مایکروسافت و انویدیا رایانش هوش مصنوعی را از فضای ابری آزور به رایانههای ویندوزی میآورند
انویدیا و مایکروسافت در کنفرانس ایگنایت ۲۰۲۶ از گسترش همکاری خود برای اجرای محلی مدلهای زبانی بزرگ روی رایانههای شخصی ویندوزی خبر دادند. این انتقال با استفاده از تراشههای جدید RTX Spark و توسعه زیرساختهای آزور لوکال، وابستگی به پردازش ابری را کاهش میدهد.
به قلم الوین شادمهر
این خبر را به اشتراک بگذارید
در نوزدهم نوامبر ۲۰۲۶، کنفرانس مایکروسافت ایگنایت (Microsoft Ignite) شاهد رونمایی از مرحلهای تازه در همکاری راهبردی میان مایکروسافت و انویدیا بود. این دو غول فناوری اعلام کردند که قصد دارند توان پردازشی هوش مصنوعی را از انحصار مراکز داده ابری آزور (Azure) خارج کنند. هدف نهایی، آوردن این قدرت پردازشی به رایانههای شخصی ویندوزی و دستگاههای لبه شبکه است.[1][2]
این تغییر رویکرد نشاندهنده بلوغ فناوریهای پردازش محلی و نیاز روزافزون به استقلال از فضای ابری است. با انتقال بار پردازشی به دستگاههای کاربر نهایی، تأخیر در پاسخگویی کاهش یافته و امنیت دادههای حساس تضمین میشود. این استراتژی جدید، مرزهای سنتی میان رایانش ابری و پردازش محلی را به شکل بیسابقهای کمرنگ میکند.[3][4]
دیو سالواتور (Dave Salvator) از انویدیا در جریان این رویداد تأکید کرد که این همکاری تمامعیار، به سازمانها کمک میکند تا برنامههای هوشمند خود را در هر محیطی مستقر کنند. از زیرساختهای نسل بعدی آزور گرفته تا سیستمهای صنعتی و رایانههای ویندوزی، اکنون همگی میتوانند میزبان مدلهای پیشرفته هوش مصنوعی باشند. این یکپارچگی، انعطافپذیری بینظیری به توسعهدهندگان میبخشد.[1][5]
در مرکز این تحول سختافزاری، تراشههای جدید انویدیا با نام RTX Spark قرار دارند که بهطور خاص برای رایانههای شخصی ویندوزی طراحی شدهاند. این سیستمهای فشرده که توسط شرکتهایی مانند ایسوس، دل و اماسآی به بازار عرضه شدهاند، اجرای محلی عاملهای هوش مصنوعی را ممکن میسازند. این دستگاهها برای توسعهدهندگان و تولیدکنندگان محتوا یک ابزار حیاتی محسوب میشوند.[2][3]
معماری سختافزاری و توان پردازشی
رایانههای مجهز به پلتفرم RTX Spark از ترکیب پردازنده گرافیکی بلکوِل (Blackwell) با ۶۱۴۴ هسته و پردازنده مرکزی آرم گریس (Arm-based Grace) با ۲۰ هسته بهره میبرند. این معماری یکپارچه، توانایی انجام یک کوادریلیون محاسبه در ثانیه یا یک پتافلاپ (Petaflop) را در دقت FP4 فراهم میکند. چنین قدرتی پیش از این تنها در قفسههای سرور یافت میشد.[3]
یکی از ویژگیهای برجسته این سیستمها، پشتیبانی از حداکثر ۱۲۸ گیگابایت حافظه یکپارچه است که برای بارگذاری و اجرای مدلهای زبانی بزرگ در محیط محلی ضروری است. این ظرفیت حافظه به کاربران اجازه میدهد تا مدلهایی با بیش از ۱۲۰ میلیارد پارامتر را بدون نیاز به اتصال اینترنت روی میز کار خود اجرا کنند. این یک جهش بزرگ در پردازش شخصی است.[3][4]
علاوه بر هوش مصنوعی، این رایانههای رومیزی کوچک از تمام فناوریهای گرافیکی انویدیا مانند رهگیری پرتو (Ray Tracing) و DLSS 5 پشتیبانی میکنند. این بدان معناست که دستگاههای یادشده نه تنها برای اجرای عاملهای هوشمند، بلکه برای رندرینگ سهبعدی پیچیده و اجرای بازیهای سنگین نیز کاملاً بهینهسازی شدهاند. این تنوع کاربری، ارزش خرید آنها را برای حرفهایها دوچندان میکند.[3]
تغییر اقتصاد استفاده از هوش مصنوعی ابری، محرک اصلی حرکت به سمت پردازش محلی بوده است. با افزایش هزینههای اشتراک سرویسهای ابری، اجرای مدلها روی سختافزار تحت مالکیت کاربر، از نظر اقتصادی بسیار جذابتر شده است. این رویکرد به شرکتها اجازه میدهد تا بدون نگرانی از هزینههای متغیر پردازش ابری، از هوش مصنوعی در مقیاس وسیع استفاده کنند.[3][5]
گسترش زیرساختهای آزور و پردازش لبه
در بخش سازمانی، پلتفرم آزور لوکال (Azure Local) که نسخه درونسازمانی سرویس ابری مایکروسافت است، اکنون از پردازندههای گرافیکی RTX PRO 6000 Blackwell پشتیبانی میکند. این ارتقا به سازمانها گزینههای بیشتری برای استقرار هوش مصنوعی در محل شرکتهایشان میدهد. سختافزارهای شرکای تجاری انویدیا نقش کلیدی در این توسعه زیرساختی ایفا میکنند.[1][2]
آزور لوکال همچنین دامنه نفوذ خود را به پلتفرمهای هوش مصنوعی لبه مانند جتسون تور (Jetson Thor) و جتسون اورین (Jetson Orin) گسترش داده است. این پلتفرمها بهطور ویژه برای کاربردهای صنعتی از جمله بینایی ماشین، رباتیک و عملیات خودکار طراحی شدهاند. این ادغام، هوش مصنوعی را مستقیماً به خطوط تولید و محیطهای عملیاتی میآورد.[1][4]
در کنار توسعه سختافزاری، پشتیبانی از مدلهای خانواده نموترون ۳.۵ (Nemotron 3.5) در محیط فاندری لوکال (Foundry Local) نیز گسترش یافته است. این مدلها قابلیتهای استدلال، کدنویسی و استفاده از ابزارها را برای عاملهای هوشمند در محیطهای آزور لوکال فراهم میکنند. این امر به سازمانها اجازه میدهد تا فرآیندهای پیچیده را به صورت خودکار درآورند.[2][5]
مدلهای فیزیکی هوش مصنوعی انویدیا، از جمله پروژه کاسموس (Cosmos)، نیز به پلتفرم فاندری لوکال اضافه شدهاند. این مدلها به برنامههای کاربردی کمک میکنند تا شواهد و دادهها را از میان متون، تصاویر اسناد، نمودارها و جداول استخراج کنند. این قابلیت برای صنایعی که با حجم عظیمی از دادههای ساختارنیافته سروکار دارند، بسیار ارزشمند است.[2][4]
استقرار سیستمهای ورا روبین در مراکز داده
در سطح کلان، انویدیا اعلام کرد که سیستمهای مقیاسقفسهای ورا روبین (Vera Rubin NVL72) اکنون در مراکز داده آزور در حال اجرا هستند. این سیستمها زیرساخت لازم برای استدلالهای پیچیده، برنامههای عاملمحور و آموزش مدلهای بسیار بزرگ را فراهم میکنند. دسترسی به این سیستمها در حال حاضر به صورت پیشنمایش (Preview) برای مشتریان آزور امکانپذیر است.[1][2]
نتایج بنچمارکهای اخیر نشاندهنده قدرت بینظیر این همکاری است. در آزمایش MLPerf Training v6.1، زیرساخت آزور توانست تا ۱۰ هزار و ۲۴۰ پردازنده گرافیکی را روی سیستمهای GB200 NVL72 برای آموزش مدل DeepSeek-V3 مقیاسپذیر کند. این بزرگترین مقیاس ثبتشده در این دور از آزمایشها بود که برتری معماری مشترک مایکروسافت و انویدیا را ثابت میکند.[4][5]
در بخش استدلال تعاملی نیز، سیستمهای GB300 NVL72 آزور در آزمایش MLPerf Inference v6.1 توانستند با اختلاف بیش از ۱۰ درصد نسبت به سایر رقبا، در صدر قرار گیرند. این عملکرد خیرهکننده در اجرای مدل DeepSeek-R1 ثبت شده است. این آمارها نشان میدهند که معماری بلکوِل تا چه حد میتواند در پردازشهای سنگین ابری کارآمد باشد.[4]
برای مدیریت این حجم از پردازش، مایکروسافت سرویس آموزش برنامهریزیشده (Programmed Training) خود را به صورت بدون سرور (Serverless) ارائه کرده است. این سرویس به توسعهدهندگان کنترل کاملی بر گردشکارهای پس از آموزش میدهد، در حالی که پلتفرم فاندری مدیریت زیرساخت را بر عهده دارد. این تفکیک وظایف، تمرکز تیمها را بر روی دادههای تجاری افزایش میدهد.[1][4]
امنیت دادهها و محاسبات محرمانه
با انتقال بار پردازشی به سیستمهای محلی و لبه، مسئله امنیت دادهها بیش از پیش اهمیت مییابد. مایکروسافت و انویدیا در حال توسعه محاسبات محرمانه (Confidential Computing) برای زیرساختهای هوش مصنوعی در سطح سرورهای فیزیکی (Bare-metal) هستند. این فناوری به مشتریان اجازه میدهد تا محیط پردازشی را پیش از ارسال دادههای حساس تأیید کنند.[2][5]
سیستم تأیید هویت انویدیا تضمین میکند که مدلهای اختصاصی، دادههای طبقهبندیشده و کلیدهای رمزنگاری در محیطی کاملاً ایزوله پردازش شوند. این سطح از امنیت برای سازمانهای دولتی، بانکها و نهادهای بهداشتی که با مقررات سختگیرانه حفظ حریم خصوصی روبرو هستند، یک الزام اساسی است. گسترش این حفاظتها در سراسر کارخانههای هوش مصنوعی در دستور کار قرار دارد.[1][5]
علاوه بر امنیت، بهرهوری انرژی نیز یکی از دغدغههای اصلی در مراکز داده است. این دو شرکت با استفاده از فناوری NVIDIA MaxLPS در حال همکاری برای بهینهسازی مصرف برق هستند. هدف این است که مراکز داده بتوانند از ظرفیت انرژی موجود خود، بالاترین توان پردازشی ممکن را استخراج کنند و هزینههای عملیاتی را کاهش دهند.[4][5]
یک نمونه موفق از این همکاریها، پروژه شرکت مشاوره ارنست اند یانگ (EY) است. این شرکت با استفاده از سرویس آموزش برنامهریزیشده، مدلهای نموترون را برای طبقهبندی سوابق خرید سازمانی خود تطبیق داد. نتایج نشاندهنده بهبود ۵۵ درصدی در دقت مدل و کاهش ۱۵ برابری هزینهها در مقایسه با مدلهای تجاری پیشرفته بود.[2][5]
رایانههای ابری و کاربردهای علمی
برای سازمانهایی که از رایانههای ابری استفاده میکنند، مایکروسافت و انویدیا قابلیت Direct Stream را به سرویس ویندوز ۳۶۵ (Windows 365) اضافه کردهاند. این قابلیت که توسط پردازندههای گرافیکی شتاب میگیرد، از پخش همزمان دو جریان ویدیویی با کیفیت 4K و نرخ ۶۰ فریم بر ثانیه پشتیبانی میکند. پیشنمایش عمومی این سرویس برای اوایل سال ۲۰۲۷ برنامهریزی شده است.[2][4]
در حوزه تحقیقات علمی، ابزارهای BioNeMo Agent Toolkit و ALCHEMI Toolkit انویدیا به کاتالوگ دیسکاوری مایکروسافت (Microsoft Discovery) اضافه شدهاند. این ابزارها برای علوم زیستی، کشف دارو و علم مواد کاربرد دارند. یکپارچهسازی اولیه این ابزارها با استفاده از مدل RFD4-Proteina که در دانشگاه واشنگتن توسعه یافته، انجام شده است.[4][5]
مایکروسافت همچنین از فناوریهای انویدیا در عملیات داخلی خود بهره میبرد. بخش هوش مصنوعی مایکروسافت از نرمافزار استنتاج NVIDIA Dynamo برای فرآیند یادگیری تقویتی در مرحله پس از آموزش استفاده میکند. این فرآیند که به شدت نیازمند توان محاسباتی است، تجربیات لازم برای بهبود مدلهای زبانی را تولید و مدیریت میکند.[1][5]
مایکروسافت همچنین از فناوریهای انویدیا در عملیات داخلی خود بهره میبرد.
نرمافزار Dynamo استنتاج را در میان ناوگان بزرگی از پردازندههای گرافیکی هماهنگ کرده و عملکرد را بهینهسازی میکند. این سیستم همچنین به مدیریت درخواستها، بهروزرسانی مدلها و بازیابی از خرابیها کمک شایانی میکند. علاوه بر این، مایکروسافت برای اجرای مدلهای جستجوی موتور بینگ (Bing) از پردازندههای گرافیکی RTX PRO 6000 Blackwell استفاده میکند.[1][5]
این همکاری همهجانبه نشان میدهد که آینده هوش مصنوعی تنها در گرو توسعه مدلهای بزرگتر نیست، بلکه توزیع هوشمندانه توان پردازشی در سراسر شبکه اهمیت بیشتری دارد. با انتقال رایانش از آزور به رایانههای ویندوزی، انویدیا و مایکروسافت در حال دموکراتیزه کردن دسترسی به هوش مصنوعی پیشرفته برای تمام کاربران و صنایع هستند.[1][3]
نکات کلیدی
- مایکروسافت و انویدیا در کنفرانس ایگنایت ۲۰۲۶ از انتقال پردازشهای سنگین هوش مصنوعی از فضای ابری آزور به رایانههای شخصی ویندوزی خبر دادند.
- رایانههای مجهز به تراشه RTX Spark با ۱۲۸ گیگابایت حافظه یکپارچه، امکان اجرای محلی مدلهایی با بیش از ۱۲۰ میلیارد پارامتر را فراهم میکنند.
- پشتیبانی پلتفرم آزور لوکال از پردازندههای گرافیکی بلکوِل، استقرار هوش مصنوعی را در محیطهای صنعتی و لبه شبکه تسهیل کرده است.
- سیستمهای مقیاسقفسهای ورا روبین در آزمایشهای اخیر توانستند تا ۱۰ هزار و ۲۴۰ پردازنده گرافیکی را برای آموزش مدلهای زبانی مقیاسپذیر کنند.
آنچه نمیدانیم
- قیمت نهایی و زمان دقیق عرضه عمومی سیستمهای سرور ورا روبین برای تمام مشتریان آزور هنوز رسماً اعلام نشده است.
- میزان مصرف انرژی و تولید حرارت رایانههای رومیزی کوچک مجهز به تراشه RTX Spark در استفادههای طولانیمدت و سنگین مشخص نیست.
- واکنش شرکتهای رقیب مانند اپل و ایامدی (AMD) به این سطح از یکپارچگی سختافزاری و نرمافزاری میان مایکروسافت و انویدیا در هالهای از ابهام قرار دارد.
روند رویداد
اکتبر ۲۰۲۶
معرفی اولیه پلتفرم RTX Spark و آغاز پیشفروش رایانههای مجهز به این تراشه برای اجرای محلی هوش مصنوعی.
اواسط نوامبر ۲۰۲۶
انتشار نتایج بنچمارک MLPerf و ثبت رکورد مقیاسپذیری ۱۰ هزار پردازنده گرافیکی توسط سیستمهای ورا روبین در آزور.
۱۹ نوامبر ۲۰۲۶
اعلام رسمی گسترش همکاری مایکروسافت و انویدیا در کنفرانس ایگنایت برای انتقال رایانش هوش مصنوعی به ویندوز.
اوایل ۲۰۲۷
زمانبندی اعلامشده برای انتشار پیشنمایش عمومی قابلیت Direct Stream در رایانههای ابری ویندوز ۳۶۵.
- توسعهدهندگان و مهندسان نرمافزار
- این گروه بر اهمیت اجرای محلی مدلهای بزرگ برای کاهش تأخیر، حذف هزینههای ابری و افزایش استقلال در توسعه تأکید دارند.
- مدیران زیرساخت و امنیت داده
- تمرکز این گروه بر حفظ حریم خصوصی دادههای حساس سازمانی و استفاده از فناوری محاسبات محرمانه در سرورهای فیزیکی است.
- تحلیلگران اقتصادی فناوری
- این گروه تغییر رویکرد از پردازش ابری به پردازش محلی را یک تحول اقتصادی میدانند که هزینههای عملیاتی سازمانها را به شدت کاهش میدهد.
دیدگاههایی که این گزارش پوشش نداده
- تولیدکنندگان سختافزارهای رقیب (مانند AMD و اینتل)
- فعالان محیط زیست (درباره ردپای کربنی تولید این سختافزارها)
منابع
[1]NVIDIANVIDIA and Microsoft Expand Accelerated Computing From Azure to Windows PCs
مطالعه در NVIDIA →
[2]MLQ.aiتحلیلگران اقتصادی فناوریNvidia and Microsoft put Vera Rubin systems in Azure preview and add Nemotron models to Foundry at Ignite
مطالعه در MLQ.ai →
[3]PCMagتوسعهدهندگان و مهندسان نرمافزارNvidia RTX Spark Compact Desktops Out Now
مطالعه در PCMag →
[4]Hyper.aiمدیران زیرساخت و امنیت دادهNVIDIA and Microsoft Expand Accelerated Computing From Azure to Windows PCs
مطالعه در Hyper.ai →
[5]Unite.aiمدیران زیرساخت و امنیت دادهNVIDIA announced an expanded AI collaboration with Microsoft
مطالعه در Unite.ai →
بیشتر در هوش مصنوعی
مشاهده همه →انتشار نسخه ۱.۰ پروژه llama.cpp؛ نقطه عطف در توسعه بومسازگان هوش مصنوعی محلی
6 منبع
مدلهای تصمیمگیری
گوگل با معرفی جمینای دسیژنز رقابت در مدلهای تصمیمگیری چندوجهی را کلید زد
8 منبع
اهدای پروژه اوپنشل به بنیاد لینوکس؛ گام بزرگ انویدیا برای ایمنسازی کارخانههای هوش مصنوعی
8 منبع
سختافزار هوش مصنوعی
رونمایی گوگل از تراشههای تخصصی TPU 8tx و 8i Max؛ چالش جدی برای تسلط انویدیا در بازار هوش مصنوعی
7 منبع
نظرات
هر زاویه. هر روز.
اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاهها، هر روز و رایگان.





