هوش مصنوعی سازمانی دیگه فقط با GPU جلو نمیره
خلاصهٔ کاملتر
تو یه گفتگوی زنده در KubeCon + CloudNativeCon North America 2026، کوین کاکرین، مدیر بازاریابی Vultr، گفت شرکتهایی که ایجنتهای هوش مصنوعی رو وارد production میکنن، فهمیدن GPU فقط یه بخش از کاره. به گفتهٔ اون، این شرکتها یه پلتفرم ابری کامل لازم دارن: پردازش معمولی، پردازش مخصوص AI، شبکه، storage و یه اکوسیستم باز. Vultr از ۲۰۱۴ تو بازار ابره و خودش رو «لاکپشت زیرساخت AI» میدونه، یعنی آروم و با تمرکز روی نیاز سازمانها جلو اومده.
موج اول تقاضا از طرف hyperscalerها (یعنی غولهای ابری مثل AWS و Google Cloud) و استارتاپهای سازندهٔ مدل بود که فقط خوشهٔ GPU میخواستن. حالا سازمانها اپهایی میسازن که باید کنار سیستمهای قبلی کار کنن و قوانین امنیتی رو رعایت کنن. کاکرین پیچیدگی و کمبود نیروی متخصص رو بزرگترین مانع میدونه. Vultr برای همین بیش از ۶۰ پروژهٔ CNCF رو آماده میده که مشتری مستقیم نصبشون کنه.
نکتهٔ جالب اینه که agentic AI (یعنی سیستمهایی که خودشون کار انجام میدن، نه فقط جواب میدن) دوباره CPU رو مهم کرده. یه ایجنت اسکریپت اجرا میکنه، با ریپو کار میکنه، build میگیره و به دیتابیس سر میزنه. کاکرین میگه «همهٔ کارها لازم نیست روی GPU باشن». مدلهای متنباز کوچیکتر هم روی CPU جواب میدن. یه نیاز تازه هم sandbox امنه، یعنی محیط ایزولهای که ایجنت توش کد اجرا کنه بدون اینکه به سیستم اصلی دست بزنه.
موضوع بعدی حاکمیت دادهست. به گفتهٔ کاکرین، هر کدوم از ۳۴ منطقهٔ دیتاسنتر Vultr مستقل کار میکنه و داده از اون منطقه بیرون نمیره. مثالش فرانسه بود: اگه control plane جهانی و بقیهٔ منطقهها از کار بیفتن، اپ تو منطقهٔ فرانسه همچنان کار میکنه. یعنی فقط محل ذخیرهٔ داده مهم نیست، باید ببینی کل سرویسهایی که اپت بهشون وابستهست هم تو همون منطقه هستن یا نه.
سر هزینه هم کاکرین معتقده بعضی سازمانها سراغ مدلهای متنباز میرن که با دادهٔ خودشون post-train میشن و روی زیرساخت خودشون اجرا میشن. اون از یه تیم platform engineering گفت که با این کار هزینهٔ inference رو ۸۰ درصد کم کرده. البته مقاله یادآوری میکنه این عدد به نوع کار و مدل بستگی داره و برای همه صدق نمیکنه.
کاکرین پیشبینی میکنه تیمهای platform engineering مرکز پیادهسازی AI تو سازمانها بشن و بازارچههایی راه بیفته که توش stackهای آماده و تستشده برای هر نوع کار به اشتراک گذاشته بشه. اون انتظار ادغام تو بازار neocloud رو هم داره: ارائهدهندههایی که فقط GPU خام میفروشن زیر فشار میرن و اونایی که پلتفرم ابری کامل دارن جلو میافتن.
نکات کلیدی:
- Vultr بیش از ۶۰ پروژهٔ CNCF رو بهصورت آماده روی پلتفرمش ارائه میده
- هر کدوم از ۳۴ منطقهٔ Vultr حتی بدون control plane جهانی هم کار میکنه
- ایجنتهای AI برای اجرای کد، build و دیتابیس به CPU و sandbox امن نیاز دارن
- یه تیم با post-train کردن مدل متنباز، هزینهٔ inference رو ۸۰ درصد کم کرده
- پیشبینی میشه بازار neocloud به سمت ادغام و پلتفرمهای ابری کامل بره




