متطلبات استضافة AI: هل تحتاج GPU؟
نماذج صغيرة تشتغل على CPU. نماذج كبيرة تحتاج GPU. نشرح المتطلبات لكل نوع نموذج — وكيف تختار السيرفر المناسب.
هل تحتاج GPU فعلاً؟
السؤال الأول قبل البحث عن مواصفات GPU: هل تحتاجها أصلاً؟ الإجابة تعتمد على ما تريد فعله بالضبط.
| المهمة | GPU مطلوب؟ | السبب |
|---|---|---|
| تشغيل نموذج لغوي 7B (Llama 3, Mistral) | لا — CPU يكفي | النماذج الكمية (Q4/Q5) تعمل على CPU بكفاءة |
| تشغيل نموذج لغوي 13B+ | مفضّل | CPU ممكن لكن بطيء جداً |
| تشغيل نموذج 70B+ | نعم — إلزامي | CPU غير عملي |
| توليد صور (Stable Diffusion) | نعم — إلزامي | CPU يحتاج دقائق لصورة واحدة |
| تدريب/ضبط نموذج | نعم — إلزامي | التدريب بدون GPU يأخذ أسابيع |
| استخدام API خارجي (OpenAI, Claude) | لا | المعالجة تتم عند المزود |
| RAG + Embeddings فقط | لا | Embeddings خفيفة على CPU |
| أتمتة n8n مع AI | لا | يستخدم API — لا معالجة محلية |
النتيجة المهمة: كثير من تطبيقات الذكاء الاصطناعي العملية لا تحتاج GPU. إذا كنت تشغل نموذج 7B مع Ollama أو تستخدم RAG مع pgvector، سيرفر CPU عادي يكفي.
فهم مواصفات GPU
VRAM — الذاكرة الأهم
VRAM (ذاكرة الفيديو) هي العامل الحاسم. النموذج يجب أن يتسع بالكامل في VRAM ليعمل بكفاءة.
| حجم النموذج | VRAM المطلوب (FP16) | VRAM المطلوب (Q4) | VRAM المطلوب (Q8) |
|---|---|---|---|
| 7B | 14 GB | 4 GB | 8 GB |
| 13B | 26 GB | 8 GB | 14 GB |
| 34B | 68 GB | 20 GB | 36 GB |
| 70B | 140 GB | 40 GB | 72 GB |
- FP16: الدقة الكاملة — أفضل جودة لكن أكبر حجم
- Q4: ضغط 4-بت — ربع الحجم مع فقدان بسيط في الجودة
- Q8: ضغط 8-بت — نصف الحجم مع فقدان شبه معدوم
القاعدة السريعة: عدد المعاملات (بالمليار) × 0.6 GB = VRAM المطلوب تقريباً بتنسيق Q4.
CUDA Cores مقابل Tensor Cores
- CUDA Cores: للحوسبة العامة — مهمة لتشغيل النماذج (Inference)
- Tensor Cores: للعمليات الموجهة — مهمة للتدريب (Training)
إذا كنت فقط تشغل نماذج جاهزة بدون تدريب، CUDA Cores أهم. إذا كنت تدرب أو تضبط نماذج، Tensor Cores تحدث فرقاً كبيراً.
مقارنة بطاقات GPU الشائعة
| البطاقة | VRAM | CUDA Cores | سعر تقريبي (USD) | الاستخدام الأنسب |
|---|---|---|---|---|
| RTX 4060 Ti | 16 GB | 4,352 | 400 | نماذج 7B-13B |
| RTX 4070 Ti Super | 16 GB | 8,448 | 800 | نماذج 7B-13B سريع |
| RTX 4080 Super | 16 GB | 10,240 | 1,000 | نماذج 13B + Stable Diffusion |
| RTX 4090 | 24 GB | 16,384 | 1,600 | نماذج 34B + تدريب خفيف |
| A100 (40GB) | 40 GB | 6,912 | 10,000+ | نماذج 70B + تدريب |
| A100 (80GB) | 80 GB | 6,912 | 15,000+ | نماذج 70B+ + تدريب مكثف |
| H100 | 80 GB | 16,896 | 30,000+ | تدريب مؤسسي |
NVIDIA مقابل AMD
في الوقت الحالي، NVIDIA هي الخيار الوحيد العملي لاستضافة AI:
- CUDA: كل أطر عمل AI تدعم NVIDIA أولاً
- Tensor Cores: موجودة فقط في NVIDIA
- البرمجيات: PyTorch وTensorFlow مُحسّنة لـ NVIDIA
- ROCm من AMD: يتحسن لكنه غير ناضج بعد
سيناريوهات عملية
السيناريو 1: ChatGPT خاص (Open WebUI + Ollama)
المهمة: واجهة محادثة خاصة بنموذج Llama 3 8B
بدون GPU:
- 4 vCPU، 8 GB RAM — يعمل بنموذج Q4
- سرعة: 5-10 كلمات/ثانية
- كافي لفريق صغير (5-10 مستخدمين)
مع GPU:
- RTX 4060 Ti (16 GB VRAM) — يعمل بنموذج Q8
- سرعة: 30-50 كلمة/ثانية
- كافي لفريق كبير (50+ مستخدم متزامن)
السيناريو 2: توليد صور (Stable Diffusion)
GPU إلزامي:
- الحد الأدنى: RTX 4060 Ti (16 GB) — صورة واحدة في 5-10 ثوانٍ بدقة 512×512
- المفضّل: RTX 4090 (24 GB) — صورة في 2-3 ثوانٍ بدقة 1024×1024
- بدون GPU: صورة واحدة قد تأخذ 5-10 دقائق — غير عملي
السيناريو 3: RAG + قاعدة بيانات متجهات
لا يحتاج GPU:
- 4 vCPU، 8 GB RAM لـ pgvector
- 2 vCPU، 4 GB RAM لنموذج Embedding
- Embedding يعمل على CPU بكفاءة عالية
السيناريو 4: ضبط نموذج (Fine-tuning)
GPU إلزامي (عالي المواصفات):
- الحد الأدنى: RTX 4090 (24 GB) — لنماذج 7B مع LoRA
- المفضّل: A100 (40/80 GB) — لنماذج 13B-70B
- الذاكرة: 32 GB RAM نظام على الأقل
- التخزين: 500 GB+ SSD سريع
البديل: CPU مع تحسينات
إذا قررت العمل بدون GPU، هذه التحسينات ترفع الأداء:
llama.cpp مع تحسينات AVX-512
cmake -B build -DGGML_AVX512=ON
cmake --build build --config Releaseتخصيص الذاكرة
# تعطيل Swap لمنع البطء
sudo swapoff -a
# تخصيص ذاكرة كبيرة للنموذج
export OLLAMA_MAX_LOADED_MODELS=1
export OLLAMA_NUM_PARALLEL=2اختيار النموذج المناسب
- للعربية: Qwen 2.5 7B أو AceGPT 7B — أداء ممتاز بالعربية على CPU
- للإنجليزية: Llama 3.1 8B أو Mistral 7B — أفضل توازن جودة/سرعة
- للبرمجة: CodeLlama 7B أو DeepSeek Coder 6.7B
التكلفة: GPU مقابل API
| المقارنة | سيرفر مع GPU | API خارجي |
|---|---|---|
| تكلفة شهرية | ثابتة | متغيرة حسب الاستخدام |
| استخدام غير محدود | نعم | لا — كل طلب بفلوس |
| خصوصية البيانات | كاملة | البيانات تغادر المملكة |
| نقطة التعادل | 3-6 أشهر من الاستخدام المكثف | — |
التوصية
لمعظم الشركات السعودية، الخطة الذكية:
- ابدأ بدون GPU — سيرفر CPU من كلاود (cloud.net.sa) مع Ollama ونموذج 7B
- قيّم الأداء — إذا كانت السرعة كافية، وفّرت على نفسك تكلفة GPU
- ارفع المواصفات إذا احتجت — أضف vCPU وذاكرة
- انتقل لـ GPU فقط إذا كنت تحتاج: Stable Diffusion، نماذج 70B+، أو تدريب
كلاود يوفر خوادم سحابية تبدأ من أسعار تنافسية — الأسعار والباقات مع قوالب AI جاهزة — جرّب بدون GPU أولاً، ثم قرر.
ابدأ الآن
جاهز تشغّل الذكاء الاصطناعي على سيرفرك؟ اكتشف حلول استضافة AI أو صمم سيرفرك بالمواصفات المطلوبة.
