هل تساءلتَ يومًا لماذا تدفع آلاف الدولارات شهريًا لاستخدام نماذج الذكاء الاصطناعي الكبيرة عبر السحابة، في حين يمكن لجهاز في غرفتك أن يؤدي المهمة نفسها؟ لفترة طويلة كان الجواب واحدًا: القيود التقنية. لكن Apple غيّرت المعادلة كليًا في عام 2025 بتحديث برمجي بسيط أطلق العنان لتقنية RDMA عبر Thunderbolt 5، فتحوّلت أربعة أجهزة Mac Studio إلى عنقود (Cluster) قادر على تشغيل نموذج بتريليون معامل محليًا وبسرعة لافتة.
 |
| كيف حوّلت Apple الـ Mac Studio إلى سوبر كمبيوتر ذكاء اصطناعي محلي باستخدام RDMA؟ |
في هذا المقال، سنشرح بالتفصيل: ما هو الـ Clustering؟ لماذا فشل في السابق؟ كيف أصلحت Apple المشكلة؟ وهل يستحق هذا الإعداد الاستثمار؟ سواء كنت مبتدئًا أو محترفًا في مجال الـ AI والـ Networking، ستجد هنا ما يفيدك.
ما هو الـ Clustering ولماذا نحتاجه في الذكاء الاصطناعي؟
ببساطة، الـ Clustering هو توصيل عدة أجهزة كمبيوتر معًا لتعمل كجهاز واحد أقوى. في عالم الذكاء الاصطناعي، النماذج الكبيرة مثل Llama 3.3 70B أو DeepSeek 671B تحتاج إلى كميات هائلة من ذاكرة الـ GPU (VRAM) لا يستطيع جهاز واحد توفيرها.
الحل النظري كان واضحًا: اجمع عدة أجهزة، وقسّم النموذج بينها. لكن الواقع كان أقسى من ذلك بكثير.
لماذا فشل الـ Clustering في السابق؟
عند تجميع خمسة أجهزة Mac Studio في تجربة سابقة باستخدام برنامج Exo Labs، كانت النتيجة صادمة: الإعداد أصبح أبطأ بنسبة 91% مقارنة بجهاز واحد! السبب لم يكن قوة المعالج ولا كمية الذاكرة، بل كان مشكلة واحدة: زمن الاستجابة (Latency) في الشبكة بين الأجهزة.
Pipeline Parallelism مقابل Tensor Parallelism: ما الفرق؟
لفهم الحل، يجب أولًا فهم طريقتَي توزيع النماذج على أجهزة متعددة:
Pipeline Parallelism — الطريقة البطيئة
تخيّل نموذج AI كسلسلة تجميع في مصنع. النموذج يحتوي على حوالي 80 طبقة (Layer)، كل طبقة تُعالج المدخلات وتُمرر النتيجة للطبقة التالية.
في الـ Pipeline Parallelism، يُوزَّع العمل هكذا:
- جهاز Mac 1 يعالج الطبقات 1 إلى 20، ثم يتوقف وينتظر.
- يُرسل النتائج إلى Mac 2 الذي يعالج الطبقات 21 إلى 40.
- Mac 3 يعالج 41 إلى 60 — وهكذا حتى النهاية.
المشكلة؟ إنها تسلسلية بالكامل. كل جهاز ينتظر الجهاز السابق. النتيجة: سعة أكبر لتشغيل نماذج ضخمة، لكن سرعة أبطأ بكثير.
Tensor Parallelism — الطريقة الأذكى
بدلًا من أن يمتلك كل جهاز "قطعة" من النموذج، هنا تعمل جميع الأجهزة معًا على كل طبقة في نفس الوقت. كل جهاز يُنجز 25% من الحسابات، ثم تُجمَع النتائج. نظريًا، هذا يجعل الأمر أسرع بـ 3.5 مرة!
 |
| الفرق: على اليسار أجهزة تعمل بالتسلسل (Pipeline)، وعلى اليمين أجهزة تعمل بالتوازي (Tensor). |
كيف حلّت Apple المشكلة؟ تقنية RDMA عبر Thunderbolt 5
في تحديث macOS Tahoe 26.2 Beta، فعّلت Apple بهدوء تقنية كانت حكرًا على مراكز البيانات الضخمة: RDMA — Remote Direct Memory Access.
ما هو RDMA؟
في الشبكات التقليدية عبر TCP/IP، كل رسالة تُرسَل بين جهازين تمر عبر مراحل متعددة: المعالج (CPU)، نظام التشغيل، مكدّس الشبكة (Network Stack)، ثم تصل أخيرًا إلى ذاكرة الـ GPU. هذه المراحل تُضيف زمن استجابة إضافيًا.
مع RDMA، نتخطى كل هذه المراحل تمامًا. الاتصال يكون مباشرًا من ذاكرة GPU إلى ذاكرة GPU دون أي وسيط. هذا ما تستخدمه نماذج مثل ChatGPT وClaude في مراكز البيانات للتواصل الفائق السرعة.
تقنية RDMA أنقصت زمن الاستجابة من 300 ميكروثانية إلى 3 ميكروثانية فقط — تحسّن بنسبة 100 مرة، وذلك عبر تحديث برمجي وحسب!
نتيجة اختبار عملي على Mac Studio Cluster
 |
| مسار البيانات: بدون RDMA (مسار طويل عبر CPU وOS)، ومع RDMA (خط مباشر بين GPU وGPU) |
مواصفات العنقود ونتائج الاختبار الفعلية
مواصفات الإعداد
| المكوّن | جهاز واحد (Mac Studio M4 Ultra) | العنقود (4 أجهزة) |
|---|---|---|
| الذاكرة الموحدة (Unified Memory) | 512 GB | 2 TB |
| أنوية الـ GPU | 80 نواة | 320 نواة |
| التخزين | 8 TB | 32 TB |
| الاتصال بين الأجهزة | — | Thunderbolt 5 (Mesh) |
| السعر التقريبي | ~$12,500 | ~$50,000 |
نتائج الاختبار: قبل وبعد RDMA
| الوضع | النموذج | السرعة (Tokens/sec) |
|---|---|---|
| Pipeline (بدون RDMA) | Llama 3.3 70B FP16 | 5 t/s |
| Tensor (بدون RDMA) | Llama 3.3 70B FP16 | 3 t/s |
| ✅ Tensor + RDMA | Llama 3.3 70B FP16 | 16 t/s |
| جهاز واحد | Qwen 3 Coder 480B | 27 t/s |
| ✅ 4 أجهزة + RDMA | Qwen 3 Coder 480B | 40 t/s |
| ✅ 4 أجهزة + RDMA | Kimi K2 (1 Trillion params) | 28–30 t/s |
 |
| لقطة شاشة لواجهة Exo Labs الجديدة (Mac App) تُظهر الأجهزة الأربعة متصلة ونسب استخدام الذاكرة والـ GPU. |
Exo Labs وApple MLX: الثنائي الذي جعل هذا ممكنًا
الجانب البرمجي لهذا الإنجاز يعتمد على ركيزتين أساسيتين:
Exo Labs
مشروع مفتوح المصدر يتيح تجميع (Cluster) أي أجهزة كمبيوتر معًا لتشغيل نماذج AI. بعد أشهر من التوقف الظاهري، عاد المشروع بواجهة Mac أصيلة (Native App) وتكامل كامل مع RDMA وThunderbolt 5. النتيجة: إعداد Cluster أصبح عمليًا ويدعم أي تطبيق خارجي مثل Open WebUI.
Apple MLX
إطار عمل Apple مفتوح المصدر للتعلم الآلي. ما يميّزه هو استغلاله الكامل للذاكرة الموحدة (Unified Memory)، حيث يمكن للعمليات أن تعمل على الـ CPU أو الـ GPU دون الحاجة لنقل البيانات بينهما. مع تفعيل RDMA، أصبح MLX قادرًا على توزيع العمليات عبر أجهزة متعددة بزمن استجابة فائق.
Exo يعمل كـ API endpoint متوافق مع OpenAI. بمعنى أي تطبيق يدعم OpenAI API — مثل Open WebUI أو Continue أو Open Code — يمكنه الاتصال بعنقودك مباشرة دون أي تعديلات!
هل يستحق إعداد Cluster المحلي الاستثمار؟ المقارنة الحقيقية
سؤال مشروع: بـ 50,000 دولار، هل هذا منطقي؟ دعنا نقارن:
مقارنة التكاليف
| الإعداد | التكلفة | الذاكرة | الخصوصية | التكلفة الشهرية |
|---|---|---|---|---|
| Mac Studio Cluster (4 × M4 Ultra) | $50,000 | 2 TB | ✅ كاملة | $0 (بعد الشراء) |
| 26 × Nvidia H100 (80GB) مكافئة | $780,000+ | 2 TB | ✅ كاملة | عالية (طاقة + صيانة) |
| API سحابية (GPT-4 / Claude) | $0 | غير محدودة | ❌ بياناتك على السحابة | $100–$2,000+ |
الـ Cluster المحلي منطقي لمن يعمل مع بيانات حساسة، أو يحتاج إلى تشغيل نماذج ضخمة باستمرار، أو يريد التحكم الكامل في البنية التحتية للذكاء الاصطناعي.
خلاصة المقارنة
 |
| (Bar Chart) يوضح الفرق في التكلفة بين الثلاثة خيارات |
كيف تُعدّ Cluster من Mac Studio خطوة بخطوة؟
- تثبيت macOS Tahoe 26.2 Beta على جميع أجهزة Mac Studio.
- توصيل الأجهزة بـ Thunderbolt 5 بتوبولوجيا Mesh (كل جهاز متصل بالآخرين).
- الدخول إلى Recovery Mode وتفعيل RDMA من إعدادات النظام.
- تثبيت النسخة التجريبية من Exo Labs (تحقق من GitHub لآخر إصدار).
- توصيل الأجهزة عبر Ethernet لنقل النماذج وتحديثها (موصى بـ 10GbE).
- تحميل النموذج المطلوب وتشغيل Tensor Parallelism مع RDMA.
- الاتصال بأي تطبيق خارجي عبر API endpoint الذي يُنشئه Exo.
الأسئلة الشائعة (FAQ)
ما هو RDMA وكيف يختلف عن TCP/IP العادي؟
RDMA (Remote Direct Memory Access) هو بروتوكول اتصال يتيح لجهازين تبادل البيانات مباشرةً بين ذاكرتَي الـ GPU دون المرور بالـ CPU أو نظام التشغيل. هذا يُقلّص زمن الاستجابة من 300 ميكروثانية (TCP/IP) إلى 3 ميكروثانية فقط — تحسّن بمئة ضعف.
هل يمكن تطبيق Clustering على أجهزة غير Apple؟
نعم، Exo Labs يدعم أجهزة متنوعة تشمل Linux وNvidia GPUs وأجهزة Apple. لكن تقنية RDMA عبر Thunderbolt 5 حاليًا حكر على أجهزة Apple. في عالم Nvidia، يُستخدم InfiniBand أو NVLink لتحقيق نتائج مماثلة لكن بتكلفة أعلى بكثير.
ما أكبر نموذج يمكن تشغيله على هذا العنقود؟
تم تشغيل Kimi K2 بتريليون معامل (1T parameters) على 4 أجهزة Mac Studio (512 GB لكل منها = 2 TB إجمالًا). النموذج استخدم 33% من الذاكرة على كل جهاز، مما يعني إمكانية تشغيل عدة نماذج ضخمة في نفس الوقت.
ما هو Tensor Parallelism وهل هو أفضل دائمًا من Pipeline Parallelism؟
Tensor Parallelism يجعل جميع الأجهزة تعمل معًا على كل طبقة في آن واحد، مما يوفّر سرعة أعلى نظريًا بـ 3.5 مرة. لكن يتطلب اتصالًا بزمن استجابة منخفض جدًا. قبل RDMA كان Pipeline أفضل لأنه أقل تواصلًا بين الأجهزة. مع RDMA، أصبح Tensor Parallelism الخيار الأمثل.
هل يمكنني استخدام Open WebUI أو أدوات أخرى مع هذا العنقود؟
نعم، Exo Labs يُنشئ API endpoint متوافقًا مع معيار OpenAI. أي تطبيق يدعم هذا المعيار — مثل Open WebUI وContinue وOpen Code وحتى Xcode — يمكنه الاتصال بالعنقود مباشرةً. الأمر لا يتجاوز تغيير رابط الـ API في الإعدادات.
الخلاصة: هل بات الذكاء الاصطناعي المحلي حقيقةً لا رفاهية؟
ما شهدناه في هذا الإعداد ليس مجرد تجربة تقنية مثيرة — إنه تحوّل جوهري في مفهوم الذكاء الاصطناعي المحلي. قبل أشهر قليلة، كان تشغيل نموذج بمليار معامل محليًا إنجازًا. اليوم، نتحدث عن تريليون معامل على جهاز في مكتبك.
التقنيات الثلاث التي صنعت هذا الفارق:
- RDMA عبر Thunderbolt 5: تخفيض زمن الاستجابة 100 مرة.
- Tensor Parallelism: توزيع الحسابات بشكل متوازٍ حقيقي.
- Apple MLX + Exo Labs: البرمجيات التي جمعت كل هذا في منظومة متكاملة.
الطريق لا يزال طويلًا — البرمجيات لا تزال في مرحلة Beta، والأسعار باهظة، ومشاكل الاستقرار قائمة. لكن الاتجاه واضح: مستقبل الذكاء الاصطناعي القوي لن يكون حكرًا على مراكز البيانات.
من كان يتخيل قبل عام واحد أننا سنُشغّل نموذجًا بتريليون معامل على أجهزة في غرفة عادية، بسرعة قابلة للاستخدام الفعلي، وبخصوصية كاملة؟
تساؤل يستحق التأمل
انضم إلى مجتمعنا المتخصص في الأمن السيبراني والتقنية للحصول على محتوى حصري بالعربية، وشروحات معمّقة لأحدث تقنيات الذكاء الاصطناعي والشبكات.
📲 اشترك في قناتنا على WhatsApp — وشارك هذا المقال مع كل من يهتم بعالم AI والتقنية!
المصادر والمراجع:
• Exo Labs GitHub Repository
• Apple MLX Framework
• RDMA over Thunderbolt
• اختبارات عملية: NetworkChuck YouTube Channel
