إنفيديا تخفض تكلفة تشغيل DeepSeek V4 بنسبة 80% عبر تحسينات برمجية فقط

خفض التكلفة بنسبة 80%: إنجاز من البرمجيات وليس العتاد

في 30 يونيو 2026، أعلنت إنفيديا أن شهراً واحداً من التحسينات البرمجية الشاملة خفض تكلفة تشغيل نموذج DeepSeek V4 على رقاقات Blackwell إلى حوالي خمس تكلفته الأولية . هذا الإنجاز لافت للنظر لأنه تحقق بالكامل عبر البرمجيات، دون تغيير في العتاد أو تصميم الرقاقات أو الأنظمة . بالنسبة للشركات ومزودي الذكاء الاصطناعي الذين يديرون عمليات استدلال ضخمة، فإن تحسن التكلفة بنسبة 80% قد يعني الفرق بين تشغيل أعباء عمل الذكاء الاصطناعي العاملي المربحة وتلك غير الاقتصادية.

يستعرض هذا المقال التحسينات التي طبقتها إنفيديا، مواصفات عائلة نموذج DeepSeek V4 الداخلية، مزودي خدمات الاستدلال الذين يستخدمون هذه التحسينات بالفعل، وكيف تصوغ إنفيديا المنطق الاقتصادي وراء تركيزها على تكلفة الرمز الواحد.

التحسينات البرمجية وراء خفض التكلفة بنسبة 80%

تنظم إنفيديا حزمة تحسينات الاستدلال الخاصة بها في ثلاث طبقات: عمليات الإنتاج، تسريع التطبيقات، والوصول إلى البنية التحتية . عبر هذه الطبقات، تضمنت التقنيات التي حققت هذا التحسن ما يلي:

إطار عمل Dynamo للاستدلال الموزع

Dynamo هو إطار عمل مفتوح المصدر للتوزيع يفصل مراحل الاستدلال عبر رقاقات مختلفة. يفصل مرحلة المعالجة الأولية (prefill) عن مرحلة توليد الرموز (decode)، ويوجه الطلبات بذكاء إلى الشريحة المناسبة لتجنب الحسابات الزائدة، ويوسع ذاكرة الشريحة عبر NVLink إلى مستويات تخزين أقل تكلفة . يدعم Dynamo محركات SGLang وTensorRT-LLM وvLLM، ويتكامل معها بشكل أصلي . يمكن للإطار زيادة عدد الطلبات المقدمة بنسبة تصل إلى 7 أضعاف على رقاقات Blackwell، كما أظهر معيار InferenceX .

تحسينات TensorRT-LLM

حققت إنفيديا خفضاً بنسبة 80% في تكلفة الرمز الواحد عبر تحسينات TensorRT-LLM وحدها في غضون شهرين من إطلاق Blackwell، دون أي تغيير في العتاد . على نطاق مراكز البيانات، فإن خفضاً بنسبة 80% في تكلفة الرمز الواحد يمثل تحسناً بمقدار خمسة أضعاف في القدرة الإيرادية لنفس الاستثمار في البنية التحتية .

خدمة الفصل بين المراحل

من خلال فصل مراحل المعالجة والتوليد عبر رقاقات مختلفة، تزيل خدمة الفصل (disaggregated serving) التنافس على الموارد وتسمح بتحسين كل مرحلة بشكل مستقل لاحتياجاتها الخاصة . هذه ميزة أساسية في إطار Dynamo .

التوازي الواسع للخبراء

يستخدم DeepSeek V4 بنية خليط الخبراء (MoE) مع 384 خبيراً موزعاً . التوجيه المحسّن يوزع الرموز عبر هؤلاء الخبراء مع تقليل الحسابات الزائدة، مما يحسن الكفاءة عبر مجموعة الرقاقات .

اتصال متوازي عبر NVLink

يتيح الاتصال عالي السرعة بين الرقاقات من إنفيديا اتصالاً فعالاً بين الخبراء، وهو أمر بالغ الأهمية لنماذج MoE حيث يتطلب توازي الخبراء تبادلاً متكرراً للبيانات .

دقة NVFP4 رباعية البت

استخدام دقة الفاصلة العائمة رباعية البت للاستدلال يقلل من متطلبات عرض النطاق الترددي للذاكرة والحوسبة دون فقدان كبير في الدقة . بالنسبة لنموذج DeepSeek-V3.2، قلل تكميم NVFP4 من بصمة الذاكرة بنسبة 1.7 ضعف مقارنة بالصيغة الأصلية FP8 (415 جيجابايت مقابل 690 جيجابايت)، مما أدى إلى تعزيزات كبيرة في الإنتاجية وكفاءة التكلفة .

التنبؤ متعدد الرموز (MTP)

يولد MTP رموزاً متعددة في كل تمريرة أمامية، مما يزيد من الإنتاجية. أول دعم لـ MTP لنموذج DeepSeek V4 جاء في اليوم الثالث من إطلاقه عبر محرك SGLang . باستخدام MTP، تجاوز SGLang لاحقاً 12 ألف رمز في الثانية لكل شريحة على أجهزة GB300 NVL72 .

نوى CUDA المحسّنة

لم تأتِ جميع التحسينات من إنفيديا وحدها. كان على شركة SemiAnalysis إصلاح كود إطلاق نواة mHC (الوصلات المفرطة المقيدة بالمتشعب) مفتوح المصدر الخاص بإنفيديا، لأن TensorRT-LLM في البداية لم يعمل بشكل جيد مع الهندسة الجديدة لـ DeepSeek V4 . كانت هذه المساهمة المجتمعية ضرورية للاستدلال الإنتاجي عالي الجودة.

وصفات SGLang للتشغيل

حققت مجموعة LMSYS Org زيادة مؤكدة في الإنتاجية بمقدار 5 أضعاف على أجهزة GB300 NVL72 باستخدام SGLang، حيث قفزت من حوالي 2200 إلى 11200 رمز في الثانية لكل شريحة بمعدل 50 رمزاً في الثانية لكل مستخدم . مصفوفة دعم Dynamo من إنفيديا تدرج lmsysorg/sglang:deepseek-v4-blackwell كتهيئة مدعومة .

بالمجمل، توفر هذه التحسينات إنتاجية أعلى تصل إلى 20 ضعفاً لكل شريحة على Blackwell .

مواصفات عائلة نماذج DeepSeek V4

أُطلق DeepSeek V4 في 24 أبريل 2026، تحت ترخيص MIT كعائلة من مستويين .

المواصفات	DeepSeek-V4-Pro	DeepSeek-V4-Flash
إجمالي المعاملات	1.6 تريليون	284 مليار
المعاملات النشطة (لكل رمز)	49 مليار	13 مليار
الهندسة	MoE + انتباه هجين (CSA + HCA) + mHC	MoE + انتباه هجين (CSA + HCA) + mHC
نافذة السياق	1,000,000 رمز	1,000,000 رمز
بيانات ما قبل التدريب	أكثر من 32 تريليون رمز متنوع	أكثر من 32 تريليون رمز متنوع
الترخيص	MIT (أوزان مفتوحة)	MIT (أوزان مفتوحة)
الدقة	FP4 (للخبراء) + FP8 (لباقي الأوزان)	FP4 (للخبراء) + FP8 (لباقي الأوزان)
الابتكار الرئيسي	الانتباه الهجين يقلل FLOPs لكل رمز بنسبة 73% وذاكرة KV cache بنسبة 90% مقابل V3.2	إصدار خفيف للسرعة والتكلفة الأقل

المصادر:

تدمج هندسة الانتباه الهجين بين الانتباه المتفرق المضغوط (CSA) والانتباه المضغوط بشدة (HCA)، محققة 27% فقط من FLOPs لنموذج DeepSeek-V3.2 عند سياق مليون رمز . هذه الكفاءة هي ما يجعل سياقات الوكلاء التي تصل إلى مليون رمز مجدية حسابياً.

مزودو خدمات الاستدلال الذين يستخدمون هذه التحسينات بالفعل

عدة مزودين ومحركات استدلال قاموا بنشر تحسينات إنفيديا البرمجية لـ DeepSeek V4 على Blackwell:

• LMSYS Org (SGLang) — حققت زيادة مؤكدة في الإنتاجية بمقدار 5 أضعاف على أجهزة GB300 NVL72 (23 يونيو 2026) . مصفوفة دعم Dynamo من إنفيديا تدرج lmsysorg/sglang:deepseek-v4-blackwell كتهيئة مدعومة . كما تجاوز SGLang 12 ألف رمز/ثانية لكل شريحة على نفس الأجهزة .
• NVIDIA NIM — مجموعة خدمات الاستدلال المصغرة الخاصة بإنفيديا تقدم نقاط وصول DeepSeek-V4-Pro من خلال كتالوج واجهات برمجة التطبيقات الخاص بها .
• vLLM — محرك الاستدلال مفتوح المصدر الذي أضاف دعم DeepSeek V4 في غضون أيام من الإطلاق، متكاملاً مع Dynamo للاستدلال الموزع على GB200 .
• TensorRT-LLM — وقت التشغيل المحسّن من إنفيديا، رغم أن التبني المبكر واجه مشاكل مع كود نواة mHC التي ساعدت SemiAnalysis في إصلاحها .
• DeepInfra — تقدم نقاط وصول DeepSeek V4 Pro بسعر 0.435 دولار لكل مليون رمز إدخال و0.87 دولار لكل مليون رمز إخراج .
• Together AI، Fireworks AI، Baseten — تشير مدونة إنفيديا إلى نشر واسع عبر نقاط وصول سحابية مسرعة بالرقاقات، حيث خفض هؤلاء المزودون تكلفة الرمز الواحد بنسبة تصل إلى 90% مقارنة بـ Hopper .

وفقاً لإنفيديا، مزودون مثل Together AI وBaseten خفضوا تكلفة الرمز الواحد بنسبة تصل إلى 90% مقارنة بـ Hopper بعد اعتماد Blackwell .

الصياغة الاقتصادية لإنفيديا لأعباء عمل الذكاء الاصطناعي العاملي

تضع إنفيديا تكلفة الرمز الواحد (Cost-per-Token) كأهم مقياس للتكلفة الإجمالية للملكية (TCO) في الاستدلال — رافضة بوضوح المقاييس الأقدم مثل تكلفة ساعة الرقاقة أو FLOPS لكل دولار . أعلن جنسن هوانغ أن "تكلفة الرمز في إنفيديا هي الأدنى في العالم" في أبريل 2026، واصفاً إياها بأنها "نتيجة مباشرة للتميز المعماري والتصميم المتطرف المشترك" .

المنطق وراء هذا التحول في المقياس مرتبط مباشرة بـ الذكاء الاصطناعي العاملي (Agentic AI):

أعباء العمل العاملي تستنزف الحوسبة في الاستدلال

مع تحول الذكاء الاصطناعي من إجابات مباشرة إلى تفكير متعدد الخطوات — التخطيط، البحث في السياق، استدعاء الأدوات، التفكير في المخرجات، والتصحيح الذاتي — يمكن أن يتضاعف عدد الرموز المولدة لكل استعلام بمقدار 100 إلى 1000 ضعف . تكلفة مهمة وكيل واحدة متعددة الخطوات قد تتراوح بين 0.10 و1.00 دولار من حوسبة الاستدلال . أكد تحليل جارتنر في مارس 2026 أن نماذج الذكاء الاصطناعي العاملي تتطلب 5-30 ضعفاً من الرموز لكل مهمة مقارنة بروبوتات المحادثة القياسية .

الاستدلال أصبح مركز التكلفة المهيمن

تشير تقديرات الصناعة إلى أن 55-80% من إنفاق المؤسسات على رقاقات الذكاء الاصطناعي يذهب إلى الاستدلال، وليس التدريب . تقدر ديلويت أن الاستدلال يمثل حوالي ثلثي جميع حوسبة الذكاء الاصطناعي في 2026، ارتفاعاً من الثلث في 2023 . كما يمثل الاستدلال 80 إلى 90 بالمئة من التكلفة الإجمالية لنظام ذكاء اصطناعي إنتاجي على مدار عمره .

التحسين البرمجي يطلق قيمة هائلة دون عتاد جديد

تصوغ إنفيديا هذا الأمر بوضوح كميزة استراتيجية: "حققت إنفيديا خفضاً بنسبة 80% في تكلفة الرمز الواحد عبر تحسينات TensorRT-LLM وحدها في غضون شهرين من إطلاق Blackwell، مع عدم تغيير العتاد" . على نطاق مراكز البيانات، يحدد خفض التكلفة بنسبة 80% بشكل مباشر ما إذا كانت أعباء عمل الذكاء الاصطناعي العاملي تصبح مجدية اقتصادياً . برمجيات الاستدلال الخاصة بإنفيديا تواصل خفض تكاليف الرموز لفترة طويلة بعد نشر البنية التحتية .

تكلفة الرمز الواحد هي "المقياس الوحيد للتكلفة الإجمالية الذي يهم"

تجادل إنفيديا بأن تكلفة الرمز الواحد هي المقياس الوحيد الذي يحسب بشكل مباشر أداء العتاد، وتحسين البرمجيات، ودعم النظام البيئي، والاستخدام الفعلي . تنشر الشركة "أقل تكلفة رمز" كقيمة رئيسية لمنصة Blackwell . شريحة B200 تحقق سنتين لكل مليون رمز على نموذج GPT-OSS-120B، وخفضت الهندسة تكلفة المليون رمز بمقدار 15 ضعفاً مقابل الجيل السابق .

باختصار، رسالة إنفيديا واضحة: الذكاء الاصطناعي العاملي يتطلب رموز استدلال أكثر بكثير لكل مهمة؛ تحسينات الاستدلال البرمجية على Blackwell يمكن أن تخفض هذه التكاليف بنسبة 80% دون عتاد جديد، مما يحدد بشكل مباشر ما إذا كانت عمليات النشر العاملي واسعة النطاق مربحة .