كيف تحسب السعة المثلى للذاكرة العشوائية (RAM) للأحمال التشغيلية الشديدة الاستهلاك للذاكرة، مثل تطبيقات الذكاء الاصطناعي وقواعد البيانات؟

تحديد السعة المناسبة سعة الذاكرة العشوائية لأحمال العمل التي تستهلك كميات كبيرة من الذاكرة يُعَدُّ أحد أكثر القرارات حسماً في تخطيط بنية الخوادم الحديثة. سواء كنت تقوم بتشغيل مهام تدريب واسعة النطاق للذكاء الاصطناعي، أو محركات استنتاج فورية، أو قواعد بيانات علاقية تتطلب معالجة عدد كبير من العمليات في الوقت الفعلي، فإن كمية الذاكرة النظامية التي توفرها تؤثر مباشرةً على سقف الأداء، وملامح زمن التأخير (Latency)، والتكلفة الإجمالية للملكية. وإن أخطأت في هذه الحسبة في أي اتجاه — سواء كانت الكمية أقل مما ينبغي أو أكثر مما هو مطلوب — فإن ذلك يترتب عليه عواقب تشغيلية ومالية ملموسة تتراكم مع مرور الوقت.

يشرح هذا المقال المنهجية المنهجية لحساب السعة المثلى للذاكرة العشوائية (RAM) سعة الذاكرة العشوائية في مجالَي الحوسبة الأكثر طلبًا: أعباء العمل الخاصة بالذكاء الاصطناعي وبيئات قواعد البيانات المؤسسية. وبدلًا من تقديم قواعد عامة غير دقيقة، يهدف المقال إلى توضيح المنطق الأساسي والمتغيرات وخطوات التحقق التي تمكن مهندسي البنية التحتية وصانعي القرارات في مجال تكنولوجيا المعلومات من الوصول إلى مواصفات ذاكرة عشوائية مُبرَّرة ومُخصصة لكل نوع من أعباء العمل. كما أن فهم كيفية إجراء هذه الحسابات يساعد في ضمان توافق الاستثمارات في الأجهزة مع المتطلبات المستقبلية مع استمرار نمو أحجام البيانات.

لماذا تؤثر سعة الذاكرة العشوائية (RAM) تأثيرًا مباشرًا على أداء أعباء العمل

الذاكرة كعامل تقييد رئيسي في بيئات الذكاء الاصطناعي وقواعد البيانات

قبل الخوض في منهجية الحساب، من المهم فهم السبب وراء سعة الذاكرة العشوائية يُعَدُّ الذاكرة العاملة محوريًّا جدًّا في أداء أنظمة الذكاء الاصطناعي وقواعد البيانات، وليس مجرَّد مواصفةٍ ماديةٍ إضافية. ففي مهام الذكاء الاصطناعي، وبخاصة تدريب نماذج التعلُّم العميق، يجب أن تبقى بنية النموذج بأكملها، ومتجهات الأوزان، وأحجام التدرجات (Gradient Buffers)، والدُّفعات الصغيرة من بيانات التدريب (Mini-batches) في الذاكرة العاملة النشطة أثناء المعالجة الحاسوبية. وإذا كانت السعة المتاحة سعة الذاكرة العشوائية غير كافية لاحتواء هذه العناصر جميعًا في وقتٍ واحد، فإن النظام يضطر إلى نقل البيانات إلى مستويات التخزين الأبطأ، ما يؤدي إلى انخفاض حادٍّ في الإنتاجية.

وفي بيئات قواعد البيانات، سعة الذاكرة العشوائية تُحدِّد كمية مجموعة البيانات الجارية التي يمكن احتواؤها في الذاكرة — ومن بينها صفحات الفهارس، ومجمعات التخزين المؤقت (Buffer Pools)، وخطط تنفيذ الاستعلامات، ومناطق الفرز المؤقتة — مقابل استرجاعها من القرص الصلب. وكل عملية قراءة من القرص كان بالإمكان تلبيتها من الذاكرة تمثِّل زمن انتظار إضافيًّا، وفي حالات أحجام المعاملات المرتفعة يتراكم هذا الزمن الانتظاري ليؤدي إلى خسارة كبيرة في الأداء. ولذلك فإن العلاقة بين سعة الذاكرة العشوائية وزمن استجابة الاستعلام تكون شبه خطية تقريبًا حتى تصل إلى النقطة التي تستوعب فيها الذاكرة العاملة المجموعة الجارية بأكملها بسلاسة.

التكلفة المخفية لتقديم الذاكرة بشكل غير كافٍ

تقديم الذاكرة بشكل غير كافٍ سعة الذاكرة العشوائية نادرًا ما يكون واضحًا أثناء النشر الأولي. فغالبًا ما تبدو الأنظمة وظيفية تحت الأحمال الخفيفة، ولكن مع زيادة عدد المستخدمين المتزامنين أو تعقيد النموذج، ينخفض الأداء بشكل غير خطي. ويبدأ خادم قاعدة البيانات الذي يعمل بسعة ذاكرة غير كافية سعة الذاكرة العشوائية في إظهار أوقات انتظار إدخال/إخراج (I/O) متزايدة، ومعدلات قراءة من القرص مرتفعة، وأحداث وقت انتهاء مهلة الاستعلامات التي يُخطَأ غالبًا في تشخيصها على أنها مشاكل متعلقة بوحدة المعالجة المركزية أو التخزين. وبالمثل، قد تكتمل مهام تدريب الذكاء الاصطناعي التي تتجاوز الذاكرة المتاحة، لكنها تفعل ذلك بنسبة ضئيلة جدًّا من الإنتاجية المتوقعة، مما يطيل دورات التدريب من ساعات إلى أيام.

التكلفة التجارية لتقديم سعة الذاكرة العشوائية الذاكرة بشكل غير كافٍ تمتد beyond الأداء. فهي غالبًا ما تقود إلى دورات تجديد معدات حاسوبية مبكرة، وترقيات طارئة مكلفة، وفقدان في الإنتاجية. وبالتالي فإن فهم كيفية حساب سعة الذاكرة المناسبة سعة الذاكرة العشوائية مقدّمًا ليس مجرد مهمة فنية فحسب، بل هو أيضًا استراتيجية لتحسين الكفاءة المالية.

حساب سعة الذاكرة العشوائية (RAM) لأحمال العمل الخاصة بالذكاء الاصطناعي

حجم النموذج ومتطلبات الذاكرة للمعاملات

الحساب الأساسي للذكاء الاصطناعي سعة الذاكرة العشوائية يبدأ بعدد معلمات النموذج. وتتطلب كل معلمة في الشبكة العصبية تخزينها بتنسيق دقة عددي محدد. وفي دقة النقطة العائمة الكاملة 32 بت، تستهلك كل معلمة 4 بايت. وبالتالي فإن نموذجًا يحتوي على 7 مليارات معلمة يحتاج إلى ما يقارب 28 جيجابايت فقط لتخزين أوزانه في الذاكرة. أما في دقة المزيج 16 بت، فينخفض هذا المقدار إلى نحو 14 جيجابايت، لكن خفض متطلبات الذاكرة لا ينتهي عند هذه النقطة. سعة الذاكرة العشوائية متطلبات الذاكرة

أثناء التدريب، يجب أن تحتفظ النظام أيضًا بحالات المُحسِّن (optimizer states)، والتي تستهلك في مُحسِّن آدم الشائع الاستخدام 8 بايت إضافية لكل معلمة من أجل تقديرات اللحظة الأولى والثانية. كما تضيف أوعية التدرج (Gradient buffers) 4 بايت أخرى لكل معلمة عند دقة 32 بت. وهذا يعني أن الذاكرة الفعالة سعة الذاكرة العشوائية المطلوبة لتدريب نموذجٍ يحتوي على 7 مليارات معلمة باستخدام دقة المزيج تقترب من 80 إلى 100 جيجابايت فقط لحالة النموذج، قبل أخذ دفعات بيانات الإدخال في الاعتبار. ويشكل هذا الحساب الأساس الذي تنطلق منه جميع عمليات تخطيط الذاكرة اللاحقة.

حجم الدفعة، والتنشيطات، وذاكرة النفقات العامة

وبالإضافة إلى حالة النموذج، سعة الذاكرة العشوائية تزداد المتطلبات مع زيادة حجم دفعة التدريب وذاكرة التنشيط. وتُخزَّن موترات التنشيط — أي المخرجات الوسيطة التي تُنتَج في كل طبقة أثناء عملية التمرير الأمامي — في الذاكرة حتى اكتمال عملية التمرير العكسي خلال الانتشار العكسي. وفي الشبكات العميقة جدًّا مثل هياكل المحولات (Transformers)، قد تصل ذاكرة التنشيط إلى ما يعادل أو يفوق ذاكرة المعايير عند أحجام الدفعات الكبيرة، مما يجعلها عاملًا بالغ الأهمية في سعة الذاكرة العشوائية الحسابات.

صيغة عملية لتقدير متطلبات التدريب سعة الذاكرة العشوائية بالبايت هي: (عدد المعايير × عدد البايتات لكل معيار × عامل الدقة) + (حجم الدفعة × طول التسلسل × البُعد المخفي × عدد الطبقات × عدد البايتات المخصصة للتنشيط) + نفقات الذاكرة النظامية. وتشمل مكوِّن النفقات الذاكرة النظامية الذاكرة المخصصة لنظام التشغيل، وذاكرة وقت تشغيل الإطار البرمجي، وذاكرة أجهزة تحميل البيانات، والعمليات المتنوعة الأخرى، وعادةً ما تضيف هذه المكوِّنات ما بين ١٠٪ و٢٠٪ إلى الرقم المحسوب الأساسي، ويجب ألا تُهمَل أبدًا عند تحديد سعة الذاكرة العشوائية .

أحمال الاستنتاج واستضافة النماذج المتعددة

تختلف أحمال الاستنتاج عن أحمال التدريب من حيث الملف الشخصي سعة الذاكرة العشوائية بشكلٍ ملحوظ. وبما أن الحسابات المتعلقة بالمشتقات الجزئية لا تُجرى أثناء مرحلة الاستنتاج، فإن استهلاك الذاكرة يكون أصغر بكثير لكل نموذج. ومع ذلك، فإن بيئات الذكاء الاصطناعي الإنتاجية غالبًا ما تستضيف عدة إصدارات من النماذج في وقتٍ واحد لأغراض الاختبار المقارن (A/B)، أو التوجيه الاحتياطي (fallback routing)، أو خدمة المهام المتعددة. وكل مثيلٍ من النماذج المستضافة يستهلك حصةً خاصةً به من سعة الذاكرة العشوائية الذاكرة، وعند دمج هذه الاستهلاكات مع قائمة طلبات المعالجة المتزامنة وأحجام التخزين المؤقت الخاصة بعملية التجزئة إلى رموز (tokenization buffers) في خدمة نماذج اللغة الكبيرة، فإن الطلب التراكمي على الذاكرة يرتفع بسرعة.

في منصات خدمة الاستنتاج، من الشائع حساب متطلبات سعة الذاكرة العشوائية الذاكرة العشوائية (RAM) لكل نموذج على حدة، ثم جمعها مع هامش احتياطي يتراوح بين ٣٠ و٤٠٪ لاستيعاب قمم الذروة في الطلبات المتزامنة. ويضمن هذا النهج ألا تصبح النظام مقيّدًا بالذاكرة أثناء ارتفاع حركة المرور، الأمر الذي قد يؤدي إلى تراكم الطلبات في الطابور وزيادة زمن الاستجابة بشكلٍ ملحوظ للمستخدمين النهائيين.

حساب سعة الذاكرة العشوائية (RAM) لأحمال قواعد البيانات

تحديد حجم مجموعة التخزين المؤقت (Buffer Pool) وتحليل المجموعة التشغيلية (Working Set)

قاعدة البيانات سعة الذاكرة العشوائية تركّز الحسابات على مفهوم المجموعة التشغيلية — أي الجزء من قاعدة البيانات الإجمالية الذي يتم قراءته أو كتابته فعليًّا خلال فترة عبء عمل نموذجية. والهدف هو تخصيص ما يكفي من الموارد سعة الذاكرة العشوائية لكي تستوعب مجموعة التخزين المؤقت، التي تقوم بتخزين الصفحات البيانات المستخدمة بشكل متكرر في الذاكرة المؤقتة، المجموعة التشغيلية بأكملها دون طرد الصفحات مبكرًا. وعندما تكون مجموعة التخزين المؤقت كبيرة بما يكفي لاحتواء المجموعة التشغيلية، فإن نسبة إصابات التخزين المؤقت (Cache Hit Ratio) تقترب من ٩٩٪ أو أكثر، وتتراجع عمليات الإدخال/الإخراج من القرص إلى ما يقارب الصفر بالنسبة لعمليات القراءة.

يتطلب حساب المجموعة التشغيلية إجراء تحليلٍ لعبء العمل. ويجب على مسؤولي قواعد البيانات قياس أنماط وصول البيانات النشطة خلال نافذة زمنية نموذجية — وعادةً ما تكون دورة عمل كاملة — وتحديد حجم الصفحات التي يتم الوصول إليها بشكل متكرر وبدرجة كبيرة. وهذه المجموعة من الصفحات النشطة، عند ضربها بحجم الصفحة الخاص بمحرّك قاعدة البيانات، تُعطي تقديرًا أوليًّا سعة الذاكرة العشوائية المتطلبات الخاصة بمجمع المخزن المؤقت. وإضافة المساحة المخصصة لصفحات الفهارس والجداول المؤقتة وأحجام الترتيب وتخصيصات الذاكرة على مستوى الاتصال تُنتج إجمالي قاعدة البيانات سعة الذاكرة العشوائية متطلبات

ملفات تعريف الذاكرة: المعالجة عبر الإنترنت للعمليات مقابل المعالجة عبر الإنترنت للتحليل

معالجة المعاملات عبر الإنترنت وتحميل عمليات التحليل عبر الإنترنت تتسم بأنماط استخدام الذاكرة المختلفة جذريًّا سعة الذاكرة العشوائية والتي يجب حسابها بشكل منفصل. وتتميَّز أنماط معالجة المعاملات عبر الإنترنت (OLTP) بارتفاع درجة التوازي ووجود استعلامات صغيرة وموجَّهة تصل إلى صفوف ضيِّقة ضمن جداول كبيرة. واحتياج الذاكرة لكل استعلام منخفض نسبيًّا، لكن الإجمالي سعة الذاكرة العشوائية المطلوب لدعم مئات أو آلاف الجلسات المتزامنة — وكل جلسة منها تمتلك ذاكرتها الخاصة المخصصة للاتصال ومساحة الترتيب وذاكرة تخزين خطط التنفيذ — يتراكم بشكل كبير.

أما أنماط معالجة التحليل عبر الإنترنت (OLAP) فتشمل استعلامات تحليلية معقَّدة تقوم بعمليات فحص متتالية واسعة النطاق، وعمليات دمج (Joins) عبر عدة جداول كبيرة، وعمليات تجميع على ملايين الصفوف. وهذه الاستعلامات تتطلب كمًّا كبيرًا سعة الذاكرة العشوائية لمجموعات النتائج المؤقتة وعمليات الربط بالتجزئة (Hash Join). وقد تتطلب محركات قواعد البيانات التي تعمل في الذاكرة والتي صُمِّمت خصيصًا لمعالجة عمليات التحليل عبر الإنترنت (OLAP) أن يناسب حجم مجموعة البيانات بأكملها سعة الذاكرة العشوائية الأداء الاستعلامي الموعود، ما يجعل تحديد حجم البيانات بدقة نقطة البداية لأي حسابٍ متعلق بالسعة.

التنبؤات المتعلقة بالنمو وهامش السعة الذاكرية

بعدٌ بالغ الأهمية وغالبًا ما يُهمَل في سعة الذاكرة العشوائية تخطيط قواعد البيانات هو هامش النمو. فتتوسع قواعد البيانات تماشيًا مع توسع عمليات الأعمال، وقد يتحول مواصفات الذاكرة التي تتطابق تمامًا مع مجموعة العمل الحالية إلى عنق زجاجة خلال فترة تتراوح بين ١٨ و٢٤ شهرًا. وتوصي أفضل الممارسات الصناعية بحساب متطلبات الذاكرة الحالية سعة الذاكرة العشوائية ثم تطبيق عامل نمو يستند إلى الزيادات المتوقعة في حجم البيانات، وعادةً ما يتراوح هذا العامل بين ١٫٥ ضعف و٢ ضعف على أفق تخطيطي مدته ثلاث سنوات.

الخوادم التي تدعم عددًا كبيرًا من فتحات وحدات الذاكرة (DIMM) تكون ذات قيمة خاصة في هذا السياق لأنها تتيح سعة الذاكرة العشوائية يتم توسيعه تدريجيًّا مع نمو الطلب بدلًا من الحاجة إلى استبدال الخادم بالكامل. وللمنظمات التي تُشغِّل في الوقت نفسه أحمال عمل ذكاء اصطناعي وقواعد بيانات تتطلّب كمّاً كبيراً من الذاكرة، فإن المنصات مثل سعة الذاكرة العشوائية -تصاميم خوادم رباعية المآخذ التي تُحسِّن الاستفادة القصوى من الموارد، والمزوَّدة بـ ٩٦ فتحة لوحدات الذاكرة (DIMM)، توفر قابلية التوسع الفعلي للذاكرة اللازمة لضمان ملاءمة البيئات المؤسسية الصعبة للمستقبل.

خطوات عملية للتحقق من صحة حساب سعة الذاكرة العشوائية (RAM)

إجراء الاختبارات المرجعية وتحليل الأداء قبل الشراء

متطلبات سعة الذاكرة العشوائية توفر حسابًا نظريًّا يشكّل نقطة انطلاق، لكن التحقق التجريبي ضروريٌّ قبل اتخاذ قرار شراء الأجهزة. وعند الإمكان، يوفّر تشغيل أحمال عمل تمثيلية في بيئة اختبارية باستخدام أدوات رصد الذاكرة دليلاً مباشرًا على الاستهلاك الفعلي. ويمكن لأدوات مثل محلِّلات الذاكرة الخاصة بإطارات العمل الخاصة بالذكاء الاصطناعي ولوحات مراقبة أداء قواعد البيانات أن تكشف عن أقصى مستويات الاستهلاك سعة الذاكرة العشوائية نسبة الاستخدام وأنماط تخصيص الذاكرة وتكرار أحداث ضغط الذاكرة مثل نشاط التبديل (Swap) أو طرد الكتل من مجموعة المخازن المؤقتة (Buffer Pool).

إذا لم تكن بيئة الاختبار الكاملة متاحة، فيمكن استخدام مقاييس الأداء التي يوفّرها المورِّد والدراسات العامة المتاحة حول خصائص عبء العمل الخاصة بمجموعات البيانات والنماذج المعمارية المماثلة لتكمل الحساب النظري. والمفتاح هو ألا تعتمد أبدًا بشكل حصري على الأرقام المحسوبة عندما سعة الذاكرة العشوائية تتعلّق القرارات بالالتزامات الرأسمالية الكبيرة، لأن استهلاك الذاكرة في العالم الحقيقي غالبًا ما يتجاوز الحدود الدنيا النظرية بسبب التجزئة والزيادة في النفقات التشغيلية (Runtime Overhead) ومتطلبات العمليات المتزامنة.

تطبيق هامش الأمان المناسب

وبعد تحديد الأساس سعة الذاكرة العشوائية يتم تحديد القيمة من خلال الحساب والتحقق منها، ويجب تطبيق هامش أمان قبل إقرار المواصفات النهائية. بالنسبة لأحمال عمل تدريب الذكاء الاصطناعي، يُوصى بإضافة هامش احتياطي لا يقل عن ٢٠٪ فوق الاستخدام الأقصى المحسوب لاستيعاب حالات تجاوز حد الذاكرة أثناء استكشاف أحجام الدفعات الديناميكية وتجريب هياكل النماذج. أما في بيئات قواعد البيانات، فإن هامشًا يتراوح بين ٢٥٪ و٣٠٪ فوق مجموعة العمل (Working Set) بالإضافة إلى الهامش التشغيلي يوفّر حماية كافية ضد تعقيد الاستعلامات غير المتوقعة وزيادة مفاجئة في عدد الجلسات المتزامنة.

النهائي سعة الذاكرة العشوائية يجب أيضًا تقريب المواصفات النهائية لأعلى لتتوافق مع خيارات تكوين وحدات الذاكرة (DIMM) المدعومة من منصة الخادم المستهدفة. فمعظم خوادم المؤسسات تدعم الذاكرة ضمن تكوينات متوازنة عبر القنوات المحددة، واختيار سعة الذاكرة العشوائية الذي يُحسّن استخدام القناة إلى أقصى حدٍّ يُحسّن أيضًا عرض النطاق الترددي للذاكرة — وهو عامل أداء ثانويٌّ يكتسب أهمية كبيرةً في كلٍّ من حمولات العمل الخاصة بالذكاء الاصطناعي وقواعد البيانات، حيث قد يصبح عرض النطاق الترددي للذاكرة عنق زجاجةٍ مستقلٍّ عن السعة الإجمالية.

الأسئلة الشائعة

كيف أقدّر سعة ذاكرة الوصول العشوائي (RAM) لنموذج لغوي كبير يعمل محليًّا؟

ابدأ بضرب عدد معايير النموذج بعدد البايتات لكل معلَّمة وفق الدقة العددية المختارة — أي ٤ بايتات لـ FP32، و٢ بايت لكلٍّ من FP16 أو BF16. وأضف الذاكرة المطلوبة لحالات المُحسِّن (optimizer states) إذا كان النموذج قيد التدريب، أو تجاهل هذه الخطوة إذا كان النموذج موجَّهًا للاستنتاج فقط (inference-only). ثم اضرب الناتج في معامل يتراوح بين ١٫٥ و٢ لمراعاة أحمال التفعيل (activation buffers) والتكاليف التشغيلية للنظام (system overhead) وبيئة تشغيل الإطار البرمجي (framework runtime). وبعد ذلك، طبِّق هامش أمان إضافي بنسبة ٢٠ إلى ٣٠٪ للوصول إلى مواصفات آمنة سعة الذاكرة العشوائية للاستخدام في البيئة الإنتاجية.

ما العلاقة بين سعة ذاكرة الوصول العشوائي (RAM) ونسبة نجاح الاسترجاع من ذاكرة التخزين المؤقت (cache hit ratio) في قواعد البيانات؟

تُقاس نسبة نجاح الاسترجاع من ذاكرة التخزين المؤقت (cache hit ratio) بالنسبة المئوية لطلبات القراءة من قاعدة البيانات التي تُلبَّى من الذاكرة بدلًا من القرص. وبمجرد سعة الذاكرة العشوائية تزيد، ويتناسب جزء أكبر من مجموعة العمل النشطة مع تجمع المخزن المؤقت، ويرتفع معدل إصابات المخبأ. وبمجرد أن تستقر مجموعة العمل بأكملها في الذاكرة، يبلغ معدل الإصابات حالة الاستقرار بالقرب من ١٠٠٪، وتؤدي الزيادات الإضافية سعة الذاكرة العشوائية إلى عوائد متناقصة بالنسبة لأداء القراءة. والهدف من تخطيط الذاكرة في قواعد البيانات هو تحديد الحد الأدنى سعة الذاكرة العشوائية الذي يصل عنده معدل الإصابات إلى هذه الحالة المستقرة بالنسبة لحمل العمل المحدد لديك.

هل يمكنني استخدام نفس طريقة حساب سعة الذاكرة العشوائية (RAM) لكلٍّ من أحمال العمل OLTP وOLAP؟

الإطار العام متشابه — أي حساب حجم مجموعة العمل، وإضافة المخازن المؤقتة التشغيلية، وتطبيق معامل النمو — لكن المتغيرات الخاصة تختلف اختلافًا كبيرًا. فحسابات OLTP يجب أن تأخذ في الاعتبار التخصيصات الذاكرة لكل اتصال وللمخبأ الخاص بالخطط، بينما يجب أن تراعي حسابات OLAP مجموعات النتائج المؤقتة الكبيرة وذاكرة الفرز. وإذا كان الخادم نفسه يستضيف كلا نوعَيْ حملي العمل، فاحسب سعة الذاكرة العشوائية المتطلبات الخاصة بكلٍّ منهما بشكل مستقل ثم اجمع الناتجين، بدلًا من افتراض أن حسابًا واحدًا يغطي كلا السيناريوهين.

كم عدد فتحات الـ DIMM التي أحتاجها لدعم سعة عالية من الذاكرة العشوائية (RAM) في خادم مؤسسي؟

ويحدد عدد فتحات الـ DIMM كلاً من أقصى سعة ذاكرة عشوائية قابلة للتحقيق سعة الذاكرة العشوائية ومن عرض النطاق الترددي للذاكرة المتاح عبر الوصول المتوازي إلى القنوات. فقد تصل الخوادم التي تحتوي على ٤٨ فتحة DIMM أو أقل إلى الحد الأقصى عند ٣–٦ تيرابايت من سعة الذاكرة العشوائية الذاكرة العشوائية باستخدام تقنية الـ DIMM الحالية، وهي سعة قد تكون غير كافية لأكثر حمولات العمل طلبًا في مجال الذكاء الاصطناعي وقواعد البيانات التي تعمل بالكامل في الذاكرة. أما المنصات المؤسسية رباعية المقابس التي تحتوي على ٩٦ فتحة DIMM فهي توفر هامشًا أكبر بكثير لكلٍّ من إجمالي سعة الذاكرة العشوائية السعة التخزينية للذاكرة العشوائية وعرض النطاق الترددي للذاكرة، ما يجعلها مناسبة جدًا للمؤسسات التي تحتاج إلى توسيع سعة الذاكرة بشكل عدواني بالتوازي مع تزايد أحجام نماذج الذكاء الاصطناعي ومجموعات البيانات التشغيلية في قواعد البيانات.