تصور کنید توسعه‌دهنده‌ای باشید که می‌خواهد مدل خود را از یک GPU انویدیا به یک شتاب‌دهنده چینی منتقل کند، اما با هفته‌ها کدنویسی مجدد و خطاهای سیستمی مواجه می‌شود. این کابوس فنی دقیقاً همان چیزی است که علی‌بابا و کمبریکون قصد دارند با تصاحب کرسی‌های مدیریتی در بنیاد PyTorch به پایان برسانند.
در ۸ سپتامبر ۲۰۲۶، شرکت‌های علی‌بابا کلاود (Alibaba Cloud) و کمبریکون (Cambricon) عضویت پلاتینیوم این بنیاد را به دست آوردند تا دقیقاً به همین هدف دست یابند: کسب کرسی‌های مستقیم در هیئت مدیره حاکمیتی و شورای مشورتی فنی. این اقدام، نشان‌دهنده یک گسترش استراتژیک و تلاشی هماهنگ برای استانداردسازی نحوه اجرای مدل‌های هوش مصنوعی روی سخت‌افزارهای متنوع است.
این تحول در حالی رخ می‌دهد که صنعت از مرحله پژوهش‌های آزمایشگاهی به استقرار تجاری و تولیدی مدل‌ها رسیده است. برای کسب‌وکارها، هدف اصلی جلوگیری از «قفل شدن در یک فروشنده» (Vendor Lock-in) است؛ یعنی اطمینان از اینکه چارچوب‌هایی مثل PyTorch — که مثل یک مترجم جهانی، زبان مدل‌های ریاضی را به زبان سخت‌افزار تبدیل می‌کند — روی هر تراشه‌ای، چه یک GPU باشد و چه یک شتاب‌دهنده تخصصی هوش مصنوعی، بدون نقص اجرا شوند. همان‌طور که در تحلیل قبلی ما درباره‌ی نحوه کمک علی‌بابا کلاود به NIIMBOT برای بهینه‌سازی تحلیل ریشه‌ای از طریق STAROps اشاره کردیم، نفوذ علی‌بابا اکنون از خدمات ابری به لایه‌های بنیادین توسعه هوش مصنوعی گسترش یافته است.
زمینه و حاکمیت
این خبر در جریان رویداد مشترک KubeCon و کنفرانس PyTorch چین ۲۰۲۶ در مرکز کنوانسیون بین‌المللی شانگهای اعلام شد. این رویداد عظیم که از ۷ تا ۹ سپتامبر ۲۰۲۶ برگزار شد، در واقع ترکیبی از چهار جامعه بزرگ بود: KubeCon، CloudNativeCon، OpenInfra Summit و PyTorch Conference China. این نخستین بار بود که این چهار جامعه در یک صحنه جمع شدند تا پیوند میان دنیای کوبرنتیز، OpenStack و PyTorch را تقویت کنند. در همین بازه زمانی، رقابت برای تامین زیرساخت‌های محاسباتی در سطح جهانی شدت گرفته است، به‌طوری که OpenAI نیز برای گسترش توان محاسباتی خود به سراغ کارخانه‌های Firmus در مالزی رفته است.
مارک کالیر، مدیر اجرایی بنیاد PyTorch، خاطرنشان کرد که متن‌باز اکنون «روش پیش‌فرض جهان برای ساخت هوش مصنوعی» است. او بیان کرد که این بنیاد به عنوان یک قطب پیشرو برای نوآوری عمل می‌کند و لایه هوشمندی را که توسعه‌دهندگان برای آموزش، بهینه‌سازی، سرویس‌دهی، توزیع و اجرای مدل‌ها از آن استفاده می‌کنند، تقویت می‌کند. این بنیاد به عنوان یک مرکز جامعه‌محور تحت نظر بنیاد لینوکس فعالیت می‌کند.
بر اساس اعلام بنیاد PyTorch، اعضای جدید توانمندی‌های متفاوتی را به این اکوسیستم اضافه می‌کنند:
- علی‌بابا کلاود: یک ارائه‌دهنده فول‌استک که به دلیل خانواده مدل‌های Qwen با وزن‌های باز (Open Weights) شناخته می‌شود؛ مدل‌های چندوجهی که از زمان اولین عرضه در سال ۲۰۲۳ منتشر شده‌اند.
- کمبریکون: طراح تراشه‌های هوش مصنوعی و شتاب‌دهنده‌هایی که بر آموزش و استنتاج در مقیاس بزرگ تمرکز دارند. آن‌ها مجموعه‌های ابزار متن‌باز، درایورها و خط لوله‌های یادگیری ماشین را برای اکوسیستم سخت‌افزاری MLU (واحد یادگیری ماشین) خود میزبانی می‌کنند.
- آنت گروپ: یک شرکت فناوری دیجیتال که در سطح طلایی (Gold tier) به بنیاد پیوست تا چارچوب‌های هوش مصنوعی ابری-بومی را بهینه کرده و موانع توسعه را از طریق مدل‌های باز و فناوری‌های عامل (Agent) کاهش دهد. این تمرکز بر فناوری‌های عامل در حالی است که شرکت‌هایی مانند River AI با سرمایه‌گذاری‌های کلان در تلاش‌اند تا جایگزینی برای مهندسی پرامپت از طریق عامل‌های آموزش‌پذیر ایجاد کنند.
این شرکت‌ها به هواوی پیوستند که از سال ۲۰۲۳ عضو این بنیاد بود و مشارکت‌های طولانی‌مدتی داشت. فرد لی از هواوی، تلاش‌های خود را در کمک به راه‌اندازی «گروه کاری یکپارچه‌سازی شتاب‌دهنده» (Accelerator Integration Working Group) دانست و اشاره کرد که این مسیر منجر شد تا NPU اسند (Ascend NPU) به اولین پلتفرم جایگزین در PyTorch تبدیل شود.
جزئیات فنی و نقشه راه
در نشست مشترک شانگهای، جزئیات این عضویت‌ها ارائه شد. نقشه راه فنی بر ایجاد یک خط لوله «از سیلیکون تا استقرار» متمرکز است. در این مسیر، بیش از ۲۵۰ سازمان در سراسر چین در پروژه‌هایی از جمله DeepSpeed، Helion، PyTorch، Ray، Safetensors و vLLM مشارکت می‌کنند.
- سطح تراشه: وی لی از کمبریکون ارائه‌ای با عنوان «به سوی PyTorch مستقل از دستگاه: ساخت زیرساخت یکپارچه برای اکوسیستم چند-بک‌اِند» داشت. هدف او سخت‌سازی بنیاد مستقل از دستگاه در PyTorch است تا هر سخت‌افزاری بتواند قابلیت‌های بومی غنی‌تری را ارائه دهد.
- سطح پلتفرم: جیونگ‌هانگ کای از علی‌بابا کلاود سخنرانی‌ای با عنوان «سرویس‌دهی Qwen در مقیاس وسیع: زیرساخت هوش مصنوعی چند-خوشه‌ای روی Karmada» ارائه کرد و نشان داد که چگونه می‌توان مدل‌های Qwen را در چندین خوشه توزیع و اجرا کرد.
- لایه کاربرد: یایا شیا و شو وانگ از آنت گروپ دو سخنرانی مرتبط با عنوان «عامل‌های هوش مصنوعی چه چیزهایی از زیرساخت باز می‌خواهند» و «ساخت یک محیط اجرای عامل با زیرساخت باز» ارائه کردند. آن‌ها نشان دادند که چگونه سندباکس عامل‌های کوبرنتیز (Kubernetes Agent Sandbox) و کانتینرهای کاتا (Kata Containers) یک محیط اجرای امن برای عامل‌های هوش مصنوعی ایجاد می‌کنند.
- طراحی مشترک سخت‌افزار و نرم‌افزار: لیانگ ژانگ از هواوی در ارائه‌ای با عنوان «اسند و PyTorch: پیشگامی در اکوسیستم باز جدید هوش مصنوعی»، بر سازگاری (Interoperability) میان استک‌های فناوری چینی و جهانی تمرکز کرد.
چرخش استراتژیک
این تجمیع قدرت در بنیاد PyTorch نشان می‌دهد که «لایه هوش» در حال تبدیل شدن به یک کالای عمومی (Commodity) است. مزیت رقابتی واقعی اکنون به زیرساخت‌ها — یعنی تراشه‌ها و لایه‌های ارکستراسیون که مدل‌ها را کارآمد می‌کنند — منتقل شده است. با کنترل هیئت مدیره، شرکت‌های چینی تضمین می‌کنند که سخت‌افزارهای اختصاصی آن‌ها به‌صورت بومی پشتیبانی شوند و اصطکاک توسعه‌دهندگان برای پذیرش سیلیکون‌های آن‌ها کاهش یابد.
دکتر فی‌فی لی، مدیر فناوری علی‌بابا کلاود، این اقدام را با توجه به سابقه آن‌ها در اجرای PyTorch در مقیاس وسیع روی سخت‌افزارهای ناهمگون، گامی طبیعی دانست. به همین ترتیب، ژنگ‌یو هه، مدیر فناوری آنت گروپ، این حرکت را بخشی از تعهد بلندمدت به همکاری‌های متن‌باز جهانی توصیف کرد. التون گونگ از کمبریکون نیز بر لزوم ایجاد یک تجربه توسعه‌دهنده بومی و آماده‌به‌کار (Out-of-the-box) در طیف گسترده‌تری از بک‌اِندها تأکید کرد.
برای یک توسعه‌دهنده معمولی، این یعنی آینده‌ای که در آن تغییر تامین‌کننده سخت‌افزار به سادگی تغییر یک خط در فایل تنظیمات است. این اتفاق مانع ورود برای اجرای مدل‌های عظیم روی سخت‌افزارهای غیر-انویدیا را کاهش داده و پتانسیل متنوع کردن زنجیره تأمین جهانی هوش مصنوعی را دارد.
در آینده باید منتظر به‌روزرسانی‌های بعدی «گروه کاری یکپارچه‌سازی شتاب‌دهنده» باشیم، زیرا آن‌ها احتمالاً استانداردهای جدیدی را برای نحوه ارتباط NPUهای شخص ثالث با چارچوب‌های متن‌باز تعریف خواهند کرد.
گام بعدی شما
- اگر از مدل‌های Qwen استفاده می‌کنید، مستندات جدید استقرار روی خوشه‌های چندگانه را دنبال کنید.
- توسعه‌دهندگان زیرساخت باید روی ابزارهای Device-agnostic در PyTorch سرمایه‌گذاری کنند تا کدشان روی هر تراشه‌ای اجرا شود.
- گزارش‌های آتی «گروه کاری یکپارچه‌سازی شتاب‌دهنده» را برای شناسایی استانداردهای جدید NPUها رصد کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو