الذكاء الاصطناعي للشركات على خوادمها الخاصة في الإمارات: ما الأجهزة التي يحتاجها نموذج لغوي خاص؟

تشغيل حلول الذكاء الاصطناعي للشركات على خوادمها الخاصة داخل الإمارات تحدّده ثلاثة أرقام: ذاكرة وحدة معالجة الرسومات (GPU) لأوزان النموذج، وذاكرة إضافية لكل محادثة (KV cache)، وعرض نطاق الذاكرة للسرعة. فنموذج gpt-oss-20b يعمل على بطاقة واحدة بذاكرة 24 GB، ونموذج 70B بدقة 8 بت لا تكفيه وحدة 80 GB، لكنه يعمل على وحدة 141 GB أو وحدتين من 80 GB.

ومن هذه الأرقام الثلاثة يُشتقّ كل ما بعدها: طراز الخادم، والرف، والتبريد. الأرقام المحسوبة في هذا المقال مأخوذة من محاكي البنية التحتية للذكاء الاصطناعي لدى UBM، وقد شُغّل في 1 أكتوبر 2026. أرقام الذاكرة حساب دقيق مبني على البنية المنشورة لكل نموذج، أما السرعات فتقديرات بهامش 25% زيادة أو نقصاً تقريباً، وليست وعداً بأداء معيّن.

متطلبات أجهزة النماذج اللغوية: ثلاثة أرقام تحدّد مواصفات السيرفر

النموذج اللغوي الكبير (LLM) الخاص بشركتك هو ملف من الأرقام يُسمّى الأوزان، وبرنامج يشغّله ويخدم المستخدمين. وتشغيله على أجهزتك يطلب من الخادم ثلاثة أشياء:

• ذاكرة الأوزان. يجب أن يُحمَّل النموذج كاملاً في ذاكرة GPU، وحجمه هو عدد المعاملات (Parameters) مضروباً في عدد البايتات المخزّنة لكل معامل.
• ذاكرة المحادثات (KV cache). كل محادثة جارية تحتفظ بذاكرة عمل خاصة بها على GPU، وتكبر مع كل توكن (Token، وهو وحدة النص التي يقرأها النموذج ويكتبها). فزيادة عدد المستخدمين في اللحظة نفسها، أو طول المستندات، تعني ذاكرة أكبر.
• عرض نطاق الذاكرة (Memory bandwidth). لكتابة كل توكن جديد تعيد GPU قراءة الأوزان النشطة من الذاكرة، وسرعة هذه القراءة هي التي تحدّد سرعة ظهور الإجابة.

أما قدرة الحوسبة فتهمّ أساساً حين يقرأ النموذج طلباً طويلاً أو يخدم عدداً كبيراً من الناس معاً. وبالنسبة لموظف ينتظر الإجابة، فسعة الذاكرة تحدّد ما إذا كان النموذج سيعمل أصلاً، وعرض النطاق يحدّد سرعة الرد.

كم تحتاج أوزان النموذج من ذاكرة GPU؟

اضرب عدد المعاملات في عدد البايتات لكل معامل. بدقة BF16، وهي الصيغة التي تُطرح بها نماذج Llama، يأخذ كل معامل 2 بايت، فيحتاج نموذج من 70 مليار معامل نحو 140 GB. وصيغة FP8 تخفّض ذلك إلى النصف، وتصل صيغ 4 بت إلى نحو نصف بايت لكل معامل بعد احتساب عوامل التحجيم (Scaling factors). والصيغ الأصغر تكلّف عادة شيئاً بسيطاً من الجودة، فجرّبها على مستنداتك قبل الاعتماد عليها.

الأحجام من محاكي UBM بوحدة GB تساوي مليار بايت، ويُعتمد الحجم الفعلي للنموذج حيث تنشره الجهة المطوّرة.

نموذجا gpt-oss من نوع خليط الخبراء (Mixture of Experts): كل المعاملات يجب أن تكون في الذاكرة، لكن كل توكن يستخدم جزءاً صغيراً منها. ويذكر مستودع gpt-oss لدى OpenAI أن نموذج 120b، بمعاملاته البالغة 117B منها 5.1B نشطة، يتّسع في وحدة GPU واحدة بذاكرة 80 GB، وأن نموذج 20b يعمل ضمن 16 GB من الذاكرة، لأن أوزان الخبراء تُطرح بصيغة MXFP4 ذات 4 بت. والنموذجان مرخّصان بترخيص Apache 2.0.

ذاكرة المحادثات (KV cache): لماذا يحتاج كل مستخدم إضافي إلى ذاكرة أكبر؟

لكل توكن في المحادثة تحفظ كل طبقة من طبقات النموذج مفتاحاً وقيمة (Key وValue) حتى لا تعيد حسابهما. وحجم ذلك لكل توكن هو: 2 × عدد الطبقات × رؤوس المفاتيح والقيم × القيم في كل رأس × البايتات لكل قيمة. وتذكر ورقة Llama 3 من Meta أن بنية Llama 3 70B تضم 80 طبقة و8 رؤوس للمفاتيح والقيم، وبُعداً قدره 8,192 موزّعاً على 64 رأساً، أي 128 قيمة لكل رأس. ويفترض هذا المقال البنية نفسها في Llama 3.3 70B، إذ تذكر بطاقة النموذج أن له 70 مليار معامل وأنه يستخدم الانتباه بالاستعلامات المجمّعة (Grouped-query attention). وبدقة BF16 يساوي ذلك 327,680 بايت (320 KiB) لكل توكن في كل محادثة.

والبنية تغيّر هذا الرقم كثيراً. فـإعدادات gpt-oss-120b المنشورة تضم 36 طبقة، نصفها لا ينظر إلا إلى آخر 128 توكن، و8 رؤوس للمفاتيح والقيم في كل منها 64 قيمة. لذلك تكبر ذاكرة المحادثة فيه بمقدار 36 KiB لكل توكن، أي نحو تُسع ما يحتاجه Llama.

محادثة واحدة بطول 128K توكن على Llama 3.3 70B بدقة BF16 تحتاج قرابة 43 GB، أي أكثر من نصف وحدة بذاكرة 80 GB. ولهذا يجب أن يُكتب عدد المستخدمين المتزامنين وطول المحادثة في المواصفة بالوضوح نفسه الذي يُكتب به اسم النموذج. وتصف ورقة PagedAttention التي بُني عليها vLLM هذه الذاكرة بأنها ضخمة وتكبر وتصغر باستمرار، ولذلك يخصّصها vLLM في صفحات صغيرة بدل حجز الحد الأقصى مسبقاً.

بدقة FP8 ومحادثات بطول 32K توكن، يضع المحاكي الأوزان البالغة 73.7 GB و4.7 GB لبيئة التشغيل على وحدة 141 GB، فيبقى مكان لـ 9 محادثات حجم كل منها 5.4 GB. وعند تقسيم النموذج على وحدتين بذاكرة 80 GB تحمل كل وحدة 36.8 GB من الأوزان و3.6 GB لبيئة التشغيل، ويبقى مكان لـ 12 محادثة بواقع 2.7 GB على كل وحدة. أما على وحدة واحدة بذاكرة 80 GB فالأوزان وحدها تتجاوز 73.6 GB، وهي المساحة التي يحتسبها المحاكي قابلة للاستخدام.

ما سرعة الرد؟ عرض نطاق الذاكرة وعدد التوكنات في الثانية

توليد توكن واحد يعني قراءة الأوزان النشطة، ومعها ذاكرة المحادثة، من ذاكرة GPU، فالسقف هو عرض النطاق مقسوماً على البايتات المقروءة لكل توكن. نموذج Llama 3.1 8B بدقة BF16 يقرأ 16.1 GB لكل توكن، فلا تتجاوز وحدة H200 بعرض نطاق 4.8 TB/s نحو 300 توكن في الثانية، ويقدّر المحاكي بعد احتساب الكفاءة الفعلية 211 توكن لمستخدم واحد بمحادثة طولها 8K توكن. أما نموذج 70B كثيف بدقة FP8 فيقرأ 73.7 GB لكل توكن، ويعمل بنحو 49 توكن في الثانية تقديراً على الوحدة نفسها، بينما لا يقرأ gpt-oss-120b إلا معاملاته النشطة البالغة 5.1B فيصل إلى نحو 363.

الذاكرة وعرض النطاق والقدرة من صفحات المصنّعين المذكورة في المصادر، وأرقام B200 هي إجمالي DGX B200 البالغ 1,440 GB و64 TB/s مقسوماً على ثمانية. السرعات تقديرات المحاكي لمستخدم واحد بمحادثة طولها 8K توكن، وتنخفض نحو 5% عند 32K توكن. ويطبّق المحاكي أيضاً معامل نضج برمجي على المسرّعات من غير NVIDIA ويعرضه مع كل نتيجة.

مثال محسوب: اختيار سيرفر ذكاء اصطناعي لنموذج لغوي

لنأخذ مساعداً داخلياً يعمل على Llama 3.3 70B بدقة FP8، يستخدمه 30 موظفاً في اللحظة نفسها، بمحادثات تصل إلى 16K توكن، وبسرعة لا تقل عن 20 توكن في الثانية لكل منهم. يمكنك فتح السيناريو نفسه في المحاكي وتغيير أي مدخل.

وكانت الإجابة الأقل تكلفة في 1 أكتوبر 2026 خادماً واحداً بارتفاع 2U فيه وحدتا H200 NVL. يحتسب المحاكي 129.7 GB من أصل 141 GB في كل وحدة قابلة للاستخدام (نسبة 92% لمحرّك التشغيل، يعرضها ضمن افتراضاته مع كل نتيجة)، وتحمل كل وحدة نصف النموذج (36.8 GB) و3.6 GB لبيئة التشغيل، فيبقى 89.3 GB للمحادثات بواقع 1.3 GB لكل منها. وهذا يخدم 66 شخصاً بالسرعة المطلوبة: نحو 51 توكن في الثانية لكل منهم حين يكون 30 منهم نشطين، و77 لمستخدم واحد.

نتائج المحاكي في 1 أكتوبر 2026. تشمل القدرة سويتشات الشبكة الأمامية والإدارة التي يضيفها المحاكي، والسرعات تقديرية.

ومدخلان يغيّران النتيجة أكثر من غيرهما. ضاعف طول المحادثة تتضاعف ذاكرة كل محادثة. واستبدل نموذج 70B الكثيف بـ gpt-oss-120b، فتكفي أربع بطاقات L40S بذاكرة 48 GB لخدمة الموظفين الثلاثين، لأن هذا النموذج أصغر في الذاكرة ويقرأ بايتات أقل بكثير لكل توكن.

خادم واحد أم مجموعة خوادم (Cluster)؟

ابقَ داخل خادم واحد ما دام النموذج يتّسع فيه. فداخل الخادم تتقاسم وحدات GPU كل طبقة فيما بينها (Tensor parallelism) وتتبادل النتائج عند كل طبقة، ولذلك تهمّ الوصلة بينها: تذكر NVIDIA أن وصلة NVLink تعطي 900 GB/s لكل وحدة H200، مقابل 128 GB/s لـ PCIe Gen5. أما بين الخوادم فيُقسَّم النموذج عادة إلى مراحل من الطبقات (Pipeline parallelism) عبر الشبكة. وتحسب NVIDIA سرعة NVLink في الاتجاهين معاً (تذكر صفحة معمارية Hopper أنها 900 GB/s ثنائية الاتجاه لكل وحدة، أي أكثر من 7 أضعاف PCIe Gen5)، فالرقم المقابل لمنفذ شبكة 800 Gb/s هو 200 GB/s، أي 100 GB/s في كل اتجاه.

ويحمل نظام DGX H200 من NVIDIA بثماني وحدات 1,128 GB من ذاكرة GPU، ونظام DGX H100 640 GB، بحسب دليل مستخدم DGX H100/H200. لذلك يتّسع Llama 3.1 405B بدقة BF16 (811.7 GB) في نظام H200 ولا يتّسع في نظام H100، الذي يحتاج معه إلى دقة FP8 (416.1 GB). والنماذج التي تتجاوز أوزانها نحو 1 TB تحتاج خادمين من هذا النوع، أو خادماً مبنياً على HGX B300 الذي تذكر NVIDIA أن ذاكرته 2.1 TB. ومجموعة الخوادم تضيف سويتش شبكة لوحدات GPU وألياف ضوئية بين الرفوف، ومقالنا عن كات 6A أو الألياف الضوئية يتناول جانب الكابلات.

GPU أم معالج مركزي (CPU): هل يعمل النموذج على خادم بلا بطاقات رسومية؟

نعم للنماذج الصغيرة والاستخدام الخفيف، لكن عرض النطاق يبقى هو الحَكَم. فمحرّك vLLM مثلاً يذكر معالجات x86 وARM وPowerPC ضمن المنصات التي يدعمها. وتذكر نشرة مواصفات EPYC 9005 من AMD ما يصل إلى 12 قناة ذاكرة DDR5-6400 لكل معالج، أي 614.4 GB/s كحد أقصى نظري (12 × 6,400 MT/s × 8 بايت). وبقراءة 73.7 GB لكل توكن، لا يمكن لنموذج 70B بدقة FP8 أن يتجاوز نحو 8 توكنات في الثانية لكل معالج حتى نظرياً، مقابل نحو 49 تقديراً على وحدة H200 واحدة. وبين الحالتين تقع أجهزة سطح المكتب ذات الذاكرة الموحّدة: فجهاز DGX Spark من NVIDIA يجمع 128 GB بعرض نطاق 273 GB/s، وتذكر NVIDIA أنه يدعم الاستدلال على نماذج حتى 200 مليار معامل، وهو حجم مناسب للتطوير والتجارب الأولى.

الطاقة والتبريد في غرف الخوادم في الإمارات

تحدّد NVIDIA أقصى استهلاك لنظام DGX H200 بـ 10.2 kW من ستة مزوّدات طاقة بقدرة 3.3 kW لكل منها، بارتفاع 8U ووزن يصل إلى 130.45 kg، ونظام DGX B200 بنحو 14.3 kW بارتفاع 10U. وكل واط يتحوّل إلى حرارة. وبحسب معاملات التحويل لدى NIST فإن 10.2 kW تعادل نحو 34,800 BTU/h، أي 2.9 طن تبريد، و14.3 kW تعادل نحو 48,800 BTU/h، أي 4.1 طن.

• التبريد. غرفة صُمّمت لبضعة سويتشات لن تستوعب 10 kW، وفي الإمارات يجب أن يصمد التبريد في ذروة الصيف. ويفترض المحاكي كفاءة استخدام طاقة (PUE) قدرها 1.4 لغرفة إماراتية مبرّدة بالهواء، ويعرضها مع افتراضاته الأخرى تحت كل نتيجة، وينبّه إلى أن الرف الذي يتجاوز 20 kW يحتاج إلى تبريد سائل أو مبادلات حرارية على الباب الخلفي.
• الكهرباء. خطّط لدوائر مخصّصة، ووحدات توزيع طاقة (PDU) مزدوجة، وسعة UPS تكفي الحد الأقصى للاستهلاك لا المعدّل المعتاد.
• المساحة والوزن. تحقّق من عمق الرف وتحمّل الأرضية ومسار التوصيل قبل الطلب.

وتستهلك التهيئات في المثال المحسوب بين 3.55 و6.25 kW عند الحمل الكامل، بما فيها السويتشات، وهو ما تستوعبه غرف كثيرة قائمة بعد مراجعة التبريد. وكما في غرفة التيار الخفيف التي يشرحها دليلنا لأنظمة التيار الخفيف (ELV)، فهذه القرارات أرخص ما تكون على المخططات.

طبقة التشغيل: Ollama وvLLM وواجهة المحادثة

• Ollama (ترخيص MIT): سهل التثبيت ومناسب للتجارب الأولى والأجهزة المنفردة.
• vLLM (ترخيص Apache-2.0): محرّك تشغيل عالي الإنتاجية يعتمد PagedAttention ويوفّر خادم API متوافقاً مع OpenAI، ويدعم وحدات GPU من NVIDIA وAMD وIntel، مع إضافات لـ Intel Gaudi وHuawei Ascend وغيرها. ونستخدمه لخدمة عدة مستخدمين معاً.
• Open WebUI: واجهة محادثة شائعة، لكن مع تحفّظ على الترخيص. فمنذ الإصدار v0.6.6 (19 أبريل 2025) تستخدم ترخيص BSD-3 مع بند خاص بالعلامة التجارية، وتقول صفحة الترخيص نفسها إنه ليس ترخيصاً معتمداً من OSI. ولا يجوز إزالة العلامة إلا إذا كان المستخدمون 50 أو أقل خلال أي 30 يوماً متتالية، أو بإذن مكتوب للمساهمين الفعليين، أو بموجب ترخيص مؤسسي. أما الشيفرة حتى الإصدار v0.6.5 فتبقى بترخيص BSD-3.

وللنموذج نفسه ترخيصه أيضاً: gpt-oss بترخيص Apache 2.0، بينما يُطرح Llama 3.3 بموجب Llama 3.3 Community License، وهو ترخيص تجاري خاص. اقرأه قبل التشغيل الفعلي.

حلول الذكاء الاصطناعي للشركات وبقاء البيانات داخل الإمارات

النموذج الذي يعمل على خادمك يُبقي الطلبات والمستندات والإجابات على أجهزة تتحكّم بها، وهذا يسهّل الإجابة عن سؤال مكان حفظ البيانات (Data residency). لكنه لا يجعل النظام ممتثلاً للأنظمة بمفرده. فـالبوابة الرسمية لحكومة الإمارات تصف المرسوم بقانون اتحادي رقم 45 لسنة 2021 بأنه يسري على معالجة البيانات الشخصية عبر الأنظمة الإلكترونية داخل الدولة أو خارجها، وبأنه يضع متطلبات لنقل البيانات عبر الحدود، كما أن لمركز دبي المالي العالمي قانونه الخاص لحماية البيانات (قانون DIFC رقم 5 لسنة 2020). ويبقى تصميم صلاحيات الوصول والسجلات ومدد الاحتفاظ ضرورياً للطلبات والإجابات كما لأي سجل آخر.

كيف تتعامل UBM مع ذلك

نبدأ من الاستخدام: أي نموذج، وكم شخصاً في اللحظة نفسها، وما طول المحادثات، وما السرعة المطلوبة. نحسب ذلك معك في المحاكي، ونكتب موقف الشركة من مكان حفظ البيانات ونموذج الصلاحيات قبل طلب أي جهاز. تأتي الخوادم من مصنّعين نورّد منتجاتهم أصلاً (Dell وLenovo وHuawei، إضافة إلى محطات عمل من HP وDell وLenovo للتطوير) مع مسرّعات من NVIDIA أو AMD أو Intel أو Huawei تُختار بحسب النموذج، ونتحقّق من كهرباء الغرفة وتبريدها ومساحة الرفوف مقابل أقصى استهلاك. ويركّب مهندسونا الأجهزة والشبكة وطبقة التشغيل، ويجرون تجربة محدودة على بيانات حقيقية، ثم ندعم النظام كخدمة مستمرة. التفاصيل في صفحة حلول الذكاء الاصطناعي، ولحساب نموذج يناسب استخدامك تحدّث إلى أحد مهندسي UBM.

أسئلة يطرحها الناس

كم تحتاج نماذج 70B من ذاكرة GPU؟

نحو 141 GB للأوزان بدقة BF16 و73.7 GB بدقة FP8، يضاف إليها احتياطي لبيئة التشغيل وذاكرة KV لكل محادثة. وبدقة FP8 لا تكفي وحدة واحدة بذاكرة 80 GB، بينما تكفي وحدة بذاكرة 141 GB أو وحدتان بذاكرة 80 GB.

هل يمكن تشغيل نموذج لغوي خاص على خادم بلا GPU؟

للنماذج الصغيرة والاستخدام الخفيف، نعم. فمعالج الخادم بـ 12 قناة DDR5-6400 يبلغ حده الأقصى 614.4 GB/s، مقابل 4.8 TB/s لوحدة H200 واحدة، ولذلك يبقى نموذج 70B بدقة FP8 على المعالج دون نحو 8 توكنات في الثانية لكل معالج.

كم شخصاً يخدم سيرفر ذكاء اصطناعي واحد؟

يعتمد ذلك على النموذج وطول المحادثة والسرعة المطلوبة. ففي المحاكي يخدم خادم 2U واحد بوحدتي H200 NVL نحو 66 شخصاً في الوقت نفسه على Llama 3.3 70B بدقة FP8 ومحادثات بطول 16K توكن، بسرعة 20 توكن في الثانية أو أكثر لكل منهم.

ما مدى دقة أرقام المحاكي؟

أرقام الذاكرة (هل يتّسع النموذج، وكم محادثة) حساب دقيق مبني على البنية المنشورة لكل نموذج. أما السرعة فنموذج تقديري يعتمد على عرض النطاق والحوسبة والوصلات، فاعتبرها بهامش 25% زيادة أو نقصاً. والأسعار استرشادية، وUBM تقدّم السعر الفعلي في عرضها.

هل يُبقي تشغيل الذكاء الاصطناعي على خوادمنا البيانات داخل الإمارات؟

يبقى النموذج والبيانات على أجهزة تتحكّم بها، في المكان الذي تركّبها فيه. أما الامتثال فيعتمد على النظام القانوني الذي ينطبق عليك، مثل قانون حماية البيانات الشخصية الاتحادي (المرسوم بقانون رقم 45 لسنة 2021) أو قانون مركز دبي المالي العالمي، وعلى تصميم الصلاحيات والسجلات ومدد الاحتفاظ.

المصادر

• مستودع gpt-oss وملف README (OpenAI، 2025) وملف إعدادات gpt-oss-120b (OpenAI، 2025)
• The Llama 3 Herd of Models (Meta، 2024)
• بطاقة نموذج Llama 3.3 (Meta، 2024)
• Efficient Memory Management for Large Language Model Serving with PagedAttention (Kwon وآخرون، 2023)
• مواصفات NVIDIA H200 وH100 وL40S وL4 وRTX PRO 6000 Blackwell Server Edition (NVIDIA، 2026)
• معمارية NVIDIA Hopper (NVIDIA، 2026)
• مواصفات NVIDIA DGX B200 ومنصة NVIDIA HGX (NVIDIA، 2026)
• دليل مستخدم NVIDIA DGX H100/H200، نظرة عامة على الأجهزة (NVIDIA، 2026)
• مواصفات NVIDIA DGX Spark (NVIDIA، 2026)
• مواصفات AMD Instinct MI300X (AMD، 2026)
• نشرة مواصفات معالجات AMD EPYC 9005 (AMD، 2025)
• الورقة التقنية لمسرّع Intel Gaudi 3 (Intel، 2024)
• دليل NIST لوحدات SI، الملحق B.9 لمعاملات التحويل (NIST SP 811، 2008)
• ترخيص Ollama (MIT) ومستودع vLLM (Apache-2.0) وترخيص Open WebUI (2025 و2026)
• قوانين حماية البيانات (البوابة الرسمية لحكومة الإمارات، حُدّثت في ديسمبر 2025)