شريحة Jalapeño: كفاءة أعلى، لكن OpenAI لم تتخلص من NVIDIA
نشرت OpenAI في 25 أغسطس 2026 أول نتائج أداء مقاسة لنظام Jalapeño، مسرّعها المخصص للاستدلال، وأظهرت الاختبارات كفاءة أعلى وزمن استجابة أقل من تكوينات NVIDIA GB200 وGB300 المقارَنة. لكن تغطية Axios للإعلان توضح أن الشريحة ليست مصممة لتدريب النماذج، وأن عدد الأنظمة المتاح خلال 2026 سيظل محدودًا قبل زيادة السعة في العام التالي.
وبذلك، تنافس Jalapeño أنظمة NVIDIA فعليًا في اختبارات استدلال محددة نُشرت في 25 أغسطس 2026، لكنها لا تمثل بديلًا شاملًا لبنيتها الحاسوبية. فالنتيجة تخص نظامًا كاملًا حول شريحة جديدة، وأحمالًا وإعدادات بعينها، ولا تثبت التفوق في التدريب أو في كل عمليات النشر التجارية.
ماذا قاست النتائج الأولى؟
استخدمت الاختبارات حزمة InferenceX العامة من SemiAnalysis لقياس تقديم طلبات الاستدلال على مستوى النظام، بدل مقارنة القدرة النظرية للشرائح وحدها. وشملت GPT‑OSS 120B وDeepSeek R1 670B وKimi K2.5 1T، مع طول اسمي للسياق والمخرجات يبلغ 8k/1k واستخدام التنبؤ برمز واحد.
تجمع صفحة النتائج الرسمية لـOpenAI أرقام ذروة الإنتاجية لكل كيلوواط وزمن الاستجابة من طرف إلى طرف على النحو الآتي:
- GPT‑OSS 120B أمام GB200: سجل Jalapeño إنتاجية مختلطة قدرها 85,448 لكل كيلوواط مقابل 44,960، أي نحو 1.9 مرة، مع زمن استجابة بلغ 1.03 ثانية مقابل 1.80 ثانية.
- DeepSeek R1 670B أمام GB300: بلغت الإنتاجية 19,641 مقابل 11,781 لكل كيلوواط، أي نحو 1.7 مرة، بينما انخفض زمن الاستجابة من 5.99 ثانية إلى 1.65 ثانية، بفارق يقارب 3.6 مرات.
- Kimi K2.5 1T أمام GB300: بلغت الإنتاجية 18,195 مقابل 11,862 لكل كيلوواط، أي نحو 1.5 مرة، وسجل زمن الاستجابة 1.56 ثانية مقابل 5.31 ثانية، بفارق يقارب 3.4 مرات.
المغزى هنا ليس أن Jalapeño حققت الكفاءة عبر إبطاء الإجابة؛ نقاط الاختبار المنشورة جمعت إنتاجية أعلى لكل وحدة طاقة مع زمن أقل. لكن النتيجة تظل خاصة بالتكوينات المختبرة، ولا تتضمن سعر النظام أو موثوقيته في التشغيل الواسع أو كلفة البرمجيات أو أداء نماذج أخرى.
حدود المقارنة تبدأ من طريقة حساب الطاقة
حُسبت كفاءة الاختبارات الأساسية باستخدام القدرة الحرارية الاسمية لحزمة المسرّع: 700 واط لـJalapeño، و1,200 واط لـGB200، و1,400 واط لـGB300. هذا التطبيع مفيد للمقارنة بين الحزم، لكنه لا يساوي استهلاك المنشأة؛ فالذاكرة والخوادم والشبكات وتحويل الطاقة والتبريد تضيف أحمالًا أخرى.
وتبين قراءة Tom’s Hardware للمنهجية أن الاستهلاك المستدام المقاس لـJalapeño بقي عند 550 واط أو أقل، وأن مقارنة طاقة المرفق الكلية استخدمت 1.18 كيلوواط لكل مسرّع Jalapeño مقابل 2.55 كيلوواط لـGB300، كما تقلص أفضل فارق في كفاءة الذروة إلى نحو 1.5 مرة عند مقارنة Jalapeño بتكوين GB300 يستخدم التنبؤ متعدد الرموز.
لا تلغي هذه الحسابات تفوق Jalapeño في البيانات المنشورة، لكنها تغير حجمه بحسب الحد الذي تُقاس عنده الطاقة. كما أن المقارنات الرئيسية استخدمت التنبؤ برمز واحد للطرفين، بينما يمكن لأنظمة NVIDIA المنشورة تجاريًا الاستفادة من التنبؤ متعدد الرموز؛ لذلك لا تمثل نقطة الاختبار كل إعداد برمجي محتمل في مراكز البيانات.
لماذا بقيت NVIDIA داخل المعادلة؟
Jalapeño مسرّع استدلال: يشغّل نموذجًا مدرّبًا لتوليد الإجابات، ولا يتولى تدريب النماذج الحدودية من البداية. لذلك تظل OpenAI بحاجة إلى عناقيد تدريب من NVIDIA وشركاء آخرين، كما أن الشركة تعتزم مواصلة استخدام مسرّعات خارجية لأحمال التدريب والاستدلال بالتوازي مع نشر عتادها الخاص.
حتى في الاستدلال، لا يحدث الاستبدال بمجرد نشر معيار أداء. ما زالت OpenAI تعمل على تأهيل الإنتاج، وإنضاج البرمجيات، والتحقق من الأداء على مزيد من النماذج، بينما يحتاج التشغيل العالمي إلى سعة كبيرة وموثوقة. ولم تشمل النتائج المنشورة منصة NVIDIA Vera Rubin، لذا تقتصر المقارنة الرقمية المباشرة على تكوينات GB200 وGB300 التي دخلت الاختبارات.
كذلك لا يحول تصميم ASIC خاص الشركة إلى مصنع مستقل لأشباه الموصلات. تضم حزمة Jalapeño ست رزم من ذاكرة HBM4 بسعة إجمالية 216 GiB وعرض نطاق 15.4 تيرابايت في الثانية، ما يبقيها مرتبطة بتوافر الذاكرة عالية النطاق والتغليف المتقدم والطاقة التصنيعية. يتغير موضع اعتماد OpenAI عندما تصمم المسرّع بنفسها، لكن قيود سلسلة التوريد لا تختفي.
الخطوة الفاصلة هي الانتقال إلى التشغيل الواسع
تعتزم OpenAI بدء نشر Jalapeño داخل بنيتها الحاسوبية بحلول نهاية 2026، بالتزامن مع تطوير الجيل الثاني وبدء تشكيل خطط الجيل الثالث. وحتى ذلك الحين، تظل النتائج اختبارًا أوليًا قويًا لنظام قيد التأهيل، وليست سجلًا تشغيليًا طويلًا أو مقارنة اقتصادية كاملة.
الخلاصة الحالية أن Jalapeño نافست أنظمة Blackwell المختبرة في كفاءة الاستدلال وسرعة الاستجابة، وهو ما يبرر وصفها بأنها أكثر كفاءة ضمن حدود القياس المنشورة. أما الحكم على أثرها في السوق، فينتظر بيانات الإنتاج الواسع والتكلفة والموثوقية وأداء نماذج إضافية؛ وهي لا تثبت تفوقًا في التدريب ولا نهاية اعتماد OpenAI على NVIDIA.
اقرأ أيضًا:
اشترك في نشرتنا الإخبارية
احصل على أحدث أخبار الويب 3 والذكاء الاصطناعي والعملات المشفرة مباشرة في بريدك.