💻 computer science

How Fast Can I Run My VLA? Demystifying VLA Inference Performance with VLA-Perf

تقدم هذه الورقة VLA-Perf، وهو نموذج أداء تحليلي يقيم بشكل منهجي أداء الاستدلال لنماذج الرؤية واللغة والعمل عبر مختلف البنيات وسيناريوهات النشر لتقديم إرشادات عملية لتصميم أنظمة الذكاء الاصطناعي المتجسد المستقبلية في الوقت الفعلي.

المؤلفون الأصليون: Wenqi Jiang, Jason Clemons, Karu Sankaralingam, Christos Kozyrakis

نُشر 2026-02-23

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Wenqi Jiang, Jason Clemons, Karu Sankaralingam, Christos Kozyrakis

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك قمت ببناء عقل روبوت فائق الذكاء والبراعة. هذا العقل يمكنه رؤية العالم عبر الكاميرات، وفهم لغة البشر، واتخاذ القرار بشأن كيفية تحريك ذراعيه وساقيه. هذا ما يسمى بنموذج VLA (الرؤية-اللغة-الفعل).

لكن هناك مشكلة: عقل الروبوت لا قيمة له إذا كان بطيئًا جدًا. إذا رأى الروبوت كرة تتدحرج نحوه، يجب أن يتحرك فورًا. إذا استغرق العقل وقتًا طويلاً في التفكير، فسيصطدم الروبوت بالكرة.

الورقة البحثية التي شاركتها، "ما مدى سرعة قدرتي على تشغيل VLA الخاص بي؟"، هي بمثابة دليل ميكانيكي لعقول الروبوتات هذه. قام المؤلفون من أبحاث NVIDIA ببناء أداة تسمى VLA-Perf للإجابة على سؤال كبير واحد: "كيف نجعل عقول الروبوتات هذه سريعة بما يكفي للعمل في العالم الحقيقي؟"

إليك تفصيل المحتوى باستخدام تشبيهات بسيطة:

1. المشكلة: "الفوضى التجميعية" (Combinatorial Chaos)

تخيل أنك تحاول بناء شاحنة توصيل مثالية. عليك الاختيار بين:

المحرك: (نموذج الذكاء الاصطناعي) هل هو محرك صغير موفر للوقود بـ 4 أسطوانات، أم محرك ضخم V12؟
السائق: (نظام الاستدلال) هل يجلس السائق داخل الشاحنة (على الجهاز نفسه)، أم في برج تحكم قريب (خادم طرفي/Edge Server)، أم في ناطحة سحاب في مدينة أخرى (سحابة/Cloud)؟
الطريق: (الشبكة) هل يسير السائق على طريق سريع (ألياف بصرية)، أم طريق ريفي (WiFi)، أم طريق ترابي وعر (4G/5G)؟

هناك ملايين الطرق لخلط وتوفيق هذه الأجزاء. أدرك المؤلفون أنه لم يختبر أحد كل هذه الاحتمالات. لذا، قاموا ببناء VLA-Perf، وهو "محاكي" يتنبأ بمدى سرعة أي مزيج دون الحاجة لبناء الشاحنة الفعلية أولاً.

2. النتائج الرئيسية (تبسيط الـ 15 استنتاجاً)

اختبرت الورقة آلاف السيناريوهات ووجدت بعض القواعد المهمة للطريق. إليك أهمها:

🚗 حجم المحرك يهم (تدرج النموذج - Model Scaling)

التشبيه: فكر في نموذج الذكاء الاصطناعي كطباخ. الطباخ الصغير (نموذج صغير) يمكنه تقطيع الخضروات بسرعة. أما الطباخ الضخم (نموذج عملاق) فيصنع حساءً أفضل ولكنه يستغرق وقتاً طويلاً جداً في التقطيع.
النتيجة: إذا كنت تريد أن يتحرك الروبوت بسرعات "الوقت الفعلي" (مثل 10 إلى 100 مرة في الثانية)، فلا يمكنك الاستمرار في تكبير حجم الطباخ.
- خوادم مراكز البيانات الضخمة (مثل مطبخ فائق الضخامة) يمكنها التعامل مع طهاة ضخام وتظل سريعة.
- شرائح الروبوت الصغيرة (مثل مطبخ صغير داخل رأس الروبوت) تصاب بالإرهاق إذا كان الطباخ كبيراً جداً. يمكنها فقط التعامل مع طهاة صغار وفعالين.

🎬 فخ "الذاكرة الطويلة" (Context Long)

التشبيه: تخيل روبوتاً يحاول تذكر فيلم شاهده قبل 10 دقائق ليقرر ماذا يفعل الآن.
النتيجة: إذا حاول الروبوت تذكر الكثير جداً (آلاف الإطارات الماضية)، فسيصبح بطيئاً ومثقلاً.
- الخوادم القوية يمكنها تذكر الكثير (حتى 1000 إطار) وتظل سريعة.
- شرائح الروبوت الصغيرة يمكنها تذكر حوالي 100 إطار فقط قبل أن تبدأ في التعثر والتباطؤ.

🎨 أسلوب الرسم (الانتشار مقابل الترتيب الذاتي - Diffusion vs. Autoregressive)

التشبيه:
- الترتيب الذاتي (Autoregressive): مثل رسم لوحة ضربة فرشاة واحدة تلو الأخرى، والانتظار حتى يجف الطلاء قبل الضربة التالية. هذا بطيء جداً.
- الانتشار (Diffusion): مثل البدء بصورة ضبابية ثم جعلها حادة وواضحة في خطوات قليلة. هذا أسرع بكثير.
النتيجة: أسلوب "الانتشار" (توضيح الصورة) أسرع حالياً بـ 100 مرة من أسلوب "الترتيب الذاتي" (ضربة تلو الأخرى) بالنسبة للروبوتات. إذا كنت تريد السرعة، استخدم "الانتشار".

🏠 أين يجب أن يعيش العقل؟ (على الجهاز مقابل السحابة)

التشبيه:
- على الجهاز (On-Device): العقل موجود داخل رأس الروبوت. لا يوجد وقت ضائع في انتقال الأفكار، لكن الرأس صغير وضعيف.
- السحابة (Cloud): العقل موجود في كمبيوتر خارق ضخم بعيد جداً. العقل ذكي جداً، لكن الأفكار يجب أن تسافر عبر الإنترنت.
النتيجة:
- السحابة عادة ما تكون أسرع من عقل الروبوت الخاص، إلا إذا كان اتصال الإنترنت سيئاً (مثل إشارة 4G بطيئة).
- إذا كان الإنترنت بطيئاً، فمن الأفضل امتلاك عقل ضعيف داخل رأس الروبوت مباشرة بدلاً من انتظار رسالة من سحابة بعيدة.

🤝 استراتيجية "العقل المنقسم" (التعاون)

التشبيه: ماذا لو قام رأس الروبوت بالتفكير في الأمور السهلة، وقامت السحابة بالتفكير في الأمور الصعبة؟
النتيجة: هذا غالباً يفشل. الأمر يشبه وجود سكرتير يرسل مذكرة إلى المدير التنفيذي، وينتظر الرد، ثم يتصرف. الوقت المستغرق في إرسال المذكرة واستلام الرد عادة ما يكون أبطأ من ترك عقل الروبوت نفسه يقوم بالمهمة كاملة.

⚡ قوة "العمل غير المتزامن" (القيام بشيئين في آن واحد)

التشبედ: تخيل نادلاً يأخذ طلباً.
- المتزامن (Synchronous): النادل ينتظر حتى ينتهي المطبخ من الطبخ قبل أن يأخذ الطلب التالي.
- غير المتزامن (Asynchronous): النادل يأخذ الطلب التالي بينما لا يزال المطبخ يطبخ الطلب الأول.
النتيجة: إذا كان الروبوت متصلاً بشبكة بطيئة، فإن التفكير "غير المتزامن" يعد تغييراً جذرياً. يمكن للروبوت أن يبدأ في التحرك بناءً على معلومات "قديمة" بينما لا تزال الحسابات الجديدة قيد المعالجة أثناء سفرها عبر الإنترنت. هذا يحافظ على حركة الروبوت بسلاسة حتى في الاتصالات السيئة.

3. الخلاصة: كيف تبني روبوتاً سريعاً

يعطينا المؤلفون وصفة للمستقبل:

إذا كان لديك خادم قوي قريب: ضع العقل الكبير هناك. استخدم اتصال إنترنت سريع (WiFi 7 أو Ethernet). استخدم التفكير "غير المتزامن" لإخفاء تأخير الإنترنت.
إذا كان يجب على الروبوت العمل بمفرده (بدون إنترنت): فأنت بحاجة إلى عقل صغير وفعال. لا يمكنك استخدام النماذج الضخمة. قد تحتاج إلى تبسيط النموذج أو تقليل عدد "الخطوات" التي يتطلبها التفكير.
لا تقسم العقل: من الأفضل عادةً إبقاء العقل كاملاً في مكان واحد (إما كله داخل الروبوت أو كله في السحابة) بدلاً من تقسيمه.

ملخص

هذه الورقة هي دليل للمهندسين. تقول لهم: "توقفوا عن التخمين. استخدموا أداتنا (VLA-Perf) لمعرفة بالضبط ما هو حجم عقل الروبوت الخاص بكم وأين يجب أن يعيش، حتى لا يتعثر الروبوت بقدميه لأنه كان يفكر ببطء شديد."

إنها تحول الرياضيات المعقدة للذكاء الاصطناعي إلى قاعدة بسيطة: طابق حجم العقل مع الأجهزة، وطابق الموقع مع سرعة الإنترنت.

إليك ملخص تقني مفصل لورقة البحث بعنوان "ما مدى سرعة تشغيل نموذج VLA الخاص بي؟ فك غموض أداء استدلال VLA باستخدام VLA-Perf".

1. بيان المشكلة

تعد نماذج الرؤية واللغة والعمل (VLA) ركيزة أساسية في الذكاء الاصطادي المجسد (Embodied AI)، حيث تمكن الروبوتات من الإدراك، والتفكير، والعمل. ومع ذلك، يواجه نشر هذه النماذج على الروبوتات في العالم الحقيقي عقبة حرجة: قيود الاستدلال في الوقت الفعلي (Real-time inference constraints).

الفجوة: بينما توجد تقنيات متنوعة لتحسين كفاءة نماذج VLA (مثل التكميم، والنماذج الأصغر، والتنفيذ غير المتزامن)، لا يوجد فهم شامل لـ مشهد أداء استدلال VLA.
التعقيد: يتحدد الأداء من خلال مساحة تركيبية هائلة تشمل:
1. بنيات النماذج (Model Architectures): قوانين القياس (Scaling laws)، التعامل مع السياق الطويل، الخبراء التكراريين (Autoregressive) مقابل خبراء الانتشار (Diffusion-based)، خطوات إزالة الضجيج (Denoising steps)، وتقطيع العمل (Action chunking).
2. أنظمة الاستدلال (Inference Systems): قدرات الأجهزة (GPU طرفي مقابل GPU مراكز البيانات)، موقع النشر (على الجهاز، خادم طرفي، سحابة)، وظروف الشبكة (سلكي، WiFi، 4G/5G).
التحدي: إن اختبار كل تركيبة من النماذج والأنظمة بشكل شامل هو أمر مكلف ويستغهلك وقتاً طويلاً. تسأل الورقة: كيف يجب تصميم نماذج وأنظمة VLA المستقبلية لدعم الاستدلال في الوقت الفعلي (10–100 هرتز)؟

2. المنهجية: VLA-Perf

لمعالجة تحدي التقييم، قدم المؤلفون VLA-Perf، وهو نموذج أداء تحليلي يعتمد على نموذج "السطح الممتد" (Roofline-based).

المفهوم الجوهري: يتنبأ VLA-Perf بأداء زمن الاستجلال (Latency) والإنتاجية (Throughment) الأمثل لمجموعات عشوائية من النماذج والأنظمة دون الحاجة إلى نشر فعلي.
نهج النمذجة:
- المكونات: يقوم بتجريد استدلال VLA إلى مكونات نموذج (مشفر الرؤية، عمود فقري لنموذج VLM، خبير العمل) متداخلة مع عمليات نقل البيانات (محلية أو عبر الشبكة).
- حساب زمن الاستجابة (Latency Calculation): إجمالي زمن الاستجابة ( $T_{total}$ $T_{t o t a l}$ ) هو مجموع زمن استجلال النموذج وزمن حركة البيانات.
  - مقيد بالحوسبة/الذاكرة (Compute/Memory Bound): يتم حساب زمن العملية باستخدام نموذج Roofline: $T_o = \max(\frac{FLOPs}{PeakFLOP/s}, \frac{Bytes}{MemBW})$ .
  - زمن الشبكة (Network Latency): يتم نمذجته كـ $T_{net} = NetLat + \frac{Bytes}{NetBW}$ .
- التحقق من الصحة: تم التحقق من صحة النموذج مقابل اختبارات بنية Triton على بطاقة RTX 4090 باستخدام نموذج $\pi_0$ . حقق دقة تتراوح بين 73.3%–82.6% مقارنة بالقياسات التجريبية، مع تقلص الفجوة مع زيادة حجم عبء العمل.
نطاق التقييم: تدرس الدراسة بنية $\pi_0$ $π_{0}$ (ومتغيراتها الموسعة) عبر:
- الأجهزة (Hardware): Jetson Thor (طرفي)، RTX 4090 (استهلاكي)، A100/H100/B100 (مراكز بيانات).
- الشبكات: Ethernet (1G/10G)، WiFi 6/7، 4G/5G، وتكوينات سحابية.
- التكوينات: أحجام النماذج (تصل إلى 81 مليار معلمة)، أطوال السياق (تصل إلى 10 آلاف خطوة)، خطوات إزالة الضجيج، أحجام قطع العمل (Action chunk sizes)، والتنفيذ المتزامن وغير المتزامن.

3. المساهمات الرئيسية والنتائج (15 استنتاجاً)

تلخص الدراسة 15 رؤية قابلة للتنفيذ، مصنفة حسب تصميم النموذج ونشر النظام.

أ. رؤى تصميم النموذج

حدود الأجهزة: يمكن لبطاقات GPU في مراكز البيانات (A100/B100) تشغيل نماذج VLA الصغيرة (مثل $\pi_0$ ) بمعدل إطارات الكاميرا (24–60 هرتز). أما GPU الطرفية (Jetson Thor) فهي أبطأ بكثير (~19 هرتز).
الذاكرة مقابل الحوسبة: التنبؤ بالعمل هو عملية مقيدة بالذاكرة (Memory-bound) عبر جميع الأجهزة، بينما مكونات الرؤية وVLM هي مقيدة بالحوسبة (Compute-bound) (باستثناء Jetson Thor، حيث تحد عرض نطاق الذاكرة كل شيء).
قوانين القياس (Scaling Laws): يتوسع زمن استجلال الاستدلال خطياً مع حجم النموذج. يمكن لبطاقات GPU في مراكز البيانات دعم نماذج أكبر بـ 30 مرة من $\pi_0$ (81 مليار معلمة) مع الحفاظ على سرعات الوقت الفعلي؛ بينما لا تستطيع الأجهزة الطرفية ذلك.
جدوى السياق الطويل: تدعم بطاقات GPU في مراكز البيانات الاستدلال في الوقت الفعلي مع ما يصل إلى 1,000 خطوة سابقة. أما الأجهزة الطرفية/الاستهلاكية فتقتصر على ~100 خطوة قبل أن يصبح زمن الاستجابة باهظاً.
خطوات إزالة الضجيج (Denoising Steps): زيادة خطوات الانتشار لها تأثير خطي وكبير على زمن الاستجابة. أما زيادة حجم قطعة العمل (Action chunk size) فلها تأثير ضئيل لأن التنبؤ بالعمل مقيد بالذاكرة.
اختيار البنية: خبراء العمل القائمون على الانتشار (Diffusion-based) أسرع بـ 10–100 مرة من النماذج التكرارية (Autoregressive) التقليدية عند استخدام تقطيع العمل.
قابلية النماذج التكرارية (Autoregressive): تصبح النماذج التكرارية تنافسية فقط مع أعداد صغيرة من رموز العمل (action tokens) أو عند استخدام فك التشفيد المتوازي (Parallel decoding) (لقطع العمل الصغيرة). بالنسبة للقطع الكبيرة، تصبح مقيدة بالحوسبة وأبطأ.

ب. رؤى نشر النظام

الخادم مقابل الجهاز: الاستدلال من جانب الخادم (Server-side) (حتى مع بطاقات GPU الاستهلاكية) يتفوق بشكل كبير على الاستدلال من جانب الجهاز في معظم السيناريوهات، ما لم تكن ظروف الشبكة سيئة للغاية (مثل 4G بطيء).
الاستدلال التعاوني: تقسيم العمل بين الجهاز والخادم (تشغيل VLM على الخادم، وخبير العمل على الجهاز) هو بشكل عام أبطأ من تشغيل كل شيء على الخادم أو كل شيء على الجهاز بسبب العبء الإضافي لنقل مخازن الـ KV cache.
الاستدلال غير المتزامن (Asynchronous Inference): التداخل (Asynchrony) (تداخل الاستدلال مع تنفيذ الروبوت) يحسن الإنتاجية (Throughput) بشكل كبير للأنظمة التي تعمل من جانب الخادم، خاصة عبر الشبكات اللاسلكية البطيئة (تسريع بمعدل 2.6x–6x)، رغم أنه لا يقلل من زمن الاستجالة النهائي (End-to-end latency).
خطوط الأنابيب ثنائية النظام: بنية "النظام 1 (سريع) + النظام 2 (بطيء)" تحسن الأداء، لكن المكاسب تعتمد بشدة على زمن استجابة الشبكة. على الشبكات السريعة، يمكنها مضاعفة الإنتاجية؛ وعلى الشبكات البطيئة، تتلاشى الفوائد.
هدف 10 هرتز: يمكن تحقيقه على Jetson Thor لنموذج $\pi_0$ وعلى الخوادم الطرفية باستخدام بطاقات GPU الاستهلاكية والشبكات اللاسلكية.
هدف 100 هرتز:
- على الجهاز: يتطلب تحسينات على مستوى النموذج (نماذج أصغر، خطوات أقل).
- الخادم/السحابة: يتطلب بطاقات GPU في مراكز البيانات (B100) وشبكات عالية السرعة (Wired/WiFi 7).
الاستدلال السحابي: تحقيق 100 هرتز في السحابة مستحيل باستخدام الاستدلال المتزامن (Synchronous) بسبب زمن استجابة الشبكة. الاستدلال غير المتزامن ضروري للنشر السحابي عالي التردد.
أهمية الشبكة: أداء الشبكة هو العائق الأساسي للاستدلال من جانب الخادم. الشبكات السيئة (4G/السحابة البطيئة) تخفض الأداء المتزامن إلى مستويات غير قابلة للاستخدام (< 10 هرتز)، بينما يمكن للتنفيذ غير المتزامن استعادة الأداء المقبول.

4. الأهمية

أول دراسة منهجية: هذا هو العمل الأول الذي يرسم بشكل شامل مشهد أداء استدلال VLA، مما يسد الفجوة بين تصميم النموذج ونشر النظام.
إرشادات عملية: توفر الـ 15 استنتاجاً قواعد ملموسة للمهندسين:
- المصممون يجب أن يعطوا الأولوية لخبراء العمل القائمين على الانتشار، ويديروا خطوات إزالة الضجيض بعناية، ويتجنبوا الاعتماد المفرط على السياقات الطويلة للأجهزة الطرفية.
- معماريو الأنظمة يجب أن يعطوا الأولوية للنشر من جانب الخادم مع شبكات عالية النطاق الترددي ويستخدموا التنفيذ غير المتزامن للتغلب على اختناقات الشبكة.
أداة مفتوحة المصدر: يتيح إصدار VLA-Perf للمجتمع محاكاة وتحسين أنظمة VLA دون الحاجة إلى نماذج أولية للأجهزة باهظة الثمن، مما يسرع تطوير الذكاء الاصطناعي المجسد في الوقت الفعلي.

الخاتمة

تخلص الورقة إلى أنه بينما تعد نماذج VLA قوية، فإن تحقيق أداء في الوقت الفعلي يتطلب تصميماً مشتركاً لبنية النموذج وبنية النظام التحتية. بطاقات GPU في مراكز البيانات مع الاستدلال غير المتزامن من جانب الخادم تقدم حالياً أفضل مسار للتشغيل عالي التردد (100 هرتز)، بينما يتطلب النشر الطرفي تحسيناً جذرياً للنماذج وقبول ترددات أقل (10–20 هرتز). يجب أن تعالج الأعمال المستقبلية مجالات مجسدة متنوعة (مثل القيادة الذاتية) وتدمج زمن استجابة الاستشعار والتحريك في نموذج الأداء.