جوجل تطلق TorchTPU مفتوح المصدر ومجموعة وكلاء TPU لمنافسة إنفيديا
بقلم علي المنتصر — محلل ومحرر تقني أول
أعلنت جوجل إتاحة TorchTPU مفتوح المصدر، ما يتيح تشغيل تطبيقات PyTorch على شرائح TPU بتغيير إعداد واحد دون إعادة كتابة الكود. يأتي ذلك بعد يوم من إطلاق أمازون TorchNeuron، في مواجهة هيمنة إنفيديا على 85% من تطبيقات الذكاء الاصطناعي. وأطلقت جوجل TPU Agent Suite لأتمتة الترحيل والتقييم، مع دعم Claude Code وAntigravity.
الموجز الإحصائي السريع
أعلنت جوجل يوم الثلاثاء إتاحة TorchTPU كمشروع مفتوح المصدر، ما يتيح تشغيل تطبيقات PyTorch على شرائح TPU وGoogle Cloud بتغيير إعداد واحد دون إعادة كتابة الكود. يأتي الإعلان بعد يوم واحد من إطلاق أمازون TorchNeuron لشرائح Trainium، في مواجهة مباشرة لهيمنة إنفيديا على نحو 85% من تطبيقات الذكاء الاصطناعي.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | مجاني ومفتوح المصدر بالكامل (TorchTPU وTPU Agent Suite)؛ تكلفة التشغيل تُحتسب بسعر استخدام شرائح TPU على Google Cloud ولا توجد رسوم ترخيص. |
| 🌐 المنصات والتوفر الفوري | Google Cloud TPU VMs، وGKE (Pod/Job/XPK)، وGoogle Cloud Storage؛ أدوات الوكلاء تدعم Claude Code وAntigravity الآن، مع Codex وCursor قريباً. |
| ⚡ الأداء ومؤشرات السرعة | تقييمات Harbor لقياس TTFT وITL والإنتاجية (Throughput)؛ تحليل XProf لتحديد اختناقات الذاكرة واستخدام حوسبة TPU؛ حلقات تحسين ذاتي لنوى Pallas على TPU v6e. |
| 🛡️ الأمان ومقاومة الاختراق | المشروع مؤهل لبرنامج Google Open Source Software Vulnerability Rewards Program (OSS VRP)؛ الإبلاغ عن الثغرات عبر g.co/vulnz وليس عبر GitHub Issues العامة. |
| 🧠 سياق الذاكرة (Context Window) | غير منطبق — TorchTPU إطار تشغيل وترحيل وليس نموذجاً لغوياً؛ حجم السياق يحدده النموذج المستضاف (مثل Qwen/Qwen3.8-27B عبر vLLM). |
| 🌍 دعم اللغة العربية والمنطقة | الإطار محايد لغوياً؛ دعم العربية يعتمد على النموذج والتطبيق. متاح للمطورين في المنطقة العربية عبر Google Cloud مع متطلبات Python 3.12+ وgcloud. |
تفاصيل الإعلان والميزات التقنية الجديدة
يُعد TorchTPU النسخة المنتظرة من PyTorch التي طورتها جوجل لتعمل نatively على شرائح Tensor Processing Units، ما يسمح بترحيل تطبيقات PyTorch القائمة إلى TPU وGoogle Cloud عبر تغيير إعداد واحد فقط. ولضمان التوافق، أكدت جوجل أنها عملت مباشرة مع Meta (مالكة PyTorch الأصلية) وHugging Face وInferact (مطورة vLLM) وRadixArk (مطورة SGLang)، بحيث تعمل مكتبات TorchTPU بنفس كفاءة PyTorch الأصلي مع هذه الأدوات الشائعة.
إلى جانب الإطار نفسه، أطلقت جوجل TPU Agent Suite، وهي حزمة وكلاء مستقلة تُثبّت عبر tpu-agent-suite وتعمل على منصات الوكلاء الكبرى. يوجّه المستخدم طلباته باللغة الطبيعية إلى مهارة tpu-agent التي تتولى التوجيه إلى وكلاء متخصصين: التهيئة (Onboarding)، والتنميط (Profiling)، وفحص العتاد، وحقائق TPU الموثقة، وتحسين النوى (Kernels). تشمل المتطلبات Python 3.12+ وحزم المضيف ومنها XProf داخل بيئة افتراضية، مع أدوات CLI مثل gcloud وkubectl وgke-gcloud-auth-plugin وxpk لأحمال GKE متعددة العقد. كما حدّثت جوجل أداة LiteRT لتشغيل تطبيقات PyTorch بكفاءة أعلى على الهواتف والحواسيب والأجهزة المدمجة.
من الناحية الهندسية، يعتمد المشروع على مستودع google-pytorch/tpu-agent-suite الذي يضم إطار العمل (framework/) والحزمة (package/) والتقييمات (eval/). تُدار التقييمات عبر Harbor وتُشغَّل تلقائياً عبر GitHub Actions عند كل Pull Request، مع بوابات make verify وmake test وmake build وmake lint وpre-commit. وتشمل أمثلة الاستخدام القياسية تهيئة نموذج Qwen/Qwen3.8-27B كخادم استدلال vLLM على Cloud TPU باستخدام خلفية torch_tpu، ثم قياس TTFT وITL والإنتاجية في جدول، إضافة إلى تحليل ملفات XProf وتحسين نوى Pallas المخصصة لـ TPU v6e.
المقارنة المعيارية والأداء التنافسي
على مستوى السوق، يُستخدم PyTorch في نحو 85% من تطبيقات الذكاء الاصطناعي وفق تقديرات TechCrunch، وهي حصة تجعل أي تحويل للعمل على شرائح بديلة عن GPUs حدثاً بالغ الأثر. أطلقت أمازون قبل يوم واحد TorchNeuron لترحيل التطبيقات إلى شرائح Trainium وAWS دون إعادة كتابة، وأعلنت تقديم كود إلى مشروع PyTorch الرئيسي لفصل الميزات عن شرائح إنفيديا. وتتفوق جوجل في ثلاثة محاور: الشراكات المباشرة مع Meta وHugging Face وvLLM وSGLang، وإطلاق TPU Agent Suite لأتمتة الترحيل والتقييم، وتحديث LiteRT للأجهزة الطرفية. في المقابل، لا يعني توفر البدائل تخلّي المطورين الجماعي عن عتاد إنفيديا، لكنه يقلص حاجز التبديل بشكل ملموس.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
بالنسبة للمطور العربي، يخفض TorchTPU كلفة الترحيل إلى Google Cloud بشكل جوهري لأنه يلغي إعادة كتابة الكود، ما يجعله خياراً عملياً للشركات الناشئة التي تبني نماذج عربية على PyTorch. دعم vLLM وSGLang يعني إمكانية تشغيل نماذج عربية مفتوحة (مثل Qwen وJais) على TPU مع قياس TTFT وITL بدقة عبر TPU Agent Suite. كفاءة التوكنز في النصوص العربية تبقى مرتبطة بالمُرمِّز (Tokenizer) الخاص بكل نموذج وليس بالإطار، لذا يُنصح باختبار النماذج العربية على TPU v6e قبل الاعتماد الإنتاجي. أما LiteRT المحدّث فيفتح الباب لتطبيقات عربية على الأجهزة المحمولة دون سحابة، وهو عامل حاسم لأسواق ذات اتصال محدود.
الخلاصة والتطلعات القادمة
يمثل TorchTPU وTPU Agent Suite خطوة جوجل الأكثر جدية لكسر احتكار إنفيديا لطبقة تشغيل الذكاء الاصطناعي، مع دعم صريح لأدوات الوكلاء الكبرى. المرحلة القادمة ستشهد إضافة Codex وCursor إلى قائمة المنصات المدعومة، وتوسع تقييمات Harbor لتشمل نماذج عربية. النجاح الفعلي سيتحدد بمدى سرعة انتقال فرق التطوير من "قابلية النقل" إلى "الاعتماد الإنتاجي" على TPU.
المصدر الإعلامي: TechCrunch AI | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
