الإجاباتمنشور25 المصادر
شريحة OpenAI «Jalapeño» تتفوق على Nvidia Blackwell في كفاءة الاستدلال.. لكن ليس في كل شيء
أفادت OpenAI بأن Jalapeño حققت عملاً أكثر لكل واط بمقدار 1.5 إلى 1.9 مرة، وزمناً أقل للاستجابة النهائية بمقدار 1.7 إلى 3.6 مرة مقارنة بأنظمة Nvidia GB200 وGB300 عبر ثلاثة نماذج لغوية. Jalapeño هي شريحة ASIC متخصصة في الاستدلال، بقدرة اسمية تبلغ 700 واط، فيما بقي استهلاكها المستدام عند 550 واط أو أقل في الاختبارات ال...
نشر بواسطةتم التحرير باستخدام GPT-5.6 Lunaتم إنشاء الصور باستخدام GPT Image 1.5
إجابة البحث
الوجبات السريعة الرئيسية
- أفادت OpenAI بأن Jalapeño حققت عملاً أكثر لكل واط بمقدار 1.5 إلى 1.9 مرة، وزمناً أقل للاستجابة النهائية بمقدار 1.7 إلى 3.6 مرة مقارنة بأنظمة Nvidia GB200 وGB300 عبر ثلاثة نماذج لغوية.
- Jalapeño هي شريحة ASIC متخصصة في الاستدلال، بقدرة اسمية تبلغ 700 واط، فيما بقي استهلاكها المستدام عند 550 واط أو أقل في الاختبارات المعلنة.
- المقارنة ليست متكافئة تماماً، لأن Jalapeño تستخدم ذاكرة HBM4، بينما لا تستخدمها أنظمة Blackwell التي شملتها الاختبارات؛ لذلك قد تكون منصة Nvidia Rubin مقارنة أكثر عدلاً.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What are the reported performance results, power and cost-efficiency benefits, testing details and caveats, deployment timeline, development. Article summary: OpenAI reports that Jalapeño—a Broadcom co-developed, inference-focused ASIC—beats Nvidia’s Blackwell GB200/GB300 systems on the tested LLM-serving workloads for work per watt and latency. It is a meaningful proof point . Topic tags: general, general web, user generated, news. 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 w
خلاصة النتائج: تفوق واضح، لكنه محدد النطاق
أعلنت OpenAI أول نتائج منشورة لشريحة Jalapeño، وقدمتها بوصفها إنجازاً مهماً في تشغيل نماذج الذكاء الاصطناعي، لا بوصفها بديلاً شاملاً لمعالجات Nvidia. ووفق نتائج الشركة، تفوقت الشريحة المخصصة للاستدلال على أنظمة Nvidia GB200 وGB300 في كمية العمل المنجزة لكل واط وفي زمن الاستجابة، وذلك ضمن مجموعة محددة من اختبارات خدمة نماذج اللغة الكبيرة. 5
7
وتكتسب هذه النتائج أهمية خاصة لأن الكهرباء والتبريد وتوزيع الطاقة أصبحت من أكبر العوامل التي تحدد تكلفة تشغيل النماذج عند نطاق واسع. لكن قوة Jalapeño تكمن في تخصصها: فهي مصممة للاستدلال، أي إنتاج إجابات النموذج للمستخدمين، وليست منصة عامة للتدريب والبحث وتغيير بنية النماذج.
ما هي شريحة Jalapeño؟
Jalapeño هي دائرة متكاملة مخصصة للتطبيقات، أو ASIC، طورتها OpenAI بالتعاون مع Broadcom لتشغيل نماذج اللغة الكبيرة أثناء مرحلة الاستدلال. والاستدلال هو المرحلة التي يستخدم فيها النموذج المدرَّب لتوليد إجابة أو تنفيذ مهمة، بخلاف التدريب الذي تُبنى خلاله قدرات النموذج أصلاً. 6
19
يسمح هذا النهج بالتخلي عن قدر من المرونة مقابل كفاءة أعلى في مهام متكررة ومتوقعة وذات حجم كبير. ففي حين صُممت أنظمة Nvidia للتدريب والضبط الدقيق والاستدلال ومجموعة واسعة من أعباء العمل، تركز Jalapeño على متطلبات OpenAI المحددة في تشغيل النماذج ضمن منظومتها من البرمجيات والذاكرة والشبكات. 5
6
ماذا أظهرت الاختبارات؟
تقول OpenAI إنها قارنت Jalapeño بأنظمة تعتمد على Nvidia GB200 وGB300 باستخدام ثلاثة نماذج متاحة للعامة: GPT-OSS 120B، وDeepSeek R1 670B، وKimi K2.5 1T من Moonshot AI. وعبر هذه المقارنات، حققت Jalapeño بين 1.5 و1.9 مرة من العمل في الذكاء الاصطناعي لكل واط عند أعلى معدل إنتاج، مع زمن استجابة نهائي أقل بين 1.7 و3.6 مرة، بحسب نتائج الشركة. 5
7
13
وتوضح الأرقام الخاصة بكل نموذج نطاق هذا التفوق:
- في اختبار GPT-OSS 120B، سجلت Jalapeño نحو 85,448 رمزاً مختلطاً في الثانية لكل كيلوواط، مقابل 44,960 لنظام GB200؛ أي أفضلية تقارب 1.9 مرة. وبلغ زمن الاستجابة النهائي 1.03 ثانية، مقارنة بـ1.80 ثانية للنظام المنافس.
7
- في اختبار DeepSeek R1 670B، حققت Jalapeño نحو 19,641 رمزاً مختلطاً في الثانية لكل كيلوواط، مقابل 11,781 لنظام GB300، أي 1.7 مرة من العمل لكل واط تقريباً. وسجل زمن الاستجابة 1.65 ثانية مقابل 5.99 ثانية.
- في اختبار Kimi K2.5 1T، وصلت Jalapeño إلى 18,195 رمزاً مختلطاً في الثانية لكل كيلوواط، مقابل 11,862 لنظام GB300، أو ما يعادل أفضلية تقارب 1.5 مرة في العمل لكل واط.
كما قالت OpenAI إن الفارق يتسع في سيناريوهات التشغيل التفاعلية جداً، حيث تكون الأولوية للرد السريع لا لأقصى إنتاجية إجمالية، مدعية أداء أعلى بمقدار 2.1 إلى 4.1 مرة في هذه الحالات. 4
13
استهلاك الطاقة: أين تكمن الفائدة الاقتصادية؟
تبلغ القدرة الاسمية لشريحة Jalapeño نحو 700 واط، مقارنة بـ1,200 واط لمسرّعات GB200 و1,400 واط لمسرّعات GB300 المشمولة في المقارنة. وتقول OpenAI إن الاستهلاك المستدام المقاس لـJalapeño ظل عند 550 واط أو أقل أثناء أعباء العمل المختبرة. 6
12
13
لا يعني انخفاض استهلاك المسرّع وحده انخفاضاً مساوياً في تكلفة مركز البيانات بالكامل. فالتكلفة النهائية تشمل الذاكرة، والخوادم، والشبكات، والتبريد، والطاقة الاحتياطية، والتشغيل. لكن إنجاز قدر أكبر من العمل بالطاقة نفسها يمكن أن يخفف الضغط على أنظمة الكهرباء والتبريد وتوزيع الطاقة، وهي عوامل قد تصبح حاسمة مع توسع تشغيل النماذج. 5
لهذا السبب، لا تقتصر جاذبية Jalapeño على كونها أسرع في اختبار معين؛ بل تتمثل في إمكانية خفض تكلفة كل إجابة عند تشغيل عدد هائل من الطلبات المتكررة.
هل المقارنة عادلة؟
استخدمت الاختبارات أداة InferenceX العامة من SemiAnalysis، وقاست تشغيل النماذج من طرف إلى طرف عبر نماذج متعددة ونقاط تشغيل مختلفة، بدلاً من الاكتفاء بمواصفات نظرية للشريحة. ويجعل ذلك النتائج أقرب إلى ظروف تشغيل خدمات الذكاء الاصطناعي الفعلية. 7
مع ذلك، ينبغي التعامل معها باعتبارها نتائج أعلنتها OpenAI، لا حكماً مستقلاً أعادت جهات محايدة إنتاجه على نحو كامل. 4
5
وتوجد ملاحظة جوهرية تتعلق بالأجيال التقنية: تستخدم Jalapeño ذاكرة HBM4، بينما لا تستخدم أنظمة GB200 وGB300 التي اختُبرت الذاكرة نفسها. وقد وصفت SemiAnalysis المقارنة بأنها غير مكتملة وليست عادلة تماماً لهذا السبب. 5
تؤثر الذاكرة في قدرة النظام على تشغيل النماذج الكبيرة، سواء من حيث السعة أو سرعة نقل البيانات. وبما أن منصة Nvidia Rubin تستخدم HBM4 أيضاً، فقد تكون مقارنة Jalapeño بـRubin أكثر دلالة من مقارنتها بأنظمة Blackwell التي لا تملك الميزة الذاكرية نفسها. لذلك، لا تثبت أفضلية Jalapeño على GB200 وGB300 أنها ستتفوق حتماً على Rubin. 5
17
هناك قيد آخر: تتم مقارنة شريحة استدلال متخصصة بأنظمة GPU مصممة لأغراض أوسع. تستطيع معالجات Nvidia التعامل مع التدريب والضبط الدقيق والاستدلال وتغيرات بنية النماذج، بينما تحقق ASIC قيمتها الأكبر عندما يكون عبء العمل مستقراً بما يكفي لتبرير التخصص. 5
20
متى ستبدأ OpenAI نشر الشريحة؟
تخطط OpenAI لبدء نشر Jalapeño في بنيتها التحتية الحاسوبية بكميات صغيرة جداً بنهاية 2026، على أن يتبع ذلك توسع أكبر خلال 2027. 11
33
ولا يبدو أن المشروع مصمم ليكون إصداراً منفرداً. فقد قالت OpenAI إن الجيلين الثاني والثالث قيد التطوير بالفعل، فيما تصف Broadcom خارطة طريق متعددة الأجيال تستهدف منشآت بمقياس الغيغاواط بالتعاون مع Microsoft وشركاء آخرين في مراكز البيانات. 3
11
30
وتقوم الاستراتيجية على ما يمكن تسميته «التصميم الرأسي المشترك»: تنسيق النماذج وبرمجيات الاستدلال والذاكرة والشبكات والأنظمة والشريحة نفسها بدلاً من شراء مسرّع منفصل ومحاولة تكييف بقية المنظومة معه. وقد يمنح هذا الأسلوب OpenAI سيطرة أكبر على زمن الاستجابة وتكلفة التشغيل، لكنه يجعل المنتج أقل قابلية لإعادة الاستخدام خارج أعباء العمل التي صُمم لها. 3
6
33
أما الانتقال السريع من التصميم إلى مرحلة التصنيع التجريبي، فلا يعني تلقائياً إنتاجاً واسعاً وموثوقاً. وستحدد عوامل مثل مردود التصنيع، ودمج الأنظمة، ونضج البرمجيات، وتوافر الإمدادات، وقدرة الشريحة على مواكبة النماذج المستقبلية ما إذا كان التفوق في الاختبارات سيتحول إلى ميزة بنية تحتية دائمة. وتؤكد التقارير المتاحة جدول النشر المخطط، لكنها لا تثبت بعد حجم الإنتاج النهائي. 30
33
لماذا لا تستبدل Jalapeño معالجات Nvidia فوراً؟
أكدت OpenAI أنها ستواصل الاعتماد على Nvidia في التدريب، كما ستبقيها شريكاً حوسبياً. 4
11
وهذا التقسيم منطقي من الناحية التقنية. فتدريب نماذج الذكاء الاصطناعي المتقدمة يتطلب أنظمة مرنة قادرة على استيعاب بنى وخوارزميات وتجارب تتغير باستمرار. كما تستفيد Nvidia من منظومة CUDA البرمجية، ومن حزمة متكاملة تشمل الشبكات وأنظمة مراكز البيانات، لا من الشريحة وحدها. 5
لذلك، من الأفضل فهم Jalapeño باعتبارها استراتيجية إحلال محددة: قد تستخدمها OpenAI في أعباء الاستدلال المتكررة والمتوقعة التي تسيطر فيها على النموذج والبرمجيات والبنية التحتية، بينما تظل Nvidia مهمة للتدريب والبحث وتكرار تطوير النماذج وكل مهمة تحتاج إلى مرونة أكبر. 4
5
ماذا عن تقليل Nvidia من أهمية التهديد؟
الرد الأقوى من جانب Nvidia ليس أن ASIC مخصصة لا يمكنها التفوق في اختبار استدلال ضيق النطاق. بل إن العملاء غالباً يحتاجون إلى منصة واحدة تتعامل مع مهام متعددة مع تغير النماذج والبرمجيات. فمعالجات GPU تستطيع التدريب والضبط الدقيق والاستدلال، بينما تركز ASIC المتخصصة ميزتها على أعباء أضيق. كما أن برمجيات Nvidia وشبكاتها وأنظمتها تجعل المقارنة أوسع من معدل إنتاج الشريحة وحده. 5
ويحد حجم النشر من التأثير التجاري الفوري أيضاً. ففي البداية، ستخدم Jalapeño البنية التحتية الخاصة بـOpenAI، ولن تصبح بديلاً متاحاً على نطاق واسع يمكن للعملاء شراؤه ونشره في مختلف الأسواق. 1
4
بعبارة أخرى، قد تغير Jalapeño معادلة التفاوض حول شرائح الاستدلال قبل أن تغير شكل سوق الحوسبة بالذكاء الاصطناعي ككل. فقد أثبتت OpenAI وجود بديل محتمل لجزء من أعباء عملها، لكنها لم تتخلَّ عن اعتمادها على Nvidia.
هل تهدد Jalapeño أعمال Nvidia في الاستدلال؟
يرى محللون أن Jalapeño تقدم دليلاً على أن شريحة ASIC تصممها شركة تشغيل ضخمة للبنية السحابية يمكنها مضاهاة أنظمة Blackwell أو التفوق عليها في كفاءة الاستدلال. وقد يضغط ذلك على Nvidia في سوق الاستدلال، خصوصاً مع سعي مشغلي الذكاء الاصطناعي الكبار إلى خفض تكلفة تقديم الإجابات وتقليل الاعتماد على مورد واحد. 17
32
ولا تتحرك OpenAI وحدها في هذا الاتجاه؛ إذ تُذكر Google وAWS وMeta ضمن الشركات التقنية الكبرى التي تطور شرائح ذكاء اصطناعي خاصة بها، بما يعكس انتقالاً متزايداً نحو بنية تحتية مصممة وفق أعباء عمل محددة. 5
لكن السيناريو الأرجح ليس انهيار سوق GPU فوراً، بل انقسام السوق إلى شرائح أكثر تخصصاً:
- قد تصبح ASIC جذابة لأعباء الاستدلال المستقرة وذات الحجم الكبير، خصوصاً عندما تسيطر المنصة على النماذج والبرمجيات ومراكز البيانات.
- ستظل معالجات Nvidia مهمة للتدريب، وتجارب النماذج السريعة، وأعباء العمل المتنوعة، والمهام التي تستفيد من منظومتها البرمجية.
5
20
- وقد تمنح الشرائح الخاصة الشركات الكبرى ورقة تفاوض أقوى عند شراء معالجات GPU، عبر نقل جزء من الطلب المتوقع على الاستدلال إلى عتادها الداخلي.
الخلاصة
تدعم الأدلة المتاحة استنتاجاً محدداً لا أكثر: أظهرت OpenAI أن السيليكون المخصص يمكن أن ينافس أنظمة Nvidia Blackwell بقوة في بعض أعباء استدلال نماذج اللغة، مع مكاسب معلنة في العمل لكل واط وزمن الاستجابة. لكن المقارنة محدودة باختلاف الذاكرة، وبكون النتائج صادرة عن OpenAI، وبأن Jalapeño شريحة متخصصة لا منصة عامة.
ستظل الإجابة الحاسمة معلقة على اختبارات أكثر تكافؤاً، ولا سيما مع Rubin، وعلى أداء الشريحة عند الإنتاج واسع النطاق ومع تغير النماذج. لذلك فإن Jalapeño لا تعني نهاية Nvidia؛ لكنها تشير إلى أن أكبر شركات الذكاء الاصطناعي بدأت تقتطع بجدية جزءاً من أعباء الاستدلال من سوق المعالجات العامة.
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 "شريحة OpenAI «Jalapeño» تتفوق على Nvidia Blackwell في كفاءة الاستدلال.. لكن ليس في كل شيء"؟
أفادت OpenAI بأن Jalapeño حققت عملاً أكثر لكل واط بمقدار 1.5 إلى 1.9 مرة، وزمناً أقل للاستجابة النهائية بمقدار 1.7 إلى 3.6 مرة مقارنة بأنظمة Nvidia GB200 وGB300 عبر ثلاثة نماذج لغوية.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
أفادت OpenAI بأن Jalapeño حققت عملاً أكثر لكل واط بمقدار 1.5 إلى 1.9 مرة، وزمناً أقل للاستجابة النهائية بمقدار 1.7 إلى 3.6 مرة مقارنة بأنظمة Nvidia GB200 وGB300 عبر ثلاثة نماذج لغوية. Jalapeño هي شريحة ASIC متخصصة في الاستدلال، بقدرة اسمية تبلغ 700 واط، فيما بقي استهلاكها المستدام عند 550 واط أو أقل في الاختبارات المعلنة.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
المقارنة ليست متكافئة تماماً، لأن Jalapeño تستخدم ذاكرة HBM4، بينما لا تستخدمها أنظمة Blackwell التي شملتها الاختبارات؛ لذلك قد تكون منصة Nvidia Rubin مقارنة أكثر عدلاً.