OpenAI تكشف شريحة Jalapeno لتقديم إجابات أسرع من Nvidia

لحظة انتظار الرد من نموذج ذكاء اصطناعي تبدو قصيرة على الورق، لكنها في الاستخدام اليومي تصنع فرقًا واضحًا بين تجربة سلسة وأخرى متعبة. من هنا تأتي أهمية إعلان OpenAI عن شريحتها الجديدة Jalapeño، التي تقول الشركة إنها قادرة على تقديم استجابات أسرع وكفاءة أعلى من بعض أقوى أنظمة Nvidia في مهام الاستدلال، وهي المرحلة التي يتحول فيها النموذج المدرّب إلى خدمة فعلية يلمسها المستخدم.

بحسب ما نشرته الشركة ونقلته The Verge، فإن Jalapeño هي شريحة مخصصة من نوع ASIC طُورت بالشراكة مع Broadcom، وتركّز على الاستدلال لا التدريب. هذا التفصيل مهم، لأن سوق الذكاء الاصطناعي اليوم لا يختنق فقط بتكلفة بناء النماذج، بل أيضًا بكلفة تشغيلها على نطاق واسع كلما أرسل المستخدمون أسئلة أكثر، أو اعتمدت الشركات على وكلاء ذكيين ينفذون مهامًا متتابعة.

OpenAI تقول إن الشريحة تجمع بين زمن تأخير أقل ومعدل إنتاجية أعلى، وهي معادلة يصعب تحقيقها عادة في البنية التحتية الحاسوبية. وفي خطاب شركات الذكاء الاصطناعي، هذا يعني ببساطة أن النظام يستطيع الرد بسرعة أكبر، مع معالجة عدد أكبر من الطلبات في الوقت نفسه، ومن دون استهلاك مفرط للطاقة.

اعتمدت OpenAI على منصة InferenceX لقياس الأداء، وقارنت نتائج Jalapeño بأفضل النتائج المسجلة آنذاك على أنظمة Nvidia من فئتي GB200 وGB300. ووفق الأرقام المعلنة، حققت الشريحة ما بين 1.5 و1.9 مرة من العمل الإضافي لكل واط عبر نماذج مثل GPT-OSS 120B وDeepSeek R1 وKimi K2.5 1T، مع انخفاض في زمن الاستجابة الكلي يتراوح بين 1.7 و3.6 مرة.

في بيئات التشغيل التجارية، لا تُقرأ هذه الأرقام كإنجاز مختبري فقط. فهي تمس مباشرة تكلفة كل استعلام، وكثافة الخوادم، وإدارة الأحمال، وقدرة المنصة على الحفاظ على جودة الخدمة في ساعات الذروة.

خلال العامين الماضيين، انصبت الأنظار على شرائح التدريب العملاقة، لكن الضغط الأكبر بدأ ينتقل إلى طبقة الاستدلال. فالمستخدم لا يرى مراكز البيانات، بل يختبر زمن الرد، وتقطّع الخدمة، وقدرة المساعد الذكي على متابعة الحوار دون بطء. وكل تحسن في بنية الاستدلال ينعكس فورًا على تجربة المنتج النهائي.

لهذا تبدو Jalapeño جزءًا من تحول أوسع في الصناعة: الانتقال من سباق بناء النماذج فقط، إلى سباق تشغيلها بكفاءة اقتصادية وتشغيلية. وعندما تمتلك شركة مثل OpenAI شريحة مصممة لاحتياجاتها، فإنها تحاول تقليل اعتمادها على الموردين العامين، وضبط العلاقة بين البرمجيات والعتاد، وتحسين الأداء على أحمال عمل محددة بدل الاكتفاء بمنصات متعددة الأغراض.

الصورة أكثر تعقيدًا من عنوان المقارنة. صحيح أن OpenAI تضع شريحتها في مواجهة مباشرة مع أنظمة Nvidia على معيار استدلال محدد، لكن هذا لا يعني أن Nvidia خرجت من المعادلة. البنية التحتية للذكاء الاصطناعي لا تُبنى على رقم واحد، بل على منظومة كاملة تشمل البرمجيات، وسلاسل التوريد، وأدوات التطوير، ومرونة النشر، ودعم النماذج المختلفة.

كما أن المقارنات المعيارية، مهما كانت مفيدة، تظل محكومة بطريقة الاختبار، وطبيعة النماذج، ونقاط الضبط، والسيناريوهات المختارة. لذلك يمكن قراءة إعلان OpenAI بوصفه إشارة قوية إلى نضج طموحها العتادي، لا باعتباره حسمًا نهائيًا لمعادلة السوق.

حين تتحدث الشركات عن الرقائق، يبدو الموضوع بعيدًا عن الحياة اليومية، لكنه في الواقع شديد القرب منها. سرعة الرد، وثبات الخدمة، وإمكانية إتاحة الأدوات الذكية لعدد أكبر من المستخدمين، كلها نتائج تبدأ من طبقة العتاد. وإذا استطاعت OpenAI تشغيل النماذج بكفاءة أعلى، فقد ينعكس ذلك على تسعير الخدمات، وعلى قدرة المنتجات المجانية والمدفوعة على التعامل مع الطلب المتزايد.

أما بالنسبة للشركات التي تبني فوق واجهات OpenAI، فالمعادلة أوضح: أي تحسن في الاستدلال قد يعني واجهات أسرع، ومهام آلية أكثر موثوقية، وتجارب أقل كسرًا لإيقاع العمل. وهذا مهم خصوصًا في التطبيقات التي تعتمد على الوكلاء الرقميين، وخدمة العملاء، والبحث، والبرمجة المساعدة، حيث يصبح التأخير القصير عبئًا متراكمًا.

إعلان Jalapeño ليس مجرد استعراض لأرقام أداء، بل علامة على أن شركات الذكاء الاصطناعي الكبرى لم تعد تكتفي بابتكار النماذج، بل تريد أيضًا امتلاك مفاتيح تشغيلها. وكلما اشتدت المنافسة، سيصبح الفارق الحقيقي أقل ارتباطًا بحجم النموذج وحده، وأكثر اتصالًا بكيفية خدمته للناس بسرعة، وكلفة، واستقرار يمكن الاعتماد عليه. في هذه الطبقة الهادئة من البنية التحتية، تتحدد أحيانًا ملامح السوق أكثر مما تفعل العناوين الصاخبة.