تظهر شريحة الاستدلال المخصصة الأولى من OpenAI كمنافس جاد
قدّمت OpenAI أول شريحة استدلال طورتها داخلياً، وهي معالج يُسمى Jalapeño، مع نتائج معيارية يُقال إنها تضعه أمام منصتي Blackwell وRubin من Nvidia في عدة مقاييس رئيسية. وتكمن أهمية هذا العرض ليس فقط في المقارنة العناوينية، بل لأنه يشير إلى أن أحد أكبر مطوري نماذج الذكاء الاصطناعي يتحرك إلى ما بعد الاعتماد على الشرائح التجارية ويحاول تشكيل اقتصاديات الاستدلال نفسها.
وبحسب النتائج المعلنة في مؤتمر Hot Chips، صُممت Jalapeño للاستدلال فقط. فهي ليست شريحة تدريب، كما أنها ليست مضبوطة حصراً لنماذج OpenAI نفسها. بل توصف بأنها مسرّع استدلال عام لنماذج اللغة الكبيرة، هدفه تشغيل النماذج بكفاءة أعلى وبزمن استجابة أقل. وهذا التموضع مهم. فالاستدلال هو النقطة التي تلتقي فيها أنظمة الذكاء الاصطناعي الكبيرة مع المستخدمين، وهو المكان الذي تتراكم فيه كلفة خدمة روبوتات الدردشة والوكلاء والتطبيقات التوليدية الأخرى على نطاق واسع.
ويقول النص المصدر إن OpenAI تدعي أن Jalapeño يحقق ما بين 1.5 و1.9 مرة من عمل الذكاء الاصطناعي لكل واط عند أقصى إنتاجية عبر ثلاثة نماذج تم اختبارها، إلى جانب زمن استجابة شامل أقل بما يتراوح بين 1.7 و3.6 مرة من أفضل الأنظمة التجارية المتاحة في تلك الاختبارات. وفي أحمال العمل التفاعلية، تقول الشركة إن الأداء أعلى بما بين 2.1 و4.1 مرة. وإذا صمدت هذه الأرقام في عمليات نشر أوسع، فستكون الشريحة نتيجة ملحوظة من الجيل الأول في سوق تحدد فيه Nvidia الإيقاع، وغالباً ما يحتاج المنافسون الجدد عدة دورات من المنتجات ليصبحوا قادرين على المنافسة فعلاً.
لماذا تهم هذه المقاييس
استخدمت الاختبارات المعلنة معيار InferenceX العام من SemiAnalysis، مع تقديم OpenAI للأرقام وتحقق SemiAnalysis من بعض التشغيلات في الموقع. وكانت النماذج المذكورة في المصدر هي GPT-OSS 120B وDeepseek R1 670B وKimi K2.5 1T. وعلى GPT-OSS، يُقال إن Jalapeño بلغ نحو 1,400 رمز في الثانية لكل مستخدم. وعلى Deepseek R1، يُقال إنه تجاوز 700 رمز في الثانية في طلب متزامن واحد.
ويقول النص أيضاً إنه عند سرعة فك تشفير متطابقة، حققت Jalapeño ما بين 54 و104 أضعاف إنتاجية الرموز لكل كيلوواط مقارنة بأفضل مسرّع متاح، وذلك حسب النموذج. وهذا ادعاء لافت لأنه يتجاوز السرعة الخام ويتجه إلى معادلة البنية التحتية التي تحدد المنافسة في الذكاء الاصطناعي بشكل متزايد: كم رمزاً مفيداً يمكن للشركة توليده ضمن ميزانية طاقة محددة.
أصبحت الكهرباء والتبريد وكثافة الرفوف قيوداً لا تقل أهمية تقريباً عن الشرائح نفسها. وفي مثل هذه البيئة، يغيّر التصميم القادر على تحسين الإنتاجية لكل واط عدد جلسات المستخدم التي يمكن خدمتها من بصمة مركز بيانات ثابتة. ويظل انخفاض زمن الاستجابة مهماً بالقدر نفسه. ففي كثير من منتجات الذكاء الاصطناعي، تتدهور تجربة المستخدم بسرعة إذا تباطأت الاستجابات، خصوصاً في الاستدلال التفاعلي أو في الوكلاء الذين يستخدمون الأدوات وقد يحتاجون إلى العديد من عمليات الأخذ والرد.
OpenAI تستهدف اقتصاديات الاستدلال، لا المكانة فقط
تكمن الأهمية الأعمق لـJalapeño في بعدها الاستراتيجي. فـOpenAI لا تدعي فقط أنها تستطيع بناء شريحة منافسة، بل تشير إلى أن الاستدلال ذو قيمة كافية لتبرير التكامل الرأسي. لا يزال التدريب يستهلك معظم الاهتمام في بنية الذكاء الاصطناعي التحتية، لكن الاستدلال هو المكان الذي تعيش فيه المنتجات الناضجة أو تموت مالياً. وكل تحسين هامشي في الرموز لكل واط أو في زمن الاستجابة يمكن أن يتحول إلى كلفة خدمة أقل أو سعة أعلى أو كليهما.
ويشير النص المصدر إلى أن Jalapeño حققت أرقامها المعلنة من دون استخدام تقنيات مثل التنبؤ متعدد الرموز أو فك التشفير الاستباقي، بينما استخدمت بعض الأنظمة المقارنة تلك التحسينات. وهذا يعني أن OpenAI تعرض النتائج الحالية للشريحة على أنها نقطة أساس لا سقفاً نهائياً. وبشكل عملي، تجادل الشركة بأن هناك مجالاً إضافياً للتحسن ما زال متاحاً من خلال البرمجيات وضبط مستوى النظام.
وتكتسب هذه النقطة أهمية لأن الشرائح المخصصة لا تنجح إلا عندما يُصمم العتاد والبرمجيات معاً بشكل جيد بما يكفي لتحويل المزايا المعمارية إلى مكاسب إنتاجية. وإذا استطاعت OpenAI أن تجمع بين برمجيات خدمة النماذج والعمل على المترجمات وتنسيق النظام مع شريحة مصممة وفق احتياجاتها التشغيلية، فقد تحصل على نفوذ يتجاوز أي لوحة قياس واحدة.
التحفظات لا تقل أهمية عن الادعاءات
مع ذلك، هناك أسباب لقراءة الإعلان بحذر. فالنص المصدر نفسه يتضمن عدة قيود على مدى إمكانية تعميم النتائج. وقد نشرت Nvidia وAMD بالفعل نتائج باستخدام نماذج أكبر مثل Deepseek V4 Pro وKimi K3، ولم تُختبر هذه النماذج بعد على Jalapeño. وهذا يترك سؤالاً مفتوحاً حول أداء الشريحة عندما تتجاوز أحجام النماذج ومتطلبات السياق وضغط الذاكرة المجموعة المعلنة.
وفجوة النضج تمثل تحفّظاً مهماً آخر. فأنظمة Rubin تُشحن بالفعل إلى العملاء، بينما يُقال إن Jalapeño لم تتجاوز بعد مرحلة العينات الهندسية. ويمكن للعينات المبكرة أن تُظهر الوعد المعماري، لكن جاهزية المنتج تعتمد على عائد التصنيع واستقرار البرمجيات والسلوك الحراري وموثوقية النشر وحجم سلسلة الإمداد. والتفوق في معيار معروض على منصة مؤتمر لا يتحول تلقائياً إلى ميزة قابلة للتكرار عبر أساطيل كاملة.
ويُصوّر النص أيضاً إجمالي تكلفة الملكية لكل رمز على أنه متقارب تقريباً بين Jalapeño وRubin في مقارنة واحدة على الأقل، رغم التفوق المزعوم في الكفاءة. وهذا تذكير بأن اقتصاديات مراكز البيانات متعددة المتغيرات. فالذاكرة، والتغليف، والشبكات، وتعقيد النشر، ومعدلات الاستخدام كلها قد تضيق الفجوة بين شريحة متفوقة تقنياً ومنصة متفوقة تجارياً.
شريحة من الجيل الأول تغيّر طريقة الحديث
حتى مع هذه التحفظات، تبقى النتائج المعلنة ذات مغزى. فمن النادر أن يُتوقع من شرائح الجيل الأول أن تتفوق على المنصات الحالية والقريبة المقبلة لدى قائد السوق في كل من زمن الاستجابة والكفاءة. وإذا كان عرض OpenAI ممثلاً للحقيقة، فإنه يشير إلى أن الشركة تحركت أسرع مما توقعه كثيرون في بناء السيليكون المتخصص. ويقول النص إن Jalapeño طُورت مع Broadcom خلال تسعة أشهر، جزئياً باستخدام نماذج OpenAI نفسها. وإذا صح ذلك، فإن هذه المدة القصيرة تبرز السرعة التي يحاول بها كبار مطوري الذكاء الاصطناعي استيعاب مزيد من طبقات المنظومة داخلياً.
والدلالة الأوسع في الصناعة هي أن شركات النماذج الرائدة قد لا تكتفي بعد الآن بالمنافسة في الخوارزميات والمنتجات فقط. فهي تريد بشكل متزايد سيطرة مباشرة على مسار العتاد الذي يحدد الكلفة والأداء وحجم النشر. ولا تزال Nvidia هي اللاعب القائم بحكم الواقع، مع أنظمتها المشحونة وإطارها البيئي الراسخ، لكن بديلاً مخصصاً وذا مصداقية من مختبر ذكاء اصطناعي رائد سيغيّر موازين التفاوض في السوق.
وفي الوقت الراهن، ينبغي النظر إلى Jalapeño على أنها إشارة مبكرة ومهمة لا انتصاراً محسومًا. والأهم ليس أن OpenAI حققت فوزاً في معيار قياس، رغم أن ذلك هو ما أُبلغ به. بل الأهم أن الشركة يبدو أنها أنتجت شريحة كافية المصداقية لتُقارن بجدية مع معيار الصناعة. وفي بنية الذكاء الاصطناعي التحتية، فإن ذلك وحده تطور يستحق المتابعة عن قرب.
تعتمد هذه المقالة على تغطية The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com