هل يمكن للخوادم المُجدَّدة تشغيل أعباء عمل الذكاء الاصطناعي؟ دليل خوادم GPU لعام 2026

لماذا تجلب الشركات الذكاء الاصطناعي داخليًا

تتراكم اشتراكات الذكاء الاصطناعي السحابية وفواتير API بهدوء. يمكن لفريق من عشرة أشخاص مشغولين بسهولة إنفاق عدة مئات من الدولارات شهريًا على ChatGPT وClaude وأدوات الذكاء الاصطناعي المختلفة - وهذا الرقم ينمو مع ازدياد الاستخدام. تشغيل نموذج مفتوح المصدر على أجهزتك الخاصة يحول هذه التكلفة المتكررة إلى شراء أجهزة لمرة واحدة.

التكلفة هي جزء فقط من الصورة. المحرك الآخر هو التحكم:

• لا تغادر البيانات شبكتك أبدًا - أمر بالغ الأهمية لشركات المحاماة، ومقدمي الرعاية الصحية، وأي نشاط تجاري يتعامل مع بيانات العملاء بموجب اتفاقيات عدم الإفصاح (NDA)، أو متطلبات HIPAA، أو التزامات توطين البيانات المحلية
• تكاليف قابلة للتنبؤ - لا يوجد تسعير لكل رمز مميز يتناسب مع الاستخدام، ولا فواتير مفاجئة بعد شهر حافل
• لا حدود للمعدل أو قيود على الأداء - الجهاز ملكك، لذا فإن المهام الدفعية وفترات الذروة لا تصل إلى حدود استخدام شخص آخر
• يعمل مع ما تقوم بتشغيله بالفعل - يتم تثبيت مضيف GPU في مجموعة Proxmox أو VMware الحالية جنبًا إلى جنب مع أجهزتك الافتراضية الأخرى

هل الأجهزة المجددة واقعية للذكاء الاصطناعي؟

نعم — مع التوقعات الصحيحة. لن يقوم الخادم المجدد بتدريب نموذج رائد، ولن ينافس مجموعة H100 الجديدة. لكن هذا ليس ما تحتاجه معظم الشركات بالفعل. عبء العمل المهم للغالبية العظمى من الشركات الصغيرة والمتوسطة هو الاستدلال - تشغيل نموذج مدرب بالفعل للإجابة على الأسئلة، أو تلخيص المستندات، أو إنشاء استجابة - وليس تدريب نموذج من الصفر.

الاستدلال أقل تطلبًا بكثير من التدريب، وتعمل النماذج الحديثة مفتوحة المصدر (Llama، Mistral، Qwen، DeepSeek، وغيرها) بشكل مريح على وحدة معالجة رسومات احترافية واحدة. هذه الوحدة هي الجزء الوحيد من هذا البناء الذي ستشتريه جديدًا أو مستخدمًا قليلاً - لكن الخادم الذي يحملها، وذاكرة الوصول العشوائي (RAM)، ومحركات الأقراص، والهيكل، ووحدات تزويد الطاقة الاحتياطية، كل ذلك هو بالضبط ما يجعل خادم PowerEdge أو ProLiant المجدد يستحق قيمته، بجزء بسيط من سعر الخادم الجديد.

ما يحتاجه خادم GPU بالفعل

لا يمكن لكل خادم رف أن يستوعب وحدة معالجة رسومات. قبل شراء بطاقة، يجب أن يستوفي الهيكل بعض المتطلبات:

• بطاقة توصيل GPU ومجموعة تمكين — تبيع Dell وHPE بطاقات توصيل GPU محددة، وأغطية تهوية، ومجموعات مراوح عالية الأداء لهياكلها المدعومة بوحدات معالجة الرسومات؛ لن تدعم بطاقة التوصيل القياسية بطاقة كاملة الحجم من الناحية المادية أو الحرارية
• طاقة كافية - تستهلك وحدات معالجة الرسومات في مراكز البيانات 150-300 واط لكل منها؛ يتطلب بناء وحدة معالجة رسومات عادة وحدات تزويد طاقة احتياطية بقوة 1100 واط أو أكثر، وليس وحدات تزويد الطاقة الأصغر التي تأتي بها بعض الخوادم
• تدفق هواء مصمم لذلك - تعتمد وحدات معالجة الرسومات في مراكز البيانات المبردة سلبيًا بالكامل على مراوح الهيكل للتبريد؛ غطاء تهوية وحدة معالجة الرسومات ومجموعة المراوح عالية الأداء ليست إضافات اختيارية، بل هي ما يمنع البطاقة من التباطؤ
• ذاكرة وصول عشوائي (RAM) بحجم مناسب للنموذج - كقاعدة عامة، خطط لحوالي ضعف حجم ملف النموذج في ذاكرة الوصول العشوائي للنظام جنبًا إلى جنب مع ذاكرة الوصول العشوائي (VRAM) الخاصة بوحدة معالجة الرسومات، بحيث يتناسب النموذج وعبئه الإضافي بشكل مريح
• وحدة تخزين محلية سريعة - تصل ملفات النموذج إلى عشرات الجيجابايت لكل منها؛ تحافظ وحدة التخزين NVMe على سرعة تحميل النموذج والتبديل بين النماذج

أي الخوادم المجددة تدعم وحدة معالجة الرسوميات (GPU)

دعم وحدات معالجة الرسوميات ليس شاملاً عبر نطاقات PowerEdge و ProLiant - يعتمد ذلك على وجود فتحة رافع مناسبة في الهيكل، وتصميم تدفق الهواء، وتوصيل الطاقة. هذه هي النماذج التي تستحق الاستهداف في سوق الأجهزة المجددة:

اختيار وحدة معالجة الرسوميات (GPU) للاستدلال

ينقسم سوق وحدات معالجة الرسوميات بوضوح إلى فئتين لهذا الغرض، ويعتمد الخيار الصحيح على ميزانيتك ومدى "الإنتاج" الذي يجب أن يكون عليه النشر:

تعد ذاكرة الوصول العشوائي للفيديو (VRAM) هي الرقم الذي يحدد النماذج التي يمكنك تشغيلها بالفعل - إنها العامل الأكبر الوحيد في تحديد الحجم، وأكثر أهمية من سرعة وحدة معالجة الرسوميات الخام. كدليل تقريبي للنماذج مفتوحة المصدر الكمية (المضغوطة):

تشغيل أعباء عمل الذكاء الاصطناعي على Proxmox

إذا كنت تقوم بالفعل بتشغيل Proxmox - بما في ذلك على خادم تم ترحيله في دليل ترحيل VMware إلى Proxmox الخاص بنا - فإن إضافة مضيف وحدة معالجة رسومات (GPU) إلى المجموعة أمر بسيط. يدعم Proxmox تمرير وحدة معالجة الرسومات (GPU passthrough) الكامل: يتم تسليم وحدة معالجة الرسومات مباشرة إلى جهاز افتراضي واحد عبر VFIO، مما يمنح هذا الجهاز الافتراضي أداء وحدة معالجة الرسومات شبه الأصلي، بمعزل عن بقية المجموعة.

الإعداد العملي، في لمحة:

• قم بتمكين VT-d (Intel) أو AMD-Vi/IOMMU في BIOS الخادم، وتأكد من تفعيل IOMMU في Proxmox
• ضع برنامج تشغيل NVIDIA/AMD الخاص بالمضيف في القائمة السوداء لربط وحدة معالجة الرسومات بـ VFIO بدلاً من ذلك، مما يجعلها متاحة لتسليمها إلى جهاز افتراضي
• قم بتوصيل وحدة معالجة الرسومات بجهاز افتراضي يعمل بنظام Linux (Ubuntu هو الخيار الشائع لأعباء عمل الذكاء الاصطناعي) وقم بتثبيت برنامج تشغيل NVIDIA القياسي داخل الجهاز الافتراضي
• قم بتشغيل مكدس الاستدلال الخاص بك داخل هذا الجهاز الافتراضي - Ollama و vLLM هما الخياران الأكثر شيوعًا، وكلاهما سهل التثبيت على Linux

الجانب البرمجي: تشغيل نموذج

الأجهزة ليست سوى نصف المشروع. على الجانب البرمجي، تغطي أداتان تقريبًا جميع حالات استخدام الشركات الصغيرة والمتوسطة:

• Ollama: أبسط طريقة لتشغيل نموذج؛ اسحب نموذجًا مفتوح المصدر بأمر واحد وسيقوم بكشف واجهة برمجة تطبيقات محلية على الفور. نقطة الانطلاق الافتراضية لمعظم عمليات النشر الأولية.
• vLLM: محرك تقديم عالي الإنتاجية مصمم للتعامل مع العديد من الطلبات المتزامنة بكفاءة؛ الخيار الأفضل بمجرد انتقال النشر من "عدد قليل من الأشخاص يختبرونه" إلى "يعتمد عليه الفريق بأكمله يوميًا"

بالإضافة إلى أي منهما، توفر واجهة أمامية مثل Open WebUI لفريقك واجهة دردشة مألوفة، وتدعم كلتا الأداتين التوليد المعزز بالاسترجاع (RAG) - لتغذية النموذج بوثائق شركتك الخاصة بحيث تستند الإجابات إلى سياساتك أو عقودك أو قاعدة معارفك الفعلية بدلاً من التدريب العام للنموذج.

مقارنة التكاليف: الذكاء الاصطناعي المحلي مقابل الذكاء الاصطناعي السحابي: الصورة الحقيقية للتكلفة

تعتمد نقطة التعادل كليًا على الاستخدام. يتم تسعير واجهة برمجة تطبيقات الذكاء الاصطناعي السحابية لكل رمز مميز، لذلك تتناسب التكلفة مباشرة مع الحجم - وهو أمر مناسب للاستخدام العرضي أو غير المتوقع. أما الأجهزة المملوكة فلها تكلفة ثابتة بغض النظر عن مدى عملها، وهذا ما يجعلها جذابة للاستخدام اليومي الثابت.

أمثلة على البنى

الأسئلة الشائعة

هل يمكنني استخدام وحدة معالجة رسوميات (GPU) مخصصة للألعاب (RTX 4090، إلخ) في خادم؟

فيزيائيًا، في بعض الأحيان - لكن نادرًا ما يكون مناسبًا تمامًا. بطاقات المستهلك تبرد بشكل نشط، وغالبًا ما تكون طويلة جدًا بالنسبة لقارئ بطاقات التوسعة في الخادم، وليست مدرجة في قوائم التوافق الرسمية لشركة Dell أو HPE. يمكن أن تعمل في بيئة منزلية، ولكن بالنسبة للنشر التجاري، فإن بطاقة مركز بيانات مدعومة هي الخيار الأكثر أمانًا وقابلية للتنبؤ.

هل أحتاج إلى وحدات معالجة رسوميات (GPUs) متعددة؟

ليس لمعظم حالات الاستخدام في الشركات الصغيرة والمتوسطة. يمكن لوحدة معالجة رسوميات (GPU) واحدة لمركز بيانات بسعة 16-24 جيجابايت التعامل بسهولة مع نماذج المعلمات من 7B إلى 34B التي تغطي غالبية مهام الذكاء الاصطناعي للأعمال. بنيات وحدات معالجة الرسوميات المتعددة مخصصة للنماذج الأكبر أو العديد من المستخدمين المتزامنين - يستحق إضافتها بمجرد أن يكون لديك حاجة مؤكدة، وليس قبل ذلك.

هل يمكن تشغيل هذا جنبًا إلى جنب مع بيئة الافتراضية الحالية لدينا؟

نعم. يمكن أن يكون خادم وحدة معالجة الرسوميات (GPU) عقدة إضافية في بيئة Proxmox أو VMware موجودة، مع تمرير وحدة معالجة الرسوميات إلى جهاز افتراضي مخصص بينما يستمر باقي الكتلة في العمل بشكل طبيعي.

هل تدريب نموذج محليًا واقعي لشركة صغيرة؟

نادرًا، وعادة ما يكون غير ضروري. تعديل نموذج صغير بناءً على بياناتك الخاصة ممكن أحيانًا على وحدة معالجة رسوميات (GPU) قوية واحدة، لكن تدريب نموذج من الصفر يتطلب أجهزة تتجاوز هذا النطاق بكثير. تأتي جميع قيم الشركات الصغيرة والمتوسطة تقريبًا من الاستنتاج على نموذج مفتوح المصدر موجود - وليس تدريب نموذج جديد.

أفكار أخيرة

لقد انتقل الذكاء الاصطناعي المحلي من كونه تجريبيًا إلى تيار سائد أسرع مما توقعه أي شخص تقريبًا. بالنسبة للأعمال التي تدفع بالفعل بانتظام مقابل أدوات الذكاء الاصطناعي السحابية، يقدم الخادم المجدد المزود بوحدة معالجة رسوميات (GPU) طريقة مباشرة لجلب هذه التكلفة داخليًا — مع الحفاظ على البيانات الحساسة داخل الشركة طوال الوقت.

الصيغة: R740 أو R750xa أو DL380 مجدد مع مجموعة تمكين وحدة معالجة الرسوميات، ووحدة معالجة رسوميات لمركز بيانات مدعومة بحجم نماذجك، وذاكرة وصول عشوائي (RAM) كافية، وتخزين NVMe - تشغيل Ollama أو vLLM، بشكل مستقل أو كجهاز افتراضي مُمرر داخل مجموعة Proxmox موجودة.