مراكز بيانات الذكاء الاصطناعي: شرح شامل

نبذة مختصرة: من المتوقع أن يتجاوز سوق مراكز بيانات الذكاء الاصطناعي العالمي 150 مليار دولار بحلول 2027، لكن هذه المنشآت لا تشبه تقريباً مراكز البيانات السحابية التي بُنيت خلال العقدين الماضيين. تتطلب أعباء الذكاء الاصطناعي بنية مختلفة جذرياً — من شبكات تنقل بيتابايتات في الثانية إلى أنظمة تبريد سائل تستخلص 100 كيلوواط لكل خزانة. يشرح هذا المقال ما يجعل مراكز بيانات الذكاء الاصطناعي فئة هندسية مستقلة ولماذا أصبح بناؤها التحدي الأبرز في البنية التحتية لهذا العقد.

في يناير 2025، أعلنت Microsoft عن خطط لإنفاق 80 مليار دولار على مراكز بيانات قادرة على تشغيل الذكاء الاصطناعي في سنة مالية واحدة. وبعد شهرين، التزمت Amazon بـ 100 مليار دولار. وتعهدت كل من Google وMeta وOracle بعشرات المليارات الإضافية. وفقاً لبعض التقديرات، سيستهلك سباق البنية التحتية العالمية للذكاء الاصطناعي أكثر من 300 مليار دولار من النفقات الرأسمالية بنهاية 2026 وحدها.

لكن هذا ليس مجرد تكرار للسابق. المنشآت التي تُبنى لتدريب نماذج الذكاء الاصطناعي وخدمتها تختلف معمارياً بشكل جذري عن مراكز البيانات التي شغّلت أول عقدين من الحوسبة السحابية. الخزانات أكثر كثافة، واستهلاك الطاقة مذهل، وأنظمة التبريد مستعارة من التصنيع الصناعي، وشبكات الاتصال تعمل بمقاييس كانت ستبدو عبثية قبل خمس سنوات.

فهم مراكز بيانات الذكاء الاصطناعي يعني فهم لماذا فشلت المقاربات التقليدية — وما الذي حلّ محلها.

لماذا تختلف مراكز بيانات الذكاء الاصطناعي

مركز البيانات السحابي التقليدي مبني حول معالجات مركزية تخدم طلبات الويب. كل خادم يتعامل مع مهام مستقلة نسبياً: استعلام قاعدة بيانات هنا، وعبء حاوية هناك. الخوادم تتواصل، لكن ليس باستمرار. يتراوح استهلاك الطاقة لكل خزانة بين 5 و15 كيلوواط، والتكييف الهوائي القياسي يكفي لإدارة درجات الحرارة.

مراكز بيانات الذكاء الاصطناعي تقلب كل هذه الافتراضات تقريباً. نظام NVIDIA DGX B200 الواحد يحتوي على ثماني وحدات GPU في عقدة واحدة، ويستهلك أكثر من 14 كيلوواط وحده. مجموعة تدريب كاملة قد تحتوي على آلاف هذه العقد، جميعها تتواصل في آن واحد خلال عملية تدريب واحدة. حيث قد يستهلك مركز بيانات تقليدي 20 ميغاواط إجمالاً، يتطلب مركز مخصص للذكاء الاصطناعي بانتظام 100 إلى 300 ميغاواط — ما يكفي لتشغيل مدينة صغيرة.

الفرق ليس تدريجياً. خزانة من وحدات GPU من NVIDIA تشغّل تدريب الذكاء الاصطناعي يمكن أن تستهلك 40 إلى 132 كيلوواط — مع أنظمة Blackwell Ultra من الجيل التالي التي تتجه نحو 250 كيلوواط لكل خزانة — مقارنة بـ 7 كيلوواط لخزانة خوادم سحابية نموذجية. فجوة الكثافة هذه تحكم كل قرار تصميمي آخر: الشبكات والتبريد وتوزيع الطاقة والتخطيط المادي.

تحدي الشبكات

في الحوسبة السحابية التقليدية، حركة البيانات الأفقية بين الخوادم مهمة، لكن الطلبات الفردية صغيرة نسبياً ومتسامحة مع التأخير. تدريب الذكاء الاصطناعي يحطّم هذا النموذج. خلال التدريب الموزّع، يجب أن تتزامن كل وحدة GPU في تبادل التدرجات مع كل وحدة أخرى بعد كل تمريرة أمامية وخلفية. مجموعة من 10,000 وحدة GPU قد تتبادل مئات التيرابايتات من البيانات في خطوة تدريب واحدة.

لهذا أصبحت InfiniBand — تقنية شبكات بُنيت أصلاً للحوسبة عالية الأداء — العمود الفقري لمراكز بيانات الذكاء الاصطناعي. تقدّم محوّلات Quantum-2 InfiniBand من NVIDIA سرعة 400 غيغابت في الثانية لكل منفذ بزمن تأخير أقل من ميكروثانيتين، أي أسرع بنحو عشر مرات من شبكة Ethernet التقليدية لعمليات all-reduce التي تهيمن على حركة تدريب الذكاء الاصطناعي.

داخل الخوادم الفردية، يتيح ربط NVLink من NVIDIA لوحدات GPU التواصل بسرعات تتجاوز ناقل PCIe بالكامل. يقدّم الجيل الرابع من NVLink في أنظمة Hopper سرعة 900 غيغابايت في الثانية لكل GPU، بينما يضاعفها الجيل الخامس في أنظمة Blackwell إلى 1.8 تيرابايت في الثانية. يخلق الجمع بين NVLink داخل العقدة وInfiniBand بين العقد شبكة من مستويين محسّنة لأنماط الاتصال المحددة للتدريب الموزّع.

Ethernet تقاوم. أعضاء Ultra Ethernet Consortium — بما في ذلك Broadcom وCisco وMicrosoft — يطورون متغيرات RoCE v2 (RDMA عبر Ethernet المتقاربة) تقترب من أداء InfiniBand بتكلفة أقل. لأعباء الاستدلال، التي لها متطلبات تزامن أقل صرامة، أصبحت الشبكات المبنية على Ethernet تنافسية بالفعل. حروب السحابة الذكية هي جزئياً معركة بنية شبكات تُخاض على مستوى المحوّلات.

الطوبولوجيا المهيمنة لمجموعات الذكاء الاصطناعي هي شبكة fat-tree، التي توفر مسارات متعددة متكررة بين أي عقدتين. شبكة fat-tree مصممة جيداً تضمن ألا يتمكن أي عطل في محوّل واحد من تقسيم المجموعة، وأن عرض النطاق الترددي يتوسع خطياً مع إضافة العقد. بناء هذه الطوبولوجيات على نطاق واسع — ربط 100,000 وحدة GPU بعرض نطاق ترددي كامل — يتطلب آلاف المحوّلات وعشرات الآلاف من أجهزة الإرسال والاستقبال البصرية، كل منها نقطة عطل محتملة.

تبريد مصنع الذكاء الاصطناعي

عندما تستهلك كل خزانة 40 إلى 130 كيلوواط أو أكثر، لا يستطيع التبريد الهوائي ببساطة إزالة الحرارة بالسرعة الكافية. الفيزياء لا ترحم: الهواء يملك ما يقارب واحداً على خمسة وعشرين من الموصلية الحرارية للماء وواحداً على ألف من التلامس المباشر بالسائل. لهذا أصبح التبريد السائل التقنية المحورية في عصر مراكز بيانات الذكاء الاصطناعي.

التبريد السائل المباشر للرقاقة — حيث توضع صفائح تبريد مباشرة على قوالب GPU وتُدوّر المياه أو سائل تبريد متخصص — أصبح الآن معياراً لمجموعات الذكاء الاصطناعي عالية الكثافة. تفترض التصاميم المرجعية من NVIDIA لأنظمة Blackwell التبريد السائل. مبادلات الحرارة الخلفية، التي تُلحق مشعّات مبرّدة بالماء بظهر كل خزانة، توفر مساراً لتحديث المنشآت القائمة لكنها لا تتعامل مع أعلى الكثافات.

التبريد بالغمر، حيث تُغمر الخوادم بالكامل في سائل عازل كهربائياً، يعد بمعدلات استخلاص حراري أعلى وتنشره شركات مثل GRC وLiquidCool Solutions. لكن الغمر يبقى جزءاً صغيراً من إجمالي عمليات النشر، جزئياً لأن صيانة العتاد المغمور أكثر تعقيداً وجزئياً لأن سلسلة توريد السوائل العازلة لا تزال في طور النضج.

مقياس الكفاءة المهم هو فعالية استخدام الطاقة (PUE) — إجمالي طاقة المنشأة مقسوماً على طاقة معدات تقنية المعلومات. PUE بقيمة 1.0 يعني صفر أعباء إضافية؛ مراكز البيانات المبرّدة بالهواء حول العالم تحقق عادة 1.5 إلى 1.8، مع وصول الرواد إلى 1.2 إلى 1.3. منشآت الذكاء الاصطناعي الحديثة المبرّدة بالسوائل تتجه نحو 1.08 إلى 1.15 — حيث بلغ متوسط PUE لأسطول Google نحو 1.10 في 2025، مما يعني أن 10 إلى 15% فقط من إجمالي الطاقة تذهب للتبريد والإضاءة والأعباء الأخرى.

الطاقة والموقع

المورد الأكثر ندرة في بناء مراكز بيانات الذكاء الاصطناعي ليس السيليكون ولا الكفاءات ولا رأس المال. إنه الطاقة الكهربائية.

مركز بيانات ذكاء اصطناعي بقدرة 100 ميغاواط — منشأة متوسطة الحجم بالمعايير الحالية — يستهلك كهرباء تعادل ما يقارب 80,000 منزل أمريكي. سيحتاج مجمّع Microsoft المخطط في Mount Pleasant بولاية Wisconsin في النهاية إلى حوالي 2 غيغاواط عبر عدة منشآت. وصُمم مركز Hyperion من Meta في Louisiana لأكثر من 2 غيغاواط، مع إمكانية التوسع إلى 5 غيغاواط، مما يجعله أكبر من العديد من محطات توليد الطاقة.

هذا الجوع للطاقة يُعيد رسم الجغرافيا. تتجمع مراكز بيانات الذكاء الاصطناعي حول الكهرباء الرخيصة والوفيرة: الطاقة الكهرومائية في Quebec واسكندنافيا، والغاز الطبيعي في Texas، وبشكل متزايد، اتفاقيات الطاقة النووية المخصصة مثل صفقة Amazon مع Talen Energy في محطة Susquehanna في Pennsylvania. يقيّم بعض مزودي الحوسبة الفائقة المفاعلات النووية المعيارية الصغيرة (SMRs) كمصادر طاقة مخصصة في الموقع لمنشآت مخططة في عقد 2030.

أصبح الربط بالشبكة الكهربائية عقبة. في Northern Virginia — أكبر سوق لمراكز البيانات في العالم الذي يضم أعلى تركيز لقدرات مراكز البيانات عالمياً — حذرت شركة Dominion Energy من أن توصيلات مراكز البيانات الكبيرة الجديدة قد تواجه فترات انتظار من أربع إلى سبع سنوات. تظهر قيود مماثلة في Dublin وسنغافورة وAmsterdam، حيث فرضت الحكومات تعليقات أو قيوداً على بناء مراكز بيانات جديدة.

البناء الفائق الحجم

الشركات التي تبني هذه المنشآت تعمل بحجم يقزّم كل استثمار سابق في البنية التحتية الحاسوبية.

تخطط Microsoft لتشغيل أكثر من 300 مركز بيانات بحلول نهاية 2026 وتبني حسب التقارير بوتيرة منشأة جديدة كل ثلاثة أيام. تشغّل Google 40 منطقة سحابية عبر ست قارات وتضيف قدرات محسّنة للذكاء الاصطناعي إلى معظمها. تتوسع Amazon Web Services، أكبر مزوّد للبنية التحتية السحابية، في 36 منطقة جغرافية. وتبني Meta، التي تشغّل بعض أكبر المنشآت أحادية الموقع في العالم، مجمّع Hyperion بقدرة تفوق 2 غيغاواط في Louisiana — بدعم مشروع مشترك مع Blue Owl Capital بقيمة 27 مليار دولار — ليكون أكبر مركز بيانات يُبنى على الإطلاق، مع إمكانية التوسع إلى 5 غيغاواط.

خلف مزودي الحوسبة الفائقة، طبقة ثانية من مزودي GPU السحابيين — CoreWeave وLambda وCrusoe Energy — تبني منشآت أصغر لكن متخصصة بشكل كبير في الذكاء الاصطناعي، غالباً بالقرب من مصادر طاقة متجددة أو معزولة.

ما الذي سيأتي بعد ذلك

ثلاثة اتجاهات تُعيد تشكيل الجيل التالي من مراكز بيانات الذكاء الاصطناعي. أولاً، البناء المعياري والمسبق التصنيع يسرّع مواعيد النشر. نهج Microsoft في “مركز البيانات في صندوق” يستخدم وحدات مصنّعة في المصنع تصل إلى الموقع جاهزة للتوصيل، مما يقلّص وقت البناء من 18 شهراً إلى ستة أشهر فقط.

ثانياً، توسيع نطاق الاستدلال يخلق طلباً على نوع مختلف من المنشآت. مجموعات التدريب تُحسّن لأقصى عرض نطاق ترددي بين وحدات GPU. مجموعات الاستدلال تُحسّن للتأخير والإنتاجية مقابل التكلفة، وغالباً تستخدم عتاداً مختلفاً (NVIDIA L40S أو Google TPU v5e أو دوائر متكاملة مخصصة) وشبكات أقل تعقيداً.

ثالثاً، مراكز بيانات الذكاء الاصطناعي الطرفية — منشآت أصغر توضع أقرب إلى المستخدمين — تبرز لخدمة التطبيقات الحساسة للتأخير مثل المركبات الذاتية القيادة والترجمة الفورية والروبوتات الصناعية. تستبدل هذه المنشآت الحجم بالقرب، وعادة تعمل بقدرة 1 إلى 10 ميغاواط بدلاً من المئات.

ثورة الذكاء الاصطناعي تعمل على السيليكون، لكنها تعيش في هذه المباني. فهم كيف تُصمّم مراكز بيانات الذكاء الاصطناعي وتُزوّد بالطاقة وتُبرّد وتُربط ضروري لكل من يتخذ قرارات البنية التحتية في العقد القادم.

الأسئلة الشائعة

المصادر والقراءات الإضافية

• NVIDIA — DGX B200 Datasheet
• NVIDIA — NVLink & NVSwitch: Fastest HPC Data Center Platform
• IEA — Data Centres and Data Transmission Networks Energy Use
• Google — Data Center Efficiency: Power Usage Effectiveness
• TechCrunch — Microsoft to Spend $80 Billion in FY25 on Data Centers for AI
• Meta — Hyperion AI Data Center in Louisiana
• TechCrunch — Amazon Doubles Down on AI with a Massive $100B Spending Plan for 2025