ماذا تكشفه اختبارات شريحة Jalapeño من OpenAI فعلاً؟

تقدم نتائج OpenAI الأولى لشريحة Jalapeño ادعاءً محدداً لا أكثر: قد تكون هذه الشريحة المخصصة أكثر كفاءة وأسرع استجابة من أنظمة Nvidia GB200 وGB300 في بعض مهام تشغيل نماذج اللغة الكبيرة.

ففي معيار InferenceX العام الذي تنشره شركة SemiAnalysis، قالت OpenAI إن Jalapeño حققت عملاً أكبر لكل واط بمقدار 1.5 إلى 1.9 مرة، وزمناً أقل للاستجابة الشاملة بمقدار 1.7 إلى 3.6 مرات عبر ثلاثة نماذج مفتوحة الأوزان.

هذه نتيجة مهمة لشركة تشغّل عدداً هائلاً من طلبات الذكاء الاصطناعي، لكنها لا تعني أن Jalapeño أثبتت أنها بديل أسرع أو أرخص لوحدات معالجة الرسوميات في كل الاستخدامات. فالاختبارات محدودة، والشريحة مصممة للاستدلال فقط، كما أن معظم الأرقام أُنتجت في اختبارات أجرتها OpenAI على عتاد هندسي. 14

أبرز أرقام الاختبار

قارنت OpenAI شريحة Jalapeño بأنظمة Nvidia GB200 وGB300 باستخدام InferenceX، وهو معيار يحاول قياس العملية الكاملة لمعالجة طلب الذكاء الاصطناعي وتقديم النتيجة للمستخدم. ولتوحيد المقارنة، طبّعت الشركة أرقام الكفاءة بالاستناد إلى تصنيفات الطاقة المنشورة للمسرّعات.

وبحسب النتائج المعلنة، حققت Jalapeño:

• عملاً أكبر لكل واط بمقدار 1.5 إلى 1.9 مرة عند بلوغ معدل الإنتاجية الأقصى.
• زمناً أقل للاستجابة الشاملة بمقدار 1.7 إلى 3.6 مرات.
• أداءً أعلى بمقدار 2.1 إلى 4.1 مرات في نقاط التشغيل الخاصة بأحمال العمل التفاعلية للغاية، وفقاً لاختيارات OpenAI. 4

وسُجل أكبر فارق في زمن الاستجابة في اختبار DeepSeek R1 670B؛ إذ أكملت Jalapeño الطلب خلال 1.65 ثانية، مقابل 5.99 ثوانٍ للنظام القائم على GB300. 1112

لكن هذه أرقام مقارنة معيارية، وليست وعداً بخفض مماثل في زمن ظهور ردود ChatGPT أو في أسعار واجهة برمجة التطبيقات. فالأداء الفعلي يتأثر بالنموذج، وبرمجيات التشغيل، وتجميع الطلبات، والشبكات، وطول السياق، وطول المخرجات، وما إذا كان الهدف هو أقل زمن استجابة أم أعلى إنتاجية.

ما النماذج وظروف التشغيل التي اختُبرت؟

شملت المقارنة ثلاثة نماذج متاحة بأوزانها للعامة:

النموذج	نظام Nvidia المقارن	النتيجة المعلنة لـ Jalapeño
GPT-OSS 120B	GB200	نحو 1.9 مرة من العمل لكل واط؛ وزمن استجابة 1.03 ثانية مقابل 1.80 ثانية
DeepSeek R1 670B	GB300	نحو 1.7 مرة من العمل لكل واط؛ وزمن استجابة 1.65 ثانية مقابل 5.99 ثوانٍ
Kimi K2.5 1T	GB300	نحو 1.5 مرة من العمل لكل واط؛ وزمن استجابة 1.56 ثانية مقابل 5.31 ثوانٍ

وتستند هذه الأرقام إلى ملخصات نتائج منشورة، لا إلى اختبار مستقل أعيد تشغيله بالكامل من طرف خارجي. 61112

وكان الحمل المستخدم أحادي الجولة nominally، مع 8,000 رمز إدخال و1,000 رمز إخراج. يوفر هذا الإعداد مقارنة مضبوطة، لكنه لا يمثل كل أنواع حركة الطلبات في الخدمات الفعلية. فلا تزال أسئلة مهمة مفتوحة بشأن المحادثات متعددة الجولات، واستدعاء الأدوات، وسير عمل الوكلاء، والردود ذات الأطوال المتغيرة، وسلوك تجميع الطلبات، والطلبات ذات السياقات الطويلة جداً. 813

كما أن الاختبار قاس تكوينات محددة من العتاد والبرمجيات. وقد يتغير الفارق إذا تبدلت المترجمات، أو نوى التشغيل، أو أساليب تقليل الدقة، أو جدولة الطلبات، أو بنية النموذج، أو حزمة التشغيل الخاصة بـ Nvidia.

كيف صُممت Jalapeño على مستوى الرف؟

Jalapeño هي دائرة متكاملة مخصصة للتطبيقات (ASIC)، طورتها OpenAI بالتعاون مع Broadcom لتشغيل نماذج اللغة الكبيرة، أي لتنفيذ عملية الاستدلال التي يولد فيها النموذج الردود. وعلى خلاف وحدة معالجة الرسوميات العامة، صُممت لتكون متخصصة في مهمة محددة بدلاً من دعم نطاق واسع من الاستخدامات. 15

وتشمل المواصفات المعلنة للنظام على مستوى الرف:

• 128 شريحة تسريع في كل نظام.
• نحو 1.7 إكسافلوب من قدرة الحوسبة بدقة 4 بت.
• قرابة 27 تيرابايت من الذاكرة عالية النطاق الترددي عبر النظام.
• تصنيف طاقة يبلغ 700 واط للشريحة، مقابل تصنيفات منشورة تبلغ 1,200 واط لمسرّعات GB200 و1,400 واط لمسرّعات GB300. 121419

وعلى مستوى الشريحة، تستخدم نسخة B0 المعلنة قالب حوسبة بحجم أقصى تقريباً يمكن تصنيعه في خطوة تعريض واحدة، وتُنتج وفق عملية TSMC N3P، مع تصنيف يبلغ 13.4 بيتافلوب من حوسبة MXFP4. 18

ويعكس التصميم نهجاً يركز على النظام الكامل، لا على مسرّع منفرد فقط. فالذاكرة، والربط البيني، والشبكات، والاتصال بين الرفوف عناصر أساسية لتشغيل نماذج ضخمة قد تحتاج إلى توزيع الطلب الواحد على عدد كبير من الشرائح. 1819

كيف صُممت بهذه السرعة؟ وما دور الذكاء الاصطناعي؟

أفادت التقارير بأن OpenAI وBroadcom انتقلتا من مرحلة الفكرة إلى إتمام تصميم الشريحة للتصنيع (tape-out) خلال نحو تسعة أشهر، وهي مدة قصيرة لرقاقة مخصصة عالية الأداء. 720

وكانت أدوات المساعدة بالذكاء الاصطناعي جزءاً من عملية التصميم، لكن ذلك لا يعني أن نموذجاً للذكاء الاصطناعي صمم المعالج وصنّعه بصورة مستقلة. فقد ظلت العملية تشمل فرقاً بشرية للهندسة وتصميم البنية، وأعمال Broadcom الخاصة بتنفيذ أشباه الموصلات، وشركاء التصنيع، وتكامل الأنظمة. 713

والاستنتاج الأكثر تحفظاً هو أن OpenAI استخدمت معرفتها بأحمال نماذج اللغة الكبيرة، إلى جانب أدوات الذكاء الاصطناعي ضمن سير العمل الهندسي، لتصميم العتاد والبرمجيات معاً حول هدف ضيق هو تشغيل الاستدلال على نطاق واسع. ويمكن لهذا التخصص أن يرفع الكفاءة، لكنه يقلل المرونة مقارنة بوحدة معالجة رسومية قابلة للبرمجة.

لماذا تقتصر Jalapeño على الاستدلال؟

صُممت Jalapeño لتشغيل نماذج مدرّبة، لا لتدريب نماذج رائدة جديدة. لذلك ستظل OpenAI بحاجة إلى مسرّعات قابلة للبرمجة، خصوصاً وحدات معالجة الرسوميات، لتدريب النماذج، وإجراء الأبحاث، وتجربة البنى الجديدة، وتشغيل الأحمال التي لا تناسب تصميماً ثابت الوظائف. 813

وهذا يحد من معنى القول إن الشريحة «تتفوق على Nvidia». فقد تتقدم Jalapeño على تكوينات Nvidia المختبرة في بعض مقاييس الاستدلال، بينما يظل عتاد Nvidia مهماً في أجزاء أخرى من بنية OpenAI الحاسوبية. فالمسرّع المتخصص قد يكون ممتازاً في مهمة متوقعة وعالية الحجم من دون أن يحل محل المنصة الأوسع التي تدعم التدريب والتغييرات السريعة في النماذج.

ما الذي لا تثبته النتائج؟

ينبغي قراءة النتائج على أنها «أفضل في هذه الاختبارات المعلنة»، لا «أفضل نظام للذكاء الاصطناعي على الإطلاق». وتبرز عدة تحفظات:

• استخدمت التجارب حملاً ثابتاً وبسيطاً نسبياً من جولة واحدة، لا النطاق الكامل لحركة الطلبات في بيئات الإنتاج. 1112
• جاءت الأرقام المنشورة من اختبارات OpenAI على عتاد هندسي؛ ورغم أن تقارير مرتبطة بـ SemiAnalysis تحدثت عن التحقق من تشغيل الاختبارات داخل مختبر OpenAI، فإن الأرقام الأساسية قدمتها OpenAI نفسها. 214
• طُبّعت الكفاءة وفق تصنيفات الطاقة المنشورة للشرائح. وهذا مفيد للمقارنة، لكنه لا يساوي تحليلاً كاملاً لتكلفة مركز البيانات أو استهلاكه للطاقة. 11
• قد تتغير النتائج مع تحديث المترجمات، ونوى التشغيل، وأوقات التنفيذ، وأساليب تقليل الدقة، وتجميع الطلبات، والشبكات، وبرمجيات Nvidia.
• لم تثبت المقارنة أداء Jalapeño أمام كل المسرّعات الأحدث أو المرتقبة، بما في ذلك منتجات Nvidia التي تلي جيل Blackwell، وأحدث الأنظمة من Google وAmazon وMicrosoft وAMD وغيرها. 238

ولا توفر هذه النتائج أساساً للقول بوجود خفض شامل بنسبة 50% في التكلفة، أو ضمان انخفاض أسعار واجهة برمجة التطبيقات، أو إزاحة فورية لوحدات Nvidia. فالأدلة المتاحة تدعم ادعاءات الأداء والكفاءة ضمن شروط محددة، لا تلك الاستنتاجات التجارية الأوسع.

متى ستنشر OpenAI الشريحة؟ وهل يمكن شراؤها؟

تعتزم OpenAI بدء نشر Jalapeño في بنيتها التحتية الخاصة بنهاية 2026، مع توقع بدء الإنتاج بكميات كبيرة والتوسع الأوسع خلال 2027. وتتضمن الخطة طويلة الأمد مراكز بيانات على مقياس الغيغاواط بالتعاون مع Microsoft وشركاء بنية تحتية آخرين، وعلى أجيال متعددة من الشرائح. 16

وتستهدف الشريحة بالأساس الطلب الداخلي لدى OpenAI، لا بيعها كمعالج تجاري في السوق. لذلك لا ينبغي للشركات الأخرى أن تتوقع شراء عتاد Jalapeño أو استئجار بيئة سحابية عامة تعمل بها استناداً إلى هذه الإعلانات. 16

ويتيح إبقاء العتاد داخل الشركة لـ OpenAI تحسينه وفق نماذجها ونوى التشغيل وأنظمة تقديم الخدمة الخاصة بها. كما يجنبها التزامات دعم البرمجيات، ومنافسة العملاء، وقنوات المبيعات، وبناء منظومة خارجية تصاحب عادةً تحول الشركة إلى مورّد أشباه موصلات تقليدي. وهذه الأخيرة قراءة استراتيجية لنموذج النشر؛ أما الخطة المؤكدة فهي الاستخدام الداخلي لا البيع الخارجي. 16

أين تقع Jalapeño في سباق شرائح الذكاء الاصطناعي؟

من الأفضل فهم Jalapeño باعتبارها جزءاً من محفظة OpenAI الحاسوبية المتكاملة، لا مشروعاً لإلغاء دور Nvidia. تجمع استراتيجية الشركة بين السعة السحابية من Microsoft وشركاء آخرين، ووحدات Nvidia القابلة للبرمجة للأحمال المرنة والتدريب، والسيليكون المخصص لأحمال الاستدلال المستقرة التي يمكن أن تستفيد من التخصص. وتشمل محفظة OpenAI الحاسوبية، بحسب وصفها، Microsoft وNvidia وAWS وAMD وBroadcom وCerebras وCoreWeave وOracle وSB Energy وSoftBank.

ويأتي ذلك ضمن تحول أوسع في القطاع. تطور Google معالجات TPU، وتقدم Amazon معالجات Trainium وInferentia، وتعمل Microsoft على Maia، فيما تنافس AMD عبر وحدات معالجة رسومية عامة للذكاء الاصطناعي، وتواصل Nvidia توفير أنظمة واسعة القابلية للبرمجة. كما تسعى Anthropic إلى بنية تحتية أكثر تخصيصاً عبر علاقاتها السحابية، رغم أن الأدلة المتاحة هنا لا تقدم مقارنة أداء مباشرة مع أنظمتها.

لذلك، فإن الأثر الاستراتيجي القريب أكثر تعقيداً من قصة «استبدال وحدات معالجة الرسوميات». فقد تمنح Jalapeño OpenAI سيطرة أكبر على اقتصاديات الاستدلال، وزمن الاستجابة، والإمدادات، وخارطة طريق العتاد. لكن Nvidia ستظل مهمة للتدريب والأبحاث المرنة، بينما توفر شريحة OpenAI خياراً متخصصاً للأحمال المتوقعة وعالية الحجم التي تشكل جزءاً كبيراً من احتياجات الشركة الداخلية. 813