نماذج OpenAI تقلّص مساحة كتل Jalapeño بنسبة 10–13%، وتحسّن وحدات GPU من AMD بما يصل إلى 14%
كلّفت OpenAI نماذجها بإعادة كتابة شيفرة دوائر الرقائق، وهو أشبه بإعادة هيكلة الشيفرة (refactoring) لكن على مستوى المعالج. في Jalapeño تراجعت مساحة الخلايا بنسبة 13% في الكتلة المتجهية وبنسبة 10% في الكتلة المصفوفية، وبلغ المكسب في PPA (الطاقة والسرعة والمساحة) في GPU من AMD حتى 14%. خضع كل تعديل للتحقق عبر أدوات Synopsys، وقد دخل جزء من هذه التعديلات مرحلة التصنيع بالفعل. الخلاصة: يتفوّق الذكاء الاصطناعي حيث يمكن التحقق من النتيجة تلقائيًا.
معالج بواسطة الذكاء الاصطناعي من OpenAI Blog؛ بتحرير Hamidun News
كشفت OpenAI كيف تحسّن نماذجها رقائق حقيقية بالفعل. تخيّلوا عملية إعادة هيكلة للشيفرة (refactoring): تأخذون دالة تعمل، وتعيدون كتابتها لتعمل أسرع وتستهلك ذاكرة أقل، مع بقاء سلوكها كما هو تمامًا. الأمر هنا مماثل، لكن بدل الدالة هناك كتلة من المعالج موصوفة بشيفرة بلغة SystemVerilog (ما يُعرف بـ RTL).
ويُقاس الناتج وفق ثلاثة معايير في آن واحد: الطاقة والسرعة ومساحة الرقاقة، وتُختصر في الصناعة إلى PPA. في مسرّع الاستدلال (inference) الخاص بـ OpenAI، المسمّى Jalapeño، قلّصت النماذج مساحة الخلايا القياسية بنحو 13% في الكتلة المتجهية وبنحو 10% في الكتلة المصفوفية. أما في GPU من AMD، الذي كان محسَّنًا بدرجة كبيرة أصلًا، فبلغ المكسب في PPA ما يصل إلى 14%.
والخلاصة للمطورين بسيطة: حين تتوافر للمهمة آلية تحقق تلقائي ومقياس واضح، يمكن للنموذج أن يقدّم نتيجة بمستوى الخبراء.
ما الذي فعلته النماذج في Jalapeño
بدأت OpenAI بإشراك GPT‑4o في تطوير Jalapeño منذ مطلع 2025. وقد توصّل هذا النموذج وحده إلى تحسينات غير بديهية.
تنفّذ الكتلة المتجهية حسابات متوازية. وتحقق التوفير هناك في المجمّعات (adders) والمضاعِفات ذات الفاصلة العائمة، ودوال التحويل، ومنطق الاختزال (reduction)، وكتلة الدوال الخاصة. جرّب النموذج تنفيذات بديلة للمنطق، وقسّم الحسابات على مراحل خط المعالجة (pipeline) بطريقة مختلفة. وبهذا رصد مواضع يمكن فيها لعمليات مختلفة أن تتشارك العتاد نفسه، مع الحاجة إلى تخزين بيانات وسيطة أقل.
في الكتلة المصفوفية، شغل أحد المضاعِفات بعد إعادة التصميم مساحة أقل بنحو 15% عند التخليق (synthesis)، وانخفض زمن التأخير من دورتي ساعة إلى دورة واحدة. وصار مجمّع آخر أصغر بنحو 15%، بينما بقي زمن تأخيره عند دورتي ساعة دون تغيير. وقد تأكدت هذه التحسينات على السيليكون الفعلي عند تشغيل Jalapeño.
AMD: تعديلات فوق تصميم محسَّن أصلًا
عملت OpenAI مع AMD على المؤشرات نفسها في وحدة GPU الرائدة. كانت نقطة الانطلاق تصاميم محسَّنة بدرجة كبيرة، ومع ذلك وجد النموذج تحسينًا يصل إلى 14% عبر إعادة كتابة شيفرة RTL. وبحسب OpenAI، يعادل ذلك نحو سنة من التقدم أُنجزت في أقل من 5 أشهر. أعاد النموذج كتابة الدوائر التي تحسب أو تدير العمليات أو تنقل البيانات، وتعامل معها بمنطق يماثل مستوى مهندس معماري دقيق (microarchitect) متمرّس.
وتكمن أهمية الأمر في حلقة التحقق. فعبر أدوات Synopsys، أكد النموذج أن كل تعديل لا يغيّر سلوك الكتلة، وقيّم المفاضلة بين الطاقة والسرعة والمساحة. وقد أدرجت AMD جزءًا من التغييرات في التصميم المرسَل إلى التصنيع، وأضافت الباقي إلى الملفات العاملة للإصدارات المقبلة. وفي الكتل الرئيسية من وحدة CPU الرائدة التالية من AMD، أكدت الشركة بصورة مستقلة تحقق مكسب في PPA، لكنه يُقاس بنسب من رقم واحد.
كيف جرى القياس على نوى RISC-V
لمقارنة أجيال النماذج، اعتمدت OpenAI نواتين مفتوحتين بعرض 32 بت: PicoRV32، وهي نواة مدمجة للدوائر القابلة للبرمجة FPGA، وIbex، وهي المعالج المضمَّن في رقاقة OpenTitan المؤمَّنة. تلقّت النماذج مهمتين: تسريع نواة جاهزة، وتصميم نواة من الصفر وفق متطلبات مكتوبة. وكان الهدف هو معدل التنفيذ، أي عدد التعليمات في الثانية.
التقييم صارم. فالتصميم يحصل على صفر إذا لم يجتز الفحوص في المحاكاة، أو إذا زادت مساحته على 16 ضعف مساحة الأصل. أما بقية التصاميم فقيس عدد التعليمات في الدورة الواحدة على أحمال عمل مخفية عن النموذج، وضُرب في أقصى تردد مقدَّر في Yosys. واعتُبرت أفضل نتيجة على كل نواة 100%، وأُدخلت المحاولات الصفرية في المتوسط.
عند ميزانية تبلغ نحو 112 ألف توكن لكل تشغيل، حقق GPT‑6.2 Astra أفضل متوسط نتائج على النواتين، وتفوّق GPT‑6.1 Sol على GPT‑5.6 Sol. وعلى PicoRV32 جاءت نتيجة Astra أعلى بنحو الضعف من نتيجة GPT‑6 Astra. وبلغ إجمالي عمليات التشغيل في التقييم 9 881 عملية. وفي التصميم وفق المتطلبات، سجّلت النماذج الخمسة جميعها نتائج أعلى مما سجّلته في تحسين النواة الجاهزة: إذ حصل GPT‑6.2 Astra على نحو 70% من أفضل نتيجة على PicoRV32 ونحو 75% على Ibex.
تحفظات وما يلي
جميع الأرقام مأخوذة من منشور OpenAI نفسها. وقيمة «حتى 14%» تخص أفضل حالة، وليست متوسطًا على الرقاقة بأكملها. وتفسَّر أفضلية التصميم من الصفر جزئيًا بأن النموذج قد يستغني عن عدّادات الأداء والتعليمات الإضافية التي لا تؤثر كثيرًا في أحمال الاختبار. وتقرّ OpenAI بأنه لتحقيق واقعية أكبر ينبغي اشتراط هذه الوظائف، وتشديد قيود المساحة، والتحقق من التوقيت (timing) بعد التخليق الفيزيائي.
وفي الخطوة التالية، تدرّب OpenAI بالتعاون مع Synopsys نموذجًا باسم GPT‑Synopsys، يُفترض أن يعمل مع أدوات EDA (برامج تصميم الرقائق والتحقق منها) كما يفعل المهندسون المتمرسون. وبالنسبة إلى الفرق التي تبني وكلاء (agents)، يقدّم ذلك مثالًا على مخطط عمل ناجح: النموذج يقترح التعديل، والأداة تتحقق منه، والمقياس يحسم.
- 18 نوفمبر 2026فاصلة صينية واحدة حوّلت DeepSeek إلى الصينية في 94% من الإجابات
- 18 نوفمبر 2026Hugging Face توجّه طلبات LLM عبر OpenRouter: أخطاء نقص السعة أقل بنسبة 46%
- 18 نوفمبر 2026Revolut تسرّع تطوير الميزات بنسبة 30–60% وتكلّف وكيل ذكاء اصطناعي بفحص المدفوعات
- 18 نوفمبر 2026إيرادات Nvidia من مراكز البيانات ترتفع 110% إلى 107,6 مليار دولار: «توقف الذكاء الاصطناعي» لم ينعكس على الرقائق
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي فعلته النماذج في Jalapeño؟
بدأت OpenAI بإشراك GPT‑4o في تطوير Jalapeño منذ مطلع 2025. وقد توصّل هذا النموذج وحده إلى تحسينات غير بديهية. تنفّذ الكتلة المتجهية حسابات متوازية. وتحقق التوفير هناك في المجمّعات (adders) والمضاعِفات ذات الفاصلة العائمة، ودوال التحويل، ومنطق الاختزال (reduction)، وكتلة الدوال الخاصة. جرّب النموذج تنفيذات بديلة للمنطق، وقسّم الحسابات على مراحل خط المعالجة (pipeline) بطريقة مختلفة. وبهذا رصد مواضع يمكن فيها لعمليات مختلفة أن تتشارك العتاد نفسه، مع الحاجة إلى تخزين بيانات وسيطة أقل.
ما أبرز التفاصيل حول AMD: تعديلات فوق تصميم محسَّن أصلًا؟
عملت OpenAI مع AMD على المؤشرات نفسها في وحدة GPU الرائدة. كانت نقطة الانطلاق تصاميم محسَّنة بدرجة كبيرة، ومع ذلك وجد النموذج تحسينًا يصل إلى 14% عبر إعادة كتابة شيفرة RTL. وبحسب OpenAI، يعادل ذلك نحو سنة من التقدم أُنجزت في أقل من 5 أشهر. أعاد النموذج كتابة الدوائر التي تحسب أو تدير العمليات أو تنقل البيانات، وتعامل معها بمنطق يماثل مستوى مهندس معماري دقيق (microarchitect) متمرّس. وتكمن أهمية الأمر في حلقة التحقق.
ما أبرز التفاصيل حول كيف جرى القياس على نوى RISC-V؟
لمقارنة أجيال النماذج، اعتمدت OpenAI نواتين مفتوحتين بعرض 32 بت: PicoRV32، وهي نواة مدمجة للدوائر القابلة للبرمجة FPGA، وIbex، وهي المعالج المضمَّن في رقاقة OpenTitan المؤمَّنة. تلقّت النماذج مهمتين: تسريع نواة جاهزة، وتصميم نواة من الصفر وفق متطلبات مكتوبة. وكان الهدف هو معدل التنفيذ، أي عدد التعليمات في الثانية. التقييم صارم. فالتصميم يحصل على صفر إذا لم يجتز الفحوص في المحاكاة، أو إذا زادت مساحته على 16 ضعف مساحة الأصل.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.