أبرز نتائج الاختبارات المعيارية

كشف مؤتمر Hot Chips عن أرقام تحققت من خلال شركة مستقلة باستخدام مجموعة InferenceX. تصف OpenAI شريحة Jalapeño بأنها مسرع استدلال للأغراض العامة؛ فهي تقوم بتشغيل النماذج ولكنها لا تقوم بتدريبها. وفي الاختبارات، حققت الشريحة:

  • إنتاجية أكبر بمقدار 1.5 إلى 1.9 ضعف لكل واط عند ذروة الإنتاجية مقارنة بالشركات الرائدة اليوم.
  • خفضت زمن الاستجابة (latency) بمقدار 1.7 إلى 3.6 ضعف، مع مكاسب في التفاعل تتراوح بين 2.1 إلى 4.1 ضعف.

نتائج خاصة بكل نموذج:

  • GPT-OSS 120B: حوالي 1,400 رمز (token) / ثانية / مستخدم.
  • Deepseek R1 670B: حوالي 700 رمز (token) / ثانية لطلب متزامن واحد.
  • Kimi K2.5 1T: تم اختباره في مجموعة الأداء العالي (تم حجب الأرقام الدقيقة).

أكدت OpenAI أن هذه الأرقام لم تُحقق باستخدام تقنيات فك التشفير التخميني (speculative decoding) أو التنبؤ متعدد الرموز (multi-token prediction)، وهي حيل يستخدمها العديد من المنافسين لتعزيز الأرقام المعلنة.

كيف تم بناء Jalapeño

أنهت OpenAI تصميم الشريحة في تسعة أشهر، بالتعاون مع Broadcom. وقامت الشركة بتغذية نماذجها الخاصة في حلقة التصميم، مما سرّع عمليات وضع المخططات والبرمجة والتحسين—وهي طريقة تُعرف باسم "تصميم السيليكون بمساعدة الذكاء الاصطناعي". يسلط هذا السباق الضوء على تحول عن الدورات التي كانت تستغرق عدة سنوات والتي كانت تحدد سابقاً معايير السيليكون عالي الأداء.

التداعيات على ريادة Nvidia

تعتمد Nvidia على الأداء الخام ومنظومة CUDA. وتجعل البيانات الجديدة من التفوق في الأداء أمراً قابلاً للمنافسة. ويحذر المحللون من أنه إذا قامت المزيد من شركات الذكاء الاصطناعي بطرح شرائح استدلال مخصصة بكفاءة مماثلة، فقد يبتعد المطورون عن CUDA، مما يفتح المجال لمجموعات برمجية (stacks) بديلة وسوق مجزأة.

استراتيجية OpenAI ذات الإشارات المختلطة

وصفت المدير المالي كيلي هوانغ (Kelly Huang) شريحة Jalapeño بأنها جزء من خطة حوسبة أوسع، وليست بديلاً شاملاً للشركاء الحاليين. لا تزال OpenAI تعمل مع Nvidia وAMD وAWS وCerebras عبر مختلف أعباء العمل. وتظل Jalapeño عينة هندسية؛ إذ لم تواجه بعد أكبر النماذج القادمة مثل Deepseek V4 Pro. وتشير تعليقات هوانغ إلى أن OpenAI ستدمج السيليكون الخاص بها مع مسرعات من أطراف ثالثة، سعياً لتحقيق أفضل مزيج بين التكلفة والأداء لكل مهمة.

وجهات نظر معارضة

لا تضمن العينات في مراحلها المبكرة الإنتاج الضخم، أو معدلات الإنتاج (yields)، أو الموثوقية طويلة الأمد، لذا يجب كبح الحماس.

ما يجب مراقبته لاحقاً

  • طرح الإنتاج: هل تستطيع OpenAI تحويل Jalapeño إلى جزء يُنتج بكميات ضخمة، وبأي سعر؟
  • المجموعات البرمجية (Software stack): ما مدى نضج نموذج البرمجة وسلسلة الأدوات (toolchain) للمطورين؟
  • رد فعل المنافسين: كيف ستقوم Nvidia والموردون الآخرون بتعديل خرائط الطريق أو الأسعار لحماية حصتهم في السوق؟
  • توسيع النماذج: هل ستحافظ Jalapeño على تفوقها أمام الموجة القادمة من النماذج ذات التريليون معلمة (trillion-parameter models)؟

الخلاصة: تنتقل شرائح الاستدلال المخصصة من كونها تجربة محدودة النطاق إلى تحدٍ حقيقي لهيمنة Nvidia على الأجهزة.