الإجاباتمنشور19 المصادر
Jalapeño من OpenAI: استجابات أسرع وكفاءة أعلى من أنظمة Nvidia في اختبارات مبكرة
تقول OpenAI إن Jalapeño حققت عملًا أكبر للذكاء الاصطناعي بمقدار 1.5 إلى 1.9 مرة لكل واط، وزمن استجابة شاملًا أقل بمقدار 1.7 إلى 3.6 مرة من أنظمة Nvidia المقارنة في اختبارات InferenceX. في نموذج DeepSeek R1، أبلغت OpenAI عن نحو 700 رمز في الثانية لكل مستخدم على Jalapeño، مقابل 169 رمزًا في الثانية على نظام GB300 عند...
نشر بواسطةتم التحرير باستخدام GPT-5.6 Lunaتم إنشاء الصور باستخدام GPT Image 1.5
إجابة البحث
الوجبات السريعة الرئيسية
- تقول OpenAI إن Jalapeño حققت عملًا أكبر للذكاء الاصطناعي بمقدار 1.5 إلى 1.9 مرة لكل واط، وزمن استجابة شاملًا أقل بمقدار 1.7 إلى 3.6 مرة من أنظمة Nvidia المقارنة في اختبارات InferenceX.
- في نموذج DeepSeek R1، أبلغت OpenAI عن نحو 700 رمز في الثانية لكل مستخدم على Jalapeño، مقابل 169 رمزًا في الثانية على نظام GB300 عند قياس أقصر زمن بين الرموز.
- صُممت Jalapeño للاستدلال، لا لتدريب النماذج، وتخطط OpenAI لنشر محدود داخل بنيتها التحتية بحلول نهاية عام 2026، مع زيادة السعة في 2027، من دون مبيعات خارجية في الوقت الحالي.
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. These are early. Topic tags: general, documentation, general web, education, user generated. 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,
تقول OpenAI إن أول مسرّع مخصص تطوره، ويحمل الاسم الرمزي Jalapeño، حقق نتائج لافتة في أحدث اختبارات تشغيل نماذج الذكاء الاصطناعي: عملًا أكبر لكل واط، وزمن استجابة شاملًا أقل، ومعدلات مرتفعة لتوليد الرموز في التطبيقات التفاعلية مقارنةً بأنظمة Nvidia GB200 وGB300 المستخدمة كنقاط مرجعية. وتقول الشركة إن المكاسب ظهرت مع نماذج GPT‑OSS 120B وDeepSeek R1 وKimi K2.5 1T. 3
4
لكن هذه النتائج تحتاج إلى قراءة دقيقة؛ فهي نتائج مبكرة أعلنتها الشركة ضمن إعداد محدد من معيار InferenceX، وليست مقارنة مستقلة وشاملة لكل أعباء العمل الإنتاجية أو بكل منصات Nvidia الحالية والمستقبلية. 4
7
ماذا أظهرت اختبارات Jalapeño؟
عبر النماذج الثلاثة المختبرة، أبلغت OpenAI عن تحقيق عمل أكبر للذكاء الاصطناعي بمقدار 1.5 إلى 1.9 مرة لكل واط عند ذروة الإنتاجية، إلى جانب خفض زمن الاستجابة الشامل بمقدار 1.7 إلى 3.6 مرة مقارنةً بالأنظمة المرجعية. أما في أعباء العمل شديدة التفاعلية، فأعلنت الشركة عن مكاسب تراوحت بين 2.1 و4.1 مرة. 3
وكانت أبرز النتائج لكل نموذج كما يلي:
GPT‑OSS 120B مقابل Nvidia GB200: وصلت Jalapeño، بحسب OpenAI، إلى 85,448 وحدة من الإنتاجية المختلطة القصوى لكل كيلوواط، مقابل 44,960 لـGB200. كما بلغ زمن الاستجابة الشامل 1.03 ثانية، مقارنةً بـ1.80 ثانية، وسجلت الشريحة زمنًا أدنى بين الرموز قدره 0.69 ميلي ثانية؛ أي ما يعادل نحو 1,459 رمزًا في الثانية لكل مستخدم، مقابل 535 على GB200.
4
DeepSeek R1 MXFP4 مقابل Nvidia GB300: حققت Jalapeño، وفق الأرقام المعلنة، 19,641 وحدة من الإنتاجية المختلطة القصوى لكل كيلوواط، مقابل 11,781 لـGB300. وانخفض زمن الاستجابة الشامل إلى 1.65 ثانية، مقارنةً بـ5.99 ثوانٍ. وعند قياس الحد الأدنى للزمن بين الرموز، أبلغت OpenAI عن نحو 700 رمز في الثانية لكل مستخدم، مقابل 169 على GB300.
6
Kimi K2.5 MXFP4 مقابل Nvidia GB300: أعلنت OpenAI عن إنتاجية قصوى أعلى بمقدار 1.5 مرة لكل كيلوواط، وزمن استجابة شامل أقل بمقدار 3.4 مرات، ونحو 694 رمزًا في الثانية لكل مستخدم، مقارنةً بـ182 على GB300.
ويُعد مقياس «الرموز في الثانية لكل مستخدم» مؤشرًا على التفاعلية؛ فهو يقيس سرعة وصول الرموز المُولَّدة إلى طلب فردي، لا عدد الرموز الإجمالي الذي يستطيع رفّ خوادم إنتاجه عند تشغيل عدد كبير من الطلبات بالتوازي. وهذا الفرق مهم في الدردشة والبرمجة والتطبيقات القائمة على الوكلاء، حيث تؤثر سرعة الاستجابة التي يشعر بها المستخدم في تجربة المنتج مباشرةً.
لماذا قد تكون شريحة مخصصة للاستدلال أسرع؟
Jalapeño مسرّع مصمم خصيصًا لاستدلال نماذج اللغة الكبيرة، بدل أن تكون وحدة معالجة رسومية عامة جرى تكييفها لتخدم التدريب والاستدلال معًا. صممت OpenAI المعمارية، بينما تولت Broadcom تنفيذ السيليكون والشبكات، وأسهمت Celestica في تصميم اللوحات ودمج الرفوف والأنظمة. 17
32
ويعتمد التصميم على مستوى الرف على نطاق شبكي مترابط واسع يهدف إلى إبقاء أعباء العمل داخل نظام واحد. وتقول OpenAI إن النظام يضع حالة النموذج، بما فيها ذاكرة KV cache، ويحتفظ بها محليًا قدر الإمكان، ما يقلل نقل البيانات بين الشرائح وحالات التوقف الناتجة عن الاتصالات التي قد تبطئ عملية التوليد. 4
6
كما لا يقسم النظام موارد المعالجة المسبقة للنص (prefill) والتوليد (decode) إلى مجموعات ثابتة منفصلة. وبدلًا من ذلك، تصف OpenAI موارد الحوسبة والذاكرة والشبكات بأنها قابلة للتوزيع بين المرحلتين. فالمعالجة المسبقة للطلب تعتمد نسبيًا على قوة الحوسبة، بينما يتطلب التوليد التتابعي للإجابة، رمزًا بعد رمز، حركة بيانات وعرض نطاق للذاكرة بصورة أكبر. 4
6
ولا تزال التفاصيل التقنية المنشورة محدودة. إذ يشير أحد الأوصاف التقنية إلى نظام يضم 128 شريحة، بنحو 1.7 إكسا فلوبس و27 تيرابايت من ذاكرة HBM، لكن إعلان OpenAI عن الاختبار لا يقدم قائمة كاملة بمكونات الرف أو تفاصيل كافية لإعادة إنتاج كل نتيجة بصورة مستقلة. 4
OpenAI تقول إن الذكاء الاصطناعي ساعد في تصميم الشريحة
تقول OpenAI إن Jalapeño انتقلت من التصميم الأولي إلى مرحلة Tape-out، أي إرسال التصميم النهائي إلى مصنع أشباه الموصلات لبدء التصنيع، خلال تسعة أشهر؛ وهي مدة قصيرة على نحو استثنائي بالنسبة إلى مسرّع مخصص متقدم. 17
21
وتضيف الشركة أن نماذجها ساعدت في استكشاف التصاميم، والتنفيذ، والقياس، والتحقق، وتحسين الدوائر الحسابية، والبرمجة. كما أفادت بأن Codex مع GPT‑Astra ساعدا في رفع أداء ثلاثة نماذج مفتوحة الأوزان لم تكن مخططة سابقًا إلى مستويات مرتفعة خلال شهرين.
وفي كتل محددة من آلية الانتباه ومزيج الخبراء في GPT‑OSS، قالت OpenAI إن التطبيقات التي أنشأها الذكاء الاصطناعي كانت أسرع بمقدار 1.5 إلى 1.8 مرة من التطبيقات التي كتبها مهندسون بشريًا. وتنطبق هذه الأرقام على كتل مختارة، لا على نتائج تشغيل النموذج كاملًا. 4
حدود الاختبار وما الذي لا تثبته النتائج؟
ينبغي التعامل مع أفضلية Jalapeño المعلنة ضمن سياقها، لا باعتبارها حكمًا نهائيًا على سوق معالجات الذكاء الاصطناعي.
شريحة للاستدلال وليست وحدة لمعالجة التدريب
صُممت Jalapeño لتشغيل النماذج المدربة، وليست لتدريب النماذج. لذلك تتوقع OpenAI مواصلة استخدام مسرّعات Nvidia وAMD وغيرها في التدريب، وكذلك في أجزاء من قدرتها المخصصة للاستدلال. 4
6
وهذا يجعل Jalapeño إضافة متخصصة إلى البنية التحتية للشركة، لا بديلًا كاملًا عن أنظمة وحدات معالجة الرسوميات المستخدمة في أعباء العمل المختلفة.
ملف الاختبار كان محدودًا
استخدمت المقارنة معيار InferenceX العام من SemiAnalysis، مع طلبات اسمية أحادية الجولة تتضمن مدخلًا من 8,000 رمز ومخرجًا من 1,000 رمز. وقاس الاختبار خدمة الطلب بالكامل، مع مواءمة الأنظمة من حيث تجربة المستخدم، ثم طبع النتائج باستخدام تقديرات الطاقة المنشورة للشرائح. 4
7
وقالت SemiAnalysis إنها شاهدت عمليات التشغيل داخل مختبر OpenAI، لكنها لم تنفذ مجموعة الاختبارات الكاملة بنفسها. كما حذرت من أن هذا الإعداد لا يختبر السياقات الأطول، أو أعباء عمل الوكلاء متعددة الجولات، أو التوجيه، أو التخزين المؤقت للبادئات، أو إدارة الذاكرة المؤقتة، أو تفريغ البيانات إلى موارد أخرى. ويمكن لهذه الخيارات البرمجية وخيارات تقديم الخدمة أن تغير الأداء في بيئات الإنتاج بصورة ملموسة. 6
طريقة احتساب الطاقة تؤثر في نتيجة «الأداء لكل واط»
تحدد OpenAI قدرة الحزمة الخاصة بـJalapeño عند 700 واط، وتقول إن القدرة المقاسة المستمرة كانت عند 550 واط أو أقل في أعباء العمل المختبرة. في المقابل، استخدمت المقارنة أرقامًا محسوبة قدرها 1,200 واط لـGB200 و1,400 واط لـGB300. لذلك تعتمد أفضلية الأداء لكل واط جزئيًا على طبيعة العبء، ونقطة القياس، وطريقة احتساب استهلاك الطاقة. 4
المقارنة مرتبطة بوقت محدد
قارنت الاختبارات Jalapeño بأفضل النتائج المتاحة في ذلك الوقت لأنظمة GB200 أو GB300، لكن منصات Nvidia الأحدث قد تكون أكثر صلة عند وصول Jalapeño إلى النشر الواسع. كما تعرض Nvidia نتائج DeepSeek R1 على GB300 باستخدام منهجية «خارج الاتصال» مختلفة ضمن MLPerf، ولذلك لا ينبغي مقارنتها مباشرةً بنتائج Jalapeño التفاعلية الخاصة بالرموز لكل مستخدم. 1
2
4
خطة النشر والمنافسة
تخطط OpenAI لنشر محدود لـJalapeño داخل بنيتها التحتية الحاسوبية بحلول نهاية عام 2026، مع توقع زيادة السعة في 2027. وتقول الشركة إن الجيل الثاني من الشريحة قيد التطوير المتقدم، بينما بدأ الجيل الثالث يأخذ شكله الأولي. 4
6
في الوقت الراهن، تبقى Jalapeño منصة داخلية، وليست شريحة يمكن للشركات الأخرى شراؤها أو استئجارها. وقال ريتشارد هو، المسؤول التنفيذي عن عتاد OpenAI، إن الطلب الداخلي مرتفع جدًا بحيث لا تتصور الشركة بيعها لجهات خارجية. 6
وبذلك تتمثل الاستراتيجية الحالية في دعم Nvidia وAMD، لا إزاحتهما فورًا. فلا تزال OpenAI بحاجة إلى مسرّعات عامة لتدريب النماذج، ومن المتوقع أن تظل بنيتها التحتية المستقبلية متنوعة. وتطور Google معالجات TPU للتدريب والاستدلال، كما بنت Amazon وMicrosoft شرائح ذكاء اصطناعي داخلية، فيما تحدثت Anthropic أيضًا عن مساعٍ لتطوير سيليكون مخصص. 6
الخلاصة العملية
تشير النتائج المبكرة إلى أن مسرّعًا مصممًا حول عبء عمل محدد يمكنه التفوق على الأنظمة العامة في المقاييس الأكثر أهمية لتشغيل نماذج اللغة التفاعلية: كفاءة الطاقة، وزمن الاستجابة الشامل، وعدد الرموز التي تصل إلى كل مستخدم.
لكن الأدلة المتاحة تدعم استنتاجًا أضيق من القول إن «OpenAI هزمت Nvidia». فالتفوق المعلن ينطبق على نماذج محددة، وعبء عمل معين ضمن InferenceX، ومقارنة مع إعدادات GB200 وGB300. ولا يزال يتعين معرفة أداء Jalapeño في حركة مرور إنتاجية أوسع، ووكلاء ذوي سياقات أطول، ومكدسات برمجية مختلفة، وأعباء مرتبطة بالتدريب، ومنصات Nvidia التي ستكون متاحة عند توسع نشر الشريحة.
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 "Jalapeño من OpenAI: استجابات أسرع وكفاءة أعلى من أنظمة Nvidia في اختبارات مبكرة"؟
تقول OpenAI إن Jalapeño حققت عملًا أكبر للذكاء الاصطناعي بمقدار 1.5 إلى 1.9 مرة لكل واط، وزمن استجابة شاملًا أقل بمقدار 1.7 إلى 3.6 مرة من أنظمة Nvidia المقارنة في اختبارات InferenceX.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
تقول OpenAI إن Jalapeño حققت عملًا أكبر للذكاء الاصطناعي بمقدار 1.5 إلى 1.9 مرة لكل واط، وزمن استجابة شاملًا أقل بمقدار 1.7 إلى 3.6 مرة من أنظمة Nvidia المقارنة في اختبارات InferenceX. في نموذج DeepSeek R1، أبلغت OpenAI عن نحو 700 رمز في الثانية لكل مستخدم على Jalapeño، مقابل 169 رمزًا في الثانية على نظام GB300 عند قياس أقصر زمن بين الرموز.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
صُممت Jalapeño للاستدلال، لا لتدريب النماذج، وتخطط OpenAI لنشر محدود داخل بنيتها التحتية بحلول نهاية عام 2026، مع زيادة السعة في 2027، من دون مبيعات خارجية في الوقت الحالي.
المصادر
openai.comJalapeño’s first results show industry-leading speed and efficiency in AI inference
techcrunch.comOpenAI’s Jalapeño chip is built for fast inference at scale, benchmarks show | TechCrunch