تصور کنید برای ساخت یک عامل هوش مصنوعی آمادهی تولید، مجبور باشید دهها ابزار مختلف را که هرگز برای همکاری با هم طراحی نشدهاند، به هم بچسبانید. این گسست ابزاری، هزینهای پنهان از زمان و دقت تیمهای مهندسی میگیرد که حالا CoreWeave قصد دارد با معرفی پلتفرم Forge در ۳۰ سپتامبر ۲۰۲۶، آن را به پایان برساند. Forge به عنوان یک لایه توسعه یکپارچه برای تیمهایی طراحی شده است که در حال ساخت و بهبود مدلها و عاملهای هوشمند هستند.
این خبر در جریان کنفرانس Fully Connected و در حضور بیش از ۴۵۰۰ مشتری، شریک تجاری، توسعهدهنده و رهبران حوزه هوش مصنوعی اعلام شد. شرکت CoreWeave که در سال ۲۰۱۷ تأسیس شد و در مارس ۲۰۲۵ فرآیند پذیرش عمومی خود در نزدک (Nasdaq) را به پایان رساند، Forge را راهکاری برای اجرای کامل چرخه هوش مصنوعی — شامل اجرا، نظارت، پالایش، بهبود، ارزیابی و تکرار — در یک محیط متصل معرفی کرد. این پیشرفت در لایه نرمافزاری، مکمل توسعههای گستردهای در زیرساخت سختافزاری این شرکت است؛ بهطوری که CoreWeave پیشتر توانایی مدیریت صدها پردازنده Vera Rubin را به عنوان یک سیستم واحد به نمایش گذاشته بود تا قدرت پردازشی لازم برای چنین پلتفرمهایی فراهم شود.
برای اکثر تیمهای مهندسی، چرخه حیات هوش مصنوعی شبیه به یک زنجیره قطعشده است. یک ردپای تولید (Production Trace) بهندرت به مرحله آموزش بعدی بازمیگردد و آزمایشهای به پایان رسیده اغلب نمیتوانند ورودیهای لازم را برای ارزیابی بعدی فراهم کنند. همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، نبودِ یک جریان دادهای یکپارچه باعث میشود نتایج حاصل از محیط تولید، بهندرت به مرحله آموزش بعدی بازگردند. این شکاف میان توانایی مدل و عملکرد واقعی سیستم، منجر به اتلاف سیگنالهای حیاتی و افزایش هزینههای زمانی میشود.
چن گلدبرگ (Chen Goldberg)، نایبرئیس اجرایی محصول و مهندسی CoreWeave، به نقل از مستندات شرکت تأکید کرد که با افزایش استفاده از دادههای اختصاصی و گردشکارهای شخصی در ساخت ابزارهای هوش مصنوعی، این شکافها مشهودتر شدهاند. او بیان کرد که تیمهای مهندسی باید بتوانند سیگنالهای مهم را از میان دادهها شناسایی کرده و بررسی کنند که آیا تغییرات اعمال شده در شرایط واقعی عملیاتی و بهعنوان یک سیستم متصل، بهدرستی عمل میکنند یا خیر.
CoreWeave برای حل این مشکل، زیرساختهای خود را با ابزارهای تخصصی ادغام کرده است. Forge ابزارهای Weights & Biases Models برای ردیابی آزمایشها، OpenPipe برای تخصصهای پس از آموزش و پروژه متنباز marimo را یکپارچه میکند. این ادغام اجازه میدهد تا اجراهای آموزشی، ارزیابیها و ردپاهای عاملها دقیقاً در همان جایی قرار بگیرند که مدل در حال اجراست.
ابزارهای کلیدی Forge
- CoreWeave ARIA: این عامل کدنویس که اکنون بهصورت عمومی در دسترس است، بهطور خودکار دادههای نظارتی مربوط به آزمایشها و عاملها را در مقیاس بزرگ تحلیل میکند. ARIA شناسایی میکند که چه عاملی باعث ایجاد تغییر شده و آزمایشهای بعدی را که ارزش اجرا دارند پیشنهاد میدهد و برای هر پیشنهاد، شواهد لازم را ارائه میکند.
- CoreWeave Sandboxes: این محیطها که اکنون بهصورت عمومی عرضه شدهاند، محیطهای ایزوله و تازهای را برای هر بار اجرا فراهم میکنند. این محیطها شامل کاربردهای ابزاری عاملها، یادگیری تقویتی یا ارزیابی مدل هستند و هیچ نیازی به تنظیمات اضافی ندارند.
- Weights & Biases Models: این ابزار به تیمها کمک میکند تا میلیونها معیار و دهها هزار آزمایش را از طریق گردشکارهای خودکار ردیابی و مقایسه کنند. بخش Notebooks آن با استفاده از marimo برای بصریسازیهای سفارشی، اجازه میدهد نمونههای اولیه بدون نیاز به بازنویسی کد، مستقیماً به محیط تولید منتقل شوند.
- Agent Lens: یک ابزار جدید برای نظارت و بهبود مستمر عاملهای تولیدی است. این ابزار دهها میلیون ردپا (Trace) را برای شناسایی و رفع خطاها تحلیل میکند. طبق ادعای CoreWeave، این ابزار ۲۰٪ بیشتر از مدلهای زبانی پیشرو (Frontier LLMs)، خطاهای بحرانی را شناسایی کرده و هزینه رفع مسائل را به یکدهم هزینههای معمول کاهش میدهد.
- CoreWeave Registry: یک سیستم نسخهبندی است که هر نقطه بازرسی (Checkpoint) مدل و پیکربندی عامل را در قالبهای باز و قابل انتقال با تبار (Lineage) مشخص نگهداری میکند.
عملکرد و استقرار
این پلتفرم همچنین CoreWeave Post-Training را معرفی کرده است که خدماتی مانند یادگیری تقویتی بدون سرور (Serverless RL)، تنظیم دقیق نظارتشده بدون سرور (Serverless SFT) و تقطیر مدل (Model Distillation) را ارائه میدهد. بر اساس گزارش شرکت، یادگیری تقویتی بدون سرور در این پلتفرم ۱.۴ برابر سریعتر و ۴۰٪ ارزانتر از محیطهای مدیریتشده توسط کاربر است.
در بخش استقرار، قابلیت استنتاج (Inference) — لحظهای که مدل واقعاً جواب تولید میکند، مثل خودِ آشپزی و نه دورهی آموزش آشپز — با Forge ادغام شده است تا دسترسی به محیط Playground و استقرار آخرین مدلهای باز-وزن (Open-weight) فراهم شود. ویژگی جدید RL Rollouts که در حالت پیشنمایش است، به تیمها اجازه میدهد نقاط بازرسی را بهصورت مستقیم (Hot-load) در استقرارهای زنده بارگذاری کنند و بدین ترتیب حلقههای آموزشی را بدون نیاز به استقرار مجدد کل سیستم، فعال نگه دارند.
شرکتهایی مانند Canva و MasterClass از پذیرندگان اولیه این پلتفرم هستند. همچنین نامهایی چون Cohere، Perplexity، Runway، Sunday Robotics و Wayve در فهرست سازندگان مورد اعتماد این اکوسیستم قرار دارند.
این تغییر به معنای حرکت به سمت «ادغام عمودی» برای توسعهدهندگان است. نیک پِیشنز (Nick Patience)، نایبرئیس و مدیر بخش پلتفرمهای هوش مصنوعی در Futurum Group، اشاره میکند که بستن چرخه از تولید به آموزش، در حالی که سیستم نسبت به مدلها و ابرهای مختلف باز بماند، یک چالش مهندسی سختتر از هر یک از این دو بخش بهتنهایی است.
برای مدیران کسبوکار، این یعنی چرخههای توسعه کوتاهتر و هزینههای عملیاتی کمتر. بهجای پرداخت هزینه برای پنج اشتراک SaaS مختلف و استخدام تیمی برای مدیریت کدهای رابط (Glue Code) میان آنها، کل خط لوله به یک ابزار واحد تبدیل میشود.
البته هنوز مشخص نیست که آیا توسعهدهندگانی که استکهای ماژولار و «بهترین در نوع خود» (Best-of-breed) را ترجیح میدهند، از این رویکرد یکپارچه استقبال میکنند یا خیر. تنش میان انعطافپذیری و اتصال، محور اصلی تضاد در بازار فعلی زیرساختهای هوش مصنوعی است.
کاربران در حال حاضر میتوانند از نسخههای Free، Pro یا Enterprise استفاده کنند و برای سطح Pro یک دوره آزمایشی ۳۰ روزه در دسترس است. در سایت Forge ذکر شده است که Weights & Biases اکنون بخشی از CoreWeave Forge است و اعتبارنامههای قبلی کاربران برای دسترسی به پروژهها و دادهها فعال باقی میماند.
گام بعدی شما
- اگر در حال مدیریت چندین ابزار برای ردیابی آزمایشها و استقرار مدل هستید، دوره آزمایشی ۳۰ روزه نسخه Pro را برای سنجش کاهش هزینههای عملیاتی بررسی کنید.
- قابلیت RL Rollouts را برای بهروزرسانی مدلهای زنده بدون توقف سرویس (Downtime) تست کنید.
- بررسی کنید که آیا ادغام Weights & Biases در Forge، سرعت انتقال نمونههای اولیه شما به تولید را افزایش میدهد یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو