من “القدرة الحسابية” إلى “القدرة التخزينية”: في النصف الثاني من مسيرة أجهزة الذكاء الاصطناعي، من يشكل العائق؟
مرحبًا بكم، أنا مراسل مالي وعالم اقتصاد.
مؤخرًا، إذا كنتم تتابعون عالم التكنولوجيا أو سوق الأسهم، ربما لاحظتم ظاهرة مثيرة للاهتمام: في السابق، كان الجميع يتحدثون عن الذكاء الاصطناعي ويركزون بشكل أساسي على وحدات معالجة الرسوميات (GPUs) الخاصة بشركة إنفيديا، وكأنها “الدماغ” والجزء الأساسي من أجهزة الذكاء الاصطناعي. لكن في النصف الثاني من عام 2025، تغيرت الأمور. أصبحت أجهزة التخزين مثل الذاكرة العشوائية (DRAM) والذاكرة الفلاشية (NAND) والأقراص الصلبة، التي كانت تعتبر في السابق “أدوارًا ثانوية”， هي الشخصيات الرئيسية الآن.
لماذا؟ لأن القدرة التخزينية أصبحت العائق الرئيسي.
ببساطة، في السابق كانت المشكلة في بطء عمليات الحساب، أما الآن فهي في قلة سعة التخزين وبطء سرعة القراءة. هذا مثل طاهٍ ماهر (وحدة معالجة الرسوميات)؛ حتى لو كانت مهاراته في الطهي سريعة، إذا كانت سرعة إخراج المكونات (البيانات) من الثلاجة (الذاكرة) بطيئة، فلن يتمكن من العمل بكفاءة.
اليوم، سنشرح بلغة بسيطة هذا التقرير المتعمق حول ذاكرة HBM (ذاكرة عرض النطاق العالي) لنرى ما الذي يحدث في هذه الثورة التخزينية وما هي المنطقيات التجارية والفرص الاستثمارية وراءها.
---
السبب الأول: لماذا يحتاج الذكاء الاصطناعي إلى كميات كبيرة من الذاكرة فجأة؟
يوجد خطأ شائع لدى الكثيرين، وهو اعتقادهم أن الذكاء الاصطناعي يتعلق فقط بالحسابات ولا علاقة له بالتخزين. في الواقع، الطلب على الذاكرة في الذكاء الاصطناعي ينمو بشكل أسي، ويرجع ذلك إلى ثلاثة أسباب رئيسية:
1. زيادة حجم النماذج الذكاء الاصطناعية
يمكنكم تخيل النماذج الذكاء الاصطناعية الكبيرة على أنها قواميس معقدة للغاية. في السابق، كانت هذه القواميس تحتوي على عدد قليل من الملايين من المفردات، أما الآن فقد ارتفع هذا العدد إلى تريليونات المفردات.
- البيانات كشاهد: على سبيل المثال، نموذج Qwen3.8 Max، الذي يحتوي على عدد من المفردات أكبر بأكثر من 30 مرة مقارنة بالجيل الأول.
- العواقب: مجرد تخزين هذه القواميس في الذاكرة يتطلب مساحة كبيرة، حيث ارتفعت السعة المطلوبة من 135 جيجابايت إلى 2300 جيجابايت (حوالي 2.3 تيرابايت). وهذا لم يكن سوى البداية، فقط “القواميس” نفسها تشغل مساحة كبيرة.
2. زيادة حجم البيانات المطلوب تخزينها أثناء المحادثات
هذا هو الجزء الأكثر إهمالًا، لكنه يستهلك الكثير من الذاكرة. كلما زادت المحادثات مع الذكاء الاصطناعي، زادت المعلومات التي يحتاج إلى تخزينها.
- مثال: عندما تتحدثون مع صديق لمدة 100 صفحة، يحتاج إلى تذكر كل هذه المعلومات ليتمكن من الاستمرار في المحادثة.
- الوضع الحالي: على الرغم من التقدم التكنولوجي في مجال ضغط البيانات، إلا أن طول سياق المحادثات مع الذكاء الاصطناعي أصبح الآن يصل إلى مئات الآلاف أو حتى الملايين من المفردات.
- تأثير متراكم: إذا كان هناك 32 شخصًا يتحدثون في نفس الوقت مع الذكاء الاصطناعي، فإن مجرد هذه البيانات المخزنة تتطلب 1.3 تيرابايت من الذاكرة. بالإضافة إلى الـ 2.3 تيرابايت التي تستهلكها النماذج الذكاء الاصطناعية نفسها، يصبح المجموع 3.6 تيرابايت من الذاكرة!
3. المهام المتنوعة التي يقوم بها الذكاء الاصطناعي
الذكاء الاصطناعي اليوم لا يقتصر فقط على الإجابة على الأسئلة؛ بل يمكنه أيضًا كتابة الكود وتشغيل برامج مثل Excel وإرسال الرسائل الإلكترونية. الأدوات المؤقتة والسجلات والبيانات الوسيطة الناتجة عن هذه العمليات تستهلك الكثير من الذاكرة، حتى لو لم تكن تتطلب ذاكرة عالية الأداء مثل HBM.
خلاصة: في السابق، كان السرعة في الحساب أمرًا مهمًا، أما الآن فإن سعة التخزين وسرعة القراءة أصبحتا أكثر أهمية، بل وحتى أساسيتين.
---
السبب الثاني: لماذا أصبحت ذاكرة HBM المفضلة؟ ألا يمكن استخدام الذاكرة العادية؟
بما أن الذاكرة مهمة جدًا، لماذا لا نستخدم الذاكرة من نوع DDR5 الموجودة في أجهزة الكمبيوتر العادية بدلاً من ذاكرة HBM الغالية؟
الإجابة تكمن في مؤشرين أساسيين: السعة والسرعة.
1. الحدود الفيزيائية للذاكرة العادية
- صعوبة تطوير التقنيات: من الصعب تصنيع رقائق الذاكرة بدقة مماثلة لتلك المستخدمة في وحدات المعالجة المركزية (CPU)، خاصة عند مستويات 2 نانومتر أو 3 نانومتر. القوانين الفيزيائية تحد من إمكانيات تصغير حجم الرقائق، مما يؤدي إلى أخطاء في نقل البيانات. تقنيات تصنيع الذاكرة حاليًا محدودة عند مستوى 11-12 نانومتر، ومن المتوقع أن تصل إلى 10 نانومتر في السنوات القادمة فقط.
- مساحة محدودة: نظرًا لصغر حجم الرقائق، لا يمكن وضع العديد منها في مكان واحد، خاصة داخل رقاقة وحدة معالجة الرسوميات المكدسة بشكل مرتب.
2. التقنيات المتقدمة المستخدمة في ذاكرة HBM
الميزة الرئيسية لذاكرة HBM هي أنها تستخدم تقنيات تسمح بتكديس الرقائق بشكل عمودي بدلاً من توزيعها أفقيًا.
- التكديس العمودي: تخيلوا أن الذاكرة العادية موجودة في منازل مستوية على الأرض، بينما ذاكرة HBM موجودة في “مواقف سيارات” مبنية بجانب وحدة معالجة الرسوميات. تتميز ذاكرة HBM بتكديس 12 أو حتى 16 طبقة من الرقائق معًا بشكل متداخل.
- الثقوب السيليكونية: لتوصيل هذه الطبقات، يتم استخدام ثقوب دقيقة جدًا يتم ملؤها بالنحاس لتمكين نقل الإشارات بسرعة.
- النتيجة: في نفس المساحة، تستطيع ذاكرة HBM استيعاب سعة أكبر بكثير من الذاكرة العادية.
3. السرعة العالية
- عرض البتات الكبير: تستطيع ذاكرة HBM نقل 1024 أو حتى 2048 بتًا من البيانات في وقت واحد، بينما الذاكرة العادية تستطيع نقل 32 بتًا فقط. هذا يعني أن ذاكرة HBM تعمل بسرعة أعلى بكثير.
خلاصة: تم تطوير ذاكرة HBM لحل مشكلتين رئيسيتين: نقص المساحة وبطء السرعة.
---
السبب الثالث: ما هي التحديات التقنية والتكلفة العالية لتصنيع ذاكرة HBM؟
على الرغم من مزايا ذاكرة HBM، إلا أن تصنيعها يعتبر تحديًا كبيرًا، وهذا هو السبب في ارتفاع أسعارها مقارنة بالذاكرة العادية. هناك ثلاثة تحديات رئيسية:
1. تقنيات التكديس المعقدة
- صعوبة الثقب: يجب عمل آلاف الثقوب الدقيقة في رقائق السيليكون الرقيقة بدقة عالية، مع الحفاظ على توزيع متساوٍ وتوفير تبريد مناسب وتوصيل الكهرباء.
- صعوبة اللحام: كيف يتم لحام هذه الطبقات معًا؟
- شركة هاينيكس (SK Hynix) تستخدم تقنية MR-MUF (اللحام بالتدفق الحراري + الراتنج السائل)، والتي تسمح بترتيب الرقائق بسرعة وتوفير كفاءة عالية وجودة عالية وتبريد جيد.
- شركتا سامسونج وميكرونيكس تستخدمان تقنية TC-NCF (الضغط الحراري + الطبقة غير الموصلة)، والتي تتطلب عدة خطوات وتكون أكثر عرضة للأخطاء وتنتج كفاءة أقل.
- المنافسة: تتمتع شركة هاينيكس بميزة كبيرة في مجال ذاكرة HBM بفضل تقنية MR-MUF، مما يمنحها هامش ربح أعلى. تسعى سامسونج وميكرونيكس إلى تطوير تق