منافسة النماذج اللغوية الكبيرة المحلية تمتد الآن من طبقة النماذج إلى طبقة القوة الحاسوبية: مهما كان النموذج قوياً، فإنه يُنفَّذ في النهاية على الرقائق عبر العوامل. النموذج نفسه والشريحة نفسها، مع مجموعة عوامل أفضل، قد تحقق أحياناً تحسناً في الأداء بمعدل أضعاف. كفاءة العوامل تحدد مدى سرعة تشغيل نفس بطاقة الرسوميات، وتحدد أيضاً سعر كل token.
فتح DeepSeek مؤخراً مصدر إطار الاستدلال DeepInfer بالكامل. وبعد أوزان النماذج ومكتبات العوامل مثل FlashMLA وDeepGEMM، أتاحوا سلسلة تشغيل النموذج بالكامل. ومن بينها FlashMLA، التي تتوفر لها نسخة ضبطها مهندسون يدوياً سطراً بسطر على الشريحة، وبلغ أداء العامل أكثر من 90% من حد العتاد، وهو إنجاز حدودي ما زال هو الأفضل الذي تحققه الحرفة البشرية حالياً على بعض الشرائح.
وفي الأسبوع نفسه، تجاوز الذكاء الاصطناعي هذا الحد. ووفقًا للتقارير، فحتى 22 من شهر 10 (أكتوبر)، تصدّر ForgeKernel، المكتوب بالكامل بواسطة الذكاء الاصطناعي دون أي ضبط يدوي سطرًا بسطر، قائمتين لتقييم العوامل في آن واحد: المركز الأول في مجموعة SOL-ExecBench FlashInfer-Bench في ملعب Nvidia، والمركز الأول في قائمة CANNBench A3 للعتاد التي يديرها مستودع Ascend CANN الرسمي، بنسبة تسريع معيارية 1.835× وتفوق بنسبة 25% على صاحب المركز الثاني. وإلى جانب المراكز، فإن قدرة الذكاء الاصطناعي على تحسين العوامل ذاتيًا لا تُستهان بها: فعلى عوامل DeepSeek v4.1 Flash، تفوق ForgeKernel في الأداء على نسخة Nvidia مفتوحة المصدر من DeepSeek من خلال التكرار بالذكاء الاصطناعي انطلاقًا من 0.
هذا عبة تطور الذكاء. سواء كانت روح المصدر المفتوح لدى DeepSeek أو المنافسة المحتدمة في قوائم تحسين العوامل، فإن الجميع يتجه في النهاية إلى الهدف نفسه: جعل الذكاء المحلي يعمل أسرع على كل شريحة.
قائمة Nvidia SOL-ExecBench FlashInfer-Bench
قائمة Ascend CANNBench A3 للعتاد