هوش مصنوعی دیگر فقط مدل نیست؛ چگونه AI معماری دیتاسنتر و شبکه را تغییر می‌دهد؟

۱. وقتی رشد مدل‌ها به رشد زیرساخت تبدیل می‌شود

بر اساس گزارشی که Reuters در ۲۹ سپتامبر ۲۰۲۶ منتشر کرد، درآمد سالانه‌شده OpenAI به حدود ۷۰ میلیارد دلار نزدیک شده و فروش سازمانی آن از ماه ژوئیه بیش از دو برابر شده است. در همان گزارش، رشد سریع تقاضای AI به‌طور مستقیم با نیاز این شرکت به ظرفیت محاسباتی و زیرساخت مرتبط دانسته شده است.

در طرف دیگر، گزارش‌های مربوط به پرونده عرضه عمومی Anthropic از تعهد حدود ۵۱۸ میلیارد دلار برای هزینه‌های ابری، محاسباتی و زیرساختی در یک افق ده‌ساله خبر می‌دهند. صرف‌نظر از اینکه همه این ارقام در نهایت به چه میزان محقق شوند، پیام فنی آن روشن است: مقیاس اقتصادی مدل‌های AI اکنون با مقیاس دیتاسنتر گره خورده است.

۲. گلوگاه جدید فقط GPU نیست

در یک سامانه سنتی، افزایش ظرفیت پردازنده معمولاً مهم‌ترین مسیر افزایش توان پردازشی بود. اما در خوشه‌های AI، شتاب‌دهنده‌ها باید حجم زیادی از داده را با تأخیر بسیار پایین میان GPUها، حافظه، Storage و سرویس‌های توزیع‌شده جابه‌جا کنند.

Training / Inference
        ↓
GPU / XPU
        ↓
High-Speed Interconnect
        ↓
Leaf / Spine Fabric
        ↓
Optical Ethernet / DCI
        ↓
Storage + Distributed Services

در چنین معماری‌ای، اگر شبکه نتواند داده را با سرعت مناسب تحویل دهد، بخشی از ظرفیت پردازشی GPU عملاً منتظر شبکه می‌ماند. بنابراین طراحی شبکه دیگر یک لایه جانبی نیست؛ بخشی از طراحی سیستم محاسباتی است.

۳. چرا 1.6T Ethernet مهم است؟

Ethernet Alliance در سپتامبر ۲۰۲۶ از نمایش چندسازنده‌ای فناوری‌های 1.6T در رویداد ECOC 2026 خبر داد. هم‌زمان استاندارد IEEE P802.3dj در مسیر توسعه مشخصات Ethernet با نرخ 1.6 Tb/s قرار دارد. این روند نشان می‌دهد که 1.6T دیگر صرفاً یک عدد در نقشه راه نیست و اکوسیستم تجهیزات، ماژول‌های نوری، کابل‌ها و ابزارهای تست در حال نزدیک شدن به کاربرد عملی است.

افزایش سرعت لینک به‌تنهایی کافی نیست. در شبکه‌های AI باید موضوعاتی مانند latency، lossless behavior، congestion control، load balancing، RoCE، طراحی Spine-Leaf و توان مصرفی ترنسیورهای نوری هم‌زمان دیده شوند.

۴. اثر این تغییر روی معماری دیتاسنتر

۵. AI و امنیت؛ یک مسئله هم‌زمان

در کنار رشد زیرساخت، موضوع کنترل ریسک AI نیز جدی‌تر شده است. AP گزارش داده که در ۲۹ سپتامبر ۲۰۲۶ تعدادی از شرکت‌های بزرگ فناوری و AI یک توافق داوطلبانه برای ایجاد کنترل‌های داخلی، ارزیابی توسط حسابرسان مستقل و کمیته‌های داخلی مرتبط با ایمنی AI امضا کرده‌اند. این توافق الزام قانونی عمومی ایجاد نمی‌کند، اما نشان‌دهنده حرکت صنعت به سمت فرآیندهای رسمی‌تر برای ارزیابی ریسک است.

از نگاه زیرساختی، این موضوع اهمیت زیادی دارد؛ زیرا مدل‌های AI جدید فقط پاسخ تولید نمی‌کنند و در بسیاری از سامانه‌ها به API، فایل، دیتابیس، سرویس ابری و ابزارهای اجرایی متصل می‌شوند. بنابراین IAM، Network Segmentation، API Gateway، Logging و Policy Engine باید بخشی از معماری AI باشند.

۶. نتیجه علمی و مهندسی

اگر سه روند اخیر را کنار هم قرار دهیم، یک زنجیره منطقی شکل می‌گیرد:

رشد مدل‌های AI
      ↓
افزایش تقاضای Compute
      ↓
افزایش تعداد GPU / XPU
      ↓
افزایش ترافیک East-West
      ↓
نیاز به Ethernet / Optical سریع‌تر
      ↓
افزایش مصرف برق و چگالی حرارتی
      ↓
بازطراحی دیتاسنتر، شبکه و سیستم‌های امنیتی

بنابراین مسئله اصلی در موج بعدی AI فقط ساخت مدل بزرگ‌تر نیست؛ مسئله این است که چگونه یک سیستم محاسباتی بسیار بزرگ را با پهنای‌باند بالا، latency پایین، مصرف انرژی قابل مدیریت و کنترل امنیتی مناسب اجرا کنیم.

جمع‌بندی مهرگان نت

برای متخصصان شبکه و زیرساخت، AI دیگر یک موضوع صرفاً نرم‌افزاری نیست. مفاهیمی مانند 800G/1.6T Ethernet، RoCE، InfiniBand، DPU، SmartNIC، Optical Transceiver، Spine-Leaf، UPS، خنک‌سازی و امنیت هویت در حال نزدیک شدن به یک معماری مشترک هستند.

به همین دلیل، روند آینده زیرساخت را باید نه به شکل «سرور + شبکه» بلکه به شکل یک سیستم یکپارچه Compute + Network + Storage + Power + Cooling + Security دید. این تغییر، یکی از مهم‌ترین پیامدهای فنی موج جدید هوش مصنوعی است.