شريحة AMD تشغّل نموذج Kimi K3 بنصف تكلفة Nvidia

سوق معالجات الذكاء الاصطناعي لم يعد سباق أرقام فقط، بل سباق فواتير أيضاً. خلف كل نموذج عملاق يعمل في السحابة، هناك معادلة دقيقة بين الأداء والكلفة تفرض نفسها على شركات الحوسبة السحابية والهايبرسكيلرز. وفي اختبار جديد قد يعيد ترتيب الأوراق، أظهرت بيانات منصة InferenceX من SemiAnalysis تفوقاً لبطاقة AMD Instinct MI355X في تشغيل نموذج Kimi K3 الضخم، بكلفة أقل لكل توكن مقارنة ببطاقة Nvidia B300.

نموذج Kimi K3 الذي طورته شركة Moonshot AI الصينية ليس مجرد إصدار جديد، بل وحش حسابي بوزن 2.8 تريليون معامل وبنافذة سياق تصل إلى مليون توكن. هذه المواصفات تعني شيئاً واحداً عملياً: الحاجة إلى ذاكرة HBM بسعة 288 غيغابايت لكل وحدة معالجة رسومية.

هذا الشرط التقني يُخرج بطاقات أقدم مثل Nvidia B200 من المعادلة عند دقة FP4، ويجعل المنافسة منحصرة فعلياً بين أحدث مسرّعات AMD وNvidia بسعة 288 غيغابايت، أي MI355X وB300 وأنظمة GB300 NVL72. نحن إذاً أمام مقارنة مباشرة لا تقبل الالتفاف.

بحسب نتائج InferenceX، تتفوق Nvidia B300 في معدل الإنتاجية الخام لكل وحدة GPU. لكن التفوق العددي لا يترجم تلقائياً إلى كفاءة اقتصادية. فبطاقة MI355X تعمل بكلفة تأجير سحابي تبدأ من نحو 2.50 دولار لكل ساعة GPU، مقابل قرابة 6 دولارات لبطاقة B300.

هذه الفجوة في التسعير تنعكس على الكلفة لكل توكن مستنتج، حيث تظهر البيانات أن AMD تقدم تكلفة أقل بشكل ملحوظ، بل بأقل من نصف الكلفة في بعض إعدادات Kimi K3. وفي اختبارات سابقة على نموذج Kimi K2.6، قدّمت B300 إنتاجية أعلى بـ29 بالمئة، لكن MI355X كانت أرخص بـ23 بالمئة لكل توكن. المعادلة هنا ليست من يعمل أسرع، بل من يخفض فاتورة الاستدلال على نطاق واسع.

توقيت نشر هذه النتائج ليس عرضياً. AMD تستعد لإعلان نتائج الربع الثاني من 2026 مع توقعات بإيرادات تقارب 11.2 مليار دولار ونمو سنوي لافت. قطاع مراكز البيانات، الذي بلغ 5.8 مليارات دولار في الربع السابق مدفوعاً بشحنات Instinct، يمثل محور اهتمام المستثمرين.

أي إشارة إلى تحسن القدرة التنافسية في سوق تسريع الذكاء الاصطناعي قد تعزز سردية أن AMD لم تعد لاعباً ثانوياً أمام هيمنة CUDA وبيئة Nvidia البرمجية. ومع تسارع الطلب على تدريب النماذج وتشغيلها، تصبح الكفاءة في الاستدلال inference معياراً استراتيجياً، لا مجرد تفصيل تقني.

رغم الأرقام المشجعة، تبقى الحقيقة أكثر تعقيداً. Nvidia لا تبيع عتاداً فقط، بل منظومة متكاملة تشمل CUDA، أدوات التطوير، ودعماً مؤسسياً واسعاً داخل الشركات الكبرى. الانتقال إلى AMD لا يتعلق بالفاتورة فحسب، بل بقرارات هندسية وتشغيلية عميقة.

لكن مع تضخم أحجام النماذج مثل Kimi K3، وازدياد الطلب على نوافذ سياق هائلة، قد يجد مزودو الخدمات السحابية أنفسهم مضطرين لإعادة حساباتهم. فحين يصبح استهلاك الموارد بهذا الحجم، حتى الفارق الصغير في تكلفة التوكن يمكن أن يتحول إلى ملايين الدولارات على مستوى البنية التحتية.

الملفت في هذه الجولة من المنافسة أن حدود العتاد لم تعد تُقاس بعدد الأنوية أو التيرافلوبس فقط، بل بقدرة المسرّع الرسومي على تحويل طموح النماذج العملاقة إلى خدمة مستدامة اقتصادياً. وبينما يستمر Nvidia في قيادة الأداء الخام، يبدو أن AMD تراهن على منطق مختلف: ليس من يصل أولاً، بل من يجعل الذكاء الاصطناعي أقل كلفة عند استخدامه فعلياً وعلى نطاق واسع.