الإجاباتمنشور15 المصادر
ماذا أظهرت اختبارات شريحة OpenAI الجديدة Jalapeño أمام Nvidia؟
تقول OpenAI إن Jalapeño حققت بين 1.5 و1.9 ضعفاً من العمل الخاص بالذكاء الاصطناعي لكل واط، وزمناً أقل للاستجابة من 1.7 إلى 3.6 ضعفاً مقارنةً بأنظمة Nvidia المختبرة. في اختبار GPT‑OSS 120B مقابل GB200، سجلت الشريحة 85,448 مقابل 44,960 من وحدات الإنتاجية المختلطة القصوى لكل كيلوواط، و1,459 رمزاً في الثانية لكل مستخدم م...
نشر بواسطةتم إنشاء الصور باستخدام GPT Image 1.5
إجابة البحث
الوجبات السريعة الرئيسية
- تقول OpenAI إن Jalapeño حققت بين 1.5 و1.9 ضعفاً من العمل الخاص بالذكاء الاصطناعي لكل واط، وزمناً أقل للاستجابة من 1.7 إلى 3.6 ضعفاً مقارنةً بأنظمة Nvidia المختبرة.
- في اختبار GPT‑OSS 120B مقابل GB200، سجلت الشريحة 85,448 مقابل 44,960 من وحدات الإنتاجية المختلطة القصوى لكل كيلوواط، و1,459 رمزاً في الثانية لكل مستخدم مقابل 535.
- في اختبار DeepSeek R1 مقابل GB300، أبلغت OpenAI عن نحو 700 رمز في الثانية لكل مستخدم، مقارنةً بـ169 على نظام GB300.
- النتائج أولية ومعلنة من الشركة، وليست مقارنة مستقلة شاملة لكل أعباء العمل الإنتاجية؛ إذ استخدمت مجموعة InferenceX وحالات استخدام أحادية الدور بسياق 8,000 رمز ومخرجات من 1,000 رمز.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What did OpenAI’s custom Jalapeño inference chip, co developed with Broadcom, demonstrate in its latest benchmarks against Nvidia’s GB200 an. Article summary: OpenAI says Jalapeño, its first Broadcom co developed custom accelerator, beats the compared Nvidia GB200/GB300 rack systems on the tested inference workloads in both energy efficiency and response speed.. Topic tags: general web, openai, llm, agents, ai. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
تقول OpenAI إن شريحتها الجديدة Jalapeño، التي طوّرتها بالتعاون مع Broadcom، تفوقت على أنظمة Nvidia القائمة على GB200 وGB300 في اختبارات محددة لتشغيل نماذج الذكاء الاصطناعي، أو ما يُعرف بمرحلة الاستدلال. ووفق النتائج التي أعلنتها الشركة، جمعت الشريحة بين استهلاك أقل للطاقة واستجابة أسرع.
لكن هذه النتائج ما تزال اختبارات مبكرة أعلنتها OpenAI نفسها، وليست تقييماً مستقلاً ومتطابق الشروط لكل أعباء العمل التي قد تظهر في مراكز البيانات الإنتاجية. 4
7
ماذا أظهرت المقارنة؟
اختبرت OpenAI Jalapeño على ثلاثة نماذج كبيرة: GPT‑OSS 120B، وDeepSeek R1 670B، وKimi K2.5 1T. وقالت إن الشريحة حققت بين 1.5 و1.9 ضعفاً من العمل الخاص بالذكاء الاصطناعي لكل واط عند بلوغ أقصى إنتاجية، إلى جانب خفض زمن الاستجابة الشامل بنسبة تتراوح بين 1.7 و3.6 ضعفاً مقارنةً بأنظمة المقارنة. 4
GPT‑OSS 120B مقابل Nvidia GB200
في اختبار GPT‑OSS 120B، أبلغت OpenAI عن النتائج التالية مقارنةً بنظام GB200:
- إنتاجية مختلطة قصوى لكل كيلوواط بلغت 85,448 مقابل 44,960، أي أعلى بنحو 1.9 ضعف.
- زمن استجابة شامل بلغ 1.03 ثانية مقابل 1.80 ثانية، أي أقل بنحو 1.7 ضعف.
- فاصل زمني أدنى بين الرموز قدره 0.69 مللي ثانية، بما يعادل 1,459 رمزاً في الثانية لكل مستخدم، مقابل 1.87 مللي ثانية أو 535 رمزاً في الثانية لكل مستخدم على GB200.
4
ويُعد مقياس «الرموز في الثانية لكل مستخدم» مهماً في الخدمات التفاعلية؛ فهو يعكس سرعة وصول الإجابة إلى المستخدم أثناء توليدها، لا مجرد كمية العمل الإجمالية التي يستطيع النظام تنفيذها.
DeepSeek R1 مقابل Nvidia GB300
عند تشغيل إصدار MXFP4 من DeepSeek R1، قارنت OpenAI Jalapeño بنظام GB300، وقالت إن الشريحة حققت:
- إنتاجية قصوى لكل كيلوواط بلغت 19,641 مقابل 11,781، أي أعلى بنحو 1.7 ضعف.
- زمناً للاستجابة الشاملة قدره 1.65 ثانية مقابل 5.99 ثوانٍ، أي أقل بنحو 3.6 ضعف.
- فاصلًا أدنى بين الرموز قدره 1.43 مللي ثانية، أو نحو 700 رمز في الثانية لكل مستخدم، مقابل 169 رمزاً في الثانية لكل مستخدم على GB300.
Kimi K2.5
في اختبار Kimi K2.5 بإعداد MXFP4، قالت OpenAI إن Jalapeño حققت إنتاجية أعلى لكل كيلوواط بنحو 1.5 ضعف، وزمناً للاستجابة الشاملة أقل بنحو 3.4 ضعف. كما سجلت نحو 694 رمزاً في الثانية لكل مستخدم، مقابل 182 على GB300 عند الحد الأدنى للفاصل بين الرموز. 4
لماذا صُممت Jalapeño بطريقة مختلفة؟
Jalapeño ليست وحدة معالجة رسومية عامة جرى تكييفها لتشغيل نماذج اللغة، بل هي مسرّع مخصص لاستدلال نماذج اللغة الكبيرة. ساهمت OpenAI في تصميم المسرّع، بينما تولت Broadcom تنفيذ الرقاقة وربط الشبكات، وأسهمت Celestica في دمج اللوحات والخزائن والأنظمة. 1
ويستخدم التصميم المعلن على مستوى الخزانة نطاقاً شبكياً مترابطاً واسعاً، بحيث يمكن إبقاء عبء العمل داخل نظام واحد. كما يضع حالة النموذج، بما فيها ذاكرة KV cache التي تحفظ أجزاء من السياق السابق، ويحتفظ بها محلياً لتقليل نقل البيانات بين الرقائق وتقليص فترات التوقف الناتجة عن الاتصالات. 4
ولا تفصل البنية بين مرحلتي المعالجة الأولية للمطالبة (prefill) وتوليد الرموز (decode) في مجموعتين منفصلتين من الموارد. وبدلاً من ذلك، يفترض التصميم استخدام موارد الحساب والذاكرة والشبكة نفسها للمرحلتين؛ فالمعالجة الأولية تستهلك قدرة حسابية كبيرة، بينما يعتمد التوليد التتابعي للرموز بدرجة أكبر على عرض نطاق الذاكرة. 4
وتظل المواصفات العامة الكاملة للنظام محدودة في الأدلة المتاحة. ويصف تقرير تقني نظاماً يضم 128 رقاقة، بنحو 1.7 إكسا فلوبس و27 تيرابايت من ذاكرة HBM، لكن منشور OpenAI الخاص بالاختبارات لا يقدم قائمة كاملة بمكونات الخزانة. 4
كيف ساعد الذكاء الاصطناعي في تطوير الشريحة؟
تقول OpenAI إنها انتقلت من التصميم الأولي إلى مرحلة التجهيز للتصنيع (tape-out) خلال تسعة أشهر، ووصفت ذلك بأنه دورة سريعة على نحو استثنائي لتطوير رقاقة متقدمة. 1
وتضيف الشركة أن نماذجها ساعدت في تصميم الرقاقة، واستكشاف بدائل التنفيذ، والقياس، والتحقق، وتحسين الدوائر الحسابية، والبرمجة. كما قالت إن Codex، بالاستعانة بـGPT‑Astra، أوصل ثلاثة نماذج مفتوحة الأوزان لم تكن ضمن الخطة الأصلية إلى أداء مرتفع خلال شهرين.
وفي وحدات محددة من آلية الانتباه ومكوّنات نماذج الخبراء المتعددين في GPT‑OSS، كانت عمليات التنفيذ التي أنشأها الذكاء الاصطناعي أسرع بنحو 1.5 إلى 1.8 ضعف من عمليات التنفيذ التي كتبها مهندسون بشريّون. لكن هذه أرقام تخص وحدات منفردة، ولا تمثل أداء النموذج كاملاً. 4
ما حدود هذه الأرقام؟
استخدمت OpenAI مجموعة InferenceX العامة من SemiAnalysis، مع أحمال عمل اسمية أحادية الدور تتضمن مدخلات من 8,000 رمز ومخرجات من 1,000 رمز، وقياس عملية خدمة الطلب كاملة. كما جرت مقارنة الأنظمة عند مستوى تجربة مستخدم متقارب، مع تطبيع النتائج وفقاً لتقديرات القدرة المنشورة للرقائق. 4
7
وتضع OpenAI قدرة الحزمة الاسمية لـJalapeño عند 700 واط، لكنها تقول إن القدرة المقاسة أثناء التشغيل المستمر بلغت 550 واط أو أقل في هذه الأحمال. في المقابل، قُدّرت قدرة GB200 بـ1,200 واط وGB300 بـ1,400 واط. لذلك قد تتأثر ميزة الأداء لكل واط باختيارات عبء العمل وطريقة احتساب استهلاك الطاقة. 4
وتقول SemiAnalysis إنها شاهدت عمليات التشغيل في مختبر OpenAI، لكنها لم تنفذ مجموعة الاختبارات الكاملة بنفسها. كما تحذر من أن إعداد InferenceX أحادي الدور، بمدخلات 8,000 رمز ومخرجات 1,000 رمز، لا يختبر المحادثات متعددة الأدوار طويلة السياق، أو مهام الوكلاء، أو التوجيه بين النماذج، أو التخزين المؤقت للمقدمات، أو إدارة الذاكرة المؤقتة، أو تفريغ البيانات. وقد تؤثر هذه العوامل كثيراً في الأداء الفعلي داخل مراكز البيانات. 4
كذلك، فإن المقارنة مرتبطة بزمنها؛ فـGB200 وGB300 من أنظمة جيل Blackwell التجارية، بينما قد تصبح منصات Nvidia الأحدث مقاييس مقارنة أنسب مستقبلاً. وتعرض Nvidia بشكل منفصل نتائج إنتاجية لـGB300 عند تشغيل DeepSeek R1 وفق منهجية MLPerf غير المتصلة، ولذلك لا ينبغي مقارنتها مباشرةً بأرقام Jalapeño التفاعلية للرموز لكل مستخدم. 2
4
هل ستنافس Nvidia مباشرة؟
تعتزم OpenAI نشر عدد محدود من الأنظمة المبنية على Jalapeño داخل بنيتها الحوسبية بحلول نهاية 2026، مع زيادة السعة في 2027. وتقول إن الجيل الثاني من الشريحة «متقدم جداً في التطوير»، بينما بدأ الجيل الثالث في التشكّل. 4
6
ولا تخطط الشركة لبيع Jalapeño لجهات خارجية في الوقت الحالي. وقال ريتشارد هو، نائب رئيس OpenAI للأجهزة، إن الطلب الداخلي مرتفع إلى درجة تجعل تصور المبيعات الخارجية أمراً غير واقعي. 6
لذلك تبدو الشريحة، في مرحلتها الحالية، وسيلة لتكميل البنية القائمة أكثر من كونها بديلاً كاملاً لرقائق Nvidia وAMD. فـJalapeño مخصصة للاستدلال ولا تعالج احتياجات تدريب النماذج، ولهذا ستواصل OpenAI استخدام مسرّعات Nvidia وشركاء آخرين للتدريب، وكذلك لبعض قدرات الاستدلال. 4
6
وتضع هذه الخطوة OpenAI ضمن سباق التكامل الرأسي في صناعة الذكاء الاصطناعي؛ إذ تملك Google شرائح TPU للتدريب والاستدلال، فيما تطور Amazon وMicrosoft رقائق ذكاء اصطناعي داخلية، وقالت Anthropic إنها تعمل على جهد داخلي لتصميم الرقائق. لكن ادعاء Jalapeño الحالي يظل محصوراً في استدلال نماذج اللغة وعلى إعدادات الاختبار التي كشفت عنها الشركة، لا في تفوق عام على كل منصات الذكاء الاصطناعي. 6
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "ماذا أظهرت اختبارات شريحة OpenAI الجديدة Jalapeño أمام Nvidia؟"؟
تقول OpenAI إن Jalapeño حققت بين 1.5 و1.9 ضعفاً من العمل الخاص بالذكاء الاصطناعي لكل واط، وزمناً أقل للاستجابة من 1.7 إلى 3.6 ضعفاً مقارنةً بأنظمة Nvidia المختبرة.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
تقول OpenAI إن Jalapeño حققت بين 1.5 و1.9 ضعفاً من العمل الخاص بالذكاء الاصطناعي لكل واط، وزمناً أقل للاستجابة من 1.7 إلى 3.6 ضعفاً مقارنةً بأنظمة Nvidia المختبرة. في اختبار GPT‑OSS 120B مقابل GB200، سجلت الشريحة 85,448 مقابل 44,960 من وحدات الإنتاجية المختلطة القصوى لكل كيلوواط، و1,459 رمزاً في الثانية لكل مستخدم مقابل 535.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
في اختبار DeepSeek R1 مقابل GB300، أبلغت OpenAI عن نحو 700 رمز في الثانية لكل مستخدم، مقارنةً بـ169 على نظام GB300.
المصادر
theverge.comOpenAI says its Jalapeño chip can power faster AI responses than the competition
rits.shanghai.nyu.eduOpenAI and Broadcom Unveil Jalapeño, a Custom LLM Inference ...
developer.nvidia.comAI Inference Performance Benchmarks - NVIDIA Developer