Nvidia: Switchyard يخفض تكاليف وكلاء AI بـ الثلث

مقدمة تحليلية

أعلنت Nvidia في 11 أغسطس 2026 عن حل جديد يهدف لخفض تكاليف تشغيل وكلاء الذكاء الاصطناعي إلى الثلث، وفقًا لاختباراتها الداخلية. يتمحور الحل حول مكتبة NeMo Switchyard مفتوحة المصدر، والتي تقوم بتوجيه كل خطوة في سير عمل الوكيل إلى النموذج الأنسب، بالإضافة إلى نموذج Nemotron 3.5 Lightning، وهو نموذج مفتوح من نوع Mixture-of-Experts (MoE) بمعاملات تبلغ 30 مليارًا. هذا الثنائي يقدم وعودًا بتعزيز الكفاءة التشغيلية للأعمال التي تعتمد على وكلاء الذكاء الاصطناعي دائمي التشغيل، معالجةً بذلك التحدي المستمر بين الأداء العالي والتكاليف الباهظة للنماذج الرائدة. تزعم Nvidia أن Lightning يقدم مخرجات أسرع بما يصل إلى 4 مرات من النماذج المماثلة، ويُنهي المهام الوكيلة أسرع بنحو 30% من Qwen3.6-35B مع مطابقة الدقة.

التحليل التقني

تواجه الشركات التي تشغل وكلاء الذكاء الاصطناعي بشكل مستمر معضلة: إرسال كل مهمة إلى نموذج رائد (frontier model) يؤدي إلى ارتفاع الفواتير بسرعة، بينما بناء منطق توجيه مخصص للمهام الأسهل نحو نماذج أرخص يتحول إلى مشروع هندسي مكلف يتطلب صيانة مستمرة. Nvidia تقدم حلاً من طبقتين لمعالجة هذه المشكلة. يمثل NeMo Switchyard مكتبة مفتوحة المصدر تُدير عملية التوجيه هذه بشكل ديناميكي. يتمثل جوهر عمل Switchyard في قدرته على تكييف اختيار النموذج مع تغير حالة الوكيل أثناء المهمة.

فمع عودة النتائج من الأدوات، أو ظهور الأخطاء، أو تحول خطوة ما من معقدة إلى روتينية، يتطلب الأمر نموذجًا مختلفًا، وهو ما لا يستطيع اختيار نموذج ثابت التعامل معه. تشير كاري بريسكي، نائب رئيس الذكاء الاصطناعي التوليدي في Nvidia، إلى استراتيجيات توجيه تستجيب لهذه الحالة المتغيرة بدلاً من فئة مهمة ثابتة.

• ديناميكية التوجيه: يمكن لـ Switchyard تقييم عدد الرموز (tokens) التي يميل نموذج معين إلى إنتاجها لمهمة ما، واستخدام هذا التنبؤ لتوجيه العمل نحو الخيار الأرخص قبل إجراء المكالمة البرمجية. هذا يعني أن قرار التوجيه يتضمن التكلفة مباشرة كعامل أساسي، وليس كفكر لاحق.
• التكامل: يندمج Switchyard مع أطر عمل الوكلاء مثل Cognition و LangChain و Nous Research، بالإضافة إلى بوابات LLM مثل Kong و LiteLLM و OpenRouter. قامت Kong بدمج Switchyard أصلاً ضمن Kong AI Gateway.
• نموذج Nemotron 3.5 Lightning: هذا النموذج، بمعاملات تبلغ 30 مليارًا، هو نموذج مفتوح بذاته مصمم للمهام الوكيلة المتخصصة وذات الحجم الكبير. يوسع Nemotron 3.5 Lightning بنية Mamba-Transformer الهجينة، وهي بنية Mixture-of-Experts (MoE) كامنة قدمتها Nvidia مع عائلة Nemotron 3 في ديسمبر 2025. على الرغم من أن Lightning ليس رائدًا في الذكاء العام ضمن فئته الحجمية، حيث يسجل 24 في مؤشر Artificial Analysis Intelligence Index، مقارنة بـ 30 لـ Nemotron 3 Super و Gemma 4 31B و Claude 4.5 Haiku و Mistral Medium 3.5، فإن ادعاء Nvidia يتركز على كفاءته.

تُظهر بيانات PinchBench، التي قدمتها Nvidia، أن Lightning يطابق دقة Qwen3.6-35B أسرع بنحو 30%، ويتفوق على دقة Gemma 4 26B في وقت إنجاز مماثل، وذلك على معيار PinchBench الذي يقيس مهام وكلاء واقعية تشمل البرمجة والبحث وإدارة الملفات. هذا يمثل مقايضة بين السرعة والدقة، وليس فوزًا في القدرة العامة. أفادت LangChain عن تخفيض في التكلفة بنسبة 74% عبر 145 مهمة Deep Agents متعددة الأدوار عن طريق توجيه 7% فقط من المكالمات إلى نموذج رائد، مع مقايضة في الدقة بنسبة 6%. ذكرت Ramp أنها طابقت أداء نموذج رائد على Ramp SWE-Bench مع خفض التكاليف بنسبة 58% ووقت التشغيل بنسبة 33%.

كما أبلغت Cognition عن أداء قريب من النموذج الرائد على FrontierCode Main مع خفض متوسط التكلفة بنسبة 28% مقارنة بتوجيه كل شيء إلى نموذج رائد واحد.

السياق وتأثير السوق

يأتي إطلاق Nvidia هذا في خضم فترة نشطة للغاية لسوق النماذج مفتوحة الوزن، والتي شهدت خلالها شركات مثل Alibaba و Moonshot و Zhipu و DeepSeek من الصين إطلاق نماذج تنافسية، بعضها يقترب من أداء النماذج الرائدة مع تقليل الحجم أو السعر مقارنة بالمختبرات الأمريكية. أضافت Meta إلى هذا الضغط بإصدار نموذجها الوكيلي المفتوح Muse Glimmer بمعاملات تبلغ 30 مليارًا. لقد تحول مفهوم الأوزان المفتوحة من ميزة تنافسية إلى أساسيات السوق في غضون أشهر، وتدخل إصدارات Nvidia في هذا التحول بدلًا من أن تسبقه.

لا يكمن التحدي الرئيسي لـ Switchyard في النماذج المفتوحة الأخرى، بل في حلول التوجيه القائمة مثل Not Diamond، الذي يشغل بالفعل وضع Auto في OpenRouter، و RouteLLM، وهو إطار العمل مفتوح المصدر من جامعة كاليفورنيا بيركلي و LMSYS. لا يشحن أي منهما نموذجه الخاص. تراهن Nvidia على أن امتلاك كلا جانبي القرار – طبقة النموذج وطبقة التوجيه – تحت ترخيص مفتوح واحد، هو ما لا يستطيع منافس يعتمد على التوجيه فقط أو النموذج فقط أن يضاهيه. هذا النهج يعني أن Nvidia تسعى لتقديم نظام متكامل، حيث لا يحل النموذج وحده مشكلة التكلفة، ولا يجد الموجه وحده شيئًا فعالًا لتوجيهه. تهدف Nvidia إلى أن يكون المصدر المفتوح، المطبق على كل من طبقة النموذج وطبقة التوجيه، هو المحرك الحقيقي لخفض التكاليف في الذكاء الاصطناعي الوكيلي.

بالنسبة للمؤسسات التي تبني بنية تحتية للوكلاء، يبرز ثلاثة اتجاهات رئيسية: تحول قرار التوجيه من ثابت إلى ديناميكي، حيث يتم دفع الشركات نحو التوجيه لكل خطوة بناءً على الإشارات الحية مثل حالة الوكيل وتكلفة الرموز. أصبح المصدر المفتوح أداة لخفض التكاليف على طبقتين بدلاً من واحدة، وهو ما يمثل حجة جديدة تستحق المتابعة. وأخيرًا، يتحول السؤال التنافسي من «أفضل نموذج» إلى «أفضل نظام»، حيث ينتقل التمايز إلى مدى فعالية طبقة التوجيه في مطابقة النماذج مع المهام في بيئة الإنتاج.

رؤية Glitch4Techs

إن إطلاق Nvidia لـ Nemotron 3.5 Lightning و NeMo Switchyard ليس اختراقًا ثوريًا، بل هو استجابة محسوبة لضغوط السوق المتزايدة. الادعاء بتخفيض التكاليف إلى الثلث، المدعوم بأرقام من اختبارات LangChain (تخفيض 74%) و Ramp (تخفيض 58%)، يعد إنجازًا عمليًا ملموسًا. ومع ذلك، فإن النموذج Lightning نفسه، بتسجيله 24 في مؤشر الذكاء العام، لا يقدم قيادة في القدرات مقارنة بـ Nemotron 3 Super أو Gemma 4 31B، مما يؤكد أنه مُحسَّن لمقايضة السرعة بالدقة. الرهان على امتلاك حل متكامل مفتوح المصدر على طبقتي النموذج والتوجيه هو محاولة لدفاع عن الحصة السوقية في مواجهة المنافسين الصينيين و Meta، الذين يركزون بقوة على النماذج المفتوحة.

تظل حجة Nvidia بشأن “القابلية للتخصيص” (customizability) ضعيفة نسبيًا مقارنة بالمعايير الصارمة، خاصة وأنها لم تقدم معايير مباشرة ضد النماذج الصينية عند السؤال المباشر. هذا يشير إلى أن الابتكار يكمن في التغليف الاستراتيجي وليس بالضرورة في تقدم قدرات النموذج الأساسي.