الكود، الاختبار، والنشر على جهاز واحد باستخدام NVIDIA RTX Spark

الكتابة بالكود واختباره ونشره على جهاز واحد باستخدام NVIDIA RTX Spark

يتغير مشهد تطوير البرمجيات. يتجه المطورون بعيدًا عن كتابة كل سطر من أسطر الكود يدويًا نحو توجيه وكلاء لإنشاء معظم أجزاء التنفيذ. تاريخيًا، استلزم هذا التدفق العملي إعدادات متفرقة: جهاز لوحي لكتابة الكود، وواجهة برمجة تطبيقات نموذج سحابي للذكاء الاصطناعي، وآلة افتراضية سحابية للنشر. يهدف NVIDIA RTX Spark إلى دمج كل هذه العمليات في جهاز واحد، مما يجلب وكلاء الكتابة وتخصيص النماذج وتطوير مسرّع بواسطة CUDA مباشرة إلى الحواسيب الشخصية اليومية.

جهاز واحد للكتابة بالكود واختباره ونشره

يجمع NVIDIA RTX Spark بين نظام NVIDIA GB10 المتكامل في الشريحة مع ما يصل إلى 128GB من ذاكرة موحدة. تسمح هذه البنية للمطورين بتشغيل وكلاء كتابة محلية، والوصول إلى أطر عمل الذكاء الاصطناعي، ونشر التطبيقات على جهاز كمبيوتر واحد دون الحاجة إلى بنية تحتية سحابية خارجية لدورة التطوير الأساسية.

تم تصميم المنصة للتعامل مع كافة أنواع أعباء عمل تطوير الذكاء الاصطناعي. مع وجود ما يصل إلى 128GB من ذاكرة موحدة و1 بيتافلوب من قوة حسابية للذكاء الاصطناعي بسرعة FP4، يمكن للمطورين تشغيل نماذج الكتابة محليًا، بما في ذلك Qwen 3.8 Flash Next، مما يقلل بشكل كبير من استهلاك رموز وكلاء الكتابة السحابية. يشتمل الجهاز على معالج NVIDIA Grace وبطاقة الرسومات Blackwell، واللذان يوفران القوة الحسابية اللازمة للتنبؤ والضبط الدقيق والتجميع.

وفقًا لشركة NVIDIA، يوفر RTX Spark تحسينات كبيرة في الأداء مقارنة بمعالج Intel Panther Lake 12Xe.؛ توفر المنصة أداءً أسرع بمقدار 4.6x لوكلاء الكتابة، وضبطًا دقيقًا أسرع بمقدار 2.7x، وتجميع كود أسرع بمقدار 1.8x. يؤدي هذا التحول إلى نقل عملية التطوير من عبء عمل مرتبط بالمعالج، حيث كان الأداء يعتمد بشكل أساسي على المعالج، إلى عبء عمل مرتبط ببطاقة الرسومات، حيث يتم تسريع عمليات التنبؤ والاختبار بفضل الأجهزة المتخصصة.

مجموعة برمجيات مألوفة، موسعة لنظام Windows

لدعم هذا الجهاز، تعاونت NVIDIA مع Microsoft لتوسيع مجموعة البرمجيات Windows on Arm. يقدم هذا التعاون عدة أدوات رئيسية لمجتمع المطورين:

• بنية PyTorch-CUDA: إصدار أول بنية PyTorch-CUDA لهذه البنية التحتية.
• Python 3.15: إصدار أصلي من Python كإعداد افتراضي.
• حزم Conda: أكثر من 2,000 حزمة Conda جاهزة للاستخدام.
• توافق الحزم: إصدارات متوافقة مع Arm لأكثر من 97% من أفضل حزم Python 15,000.

يمكن للمطورين اختيار العمل في نظام Windows، بما في ذلك إعدادات مطوري Windows الجديدة التي تم تطويرها مع Microsoft. تقوم هذه الإعدادات بتثبيت أفضل أطر العمل للتطوير، وإيقاف إشعارات المنبهات، وتحسين واجهة الطرفية، والسماح بنقل شريط المهام إلى الجانب. بدلاً من ذلك، يمكن للمطورين العمل في نظام Windows Subsystem for Linux (WSL)، مما يمنحهم إمكانية الوصول إلى نفس البيئة والاعتماديات التي سيستخدمونها عند النشر في السحابة. يتيح هذا النهج للمطورين إنجاز كل أعمالهم في نظام التشغيل المستهدف دون الحاجة إلى نقل الكود.

نظرًا لأن RTX Spark يحتوي على GPU من NVIDIA، يمكن للمطورين اختبار ونشر التطبيقات على أكبر قاعدة محلية للذكاء الاصطناعي المكونة من 150 مليون جهاز RTX، بالإضافة إلى جميع السحابات التي تعمل بواسطة GPUs من NVIDIA تقريبًا.

وكلاء البرمجة المحلية تصل إلى RTX Spark

أجهزة RTX Spark مثالية لوكلاء البرمجة المحلية. تعاونت NVIDIA بشكل وثيق مع أفضل هذه الوكلاء، مثل GitHub Copilot وPi وHermes وOpenClaw، لتحسينها وجعلها أسهل في الاستخدام.

الأمان وموجهات الطلبات المختلطة

يتم توفير أمان محسّن من خلال NVIDIA OpenShell و/أو Microsoft Execution Containers، مما يوفر بيئة عزل على مستوى نظام التشغيل. بالإضافة إلى ذلك، تسمح موجهات الطلبات المختلطة بإرسال الطلبات إلى النماذج المحلية إذا كانت كافية، أو رفعها إلى النماذج السحابية إذا لزم الأمر. هذا يقلل من استهلاك الرموز مع الحفاظ على القدرات.

يتيح GitHub Copilot من Microsoft الآن الذكاء الاصطناعي المحلي بشكل سلس من خلال Windows ML، مع دعم من llama.cpp كخادم خلفي. تم ترقية موجه الطلبات HydraFusion لدعم النماذج المحلية. كما يمكن لنموذج MAI 1.1 Coding Flash الجديد أن يعمل محليًا على RTX Spark أيضًا.

Pi، وهو عامل برمجة مفتوح المصدر يتمتع بواجهة ترمينال خفيفة الوزن ودعم للنماذج المحلية والسحابية، مُحسّن ليعمل مع RTX Spark. توفر إضافاته ومهاراته وقوالب الأوامر للمطورين التحكم في كيفية دمج هذا العامل في سير عملهم، بدءًا من اختيار النموذج إلى الأدوات التي يمكنه استخدامها.

JetBrains Junie Local

أطلقت JetBrains دعمًا أصليًا لـ Junie Local على RTX Spark. يقوم هذا العامل البرمجي بقراءة الكود وتعديل الملفات وتشغيل الاختبارات، مع الاحتفاظ بالنموذج والكود على الجهاز. يضبط Junie Local نافذة سياقه حسب الذاكرة المتاحة للـ GPU، مما يسمح لذاكرة RTX Spark الموحدة بالاحتفاظ بمزيد من الكود ونتائج الأدوات وتاريخ المحادثات ضمن السياق.

نماذج Nemotron الجديدة توفر المزيد من الخيارات للعوامل المحلية

Nemotron 3.5 Bolt 74B-A9B 24GB هو نموذج لغة كبير جديد (LLM) تم تصميمه خصيصًا لتشغيل العوامل المحلية على RTX Spark. إنه نموذج من نوع mixture-of-experts (MoE) ذو 74B معاملًا، مع 9B معاملًا نشطًا. يتم تضمين النموذج في 24GB باستخدام تكميم بدقة 2 بتًا مع تقنيات تدريب متقدمة مدركة للتكميم للحفاظ على الجودة.

تذكر NVIDIA أن هذا النموذج يهدف إلى تحقيق التوازن المثالي بين السرعة والذكاء، حيث يكون أسرع من معظم النماذج الكثيفة الشائعة وأذكى من معظم نماذج MoE الشائعة ذات حجم الذاكرة المماثل. سيتمكن المستخدمون من تشغيل Nemotron 3.5 Bolt 74B عند إطلاقه عبر llama.cpp، vLLM، Ollama، Unsloth، وLM Studio. كما سيكون متاحًا مباشرة عبر عوامل مثل Hermes وOpenClaw.

مثل باقي نماذج Nemotron، فإن Bolt 74B مفتوح المصدر بالكامل، بما في ذلك بيانات التدريب والأوزان والوصفات، مما يتيح للمطورين تعديل العوامل الخاصة بهم وتخصيصها.

نماذج اتخاذ القرار مدعومة الآن في أفضل الأطر

تمثل نماذج اتخاذ القرار تقدمًا كبيرًا في تطوير الذكاء الاصطناعي، حيث توفر للعوامل طريقة فورية تقريبًا لاتخاذ القرارات دون حاجة إلى دوائر استدلال طويلة. يمكنها اختيار ما يجب القيام به التالي، بدءًا من تصنيف الطلبات إلى اختيار الإجراء التالي، وذلك بسرعة تصل إلى 200x أسرع من دوائر الاستدلال التقليدية.

تدعم هذه نماذج اتخاذ القرارات الآن في llama.cpp و Unsloth على بطاقات GPU RTX Spark و GeForce RTX. تسمح هذه القدرة للوكلاء بأداء مهام اتخاذ القرارات بسرعة وبكفاءة على الأجهزة المحلية.

SDKs للذكاء الاصطناعي للوسائط

أصبحت SDKs للذكاء الاصطناعي من NVIDIA للوسائط متاحة الآن لـ RTX Spark. تشمل هذه SDKs دعمًا لتحسين دقة الفيديو، وإنشاء الإطارات، وتقنية TrueHDR. يتوفر ملف Python على PyPI، كما تتوفر SDKs بلغة C++ أيضًا على NGC لـ RTX Spark و Windows on Arm.

انقل تطبيقات Windows الخاصة بك إلى RTX Spark

لنقل تطبيق موجود إلى RTX Spark، يجب على المطورين أولاً تقييم المتطلبات الخاصة بنظام Windows on Arm. تشمل الخيارات اختيار إصدار أصلي Arm64 أو استخدام Arm64EC لنقل المكونات تدريجيًا. يُنصح المطورون باختبار عملية التثبيت والوظائف والأداء، بالإضافة إلى مسارات NVIDIA وCUDA التي يستخدمها تطبيقهم.

توفر NVIDIA موارد لنقل التطبيقات تشرح خيارات وأدوات النقل، بما في ذلك كيفية البدء في الإعداد على نظام تطوير Windows on Arm موجود.

اعثر على RTX Spark الخاص بك وابدأ في البناء

يتوفر RTX Spark حاليًا في أجهزة اللابتوب، وسيصل في نوفمبر إلى أجهزة الديسكتوب ذات الحجم الصغير، والتي تعتبر مثالية للوكلاء التي تعمل باستمرار على 24×7.

للبدء، يمكن للمطورين اتباع دليل تطوير الذكاء الاصطناعي لتكوين نظام Windows وإعداد وكيلهم وربطه بخدمات NVIDIA Skills. كما توفر NVIDIA مستودعًا لخدمات NVIDIA Skills التي تعلم الوكلاء كيفية استخدام مكتبات CUDA-X، مما يتيح للمطورين بناء تطبيقات مسرعة بواسطة GPU دون الحاجة إلى معرفة عميقة بـ CUDA.

نظرًا لأن بطاقات GPU من NVIDIA هي أكثر المنصات استخدامًا في تطوير الذكاء الاصطناعي، فإن الأدوات والأطر الجديدة عادةً ما تعمل على NVIDIA منذ اليوم الأول، بينما يتبع الدعم للأجهزة الأخرى ذلك بعد أسابيع. كما يتوفر الوصول إلى مكتبات NVIDIA CUDA-X، بما في ذلك أدوات مثل FlashInfer لتسريع نماذج LLM ومكتبات NVIDIA NeMo لتطوير نماذج الذكاء الاصطناعي.

استكشف أنظمة RTX Spark للعثور على خيارات الشراء المتاحة والبدء في الاستفادة من قوة التطوير المحلي للذكاء الاصطناعي.

المصدر: https://developer.nvidia.com/blog/code-test-and-deploy-on-one-machine-with-nvidia-rtx-spark