استفاده از هوش مصنوعی در VMware دو مسیر متفاوت دارد: می‌توانید از AI برای تحلیل خطاها، گزارش‌گیری و کمک به مدیریت ESXi و vCenter استفاده کنید؛ یا مدل‌های هوش مصنوعی را داخل زیرساخت مجازی خود اجرا کنید. مسیر اول برای شروع یک تیم IT کوچک عملی‌تر است. مسیر دوم به طراحی منابع، امنیت، سازگاری سخت‌افزار و گاهی GPU نیاز دارد. این راهنما کاربردهای واقعی، پیش‌نیازها و روش شروع هر دو مسیر را توضیح می‌دهد.
هوش مصنوعی در VMware دقیقاً چه کاری انجام می‌دهد؟
VMware لایه زیرساخت را فراهم می‌کند: ماشین مجازی، منابع پردازشی، شبکه، ذخیره‌سازی و مدیریت چرخه عمر. مدل AI یک نرم‌افزار جداگانه است که روی این زیرساخت یا یک سرویس بیرونی اجرا می‌شود. بنابراین نصب یک چت‌بات، ESXi را خودکار به سامانه مدیریت هوشمند تبدیل نمی‌کند. برای شناخت اجزای پایه، ابتدا راهنمای VMware و مجازی‌سازی سرور را بخوانید.
| مسیر استفاده | نمونه کاربرد | نقطه شروع |
|---|---|---|
| AI برای مدیریت VMware | خلاصه لاگ، گزارش ظرفیت و پیشنهاد مراحل عیب‌یابی | داده حذف‌حساسیت‌شده و دسترسی فقط‌خواندنی |
| اجرای AI روی VMware | دستیار داخلی، پاسخ‌گویی از مستندات و سرویس مدل | یک VM آزمایشی و مدل متناسب با منابع |
| پلتفرم سازمانی Private AI | ارائه مدل و منابع GPU به چند تیم | بررسی نسخه، سازگاری و مجوزهای VCF و NVIDIA |
۵ کاربرد عملی AI برای کارشناسان ESXi و vCenter
۱. تبدیل لاگ‌ها و خطاها به مسیر عیب‌یابی
به‌جای ارسال چند هزار خط لاگ، زمان رخداد، پیام خطا، تغییر اخیر و اثر آن بر سرویس را مشخص کنید. AI می‌تواند رخدادهای مشابه را دسته‌بندی کند و فرضیه‌هایی برای بررسی ارائه دهد. نتیجه باید با شواهد vCenter، میزبان و سیستم‌عامل مهمان کنترل شود. مثلاً کندی یک VM می‌تواند از ذخیره‌سازی، شبکه یا خود برنامه باشد؛ دیدن یک هشدار CPU به‌تنهایی علت را ثابت نمی‌کند.
۲. کمک به گزارش‌گیری و مستندسازی
فهرست ماشین‌ها، تغییرات منابع و شرح رخدادها را می‌توان به گزارش قابل‌فهم برای مدیر شرکت تبدیل کرد. گزارش خوب، «مشاهده»، «فرضیه» و «اقدام پیشنهادی» را از هم جدا می‌کند و مسئول، تاریخ و نتیجه بررسی دارد. برای شروع، قالب گزارش وضعیت را به AI بدهید؛ تولید متن گزارش کم‌ریسک‌تر از واگذاری تغییرات زیرساخت است.
۳. تحلیل ظرفیت با داده تاریخی
خروجی موجودی VM نشان می‌دهد چه منابعی تخصیص داده شده است، اما مصرف واقعی را ثابت نمی‌کند. برای پیشنهاد افزایش یا کاهش منابع، روند CPU، حافظه، تأخیر دیسک، زمان‌های اوج و نیاز برنامه را کنار هم بگذارید. از AI بخواهید داده‌های ناقص را اعلام کند و برای هر پیشنهاد، شواهد و آزمایش بعدی بنویسد؛ افزایش vCPU همیشه راه‌حل کندی نیست.
۴. تهیه پیش‌نویس اسکریپت‌های PowerCLI
AI می‌تواند پیش‌نویس اسکریپت گزارش‌گیری را آماده کند، اما نام دستور، پارامترها و سازگاری نسخه باید با مستندات رسمی کنترل شوند. بعد از اتصال مجاز به vCenter، این نمونه فقط موجودی ماشین‌ها را می‌خواند و فایل CSV محلی می‌سازد؛ وضعیت ماشین یا منابع آن را تغییر نمی‌دهد. فرمان Get-VM در مرجع رسمی PowerCLI مستند شده است.
Get-VM |
Select-Object Name, PowerState, NumCpu, MemoryGB |
Export-Csv -Path ".\vm-inventory.csv" -NoTypeInformation -Encoding UTF8این خروجی برای فهرست‌برداری مناسب است، نه تشخیص قطعی گلوگاه. پیش از ارسال آن به سرویس عمومی AI، نام واقعی سیستم‌ها و اطلاعات شناسایی سازمان را حذف یا جایگزین کنید. اجرای فرمان‌های حذف، خاموش‌کردن یا تغییر شبکه باید در فرایند تغییرات و با بررسی کارشناس انجام شود.
۵. ساخت دستیار داخلی برای مستندات IT
یک کاربرد پیشنهادی برای شرکت، دستیار پاسخ‌گو به رویه‌های تأییدشده است: «برای اضافه‌کردن کاربر چه مراحلی داریم؟» یا «قبل از خاموش‌کردن این سرویس چه چیزی بررسی می‌شود؟». به‌جای اجازه اجرای مستقیم روی سرورها، ابتدا پاسخ همراه با نام سند و تاریخ آن بخواهید. کیفیت این دستیار به کیفیت مستندات و محدودکردن دسترسی آن بستگی دارد.
اجرای مدل هوش مصنوعی روی VMware؛ از VM آزمایشی تا Private AI
برای یک آزمایش کوچک، می‌توان نرم‌افزار اجرای مدل را داخل یک ماشین مجازی سازگار نصب کرد. انتخاب مدل باید با RAM، فضای دیسک و زمان پاسخ موردنیاز هماهنگ باشد. بعضی مدل‌ها با CPU هم قابل آزمایش‌اند، اما این به معنی مناسب‌بودن عملکرد برای تعداد زیادی کاربر نیست. تصمیم خرید GPU باید بعد از سنجش بار واقعی گرفته شود.
در مقیاس سازمانی، VMware Private AI Foundation with NVIDIA راهکاری بر پایه VMware Cloud Foundation است. اسناد رسمی، اجرای inference، گردش‌کار RAG و fine-tuning را از کاربردهای آن معرفی می‌کنند. اجزایی مانند ماشین‌های Deep Learning، پایگاه برداری و ابزارهای پایش GPU برای مدیریت این بارها در نظر گرفته شده‌اند. معرفی رسمی راهکار Private AI مرجع بررسی دامنه محصول و مجوزهای جداگانه NVIDIA است.
در مدل «Model as a Service»، تیم IT یک endpoint برای مدل فراهم می‌کند تا برنامه‌های داخلی از آن استفاده کنند. در «GPU as a Service»، تیم‌ها محیط محاسباتی خود را با سهم مشخصی از GPU درخواست می‌کنند. این دو نیاز متفاوت‌اند: تیم توسعه ممکن است فقط API مدل بخواهد، در حالی که تیم داده به محیط آزمایش نیاز دارد. مقاله رسمی کاربردهای Private AI در VCF این تفکیک را توضیح می‌دهد.
RAG چیست و چه کمکی به اطلاعات خصوصی شرکت می‌کند؟
در RAG، اسناد به قطعه‌های قابل جست‌وجو تبدیل می‌شوند. هنگام طرح سؤال، بخش‌های مرتبط بازیابی و همراه پرسش به مدل داده می‌شوند تا پاسخ را بر پایه آن‌ها بسازد. این روش لزوماً به آموزش دوباره مدل با تمام اسناد شرکت نیاز ندارد. در معماری Private AI، مدل و پایگاه داده می‌توانند در زیرساخت داخلی قرار بگیرند؛ بااین‌حال خصوصی‌بودن محل اجرا جایگزین کنترل دسترسی اسناد نیست.
برای یک پایلوت، چند سند غیرمحرمانه و چند سؤال با جواب مشخص انتخاب کنید. بررسی کنید دستیار به سند درست ارجاع می‌دهد، پاسخ نامطمئن را قطعی بیان نمی‌کند و اطلاعات واحد دیگر را بدون مجوز نمایش نمی‌دهد. این‌ها معیارهای پیشنهادی برای ارزیابی کیفیت‌اند، نه تضمین خودکار محصول.
GPU، vGPU و سازگاری ESXi؛ قبل از خرید چه چیزی بررسی شود؟
در تخصیص مستقیم یا Passthrough، دستگاه GPU به VM مشخص داده می‌شود. در vGPU، منابع کارت طبق قابلیت سخت‌افزار، پروفایل و نرم‌افزار پشتیبانی‌شده در اختیار ماشین‌ها قرار می‌گیرد. سازگاری مدل GPU، نسخه ESXi، درایور میزبان و مهمان و سیستم‌عامل باید به‌صورت یک مجموعه بررسی شود. ماتریس رسمی NVIDIA برای VMware vSphere نقطه شروع این بررسی است.
نباید فرض کرد هر کارت گرافیک مصرفی، هر سرور قدیمی یا هر نسخه ESXi برای راهکار سازمانی Private AI پشتیبانی می‌شود. همچنین شرایط مهاجرت، محدودیت‌های VM و رفتار عملیاتی ماشین دارای GPU را با محدودیت‌های نسخه مورد استفاده بررسی کنید؛ قابلیت‌های VM معمولی را بدون بررسی به VM دارای GPU تعمیم ندهید.
- منابع: RAM سیستم، حافظه GPU، ظرفیت و تأخیر ذخیره‌سازی و تعداد درخواست همزمان.
- سازگاری: سرور، GPU، Firmware، نسخه VMware و درایورها.
- عملیات: برق و خنک‌کاری، مانیتورینگ، بکاپ و برنامه بازیابی سرویس مدل.
- مجوز: شرایط VCF، NVIDIA و خود مدل، متناسب با کاربرد واقعی.
- شبکه: مسیر ارتباط کاربران و سرویس‌ها، دسترسی مخازن و جداسازی شبکه مدیریت.
تازه‌های VMware AI در ۲۰۲۶ را چگونه ارزیابی کنیم؟
در مطالب رسمی VMware Explore 2026، Broadcom از VMware AI Factory و مسیر ساده‌تر آماده‌سازی زیرساخت تا سرویس‌دهی مدل صحبت کرده است. همان مطلب، بعضی قابلیت‌ها مانند AI Gateway و Model Autoscaling را در بخش «Future Release Capabilities» آورده است. بنابراین اعلام یک قابلیت را با موجودبودن آن در نسخه نصب‌شده یکی ندانید؛ قبل از طراحی، نسخه، تاریخ انتشار و دسترسی واقعی حساب خود را بررسی کنید. منبع رسمی تازه‌های AI در Explore 2026 مبنای این بخش است.
نقشه شروع برای یک شرکت کوچک یا متوسط
- یک مسئله مشخص انتخاب کنید: مثلاً خلاصه گزارش رخدادها یا جست‌وجو در مستندات داخلی؛ نه «هوشمندسازی کل دیتاسنتر».
- وضعیت پایه را ثبت کنید: مدت تهیه گزارش، کیفیت پاسخ‌ها، خطاها و منابع مصرفی.
- پایلوت را جدا اجرا کنید: VM آزمایشی، شبکه محدود و داده غیرمحرمانه؛ بدون دسترسی نوشتن به vCenter تولیدی.
- با نمونه‌های ثابت بسنجید: همان پرسش‌ها و داده‌ها را قبل و بعد مقایسه کنید؛ سرعت بیشتر با پاسخ نادرست موفقیت نیست.
- برای توسعه تصمیم بگیرید: فقط پس از مشخص‌شدن ارزش کار، ظرفیت، هزینه و برنامه پشتیبانی را افزایش دهید.
برای آماده‌سازی زیرساخت، خدمات مجازی‌سازی VMware، مانیتورینگ شبکه و سرورها و بکاپ و بازیابی اطلاعات به یکدیگر مرتبط‌اند. اگر انتخاب بین استقرار فیزیکی و مجازی مطرح است، مقایسه سرور فیزیکی و مجازی را هم ببینید.
سؤالات متداول استفاده از AI در VMware
آیا برای استفاده از AI کنار VMware حتماً GPU لازم است؟
برای تحلیل گزارش‌ها با یک سرویس مجاز بیرونی، GPU محلی لازم نیست. برای اجرای مدل در VM، نیاز به GPU به مدل، حجم بار و سرعت پاسخ موردنیاز بستگی دارد؛ آزمایش سبک با CPU با سرویس تولیدی پرکاربر متفاوت است.
آیا ChatGPT می‌تواند خودش مشکلات ESXi را برطرف کند؟
به‌تنهایی دسترسی به ESXi ندارد. برای هر اقدام، ابزار اتصال، مجوز مناسب و کنترل عملیات لازم است. بهتر است شروع با تحلیل داده و پیشنهاد باشد و تغییرات عملیاتی پس از بررسی کارشناس انجام شوند.
Private AI همان نصب یک مدل در ماشین مجازی است؟
خیر. اجرای یک مدل در VM یک سناریوی نرم‌افزاری است؛ پلتفرم سازمانی Private AI شامل مدیریت سرویس مدل، منابع، داده و عملیات در چارچوب محصول و نسخه مشخص است.
آیا خصوصی‌بودن مدل، محرمانگی اطلاعات را تضمین می‌کند؟
خیر. حساب‌ها، شبکه، دسترسی اسناد، ثبت رخداد و ابزارهای متصل به مدل باید کنترل شوند. برای دستیار داخلی، دسترسی هر کاربر به پاسخ‌ها باید با مجوز واقعی او به اطلاعات هماهنگ باشد.
برای اجرای AI در زیرساخت VMware شرکت از کجا شروع کنیم؟
ابتدا نسخه ESXi و vCenter، مدل سرورها، منابع آزاد، وضعیت بکاپ و کاربرد مدنظر را مشخص کنید. IT Network Care می‌تواند برای ارزیابی زیرساخت و طراحی مسیر آزمایشی به شرکت‌های تهران و کرج و به‌صورت غیرحضوری در سراسر ایران کمک کند. از فرم مشاوره زیرساخت و VMware استفاده کنید و مسئله کاری خود را بنویسید؛ رمز عبور و اطلاعات محرمانه لازم نیست.
مبنای بررسی منابع: ۱۳ اکتبر ۲۰۲۶. قابلیت‌ها و سازگاری نهایی باید با مستندات همان نسخه و سخت‌افزار تطبیق داده شوند.