يون تشونغ، من凹非寺
QbitAI الكمّية | الحساب الرسمي QbitAI
حصلت شركة Infinigence AI (无问芯穹) مؤخراً على نتائج مبهرة في لوحة تقييم أداء عمليات GPU الصادرة عن NVIDIA Research تحت اسم SOL-ExecBench [1]:
حيث تصدّرت جميع المسارات الأربعة: عمليات L1 الأساسية، وعمليات الدمج L2، وعمليات التكميم Quant، وعمليات الاستدلال FlashInfer-Bench.
ما هو SOL-ExecBench؟
SOL-ExecBench هو معيار تقييم لتحسين العمليات أطلقته NVIDIA Research في 19 مارس 2026. SOL اختصار لـ Speed of Light أي "سرعة الضوء"، ويشير هنا إلى الحد النظري للأداء المستنبط من قدرات العتاد.
وعلى خلاف التقييمات التقليدية التي تقارن أساساً أثر التسريع مقارنة بخط أساس برمجي،يقدّم SOL-ExecBench درجة SOL Score التي تعتمد على سقف أداء العتاد كمرجع، ويجري اختبارات فعلية على بطاقات حوسبة عالية الأداء.
تضم اللوحة 235 مسألة لتحسين العمليات مستخلصة من 124 نموذج ذكاء اصطناعي حقيقياً ومتطوراً، وتغطي مجالات اللغة والرؤية والصوت والفيديو والوسائط المتعددة، وتُقسّم إلى أربعة مسارات:
- عمليات L1 الأساسية:تختبر التنفيذ الفعّال للوحدات الحسابية الأساسية.
- عمليات الدمج L2:تختبر التنفيذ المدمج والتحسين التشاركي لخطوات حسابية متعددة، بهدف تقليل الوصول إلى الذاكرة ونقل البيانات وتكاليف التنفيذ.
- عمليات التكميم Quant:تغطي تقنيات الحساب منخفضة الدقة مثل FP8 وNVFP4، وترتبط ارتباطاً وثيقاً بأداء وكلفة استدلال النماذج الكبيرة.
- عمليات الاستدلال FlashInfer-Bench:تركز على الحسابات الأساسية في الاستدلال الفوري للنماذج الكبيرة، مثل آليات الانتباه وشبكات الخبراء المختلط.
من أبرز سمات SOL-ExecBench أنهيستخلص أحمال العمل مباشرة من الرسوم الحسابية لنماذج متطورة حقيقية، ويركّز على اختبار الحدود القصوى لأداء هذه الحسابات على الجيل الجديد من وحدات GPU。
ملاحظة: هذه لوحة عالمية تنافسية مستمرة وديناميكية عالية التحديث. مع استمرار الفرق في تقديم حلول تحسين جديدة، تتغير الترتيبات باستمرار، والمنافسة شديدة.
حتى 26 أكتوبر 2026، لا تزال Infinigence AI تتصدر المركز الأول عالمياً في مجموع نقاط مساري L1 وQuant، وتحتل المركز الثاني عالمياً في مجموع نقاط مساري L2 وFlashInfer-Bench؛ ومن بين جميع مسائل تحسين عمليات GPU البالغ عددها 235،حصد المركز الأول في 88 فقرة فردية، متصدرًا بذلك جميع الفرق المشاركة، وبعدد يفوق 2 أضعاف عدد المراكز الأولى للفريق الثاني المرتبة الثانية.
وخاصةً في مسار عمليات الدمج L2 الذي يختبر قدرة التحسين للحسابات المعقدة، حصدت 无问芯穹 من أصل 82 مسألة39 مركزاً أولمن أصل 82 مسألة، أي ما يقارب النصف.
هذه المنافسة التي تجمع أقوى قوى البنية التحتية للذكاء الاصطناعي وتطوير الوكلاء حول العالم، أصبحت ساحة أساسية لاختبار قدرات تحسين الحوسبة للجيل الجديد من الذكاء الاصطناعي.
من GPU Maxxing إلى Token Maxxing: سباق عالمي لتحويل إنتاجية الذكاء الاصطناعي
تتحقق قيمة إنتاجية الذكاء الاصطناعي عبر سلسلة تحويل كاملة: "الاستثمار - الكهرباء/البطاقات - التوكنات - الإنتاجية - القيمة".
في ظل دفع قانون التوسع Scaling Law في المراحل المبكرة، كان الاستثمار في مزيد من موارد الحوسبة وتعظيم كفاءة GPU وسيلة أساسية لدفع قفزات أداء النماذج وزيادة إنتاج التوكنات.
ومع تطور الـ Agent، أصبح الـ Token مدخلاً لتنفيذ المهام وليس المُخرَج النهائي المُسلَّم،يمكن للنموذج أن يتجاوز المشكلات التي كانت يصعب حلها من خلال استدلال أطول ومحاولات وتحققات أكثر، لكن مجرد زيادة كمية الـ Token المستهلك لا تعني بالضرورة تحسّن نتائج المهمة.
إذا استمر تكرار محاولات متشابهة دون القدرة على تصحيح الاتجاه من خلال تغذية التنفيذ الراجعة، فقد يُستهلك أي عدد من الـ Token في الدوران في مكانه.
التركيز الأساسي في القطاع ينتقل من GPU Maxxing إلى Token Maxxing:فلا يقتصر الأمر على رفع كفاءة التحويل من «الكهرباء» إلى «الـ Token»، بل يجب أيضًا تحويل المزيد من الـ Token فعليًا إلى قدرات للنموذج ونتائج للمهام، لتحقيق تحويل فعّال من «الـ Token» إلى «الإنتاجية».
يوفّر SOL-ExecBench سيناريوهات ملموسة لاختبار هذه القدرة.فهو يستخرج أحمالاً حسابية من نماذج حقيقية متطورة، ويغطي العمليات الأساسية والدمج المعقد والحسابات منخفضة الدقة وتحسين الاستدلال، ويتطلب من الشيفرة المُقدَّمة الوفاء بمتطلبات الصحة والأداء في آن واحد. هنا يحتاج الـ Agent إلى المرور بتوليد الشيفرة والتجميع والتشغيل وتحليل الأداء والضبط المتكرر، وتُقاس نتائج عمله في النهاية بنتائج التنفيذ على عتاد حقيقي.
اجتذب هذا التقييمفرقًا تقنية تشمل شركة منصات البيانات والذكاء الاصطناعي العالمية Databricks، والشركة الناشئة في مجال AI Infra التي احتضنتها Y Combinator وهي SF Tensor، وفريق أدوات البرمجة بالذكاء الاصطناعي الشهير Cursor، إضافة إلى فرق نشطة في مجال التحسين الآلي للعمليات الحسابية مثل Recursive وdoubleAI وGeometric。
وفقًا للبيانات التي أعلنتها SF Tensor في 25 سبتمبر 2026، كان قد سُجّل حينهاقامت 583 فرقًا بتقديم أكثر من 31,000 تقييم تراكميًا، بمعدل مرتفع يبلغ في المتوسط نحو إرسال علني واحد كل 8 دقائق، مما دفع باستمرار إلى تحديث لوحة الترتيب.。
استفادت فرق المشاركة العديدة من الـ Agent في توليد الشيفرة الأساسية واختبارها وتحسينها تلقائيًا، فأصبحت هذه المسابقة اختبارًا لمستوى تحسين GPU Kernel واختبارًا في آنٍ واحد لكيفية تنظيم قدرات النموذج في نظام قادر على إنجاز مهام هندسية معقدة بشكل مستمر.
وفي ظل هذه المنافسة العالمية الشرسة، حققت Wuxin-Wuqiong (无问芯穹) المركز الأول عالميًا تباعًا في المسارات الأربعة الكبرى: L1 وL2 وQuant وFlashInfer-Bench.
وهذايعكس كل من الخبرة التقنية المتراكمة للفريق في تحسين العمليات الحسابية والتنسيق بين البرمجيات والعتاد، ويختبر قدرة الفريق على تحويل مدخلات الـ Token إلى مكاسب أداء حسابي مُتحقَّق منها عبر Agentic Infra، والاستكشاف بناءً على ذلك للمسارات الفعّالة لإنجاز الذكاء الاصطناعي المهام المعقدة بشكل مستقل。
توظيف إنتاجية الذكاء الاصطناعي لدعم تطور البنية التحتية Infra، والاستعانة بالممارسات التقنية لتعزيز التطبيق الهندسي لمفهوم RSI
من استثمار الموارد إلى إنتاج التوكنات Token، ثم إلى تسليم الإنتاجية الفعلية وتحقيق القيمة، تظل بنية Agentic Infra من شركة Wuxi Wenxin (无问芯穹) ملتزمة بدفع هذا المسار من التقدم الأحادي الاتجاه نحو تطور مغلق الحلقة.
يأمل الفريقأن لا يقتصر دور الـ Agent على استهلاك الـ Token لإنجاز المهام، بل أن يكون قادراً أيضاً على إعادة إنتاجية الإنتاجية التي يخلقها إلى البنية التحتية نفسها، وتعزيز إنتاج الـ Token باستمرار، واستكشاف مسار تحقيق RSI للبنية التحتية للذكاء الاصطناعي.
تُعد مهمة تحسين المعاملات (Operators) مدخلاً محدداً لاستكشاف هذه العملية:إن كفاءة تنفيذ الـ GPU Kernel تؤثر مباشرة على أداء العتاد؛ والتنفيذات الفعالة التي يجدها الـ Agent، بعد التحقق منها وتطبيقها على أنظمة التدريب والاستدلال، يُرجّح أن تخفض تكاليف الحوسبة أكثر، بحيث يمتد عائد تحسين المعاملات إلى حلقة إنتاج الـ Token.
على طول هذا الاتجاه، يتمثل أول ما يجب حله في كيفية جعل الـ Agent ينتج باستمرار نتائج تحسين موثوقة. فما إذا كان الكود ينفَّذ بشكل صحيح، وأين توجد الاختناقات في الأداء، وهل جلبت التعديلة الواحدة عائداً حقيقياً - كل ذلك يحتاج إلى الحكم عليه من خلال التشغيل الفعلي، ليصبح أساساً لجولة الاستكشاف التالية.
ولهذا الغرض، بنت 无问芯穹 حول SOL-ExecBench مجموعة متكاملة من وكلاء تحسين المعاملات، تنظّم توليد الكود والتحقق من التنفيذ وتحليل الأداء وتراكم الخبرة في سير عمل متصل.
فيما يلي سنعرض، من ثلاثة جوانب وهي: التنفيذ المعزول بالحاويات، وإدراك المهارات Skills والذاكرة المشتركة Memory، واستراتيجيات التحسين الموجهة للمهام المختلفة، كيف تدعم 无问芯穹 بشكل ملموس الـ Agent في تحقيق التحسين المستمر بناءً على ملاحظات العتاد الحقيقية.
بنية العزل القائم على الحاويات
من حيث بنية التنفيذ، يعتمد النظام على عزل بالحاويات، ويفصل مساحة عمل الـ Agent ومنطقة التقييم ومنطقة التصحيح.في مساحة العمل التي يُسمح فيها بالاتصال بالشبكة دون تخصيص GPU مباشرة، يقوم الـ Agent بتحميل المهارات Skills والذاكرة المشتركة Memory واستراتيجيات التحسين عبر الربط الخارجي، ويكتب الكود ويقدم طلبات الحوسبة.
تدير أداة جدولة الموارد على الجهاز المضيف الـ GPU بشكل موحد، وتصطف الطلبات وتخصصها حسب الحاجة، وتنفذ التقييم والتصحيح على التوالي في صورة متطابقة مع بيئة التقييم الرسمية، وفي صورة أخرى مدمجة فيها أدوات تحليل الأداء (Profiling). وتُعطَّل إمكانية الوصول إلى الشبكة في كلتي حاويتي التنفيذ، وتُعاد النتائج إلى الـ Agent، مشكّلةً حلقة تكرار مغلقة من "توليد الكود - التحقق بالتقييم - تحليل الأداء - تعديل الاستراتيجية".
هذا التصميم المعزول يخدم فيمنع الـ Agent من تجاوز قيود التقييم أثناء عملية التحسين التلقائي.عندما يكون الـ Agent يستهدف مؤشرات الأداء كهدف للتحسين، قد ينحرف استكشافه عن تنفيذ المعاملات ذاته، فيلجأ إلى تعديل سكربتات التقييم، أو التدخل في منطق قياس الوقت، أو الوصول إلى النتائج المرجعية، أو استغلال ثغرات البيئة، للحصول على درجات لا تنبع من تحسن حقيقي في كفاءة الحوسبة.تشكل عزل الحاويات وضبط الصلاحيات وواجهة التقديم المضبوطة معاً حدود التنفيذ، بما يمكّن الـ Agent من مواصلة تحسين المعاملات المرشحة، مع تقييد تدخله في عملية التقييم ذاتها.
المهارات المعيارية وآلية الذاكرة المشتركة
في بناء قدرات الـ Agent، لا يكتفي النظام بالاستفادة من تراكمات مجتمع المصادر المفتوحة عبر المهارات المعيارية Skills، بل يوفر أيضاً Skill متخصصة في إدراك الأطر لمساعدة الـ Agent على فهم الأطر ذات الصلة واستخدامها، مع الاستفادة من الذاكرة المشتركة Memory لترسيخ خبرات التحسين وإعادة استخدامها باستمرار.
- قاعدة المعرفة ومهارات تصحيح الأداء Skills: مصدرها مجتمع المصادر المفتوحة، وتوفر للـ Agent دعماً في قدرات معرفة برمجة الـ GPU وأساليب تحليل الأداء وأدوات التحسين وغيرها.
- Skill تفاعلية موجهة لأطر التشغيل: تجعل الـ Agent في مساحة العمل واضحاً بشأن بيئة التنفيذ التي يعمل فيها، والقدرات القابلة للاستدعاء وحدود العمليات، ويطلق عبر مدخل CLI موحد عمليات التصحيح وتقديم التقييم والاستعلام عن حالة المهام وقراءة النتائج.
- الذاكرة المشتركة Memory: تُستخدم لتسجيل الاستراتيجيات التي أثبتت فعاليتها في التحقق خلال عمليات التحسين الفعلية، وشروط انطباقها، والخبرات العملية، بما يمكّن المهام المختلفة من إعادة استخدام نتائج الاستكشاف السابقة.
هذه الآليات تدفع الـ Agent معاً إلى استدعاء القدرات المتخصصة، واستخدام أطر التشغيل بشكل صحيح، وتراكم الخبرة وتقليل الاستكشاف المكرر عبر التكرار المستمر.
△ ترسيخ الذاكرة المشتركةاستراتيجيات تحسين دقيقة موجهة بخصائص المهام
من حيث استراتيجيات التحسين، ينظم النظام الاستكشاف المتدرج حول خصائص حِمل العمل، واختناقات الأداء، والميزانية الزمنية.
يرشد النظام الـ Agent إلى اختيار تجريد البرمجة المناسب ولغة DSL (اللغة الخاصة بالمجال) وفقاً لميزانية وقت التحسين، والموازنة بين كفاءة التطوير والإمكانات الأدائية بين لغات DSL بتفاصيل مختلفة مثل Triton وTileLang وCuTe DSL، ومن خلال التوليد الطبقي طبقةً بطبقة للغات الدنيا (مثل CUDA وPTX)، مواصلة استكشاف مساحة الأداء العتادي.
△ الصورة مجرد مثال توضيحي، وليست نتائج تجارب إحصائية واسعة النطاقوللحالات الحسابية المختلفة، تُفصَّل استراتيجيات التحسين أكثر:
- المهام كثيفة الحساب: التركيز على تقييم معدل استخدام Tensor Core، وأسلوب التجزئة (Tiling)، وإعادة استخدام البيانات، واستكشاف نقل البيانات غير المتزامن وتداخل خطوط الأنابيب، مع الموازنة بين احتشار السجلات والذاكرة المشتركة ودرجة التوازي الفعالة.
- المهام كثيفة الوصول إلى الذاكرة: إعطاء الأولوية لتقليل عمليات القراءة والكتابة الزائدة والمخرجات الوسيطة المحفوظة على الذاكرة، وتحسين دمج الوصول إلى الذاكرة، والوصول المتجهي (vectorized)، وإعادة استخدام الذاكرة المؤقتة، بما يقلل كمية نقل البيانات اللازمة لكل وحدة حساب فعلي.
- سلاسل حسابية متعددة العمليات (Operators): تقييم مكاسب دمج العمليات (Operator Fusion) من حيث الوصول إلى الذاكرة وتكلفة التشغيل، مع الانتباه في الوقت نفسه إلى ضغط السجلات بعد الدمج، وتعقيد المزامنة، والتغيرات في درجة التوازي. بالنسبة لسلاسل التبعية القابلة للتطبيق، يمكن استكشاف Programmatic Dependent Launch (PDL) الذي يتيح تنفيذ الأعمال في الـ Kernel اللاحق التي لا تعتمد على نتائج سابقتها مسبقًا، مع إتمام المزامنة اللازمة قبل قراءة البيانات التابعة؛ وبالنسبة للمهام الملائمة للتنفيذ المستمر، يمكن استكشاف Persistent Kernel، حيث تبقى الـ CTA مقيمة باستمرار وتعالج عدة وحدات عمل عبر حلقة، مما يوزع تكاليف جدولة كتل الخيوط والتهيئة، ويعزز كفاءة التنفيذ أكثر عبر التوازي الناقل (Pipeline Parallelism).
- المهام ذات الأشكال الصغيرة والزمن المتأخر المنخفض: التركيز على التحكم في عدد كتل الخيوط، والخيوط غير الفعالة، ومعالجة الحدود، وتكاليف التعليمات والمزامنة، وتجنب التقسيم المفرط أو خطوط الأنابيب المعقدة التي تُدخل تكاليف ثابتة لا يمكن للحساب الفعلي استيعابها.
من خلال الجمع بين إعادة استخدام القدرات المفتوحة، والتحسين الهرمي للأداء، والتغذية الراجعة من العتاد الحقيقي، تأمل 无问芯穹 (Infinigence) في تحويل ضبط عمليات GPU المعتمد بدرجة عالية على خبرة الخبراء إلى عملية تحسين يستطيع الـ Agent استكشافها ذاتيًا والتعلم منها باستمرار وتنفيذها على نطاق واسع.
توسيع حدود التطور الذكي عبر Agentic Infra المبتكر باستمرار
إن إنجازات SOL-ExecBench ليست اختراقًا تقنيًا منعزلًا، بل امتداد طبيعي لعمل 无问芯穹 (Infinigence) طويل الأمد في الابتكار التقني في مجال Agentic Infra.
من ربط "M من النماذج" بـ"N من الشرائح"، إلى التخطيط الاستراتيجي لـ Agentic Infra القائم على "التعددية غير المتجانسة، والتنسيق بين البرمجيات والعتاد، والذكاء الاصطناعي المستقل" ومتجسد في نموذج "المتجر الأمامي والمصنع الخلفي ومركز واحد"، ظل 无问芯穹 (Infinigence) يوجه استكشافه التقني وممارساته نحو الحلقات الجوهرية في سلسلة إنتاجية الذكاء الاصطناعي.
إن الاستكشافات والإنجازات هذه المرة على SOL-ExecBench ليست مجرد تجسيد مرحلي لمساره التقني طويل الأمد في مجال تحسين الحوسبة الأساسية، والأهم من ذلك أنها أثبتتجدوى مسار RSI المتمثل في تسليم هذه القدرة على تحسين الكفاءة إلى الذكاء الاصطناعي نفسه، محققة بشكل مبدئي حلقة تطور مغلقة من إنتاج الـ Token إلى خلق الإنتاجية، ثم تغذية الـ Infra بالإنتاجية بدورها.
أما الخطوة التالية، فإن Wuwen Xinqiong تأمل في توسيع هذا الاستكشاف ليشمل إطار تنفيذ المهام الخاص بـ Agent نفسه. من خلال تعديل والتحقق من آليات تخطيط المهام، واستدعاء الأدوات، وإدارة الذاكرة، وآليات التغذية الراجعة، بحيث يتحسن Agent تدريجياً في أساليبه لحل المشكلات أثناء إنجاز المهام.
عندما لا تقتصر ثمار التحسين على رفع كفاءة الحوسبة فحسب، بل تشمل أيضاً تحسين الآلية التي تُنتج حلول التحسين، يصبح للاستكشاف المستمر فرصة للتحول إلى نمو مستمر في القدرات.
وبالنظر إلى التطور المستقبلي لـ RSI وAGI، وبينما يعبّر الفريق التقني في Wuwen Xinqiong عن ثقته، فإنه يدرك بوضوح أن الاختراقات التقنية في نقاط منفردة لا تزال بعيدة عن القدرة على مستوى النظام الحقيقي، وأن تحويل التحسينات المحلية إلى إنتاجية فعلية يتطلب كذلك المزيد من الاستكشاف التقني والتنسيق المشترك.
من جعل الذكاء الاصطناعي يستخدم القدرة الحاسوبية بكفاءة أكبر، إلى إشراكه في تحسين أنظمة الحوسبة نفسها، تعمل Wuwen Xinqiong باستمرار على دفع البنية التحتية من دعم الابتكار في الذكاء الاصطناعي نحو التطور المشترك معه، مستكشفةً مسارات جديدة للتسليم المستمر لإنتاجية فعّالة للذكاء الاصطناعي.
شكر وتقدير:
مجتمع Humanize (https://github.com/humanfia/humanize)
المراجع:
[1] SOL-ExecBench: قياس أداء بسرعة الضوء لأنوية GPU الواقعية مقابل حدود العتاد. 2026. https://arxiv.org/abs/2603.19173
[2] KernelBench: هل يمكن لنماذج LLMs كتابة أنوية GPU فعّالة؟ ICML 2025. https://arxiv.org/abs/2502.10517
[3] MultiKernelBench: معيار قياس متعدد المنصات لتوليد الأنوية. 2025. https://arxiv.org/abs/2507.17773
[4] CANN Bench: قياس أداء الأنوية المولّدة بواسطة الوكلاء مقابل حدود NPU الحقيقية والحدود الخوارزمية. 2026. https://arxiv.org/abs/2607.20518
*نُشرت هذه المقالة بإذن لدى QbitAI، وتعود الآراء لمؤلفيها الأصليين وحدهم.