لماذا تشكل شرائح الذكاء الاصطناعي الخاصة بجوجل تهديدًا لنفيديا

ما الذي تغير مع إصدار TPUs الجديدة من Google

في 9 نوفمبر 2026، قدمت Google تكوينين جديدين من أنظمة الحوسبة المستندة إلى معالجات الجيل الثامن من التنسور (TPU) — 8tx و8i Max. وفقًا لرويترز، فإن توسيع المجموعة يزيد من حدة المنافسة بين Google وNvidia في سوق مسرعات الذكاء الاصطناعي. هذه ليست رقائق جديدة تمامًا بل أنظمة متخصصة تم تكييفها لمهام حسابية محددة.

تعتبر TPUs مسرعات للعمليات المستخدمة في الشبكات العصبية. على عكس وحدات معالجة الرسومات (GPUs)، التي تناسب مجموعة أوسع من الحسابات، فإن بنية TPU مخصصة بشكل أساسي لمهام التعلم الآلي. هذا يسمح باستخدام أكثر كفاءة للمعدات تحت أحمال معينة، على الرغم من أنه لا يضمن ميزة شاملة على وحدات معالجة الرسومات.

تم تصميم الأنظمة الجديدة لسيناريوهات تطبيق مختلفة:

• يركز TPU 8tx على الحسابات الآمنة للذكاء الاصطناعي، بما في ذلك معالجة المعلومات السرية وتشغيل النماذج المؤسسية. يستخدم النظام رقائق TPU 8t بالتزامن مع معالجات AMD EPYC من الجيل الخامس المركزية ويوفر حماية بيانات الأجهزة أثناء المعالجة. وفقًا لـ Google، فإن استخدام شبكة Boardfly يقلل من زمن الاستجابة بمقدار يصل إلى مرتين مقارنةً بـ TPU 8t.

• تم تصميم TPU 8i Max لوكلاء الذكاء الاصطناعي والنماذج التي تعالج كميات كبيرة من المعلومات. يجمع بين رقاقتي TPU 8i في حزمة واحدة، مما يضاعف موارد الحوسبة، وكمية ذاكرة SRAM المدمجة، وعرض النطاق الترددي للذاكرة HBM بالنسبة للتكوين الأساسي.

تعكس هذه التخصصات المتطلبات المتغيرة للبنية التحتية للذكاء الاصطناعي. بدلاً من حل واحد شامل، تطور Google أنظمة لتدريب الشبكات العصبية، والاستدلال — معالجة الطلبات بالنماذج المدربة بالفعل، والحسابات الآمنة، والعمل مع نوافذ السياق الكبيرة. هذا يسمح للشركة باختيار المعدات بدقة أكبر لطبيعة الحمل وتقليل التكاليف التشغيلية المحتملة.

لماذا أصبحت تكلفة حسابات الذكاء الاصطناعي المجال الرئيسي للمنافسة

تطوير رقائق الذكاء الاصطناعي الخاصة يسمح لـ Google بالتحكم ليس فقط في خصائص المعدات ولكن أيضًا في جزء كبير من تكاليف البنية التحتية للحوسبة. يمكن للشركة تكييف المعالجات مع شبكاتها العصبية Gemini وخدمات السحابة، مما يقلل تدريجياً من الاعتماد على Nvidia لبعض المهام. ومع ذلك، فإن الكفاءة الاقتصادية لهذا النهج تحددها تكلفة تنفيذ عملية معينة وليس السرعة القصوى للمعالج.

على سبيل المثال، قد يكون المسرع ذو الأداء العالي أقل فائدة إذا كان يستهلك الكثير من الكهرباء، أو يتطلب تبريداً مكلفاً، أو يبقى خاملاً لفترة كبيرة من الوقت. لذلك، يجب تقييم كفاءة الطاقة لـ TPUs بناءً على حجم الحسابات المفيدة لكل وحدة من الطاقة المستهلكة، وليس فقط على القوة المعلنة للمعدات.

عند مقارنة TPUs وGPUs، يجب مراعاة عدة مؤشرات:

• تكلفة الاستدلال. نفقات معالجة مليون رمز بجودة استجابة وسرعة توليد قابلة للمقارنة.

• الأداء لكل واط. حجم الحسابات المفيدة التي يتم تنفيذها عند استهلاك طاقة معينة.

• التكلفة الإجمالية للملكية (TCO). نفقات المعدات، وتزويد الطاقة، والتبريد، والشبكات، والصيانة.

• استخدام المعدات. نسبة قوة الحوسبة المستخدمة فعليًا لتنفيذ المهام، حيث يزيد وقت الخمول من تكلفة العمليات.

في أبريل، أعلنت Google أن TPU 8t يوفر أداء تدريب أعلى بمقدار 2.7 مرة، وTPU 8i يحسن نسبة الأداء إلى السعر للاستدلال بنسبة 80% مقارنةً بالجيل السابق من TPUs. تعكس هذه الأرقام مقارنة بين تطورات Google الخاصة ولا تثبت ميزة مماثلة على مسرعات Nvidia الحالية.

يجب تقييم تنافسية TPUs وGPUs بناءً على نتائج الاختبار لنفس نماذج الذكاء الاصطناعي تحت أحمال قابلة للمقارنة. إذا تمكنت Google من توفير جودة وسرعة معالجة الطلبات المماثلة بتكاليف أقل، فإن ذلك سيخلق شروطًا لزيادة ربحية Google Cloud أو تقليل الأسعار للعملاء. إن التأثير الاقتصادي، وليس الخصائص التقنية الفردية، يمكن أن يصبح عاملاً مهمًا في المنافسة.

Google ضد Nvidia في معركة المطورين

على الرغم من تطوير مسرعات Google المتخصصة، تحتفظ Nvidia بميزة تنافسية مهمة — نظام CUDA البيئي للبرمجيات. يجمع بين أدوات التطوير والمكتبات ووسائل التحسين التي تسمح باستخدام وحدات معالجة الرسومات Nvidia في البرامج الحالية وبيئات السحابة.

بالنسبة للعملاء المؤسسيين، يتضمن التحول إلى TPUs ليس فقط استبدال المعدات. يحتاج المطورون إلى التحقق من توافق النماذج، وتكييف أدوات البرمجيات، وضمان أن النظام الجديد يوفر أداءً واستقرارًا كافيين. يمكن أن تقلل تكاليف التنفيذ الإضافية من المدخرات الناتجة عن الحسابات الأرخص.

تحاول Google تقليل هذه العوائق. في أكتوبر، قامت الشركة بإتاحة TorchTPU كمصدر مفتوح، مما يسمح باستخدام نماذج PyTorch على معالجات التنسور دون الحاجة إلى إعادة كتابة واسعة النطاق للكود. بالإضافة إلى ذلك، يتم تطوير دعم لأدوات الاستدلال الشهيرة vLLM وSGLang، مما يبسط نقل أحمال العمل الحالية للذكاء الاصطناعي إلى أجهزة Google.

ومع ذلك، فإن المنافسة لا تستبعد التعاون. تواصل Google استخدام وحدات معالجة الرسومات Nvidia في بنيتها التحتية السحابية، وفي سبتمبر، أعلنت الشركات معًا مع Emerald AI عن إنشاء تحالف لتحسين كفاءة الطاقة في مراكز البيانات. يمكن قراءة المزيد عن هذه المبادرة في مقال UNUM حول التعاون بين Google وNvidia .

لذلك، يجب حاليًا اعتبار TPU كبديل متوسع لوحدة معالجة الرسومات، بدلاً من كونه بديلاً كاملاً. بالنسبة لـ Nvidia، فإن الخطر الرئيسي هو أن يحصل مشغلو السحابة الكبار على المزيد من الخيارات لاختيار المعدات بشكل مستقل وتحويل المهام الحاسوبية المناسبة تدريجيًا إلى معالجاتهم الخاصة.

كيف يمكن للرقائق الخاصة بالذكاء الاصطناعي أن تؤثر على أرباح Google Cloud

تعتبر تطوير TPU ذات أهمية خاصة على خلفية نمو أعمال السحابة السريع لشركة Alphabet. وفقًا لتقرير الربع الثالث من عام 2026، زادت إيرادات Google Cloud بنسبة 103% على أساس سنوي، لتصل إلى 30.7 مليار دولار. وبلغ الربح التشغيلي للقسم 11.1 مليار دولار مقارنة بـ 3.6 مليار دولار في العام السابق، وارتفع هامش التشغيل إلى حوالي 36.2%.

يرتبط النمو بزيادة الطلب على خدمات السحابة للشركات، والبنية التحتية للذكاء الاصطناعي، والحلول القائمة على الذكاء الاصطناعي. وأشارت Alphabet بشكل خاص إلى المساهمة الكبيرة لمبيعات نظام TPU في إيرادات Google Cloud، على الرغم من عدم الكشف عن الحصة الدقيقة لهذا القطاع.

بالنسبة لـ Google، تخلق الرقائق الخاصة بالذكاء الاصطناعي مصدرين محتملين للفائدة المالية. الأول يتعلق بتحسين تكاليف الحوسبة لخدمات Gemini والبحث والخدمات الأخرى. والثاني يتعلق بتوفير TPU للعملاء من خلال Google Cloud وبيع الأنظمة الجاهزة للتثبيت في مراكز البيانات التابعة لأطراف ثالثة. يتيح هذا النموذج توسيع التطبيق التجاري للمسرعات الخاصة خارج البنية التحتية السحابية للشركة.

بالنسبة لـ Google Cloud، يمكن أن تصبح الحوسبة السحابية أكثر ربحية مع انخفاض تكلفة الاستدلال مع الحفاظ على جودة وسرعة معالجة الطلبات. ومع ذلك، يعتمد هذا التأثير على استخدام المعدات، وتسعير العملاء، وتكاليف إنشاء البنية التحتية.

في الربع الثالث، بلغت النفقات الرأسمالية لشركة Alphabet 51.4 مليار دولار، وكان التدفق النقدي الحر (FCF) سلبيًا، حيث بلغ -9.1 مليار دولار. بالإضافة إلى الاستثمارات الكبيرة في البنية التحتية التقنية، تأثر FCF بتراكم المخزون لمبيعات نظام TPU وغرامة قدرها 5.2 مليار دولار من المفوضية الأوروبية. حافظت الشركة على توقعاتها للنفقات الرأسمالية للعام 2026 بأكمله في نطاق 195-205 مليار دولار.

يمكن أن تضغط النفقات الرأسمالية العالية، واستهلاك المعدات، واستهلاك الطاقة في مراكز البيانات على النتائج المالية، حتى لو انخفضت تكلفة العمليات الحاسوبية الفردية. علاوة على ذلك، لم تكشف Alphabet بعد عن ربحية مبيعات TPU بشكل منفصل عن منتجات Google Cloud الأخرى.

لذلك، بالنسبة لـ مساهمي Alphabet (GOOGL), تصبح ربحية أعمال السحابة أحد المعايير الرئيسية لتقييم فعالية الاستثمارات في الذكاء الاصطناعي. من المهم ليس فقط زيادة الإيرادات ولكن أيضًا تحويل توسيع القدرة الحاسوبية إلى ربح مستدام وتدفق نقدي إيجابي.

كيف يهدد تعزيز Google النتائج المالية لـ Nvidia

حاليًا، لا تشير المؤشرات المالية لـ Nvidia إلى ضعف الطلب على حلولها. في الربع الثاني من السنة المالية 2027، الذي انتهى في 26 يوليو 2026، بلغت إيرادات الشركة 96.2 مليار دولار، بزيادة قدرها 106% على أساس سنوي. جلب قسم مركز البيانات 89 مليار دولار، وهو ما يزيد بنسبة 117% عن نفس الفترة من العام الماضي. كان الهامش الإجمالي لـ Nvidia وفقًا لمبادئ المحاسبة المقبولة عمومًا (GAAP) 75%.

ومع ذلك، لا يستبعد النمو السريع للسوق حدوث تغييرات في البيئة التنافسية. إذا استمرت Google والشركات التقنية الكبيرة الأخرى في تحويل بعض المهام إلى مسرعاتها الخاصة، فقد يؤثر ذلك على مشتريات وحدات معالجة الرسومات المستقبلية. يمكن أن يكون هذا التحول ملحوظًا بشكل خاص في قطاع الاستدلال، حيث تؤثر تكلفة معالجة طلبات المستخدمين مباشرة على ربحية الخدمة.

تزيد المنافسة المتزايدة من خطرين محتملين لـ Nvidia. أولاً، ظهور البدائل يسمح لمشغلي السحابة بتقليل الاعتماد على مورد واحد وإعادة توزيع النفقات الرأسمالية. ثانيًا، يمكن أن تزيد المسرعات المتخصصة ذات الجاذبية الاقتصادية من الضغط على الأسعار، مما يحد من قدرة Nvidia على الحفاظ على هامش إجمالي مرتفع.

ومع ذلك، فإن تقليص حصة Nvidia في المهام الحسابية المحددة لا يؤدي بالضرورة إلى انخفاض في إيراداتها الإجمالية. يمكن أن يحافظ تطوير وكلاء الذكاء الاصطناعي وتعقيد النماذج وتوسيع البنية التحتية على طلب مرتفع لكل من وحدات معالجة الرسومات والمعالجات المتخصصة. علاوة على ذلك، عند اختيار المعدات، يأخذ العملاء في الاعتبار ليس فقط سعر المسرعات ولكن أيضًا توافق البرامج وموثوقية النظام والتكاليف التشغيلية الإجمالية.

تتعلق قضية منفصلة بعائد البنية التحتية. كلما زادت مراكز البيانات التي تبنيها شركات التكنولوجيا، زادت أهمية الحفاظ على استخدام عالي للمعدات والحصول على دخل كافٍ من العملاء. قامت UNUM سابقًا بفحص هذه المشكلة بالتفصيل في المقال التحليلي “AI Boom on Borrowed Money.” .

وبالتالي، فإن التهديد الذي يواجه Nvidia ليس في الإزاحة الفورية لمعداتها ولكن في التغيير التدريجي في هيكل الطلب على مسرعات الذكاء الاصطناعي. طالما أن الصناعة تنمو بسرعة، يمكن لكلا المصنعين الاستفادة من زيادة الاحتياجات الحسابية. ولكن مع اشتداد المنافسة، سيحتاج المستثمرون إلى تقييم ربحية المبيعات وسياسات التسعير واستقرار الطلبات بعناية أكبر.

المقاييس الرئيسية التي يجب على المستثمرين مراقبتها

تؤثر المنافسة بين Google وNvidia ليس فقط على مصنعي المعدات ولكن أيضًا على مساهمي شركات التكنولوجيا. لتقييم الآفاق طويلة الأجل، من الضروري مقارنة النتائج المالية مع الاقتصاد الحقيقي للحوسبة، بدلاً من الاعتماد فقط على التصريحات حول أداء المعالجات الجديدة.

المقاييس الرئيسية التي يجب مراقبتها:

ومع ذلك، لا يمكن مقارنة إيرادات Google Cloud وNvidia Data Center مباشرة كمؤشرات لنفس السوق. يتضمن قطاع السحابة في Alphabet خدمات متنوعة ومبيعات البنية التحتية، بينما تعكس Nvidia الإيرادات من المعدات وحلول مراكز البيانات.

سيكون الحدث المهم التالي للمستثمرين هو نشر نتائج Nvidia للربع الثالث من السنة المالية 2027، المقرر في 17 نوفمبر 2026. توقعت الشركة سابقًا إيرادات ربع سنوية تبلغ حوالي 108 مليارات دولار مع انحراف محتمل بنسبة 2٪. سيسمح التقرير الجديد بتقييم ديناميكيات الطلب وربحية الأعمال في ظل توسع مسرعات الذكاء الاصطناعي البديلة.

يمكنك متابعة تطور الشركة والمنشورات ذات الصلة على صفحة Nvidia على UNUM .

ما هي المزايا التي تمتلكها Google والتي لا تضمن بعد الانتصار على Nvidia

أصبحت المعالجات المملوكة لـ Google عاملاً تنافسيًا أكثر جدية بفضل الجمع بين البنية المتخصصة والبنية التحتية السحابية وأدوات البرمجيات. لا تقوم الشركة فقط بتحسين وحدات TPU لمهامها ولكنها أيضًا تحولها تدريجيًا إلى منتج تجاري للعملاء الخارجيين.

ومع ذلك، فإن المزايا التكنولوجية للأنظمة الفردية لا تثبت بعد أن وحدات TPU يمكن أن تحل محل وحدات معالجة الرسومات من Nvidia بالكامل. ستعتمد التغييرات الحقيقية في السوق على تكلفة الحوسبة وسهولة التطوير وتوافر المعدات وقدرة Google على توسيع الإنتاج دون التأثير على الربحية.

بالنسبة للمستثمرين، السؤال الرئيسي هو ما إذا كان يمكن لـ Alphabet تحويل تطوير TPU إلى نمو مستدام في الأرباح، وما إذا كان يمكن لـ Nvidia الحفاظ على هوامش عالية وسط زيادة المنافسة. إن النتائج المالية والكفاءة الاقتصادية للحوسبة، بدلاً من الخصائص التقنية الفردية، هي التي ستظهر مدى خطورة تهديد رقائق الذكاء الاصطناعي المملوكة لـ Google.