تُظهر نتائج التدريب الجديدة من Google أن السرعة تُشترى بالحجم، والتنسيق يُشترى بالتصميم، لا باختراق منفرد على صعيد الشرائح. فنظام Ironwood لا يبلغ زمنه المعلن إلا عندما تتدرب آلاف المعالجات معًا بانتظار ضئيل، بينما يستغرق نظام أصغر بكثير من NVIDIA على السحابة نفسها زمنًا أطول بكثير على النموذج نفسه. والمنافسة التي تكسبها Google فعلًا هي المنافسة على إبقاء آلة هائلة مشغولة.
| الوثيقة | التفاصيل |
|---|---|
| الجهة المصدرة | |
| تاريخ النشر | 16 نوفمبر 2026 |
| النص الرسمي | blog.google |
| صفحات رسمية مرتبطة | 2 |
| وثائق سابقة للمقارنة | 2 |
تُفيد الوثيقة، New AI training performance benchmarks for Google TPUs، التي نشرتها Google في 16 نوفمبر 2026، بنتائج عددها 10 في دورة معيار MLPerf Training v6.1. وMLPerf اختبار مشترك: يبدأ كل مشارك التدريب من نقطة مرجعية رسمية، أي نسخة أولية من النموذج، حتى يبلغ هدفًا محددًا للجودة أو الدقة. ويكتسب هذا التفاوت أهمية لأن Google تقدّم سحابتها، لا شريحتها وحدها، بوصفها المكان الذي يؤدي فيه كلا النوعين من العتاد أداءً جيدًا.
سرعة التدريب المسبق تأتي بآلاف الشرائح العاملة معًا
التدريب المسبق هو المرحلة الأولى الطويلة التي يتعلم فيها النموذج من كميات كبيرة من البيانات قبل الضبط اللاحق. وعلى DeepSeek-V3، وهو نموذج مذكور في قائمة النتائج، بلغت 8,192 شريحة Ironwood TPU جودة المعيار المستهدفة في 1.70 دقيقة. وتفيد Google أيضًا بالتوسع حتى 4,096 شريحة بكفاءة 96%. والكفاءة هنا تصف مقدار المكسب المتوقع من إضافة الشرائح الذي يبقى فعليًا. فإضافة المعالجات تجلب كلفة تنسيق، إذ يجب تقسيم العمل وتبادل النتائج ودمج النتائج الجزئية. ويعني الرقم المرتفع أن قدرًا أقل من القدرة الحاسوبية المضافة يُفقد في هذا التنسيق.
وتعزو Google النتيجة إلى بنيتها AI Hypercomputer وإلى تصميم الشرائح والشبكات والبرمجيات المفتوحة معًا. وهذا تفسير الشركة نفسها، ورقم التوسع هو ما يمنحه الثقل. فقد تكون العنقودية كبيرة دون أن تكون مفيدة إذا أمضت الشرائح الإضافية وقتها في انتظار البيانات أو انتظار بعضها بعضًا. وادعاء Google أضيق وأقوى من الحجم الخام: فقد كبرت الآلة مع احتفاظها بمعظم الأداء المتوقع منها. وبالنسبة إلى عميل يدرّب نموذجًا متقدمًا، فإن الزمن المنقضي في مهمة بالغة الضخامة حقيقة تجارية مباشرة، لأن المهمة تحتل طاقة باهظة حتى تنتهي.
التعلم الوكيلي يكافئ الأنظمة التي تُبقي الشرائح مشغولة
تضمنت الدورة أيضًا أول معيار MLPerf للتعلم المعزز الوكيلي. فالتعلم المعزز يدرّب نظامًا عبر التغذية الراجعة على أفعاله. وفي نسخة وكيلية، يؤدي النظام عملًا، وهو هنا توليد الشيفرة، ويتعلم من النتيجة بينما يستمر العمل. وهذا يخلق مشكلة في الجدولة إلى جانب مشكلة في الحوسبة: فتوليد الشيفرة والتعلم يتنافسان على الانتباه، وقد تبقى شرائح التدريب الباهظة عاطلة إذا خرج النشاطان عن التزامن.
Built on Google Cloud’s AI Hypercomputer architecture, these results reflect co-design across silicon, networking, and open software: Pre-training on Ironwood: 8,192 Ironwood TPUs reached the target model's benchmark target quality in 1.70 minutes, scaling up to 4,096 chips with 96% efficiency. Agentic RL on Ironwood: 640 Ironwood TPUs reached the target model’s coding benchmark target accuracy in 18.02 minutes (0.765 vs. the 0.69 goal), running code generation and learning simultaneously so training chips waited under 3% of the time.
المصدر: Google, 16 نوفمبر 2026. Google, New AI training performance benchmarks for Google TPUsوفي ذلك الاختبار، بلغت 640 شريحة Ironwood TPU دقة معيار البرمجة المستهدفة في 18.02 دقيقة، مسجلة 0.765 مقابل هدف 0.69. وتحدد قائمة النتائج النموذج بأنه Qwen3.5-397B. وتقول Google إن النظام شغّل توليد الشيفرة والتعلم في الوقت نفسه، فكانت نسبة انتظار شرائح التدريب أقل من 3% من الوقت. وتفسر نسبة الانتظار المنخفضة سبب وقوف هذه النتيجة إلى جانب زمن التدريب المسبق لا خلفه. فالتدريب المسبق يُظهر مدى سرعة إنجاز عنقودية منسقة لعبء عمل معلوم. أما التعلم الوكيلي فيُظهر ما إذا كان النوع نفسه من العنقوديات يظل منتجًا حين يواصل عبء العمل إنتاج مواد جديدة لنفسه أثناء التشغيل.
نتائج NVIDIA تجعل العرض حول Google Cloud لا حول الولاء لشريحة واحدة
نشرت Google أيضًا نتيجة تدريب مسبق على عتاد NVIDIA. فعلى نسخ Google Cloud A4X Max، بلغت 256 وحدة معالجة رسومية NVIDIA GB300 جودة معيار النموذج المستهدفة في 31.96 دقيقة على DeepSeek-V3. وتضيف الشركة خمس مشاركات A4X وA4X Max في معيار التعلم المعزز الوكيلي، تشمل أنظمة GB200 وGB300. وينبغي للقارئ ألا يتعامل مع زمني Ironwood وNVIDIA على أنهما منافسة مباشرة بين أجهزة منفردة. فأعداد الشرائح تختلف اختلافًا حادًا، والنسخ تختلف، والمعيار يكافئ النظام المهيأ كاملًا الذي قدمته Google.
وبهذه القراءة، تغيّر مشاركات NVIDIA معنى العنوان الرئيسي لـ Ironwood. فGoogle لا تحتج بأن على العملاء اختيار شرائحها لاستخدام سحابتها. بل تحتج بأن سحابتها موطن كفؤ لأنظمة تدريب ضخمة من أكثر من نوع، مع توفير الشبكات والبرمجيات من Google في كل حالة. ويبقى Ironwood النتيجة الرائدة وأوضح بيان لما تستطيع Google بناؤه من طرف إلى طرف. أما نتائج Blackwell فتوسّع الادعاء التجاري: فالمشتري الذي استثمر أصلًا في عتاد NVIDIA لا يزال مدعوًا إلى تشغيل المهمة على Google Cloud.
الوثيقة الجديدة تحوّل الموضوع من الوصول إلى السعة
عملت وثائق Google السابقة في السلسلة نفسها من المنشورات على مستوى المستخدم الفرد. ففي 13 نوفمبر 2026، أبلغت Google مستخدمي تطبيق Gemini في الولايات المتحدة بأنهم يستطيعون ربط Google Wallet لردود تستند إلى عادات إنفاقهم، بوصول للقراءة فقط وبتحكم للمستخدم في الربط. ووضعت وثيقة منفصلة في اليوم نفسه أرصدة Google Cloud داخل Google AI Studio لمشتركي Google AI Pro وUltra، حتى يتمكن المطورون من الحصول على أرصدة شهرية ومواصلة البناء دون مغادرة مساحة عملهم. وسّعت تلك الخطوات الوصول وعمّقت السياق الشخصي.
أما هذه الوثيقة فتخاطب قارئًا مختلفًا: مختبرًا أو شركة تدرّب النماذج وتشتري القدرة الحاسوبية بالعنقودية. فسؤالها ليس هل يعرف المساعد أكثر عن شخص واحد. بل سؤالها هو مدى سرعة انتهاء مهمة تدريب ضخمة، وإلى أي مدى تتوسع قبل أن يلتهم التنسيق المكسب، وهل يُبقي العمل الوكيلي غير المنتظم العتاد مشغولًا. وهذا التباين هو السياق الذي يجعل المعيار أكثر من مجرد نتيجة. فقد كرّست Google إعلاناتها السابقة لتسهيل الوصول إلى Gemini وAI Studio. وعليها الآن أن تُظهر القاعدة الصناعية تحتهما، وأن تبيع تلك القاعدة لعملاء قد لا يستخدمون التطبيق الاستهلاكي أبدًا.
زمن المعيار وعد بشروط ضيقة
تقيس كل الأزمنة المعلنة زمن MLPerf للتدريب من النقطة المرجعية الرسمية إلى معيار التقارب المستهدف، كما تذكر Google في الوثيقة. وهذا التعريف يجعل الدورات المقدمة قابلة للمقارنة وفق قواعد الدورة. لكنه يحد أيضًا مما يتعلمه المشتري. فالنتائج المنشورة لا تعطي سعرًا لعملية تشغيل واحدة، ولا رقمًا للطاقة، ولا بيانًا عن مقدار سعة Ironwood التي يستطيع عميل جديد الحصول عليها، أو متى. وهذه الأمور غير المذكورة مهمة لأن نظام المعيار السريع لا يزال بحاجة إلى أن يكون متاحًا وميسور التكلفة على نطاق الإنتاج قبل أن يتحول الزمن إلى توفير.
ستختبر دورة MLPerf التالية ما إذا كان المنافسون يقلّصون فجوة التوسع، وما إذا كانت Google تستطيع تكرار نتيجة التعلم الوكيلي مع نضوج ذلك المعيار. وحتى ذلك الحين، فالحكم المدعوم دقيق. فقد وثّقت Google منصة تدريب يقع تفوقها في التنسيق على نطاق واسع، في التدريب المسبق وفي اختبار وكيلي جديد، ووضعت ذلك الادعاء على شرائحها وعلى أنظمة NVIDIA المباعة عبر سحابتها. فالسرعة حقيقية داخل الاختبار المعلن. أما القيمة التجارية فستحددها السعة والتكلفة، وهما ما تتركه هذه الوثيقة دون تحديد سعر.
المصدر: Google, Google, Google Cloud Google Cloud leaders share what to expect in cybersecurity for 2027., Google, Google Cloud Get certified as a Google Cloud Professional Agentic Architect. By Gary Eimerman, Google, Claim your Google Cloud Credits in Google AI Studio (13 November 2026), Google, Connect Google Wallet to Gemini for personal finance insights (13 November 2026) · التاريخ:



