كشفت OpenAI النقاب عن أول رقاقة متخصصة لها باسم Jalapeño لمهام استدلال نماذج اللغة الكبيرة. صُمم المسرّع بالتعاون مع Broadcom، وهو موجّه لمعالجة الطلبات الموجهة إلى نماذج مثل GPT وCodex، وليس للتدريب. وقد رافق الإعلان في مؤتمر Hot Chips في أغسطس 2026 أول معايير أداء أظهرت ميزة ملحوظة في عدد الرموز لكل واط وانخفاض زمن الاستجابة.
الجانب التقني الرئيسي هو البنية المحسّنة لأنماط استدلال نماذج اللغة الكبيرة المميزة: إنتاجية عالية مع زمن استجابة منخفض واستخدام فعال للذاكرة. على عكس وحدات معالجة الرسوميات العامة، تركز Jalapeño على العمليات المحددة مثل الانتباه والتغذية الأمامية في المحولات. تُظهر الاختبارات المبكرة على SemiAnalysis InferenceX أداءً أكبر بمقدار 1.5–1.9 مرة لكل واط مقارنة بـ Nvidia Blackwell، وفي سيناريوهات معينة يُدّعى تحقيق زيادة تصل إلى 104 أضعاف في الرموز لكل واط — وهو رقم يتطلب تحققًا مستقلًا.
تتضمن منهجية الاختبار مقارنة مع أنظمة تعتمد على Nvidia GB200/GB300، مع التطبيع وفقًا للطاقة المعلنة للرقاقة (700 واط، مع استهلاك فعلي يصل إلى 550 واط). تغطي النتائج نماذج OpenAI الداخلية ونماذج خارجية مثل DeepSeek R1 وKimi K2.5. وهذا يعزز الحجة حول قابلية التطبيق عبر النماذج، لكن غياب التفاصيل الدقيقة والوصف الكامل لمجموعات البيانات يترك أسئلة حول قابلية إعادة الإنتاج.
في مشهد رقاقات الذكاء الاصطناعي، تحتل Jalapeño مكانة متخصصة كدارات متكاملة مخصصة للاستدلال، على غرار TPU من Google أو Trainium/Inferentia من Amazon. على عكس نهج Meta أو Microsoft، تراهن OpenAI على تكامل وثيق مع نماذجها الخاصة ومنصة متعددة الأجيال. وهذا يقرّب الاستراتيجية من Google، لكنه يسرّع دورة التطوير إلى تسعة أشهر بفضل استخدام الذكاء الاصطناعي في التصميم.
بالنسبة للصناعة،这意味着 انخفاضًا محتملًا في تكاليف الاستدلال في مراكز البيانات، وهو أمر مهم بشكل خاص عند توسيع نطاق الأنظمة الوكيلة وواجهات برمجة التطبيقات. يسمح زمن الاستجابة المنخفض (1.7–3.6 مرة) بخدمة المزيد من المستخدمين دون المساس بالأداء أو سرعة الاستجابة.
يبقى من غير الواضح مدى استدامة هذه الأرقام تحت الحمل الحقيقي في عام 2027، عندما يطلق المنافسون أجيالًا جديدة. ستكون الاختبارات المستقلة والكشف عن تفاصيل البنية أمرًا حاسمًا لتقييم التأثير طويل المدى.
يؤكد تطوير Jalapeño أن كفاءة الاستدلال لم تعد تحددها فقط حجم النموذج، بل أيضًا التخصص في الأجهزة وفقًا لأعباء العمل المحددة.
