ما أعلنته OpenAI في 25 أغسطس
قدّمت شركة OpenAI نتائج اختبارات معالجها الخاص بالذكاء الاصطناعي — Jalapeño. هذه ليست تطويرًا خارجيًا بالطلب، بل أول شريحة تُوصل إلى مرحلة مقاييس أداء قابلة للقياس: أُنجز المشروع بالتعاون مع Broadcom، وظهر التقرير العام في 25 أغسطس 2026.
علّق سام ألتمان على الخبر في X بجملة واحدة — «we made a chip and it is fast». موجزة، لكنها في جوهرها: التركيز الأساسي لم يكن على المرونة أو الشمولية، بل على سرعة الاستجابة الصافية.
التفصيل الجوهري هو الغرض المقصود. صُمّمت الشريحة لاستدلال نماذج اللغة الكبيرة، أي لخدمة نماذج جاهزة في اللحظة التي يطرح فيها المستخدم سؤاله. أما أحمال الذكاء الاصطناعي العامة والتدريب والتجارب على البنى فتبقى على عتاد آخر. وتعتزم OpenAI نشر Jalapeño في بنيتها الحاسوبية الخاصة بحلول نهاية عام 2026.
لماذا التركيز على الاستدلال تحديدًا
الفرق بين تدريب النموذج وعمله في بيئة الإنتاج هو الفرق بين بناء مبنى وتشغيله. فحين يكتمل بناء النموذج، تنتقل التكاليف والتأخيرات إلى مكان آخر: مدى سرعة وصول بيانات النموذج إلى وحدات الحوسبة، وعدد مرات إعادة نقلها، ومقدار الوقت المستهلك في التبادل بين الذاكرة ومكوّنات الشبكة.
كان مطوّرو Jalapeño يعالجون هذه المشكلة بالتحديد — عدم التناسق بين الحوسبة والذاكرة والشبكة. والفكرة هي إبقاء معاملات النموذج وبيانات KV cache أقرب ما يمكن إلى موضع المعالجة النشطة. فكلما قلّ تنقّل المعلومات بين طبقات النظام، قصر المسار من الطلب إلى أول رمز، وصارت الاستجابة أكثر انتظامًا في التوليدات الطويلة. وتصف الشركة ذلك بأنه تنسيق أكثر كثافة بين الطبقات الثلاث جميعها — الحوسبة والذاكرة والشبكة — بدلًا من تحسين كل منها على حدة.
الأثر الثاني المُعلن هو زيادة العمل المفيد للذكاء الاصطناعي لكل واط من الطاقة عند الحمل الأقصى. وبالنسبة لمراكز البيانات، هذا ليس مقياسًا مجرّدًا: فالكهرباء والتبريد أصبحا منذ زمن عاملًا مقيّدًا للتوسّع.
كيف وعلى ماذا جرى الاختبار
النماذج والمقياس
جرت الاختبارات على ثلاثة نماذج مختلفة الحجم: GPT OSS 120B وDeepSeek R1 670B وKimi K2.5 1T. وأُجريت القياسات عبر InferenceX — وهو مقياس أداء عام يُعِدّه SemiAnalysis. وجاءت المقارنة مع أنظمة ذكاء اصطناعي تجارية، أي ليس مع مرجع مجرّد، بل مع حلول عاملة في السوق.
ما تحقّق بالأرقام
- عند ذروة معدل النقل — عمل ذكاء اصطناعي أكثر بمقدار 1.5 إلى 1.9 مرة لكل واط؛
- انخفض زمن الاستجابة من طرف إلى طرف بمقدار 1.7–3.6 مرة؛
- في السيناريوهات التفاعلية سُجّل نمو في الأداء بمقدار 2.1–4.1 مرة — ومن هنا جاءت صياغة «أسرع بنحو أربع مرات تقريبًا».
أين يكون المكسب أوضح ما يمكن
التفاوت في الأرقام ليس خطأً في القياس، بل إشارة مهمة. فالفرق بين الحد الأدنى والحد الأعلى يعتمد على طبيعة الحمل. حيث يعمل النظام على دفعات ويكون محمّلًا حتى أقصى طاقته، يكون المكسب أكثر تواضعًا. وحيث تأتي الطلبات واحدة تلو الأخرى وينتظر المستخدم الرد في الوقت الفعلي، يصبح التفوق في أقصى حدوده.
ومن هنا يأتي الاهتمام الخاص بالوكلاء. فحين تنفّذ منظومة ذكاء اصطناعي مهمة على عدة خطوات — تخطّط، وتستدعي الأدوات، وتحصل على البيانات، وتولّد الرد — تتراكم التأخيرات. وكل خطوة زائدة تضيف انتظارًا، وفي سلسلة طويلة يتحوّل الفرق بين «ثانية ونصف» و«نصف ثانية» إلى تجربة مستخدم مختلفة تمامًا. وخفض زمن الاستجابة في السيناريوهات التفاعلية يضرب هذه المشكلة مباشرة.
وتتوقع OpenAI أن تدعم هذه المؤشرات منتجات أسرع، وأن تحسّن اقتصاديات البنية التحتية: فتشغيل الحجم نفسه من الطلبات يصبح أرخص.
شرائح خاصة — لكن ليس بدلًا من Nvidia
من المهم هنا ألّا نخلط بين الإشارتين. فمسرّعات Nvidia لا تعتزم الشركة التخلّي عنها: فهي تبقى في المنظومة للتدريب والاستدلال معًا. ويُطرح Jalapeño كطبقة حوسبة إضافية لفئة محددة من المهام، لا كبديل فوري للعتاد القائم.
وثمة تفصيل لافت من رواية الشركة نفسها — هو أن دورة التطوير تمكّنت من التقليص إلى تسعة أشهر، وكان لنماذج OpenAI الخاصة دور ملحوظ في ذلك. أي أن الذكاء الاصطناعي ساعد في تصميم الشريحة التي سيعمل عليها الذكاء الاصطناعي لاحقًا.
ما التالي
الجيل الثاني قيد التطوير بالفعل. وهذا يشير إلى أن الأمر ليس تجربة لمرة واحدة، بل رهان طويل الأمد على السيليكون الخاص كجزء من بنية الذكاء الاصطناعي المستقبلية.
يجدر الإبقاء في الذهن على تحفّظ: فكل الأرقام المذكورة هي نتائج معلنة على مقياس أداء عام محدّد، وليست تحققًا مستقلًا في أيدٍ أخرى. وسيتّضح الكثير حين تُنشر الشريحة فعليًا في البنية التحتية بحلول نهاية عام 2026 وتظهر بيانات من أحمال إنتاج حقيقية، لا من تجارب اختبارية. أما في الوقت الحالي، فالخلاصة الرئيسية بسيطة: سباق سرعة استجابة النماذج انتقل من مستوى البرمجيات إلى مستوى العتاد.
