الإثنين 20 يوليو 2026
هواوي تطلق تقنية UnifiedBus لتسريع بنية الذكاء الاصطناعي Ascend
هواوي تعلن تطوير تقنية UnifiedBus لتعزيز بنية الذكاء الاصطناعي ودعم منظومة Ascend المتقدمة.
ملخص
هواوي تطور منظومة الذكاء الاصطناعي عبر تقنيات رائدة تشمل UnifiedBus وAscend، مما يعزز قدرات SuperPoD في ربط آلاف وحدات NPU ضمن بنية حوسبية موحدة وعالية الكفاءة. وتعتمد الشركة على نظام CloudMatrix لتوفير أداء ضخم يلائم أحمال التدريب المتقدمة ويواكب متطلبات النماذج العملاقة. كما ترفع هواوي كفاءة الرقائق عبر دعم تنسيقات منخفضة الدقة وتحسين إدارة الذاكرة الذكية لتسريع عمليات التدريب والاستدلال. وتكشف خريطة الطريق لرقاقات Ascend عن خطة طموحة لمضاعفة الحوسبة سنويًا حتى 2028. وتسهم هذه التطويرات في بناء بنية وطنية متقدمة للذكاء الاصطناعي. وتعزز قدرة الصين على المنافسة في سوق التقنيات العالمية. وتؤكد التزام هواوي بريادة مستقبل البنية التحتية للحوسبة المتقدمة.
الإعلان عن تقنية UnifiedBus في بنية هواوي للذكاء الاصطناعي
في مؤتمر Huawei Connect 2025 كشفت هواوي عن واحدة من أبرز تقنياتها في مجال الذكاء الاصطناعي، وهي تقنية UnifiedBus التي تمثل نقلة محورية في بنية SuperPoD. وتمكّن هذه التقنية من ربط أكثر من عشرة آلاف وحدة NPU في منظومة حوسبية موحدة قادرة على العمل بكفاءة عالية. ويهدف هذا التحديث إلى تعزيز قدرات التدريب والاستدلال على نطاق واسع عبر بروتوكول ربط موحد يدعم التنسيق بين الأقران، وتجميع الموارد، والحفاظ على موثوقية عالية في الشبكات الواسعة. وقد بدأت أبحاث UnifiedBus عام 2019، لتصل إلى إصدارها 1.0 ضمن Atlas 900 A3 SuperPoD مع أكثر من 300 تطبيق فعلي حول العالم، بينما جاءت النسخة 2.0 لتعزز بناء منظومة بيئية مفتوحة أمام الشركاء والمطورين.
تطوير قدرات Ascend ورفع كفاءة الرقائق في منظومة الذكاء الاصطناعي
تركز هواوي على رفع كفاءة الرقائق في منظومة الذكاء الاصطناعي عبر سلسلة Ascend التي عززت قدرات SuperPoD بشكل ملحوظ. وتعمل الشركة على زيادة معدل استغلال الرقائق من 40% إلى 70% من خلال دعم تنسيقات منخفضة الدقة مثل FP8 وMXFP8 وHiF8، ما يسمح بمضاعفة الأداء في مهام التدريب والاستدلال. وتعتمد هذه الخطوات على تحسينات متقدمة في إدارة البيانات عبر نظام UCM الذي يعيد تنظيم KV Cache بين طبقات الذاكرة بتنسيق ديناميكي، ما يسهم في تسريع العمليات الحسابية. ويأتي هذا التوجه ضمن استراتيجية تستهدف تحقيق أداء مماثل لأنظمة ضخمة تعتمد على معالجات NVIDIA، مع تحسينات برمجية تعوّض الفجوات في العتاد.
فتح مصدر CANN وتعزيز SuperPoD لرفع قدرات الحوسبة
ضمن خطتها لتمكين الذكاء الاصطناعي محليًا وعالميًا، أعلنت هواوي أنها ستفتح مصدر منصة CANN بالكامل بنهاية عام 2025، بما يشمل المترجمات والأدوات الافتراضية. ويرتبط ذلك بالتوسع في منظومة SuperPoD التي تعتمد على UnifiedBus لرفع السعة الحسابية إلى مستويات غير مسبوقة عبر آلاف وحدات Ascend في شبكات حوسبية مترابطة. وتشمل هذه المنظومة أنظمة Atlas 950 وAtlas 960 التي تقدم إمكانيات تتجاوز نصف مليون وحدة NPU، وقد تصل في بعض الإصدارات المستقبلية إلى أكثر من مليون وحدة، ما يعكس قدرة هواوي على بناء بنى متقدمة لمهام الذكاء الاصطناعي فائقة الحجم.
نظام CloudMatrix 384 ودوره في تعزيز البنية الفائقة للذكاء الاصطناعي
يمثل CloudMatrix 384 أحد أقوى أنظمة الحوسبة التي طورتها هواوي لتلبية احتياجات الذكاء الاصطناعي المتقدم. ويعتمد النظام على 384 رقاقة Ascend 910C موزعة على 16 رفًا، بتصميم بصري كامل خالٍ من الكابلات النحاسية، ما يرفع الكفاءة ويسمح بتقليل التأخير في الاتصال. ويوفر النظام قدرة حسابية تصل إلى 300 بيتافلوبس في BF16، متفوقًا في الأداء الكلي على بنى مشابهة مثل Nvidia GB200 NVL72 رغم استهلاك طاقة أعلى. ويستهدف CloudMatrix دعم تدريب النماذج العملاقة وإدارة أحمال الحوسبة الضخمة، مما يعزز حضور هواوي في سوق مراكز البيانات المعتمدة على الذكاء الاصطناعي.
خريطة طريق Ascend حتى 2028 وتطوير قدرات UnifiedBus المستقبلية
كشفت هواوي عن خريطة طريق تمتد حتى عام 2028 لرقاقات Ascend، تبدأ بسلسلة 950 في 2026، مرورًا بـ960 في 2027، وصولًا إلى 970 في 2028. وتهدف الخطة إلى مضاعفة القدرة الحوسبية سنويًا، وزيادة عرض النطاق الترددي وتوسيع إمكانات الذاكرة. وتشمل سلسلة 950 نسختين متخصصتين: 950PR لمرحلة prefill في الاستدلال، و950DT لمرحلة decode في التدريب والمعالجة. أما سلسلة 960 فتقدم قفزة مضاعفة في الحوسبة، بينما ترفع سلسلة 970 عرض النطاق الترددي إلى 4 تيرابايت/ثانية مع تحسينات كبيرة في الوصول إلى الذاكرة. ويأتي هذا التطور متكاملًا مع تحديثات UnifiedBus التي ستدعم بناء SuperClusters تتجاوز مليون وحدة NPU، ما يضع هواوي في موقع متقدم ضمن سباق البنية التحتية للذكاء الاصطناعي عالميًا.
