنصف التكلفة
يُفسر اختيار Decart لـ Trainium2 (مع الوصول المبكر لـ Trainium3) بالنتائج الملموسة لنموذج Lucy:
سرعة فائقة: زمن الوصول للإطار الأول يبلغ 40 مللي ثانية فقط، مما يعني بدء توليد الفيديو فورياً بعد إدخال الأمر (البرومبت).
جودة تنافسية: يمكن لـ Lucy مطابقة جودة نماذج الفيديو الراسخة والأبطأ مثل Sora 2 من OpenAI و Veo-3 من Google، مع قدرة على توليد مخرجات بسرعة تصل إلى 30 إطارًا في الثانية.
قفزة مع Trainium3: حصلت Decart على وصول مبكر إلى الجيل الجديد Trainium3، الذي وعدها بأداء يصل إلى 100 إطار في الثانية، مع زمن انتقال أقل. كما صرح المؤسس والرئيس التنفيذي لـ Decart، دين ليتيرسدورف: “هندسة Trainium3 من الجيل التالي توفر إنتاجية أعلى، وزمن انتقال أقل، وكفاءة ذاكرة أكبر – مما يسمح لنا بتحقيق سرعة توليد إطار أسرع بـ 4 مرات بنصف تكلفة وحدات معالجة الرسومات.”
المستقبل: تعايش وليس استبدال
لا يشير هذا الاتجاه إلى نهاية عصر NVIDIA، التي لا تزال تهيمن على سوق التدريب العام (مثل نماذج GPT-5 وGemini 3) بسبب مرونة وحدات معالجة الرسومات. ومع ذلك، فهو يؤكد ظهور نظام بيئي ثنائي المسار:
وحدات معالجة الرسومات (GPUs): تظل الخيار الأمثل للنماذج واسعة الأغراض والمتعددة المهام، حيث تكون متطلبات الحوسبة غير مستقرة.
المسرعات المخصصة (ASICs): تصبح الخيار الأفضل (من حيث التكلفة والأداء) للتطبيقات المتخصصة ذات المتطلبات المستقرة، مثل توليد الفيديو في الوقت الفعلي، والترجمة الفورية، والمحاكاة العلمية.
تُظهر شراكة Decart وAWS أن الموجة القادمة من الابتكار في الذكاء الاصطناعي، خاصة في المجالات الحسَّاسة للزمن مثل الفيديو، قد تُقاد من قبل شرائح مخصصة تعيد تعريف معايير الكفاءة والتكلفة، مُشكِّلة سوقاً أكثر تنوعاً وتنافسية بعيداً عن الهيمنة الأحادية.
هذا المحتوى تم إعداده باستخدام أدوات الذكاء الاصطناعي.
