تصور کنید می‌خواهید یک کارخانه عظیم راه بیندازید، اما مجبورید هر ساعت برای هر پیچ و مهره به یک شرکت متفاوت اجاره بدهید؛ این دقیقاً همان کابوسی است که Nscale می‌خواهد با خرید Anyscale پایان دهد. هدف این شرکت، تبدیل شدن به یک «هایپراسکولر» تمام‌عیار است که کنترل همه‌چیز را، از شبکه برق گرفته تا زمان‌بندی نرم‌افزاری، در دست دارد. برای Nscale، پاسخ به این پرسش که چه چیزی یک ارائه‌دهنده محاسبات خام را به یک هایپراسکولر AI تبدیل می‌کند، تملک Anyscale است. با مالکیت تمام زنجیره، از شبکه برق گرفته تا زمان‌بند نرم‌افزاری، آن‌ها قصد دارند ناکارآمدی اجاره منابع ابری پراکنده را از بین ببرند.
طبق اعلام رسمی در ۳۰ ژوئیه ۲۰۲۶، این معامله با هدف شکستن چرخه ناکارآمدی منابع پراکنده ابری انجام شده و انتظار می‌رود در نیمه دوم سال جاری میلادی، پس از تأییدهای رگولاتوری و شرایط نهایی بستن قرارداد، نهایی شود.
برای اکثر کسب‌وکارها، اجاره واحد پردازش گرافیکی (GPU) شبیه اجاره یک انبار بدون مدیر است؛ شما فضا دارید، اما سازمان‌دهی کارها یک کابوس است. Anyscale این لایه مدیریتی مفقوده را از طریق چارچوب Ray (یک محیط محاسبات توزیع‌شده) فراهم می‌کند. این ابزار — که شبیه یک ارکستر است و هر سازنده را در جای درست قرار می‌دهد تا تک‌نوازی نکنند — به تیم‌های یادگیری ماشین اجازه می‌دهد کارهای حجیمی نظیر آماده‌سازی داده‌های چندوجهی (Multimodal)، پیش‌آموزش (Pre-training)، تنظیم دقیق (Fine-tuning) — که مثل تخصص دادن به یک پزشک عمومی است — یادگیری تقویت‌شده (Reinforcement Learning) و ارائه استنتاج (Inference Serving) را به‌طور هم‌زمان روی هزاران شتاب‌دهنده پخش کنند.
زمینه: منطق این استراتژی
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اقتصاد زیرساختی مدل‌های بازمتن اشاره کردیم، کنترل لایه‌های پایین‌تر، کلید سودآوری است. به گزارش Unite.AI، استراتژی Nscale بر «لایه‌های زیرین شتاب‌دهنده» متمرکز است. در حالی که رقبا صرفاً تراشه‌های انویدیا را می‌خرند و اجاره می‌دهند، Nscale پردیس‌های خود را می‌سازد و برقش را تولید می‌کند. ادغام Anyscale به این معناست که آن‌ها اکنون کنترل می‌کنند یک «شغل» یا پردازش چگونه تقسیم‌بندی شود و GPUها چگونه بازپس گرفته شوند تا از وضعیت بیکاری (Idle) آن‌ها جلوگیری شود.
این حرکت مستقیماً از اقتصاد ابری AI می‌آید. از آنجایی که ظرفیت خام GPU به‌صورت ساعتی و در رقابت با سایر شرکت‌هایی که از سیستم‌های مشابه انویدیا استفاده می‌کنند اجاره می‌شود، حاشیه سود به این بستگی دارد که هر ساعت پردازش، چقدر «کار مفید» تولید کند. این بهره‌وری در لایه‌های بالای سخت‌افزار تعیین می‌شود؛ به‌ویژه در نقطه‌ای که آماده‌سازی داده‌ها (که توسط CPU مدیریت می‌شوند) به مرحله آموزش (که توسط GPU مدیریت می‌شود) منتقل می‌گردد.
جاش پین، مدیرعامل و بنیان‌گذار Nscale، اشاره کرد که «اکثر ارائه‌دهندگان زیرساخت صرفاً GPU می‌خرند و آن‌ها را اجاره می‌دهند». او رویکرد متمایز Nscale را تملک کامل زنجیره شامل توان برق، مراکز داده، توان محاسباتی و لایه نرم‌افزاری روی آن‌ها توصیف کرد.
جزئیات: خط لوله زیرساختی
Nscale در کنار این خرید نرم‌افزاری، ظرفیت فیزیکی و حمایت‌های مالی خود را نیز گسترش می‌دهد:
- تولید انرژی: هدف‌گذاری برای رسیدن به ۲ گیگاوات تولید برق در محل تا نیمه اول ۲۰۲۸ با استفاده از مجموعه‌های ژنراتور گاز طبیعی کاترپیلار (Caterpillar).
- پردیس Monarch: امضای یک تفاهم‌نامه (LOI) با مایکروسافت در ۱۶ مارس ۲۰۲۶ با هدف استقرار ۱.۳۵ گیگاوات محاسبات AI در شهرستان میسون در ویرجینیای غربی. این استقرار در قالب بخش‌های مختلف (Tranches) از اواخر ۲۰۲۷ آغاز می‌شود و از سیستم‌های Nvidia Vera Rubin NVL72 استفاده خواهد کرد.
- سرمایه: شرکت در ۷ ژوئیه ۲۰۲۶ یک تسهیلات اعتباری گردان (Revolving Credit Facility) به مبلغ ۹۰۰ میلیون دلار جذب کرد که توسط دوازده بانک از جمله جی‌پی مورگان، گلدمن ساکس، مورگان استنلی و MUFG تامین شده است.
- سرمایه‌گذاری در انگلیس: تعهد پرداخت ۲.۵ میلیارد دلار برای ایجاد مراکز داده مستقر در بریتانیا.
جزئیات: ادغام و دنیای متن‌باز
نکته مهم این است که Nscale کد بازمنبع Ray را نمی‌خرد؛ زیرا این چارچوب در ۲۲ اکتبر ۲۰۲۵ به بنیاد PyTorch منتقل شد. در زمان این انتقال، Ray رکورد ۲۳۷ میلیون دانلود داشت. این ابزار اکنون تحت یک حاکمیت بی‌طرف، در کنار PyTorch و موتور استنتاج vLLM (تحت بنیاد لینوکس) قرار دارد. Nscale قصد دارد به عنوان بخشی از این خرید، به این بنیاد بپیوندد.
در عوض، Nscale در حال خرید پلتفرم تجاری، تیم مهندسی حدوداً ۲۰۰ نفره (مستقر در آمریکا، اروپا و هند) و روابط کلیدی با مشتریان است. مشتریان فعلی — که Nscale نام‌هایی چون Coinbase، Runway و Bedrock Robotics را ذکر کرده است — آزاد خواهند بود که روی زیرساخت‌های فعلی خود به کار ادامه دهند.
این معماری تضمین می‌کند که مشتریان می‌توانند Ray را روی هر زیرساختی که بخواهند اجرا کنند، در حالی که سخت‌افزار اختصاصی Nscale در طول زمان به یک گزینه با عملکرد بالا تبدیل می‌شود. کیرتی ملکوت، مدیرعامل Anyscale، شرکت ادغامی را نخستین هایپراسکولر تمام‌عیار AI می‌نامد. علاوه بر این، Anyscale اشاره می‌کند که Ray در حال حاضر بارهای کاری شرکت‌هایی چون Cursor، Physical Intelligence و xAI را مدیریت می‌کند.
این حرکت بازتاب‌دهنده یک روند گسترده‌تر در صنعت به سمت «یکپارچگی عمودی» است. در ژوئیه ۲۰۲۶، شرکت Qualcomm خرید تمام‌سهامی استارتاپ کامپایلر Modular را نهایی کرد. استدلال هر دو شرکت یکسان بود: نرم‌افزاری که تصمیم می‌گیرد سخت‌افزار چگونه استفاده شود، همان جایی است که عملکرد (Performance) و هزینه‌های جابجایی (Switching Costs) تعریف می‌شوند. این رویکرد تکمیلی به تلاش‌های امنیتی در لایه‌های ابری است، مشابه آنچه در ادغام Cyera و Oasis Security برای حفاظت از عامل‌های هوش مصنوعی شاهد بوده‌ایم تا امنیت و کارایی در کنار هم رشد کنند.
برای کاربر نهایی، این یعنی احتمال کاهش هزینه کل مالکیت (TCO). در ۲ ژوئیه ۲۰۲۶، Anyscale یک یکپارچگی بومی با Azure را عرضه کرد و ادعا نمود که مشتریان، سرعت آزمایش‌ها را تا ۴ برابر بیشتر و هزینه TCO را تا ۹۰٪ کمتر از استک‌های پراکنده (که موتورهای بومی ابر را با APIهای مدل میزبانی شده جفت می‌کنند) گزارش کرده‌اند.
کریستین استانو، CTO میدانی Anyscale، در مصاحبه‌ای با Unite.AI توضیح داد که این معامله مستقیماً با معماری پلتفرمی که تیم‌ها برای ساخت سیستم‌های مبتنی بر Ray در محیط عملیاتی (Production) استفاده می‌کنند، در ارتباط است. اکنون، همان محیط اجرا (Runtime) می‌تواند توسط شرکتی قیمت‌گذاری و اداره شود که مالک مگاوات‌های برق است. باید رصد کرد که این یکپارچگی عمودی چگونه بر قیمت اجاره GPUهای «خام» در سال ۲۰۲۷، هم‌زمان با فعال شدن بخش‌های پردیس Monarch، تأثیر می‌گذارد.
گام بعدی شما
- اگر از Ray برای توزیع بارهای کاری استفاده می‌کنید، تغییرات در قیمت‌گذاری سرویس‌های ابری Nscale را در سال ۲۰۲۷ رصد کنید.
- بررسی کنید آیا یکپارچگی سخت‌افزاری-نرم‌افزاری می‌تواند تأخیری (Latency) که در حال حاضر در استنتاجهای توزیع‌شده دارید را کاهش دهد.
- مدل‌های هزینه TCO را برای انتقال از ابرهای عمومی به هایپراسکولرهای تخصصی مقایسه کنید.
این تنها آغاز یک رقابت سخت‌افزاری است؛ اثر این یکپارچگی بر قیمت اجاره GPUهای خام را در تحلیل‌های بعدی بررسی خواهیم کرد.
گفتگو