مع تزايد حجم نماذج الذكاء الاصطناعي، أصبحت معالجة البيانات وتدريب النماذج عملية شاقة ومكلفة. في Google I/O 2026، كشفت جوجل عن حزمة برامج مفتوحة المصدر تهدف إلى تسهيل وتسريع دورة حياة هذه النماذج على معالجاتها المتخصصة TPU. الحزمة الجديدة ليست مجرد أدوات منفردة، بل منظومة متكاملة تغطي مراحل التدريب المسبق، والتدريب اللاحق، والاستدلال، مع تحسينات عميقة لبيئة التطوير باستخدام JAX وPyTorch.
ما الذي أعلنته جوجل بالضبط؟
الحدث الرئيسي هو تقديم مجموعة أدوات مفتوحة المصدر مصممة للعمل بكفاءة على بنية TPU التحتية. تحدث في الجلسة كل من Josh Gordon وGirija Sathyamurthy وRob Mulla، وشرحوا كيف يمكن للمطورين بناء “صندوق أدوات حديث” للذكاء الاصطناعي باستخدام ثلاثة مكونات أساسية:
MaxText – لمرحلة التدريب المسبق (Pre-training)
MaxText هو إطار عمل مفتوح المصدر طورته جوجل لتدريب نماذج اللغة الكبيرة على مقياس واسع. يعتمد على JAX وFlax، ويقدم بنية مرنة قابلة للتوسع للاستفادة القصوى من قدرات TPU. يمكن للمطورين استخدام MaxText لتدريب نماذج مثل GPT أو LLaMA بطريقة فعالة من حيث الوقت والميزانية، مع إمكانية ضبط المعايير للوصول إلى أداء قياسي.
Tunix – لمرحلة التدريب اللاحق (Post-training)
بعد الانتهاء من التدريب المسبق، يأتي دور Tunix لضبط النموذج وتحسينه لمهام محددة (Fine-tuning). تسمح هذه الأداة بإجراء تحسينات مخصصة مثل تعديل السلوك أو تقليل التحيز، مع الحفاظ على كفاءة الأداء على TPU. Tunix مبني أيضًا على JAX، مما يضمن انتقالًا سلسًا من مرحلة التدريب إلى مرحلة الضبط دون إعادة كتابة الكود.
vLLM – لمرحلة الاستدلال (Inference)
vLLM هي مكتبة معروفة سابقًا لتحسين سرعة الاستدلال على نماذج اللغة، وقد قامت جوجل بدمجها مع حزمة TPU الخاصة بها. تتيح vLLM تشغيل النماذج المُدرَّبة بكفاءة عالية، مع إدارة ذاكرة متطورة تقلل زمن الاستجابة وتزيد عدد الطلبات في الثانية. هذا يجعل نشر النماذج في الإنتاج أكثر عملية وأقل تكلفة.
دور JAX وPyTorch في البيئة الجديدة
الحزمة الجديدة لا تقتصر على أدوات جوجل فقط. أكدت جوجل أن كل هذه الأدوات تدعم JAX كلغة أساسية للبرمجة التفاضلية والتسريع، مع توفير مسارات متوافقة مع PyTorch من خلال مكتبات مثل TorchXLA. هذا يعني أن المطورين الذين يستخدمون PyTorch يمكنهم أيضًا الاستفادة من سرعة TPU دون تغيير جذري في سير العمل. التكامل مع JAX يمنح المستخدمين ميزة التجميع التلقائي للوظائف والتحسين على مستوى الأجهزة، مما يضاعف الأداء.
الأثر المحتمل على مطوري الذكاء الاصطناعي العرب
هذه الخطوة من جوجل تهدف إلى خفض حاجز الدخول أمام الشركات والمطورين الذين يرغبون في بناء نماذج ضخمة دون الحاجة إلى استثمارات هائلة في الأجهزة. بفضل المصدر المفتوح، يمكن لأي فريق تحميل MaxText أو Tunix أو vLLM وتجربتها على TPU عبر Google Cloud أو حتى على أجهزة محلية (إذا توفرت). كما أن دعم PyTorch يسهل على الفرق العربية التي تعتمد على هذا الإطار الانتقال إلى بيئة TPU دون إعادة تدريب كاملة.
ما الذي يجب مراقبته؟
بالرغم من الإيجابيات، تبقى بعض النقاط بحاجة إلى توضيح من جوجل: مدى توافق الأدوات مع إصدارات TPU المختلفة (v4, v5p)، والوثائق العربية أو الشروحات العملية، واستقرار الأداء عند توسيع النطاق إلى مئات البلوكات. كما أن الاعتماد على JAX قد يتطلب من المطورين تعلم مفاهيم جديدة إذا كانوا معتادين على PyTorch فقط.
الخلاصة العملية
إذا كنت مطور ذكاء اصطناعي في العالم العربي وتبحث عن طريقة لبناء نماذج كبيرة بأقل تكلفة وأداء عالٍ، فإن حزمة جوجل الجديدة تستحق التجربة. ابدأ بمعاينة MaxText على Google Cloud، وجرب Tunix مع مجموعة بياناتك الخاصة، ثم اختبر vLLM لنشر النموذج. الأدوات متاحة الآن كمصدر مفتوح على GitHub، ويمكنك متابعة الجلسة الكاملة على قناة Google for Developers. الفكرة واضحة: جوجل تريد أن تجعل من TPU خيارًا عمليًا للمطورين، وليس فقط لعمالقة التكنولوجيا.
مصدر المقطع
نشر المقطع على قناة Google for Developers في YouTube، وتم اختياره لأنه حديث ومرتبط بموضوعات عليها طلب في الذكاء الاصطناعي.