Z.ai تختبر مركز بيانات ذكاء اصطناعي بحجم gigawatt على رقائق محلية
ذكرت Unite.AI أن Z.ai بدأت تشغيل جزء من مركز بيانات للذكاء الاصطناعي من فئة gigawatt يعمل على رقائق محلية، في إشارة إلى أثر ضوابط التصدير على مسار الحوسبة المحلية.
Z.ai تختبر الرقائق المحلية على مستوى مراكز البيانات
أكملت Z.ai بناء مركز بيانات مصمم للعمل على رقائق مصنوعة محليا وبدأت تشغيل جزء منه، وفق ما نقلته Unite.AI عن Bloomberg عن شخص مطلع على المشروع.
صمم الموقع لسحب نحو gigawatt من الطاقة، وهو مستوى قارنه التقرير بالكهرباء اللازمة لنحو 750,000 منزل. ويهدف المشروع إلى تدريب نماذج GLM التابعة للشركة من دون عتاد Nvidia الذي ما زال مقيدا بضوابط التصدير الأمريكية.
ويقول المصدر نفسه إن Z.ai تشغل أو بنت عدة عناقيد حوسبة يضم كل منها أكثر من 10,000 رقاقة. وتبقى الفجوات العامة حول موقع المركز ونوع المسرعات وعقد الطاقة وراء المشروع.
الطاقة تصبح القيد الأساسي
ينقل الحجم القيد من الوصول إلى الرقائق فقط إلى الكهرباء والتبريد والشبكات اللازمة لإبقاء أسطول التدريب مفيدا. ويمكن لموقع من فئة gigawatt أن يضع مطور النماذج في نطاق تخطيط قريب من أكبر مشاريع مراكز بيانات الذكاء الاصطناعي، لكن الطاقة الخام لا تتحول مباشرة إلى قدرة حوسبة مكافئة لأنظمة Nvidia.
تؤثر هذه الفجوات في تخطيط الحوسبة لأن المسرعات المحلية ما زالت تحمل عقوبة كفاءة مقارنة بأقوى أنظمة Nvidia. وإذا قدمت كل وحدة عملا تدريبيا أقل لكل واط، فيجب على البناء المحلي التعويض بمزيد من الرقائق والكهرباء والتنسيق داخل العنقود.
وعند عشرات الآلاف من المسرعات، ينتقل العمل الصعب إلى الروابط بين الرقائق. تصبح الشبكات والذاكرة عناصر مركزية لأن تدريب النماذج الكبيرة يعتمد على حركة البيانات داخل العنقود وليس فقط على عدد المعالجات المركبة.
ضوابط التصدير تدفع مسار البناء
أضيفت Z.ai، المعروفة سابقا باسم Zhipu، إلى قائمة الحظر التابعة لوزارة التجارة الأمريكية في January 2025، ما قطع وصولها القانوني إلى أجزاء Nvidia المتقدمة. ولا تساعد الموافقات اللاحقة لبيع رقائق مخفضة الأداء داخل الصين مختبرا مدرجا على القائمة في شراء العتاد الأقوى.
لذلك يصبح المسار المحلي هو الطريق القانوني المتاح للشركة. وقالت Zhipu إن نماذج GLM حديثة دُربت على مسرعات Huawei Ascend باستخدام برمجيات MindSpore من Huawei، ووصفت ذلك بأنه مكدس محلي بالكامل.
كما ينسجم المشروع مع دفع حكومي لاستخدام الرقائق المحلية في مراكز بيانات الذكاء الاصطناعي الجديدة. إذا كانت العناقيد الموصوفة تعمل فعلا بهذا الحجم، فسيكون الموقع إشارة كبيرة إلى قدرة البلاد على تجميع قدرة تدريب متقدمة من دون Nvidia. أما إذا كانت الفجوات العامة أكبر مما ورد، فستظل المسافة بين مبنى مكتمل وتدريب حي على مستوى gigawatt هي الخطر الأساسي.
Summary version for Medium
Z.ai Tests Gigawatt AI Data Centre Built On Domestic Chips
Why Z.ai Tests Gigawatt AI matter now for cloud infrastructure teams
Quick Summary: Unite.AI reported that Z.ai has begun operating part of a gigawatt-class AI data centre built on Chinese-made chips, highlighting how export controls are pushing large-scale model training toward domestic compute stacks.
Gigawatt Power Becomes Z.ai's Compute Test
A gigawatt-class AI data centre built around domestic chips would move Z.ai's training constraint from access to Nvidia hardware toward power, cooling, networking and cluster efficiency. Unite.AI cited Bloomberg and a person familiar with the project for the account that Z.ai has finished building the site and has begun operating part of it.
Cluster Scale Shifts The Engineering Problem
The site is not just a procurement story.
- Point 1: The central topic is cloud-data-centers, with the announcement framed around concrete operating detail.
- Point 2: Once a model developer reaches several large clusters, the practical question becomes whether the processors, memory fabric and network links can move training data fast enough...
AI deployments now depend on where models, data, approvals and operating teams meet.
Chinese AI Training Moves Into Power And Interconnect Constraints
The build fits a wider push to fill new AI data centres with home-grown chips. Recent GLM training has also been positioned around Huawei Ascend accelerators and Huawei's MindSpore software as a domestic hardware-and-software stack.
Read the Full Deep Dive
Want to explore the complete technical analysis, enterprise trade-offs, and detailed metrics?
Read the full article originally published at SendTech Times
