ذكاء OpenAI الاصطناعي يحسّن تصميم GPU من AMD بما يصل إلى 14% في الطاقة والسرعة والمساحة خلال 5 أشهر
تقول OpenAI إن نماذجها ساعدت AMD على تحسين كتلة GPU الرئيسية بما يصل إلى 14% وفق مقياس PPA، أي استهلاك الطاقة والسرعة ومساحة الرقاقة، وذلك في أقل من خمسة أشهر. وبحسب تقدير OpenAI، يعادل ذلك نحو عام من العمل فوق تصميم أمضى مهندسو AMD سنوات في صقله. وقد دخل جزء من التعديلات بالفعل في المشروع المرسل إلى التصنيع. وبالنسبة إلى منتجات الذكاء الاصطناعي، قد يعني ذلك فرصة لخفض كلفة الاستدلال (inference)، رغم أن الأرقام حتى الآن صادرة عن الشركة نفسها فقط.
معالج بواسطة الذكاء الاصطناعي من The Decoder؛ بتحرير Hamidun News
تخيّل شيفرة برمجية أمضى فريق سنوات في تحسينها: أدوات تحليل الأداء، وإعادة الهيكلة، والضبط اليدوي. ثم تعثر شبكة عصبية فيها على مكسب إضافي يصل إلى 14%. هذا تقريبًا ما تزعمه OpenAI بشأن الرقائق. فقد حسّنت نماذجها، بالتعاون مع AMD، كتلة GPU الرئيسية وفق مقياس PPA بما يصل إلى 14% في أقل من خمسة أشهر. يضم PPA ثلاثة معايير يتنافس عليها مهندسو الرقائق دائمًا: استهلاك الطاقة (power)، والأداء (performance)، ومساحة الرقاقة (area). وكلما تحسّن PPA، صارت الرقاقة أسرع أو أكثر اقتصادًا في الطاقة أو أصغر حجمًا. وهذا يهم كل من يدفع كلفة تشغيل نماذج الذكاء الاصطناعي، لأن العتاد هو ما يحدد كلفة كل إجابة. والبيانات حتى الآن صادرة عن OpenAI نفسها، ولا يوجد تحقق مستقل منها.
ماذا حققت OpenAI وAMD بالضبط
يتعلق الأمر بما يُعرف بكتلة IP، وهي جزء جاهز من تصميم الرقاقة يُستخدم لاحقًا في المنتجات. والمقصود هنا كتلة GPU الرئيسية من AMD، أي أنها ليست مسودة أولية يجد فيها أي نهج جديد هامش تحسين بسرعة. فقد أمضى مهندسو AMD سنوات في تحسينها.
وبحسب تقدير OpenAI، فإن النتيجة، وهي تحسين في PPA يصل إلى 14% في أقل من خمسة أشهر، تعادل نحو عام من التقدم فوق العمل الذي أنجزه البشر أصلًا. وهنا تحفظان مهمان: عبارة «يصل إلى 14%» تعني الحد الأقصى وليس المتوسط، و«عام من التقدم» تقدير من OpenAI نفسها وليس قيمة مقيسة.
وثمة تفصيل عملي أيضًا: فبحسب OpenAI، أدرجت AMD بالفعل جزءًا من التغييرات في التصميم المرسل إلى التصنيع. وهذا ما يميّز القصة عن العرض المخبري، إذ تمر التعديلات في عملية يكون فيها الخطأ مكلفًا جدًا.
Jalapeño وRISC-V وSynopsys
ساعدت الطريقة نفسها في Jalapeño، وهي أول رقاقة من تصميم OpenAI مخصصة للاستدلال، أي لتشغيل النماذج المدرَّبة بالفعل. وبالنسبة إلى شركة تشتري قدرات حوسبة بكميات هائلة، يتحول كل واط وكل مليمتر مربع من السيليكون يجري توفيره مباشرة إلى مال.
واختبرت OpenAI النماذج بشكل منفصل على أنوية المعالجات المفتوحة RISC-V. وهناك حقق GPT-6.2 Astra الجديد أفضل النتائج بين جميع أجيال النماذج. وهذه إشارة للمختصين إلى أن قدرة النماذج على المساعدة في تصميم الرقائق تتزايد من إصدار إلى آخر.
إضافة إلى ذلك، تعمل OpenAI مع شركة Synopsys على GPT-Synopsys، وهو نموذج يستخدم أدوات أتمتة التصميم الإلكتروني (EDA) من Synopsys. والهدف هو جعل تصميم الرقائق بمساعدة الذكاء الاصطناعي في متناول دائرة أوسع من الفرق.
Anthropic تسلك الطريق نفسه
وتعرض Anthropic نتائج مشابهة. فبحسب الشركة، عالج نموذج Mythos الـprompts الخاصة بنموذج على GPU من طراز AMD MI355X في ثلاثة أيام فقط، في حين تستغرق هذه المهمة عادةً من ستة إلى اثني عشر شهرًا. ويعمل Claude حاليًا على أربع عائلات من الرقائق، وبهذا تحسّن الشركة الكلفة والأداء لكل دولار.
ماذا يعني ذلك
بالنسبة إلى المؤسسين ومديري المنتجات، الخلاصة عملية. فكلفة الاستدلال هي البند الرئيسي في نفقات كثير من منتجات الذكاء الاصطناعي، وقد يتحول مكسب من بضع نقاط مئوية على مستوى الرقاقة، مع الوقت، إلى أسعار أقل أو هامش ربح أعلى. وإذا انكمشت مدة تكييف النماذج مع عتاد جديد من أشهر إلى أيام، كما في مثال Anthropic، فسيصبح الارتباط بمصنّع GPU واحد أقل صرامة.
كما أن الحذر ضروري. فمن غير المعروف كم من الإشراف البشري لزم للتحقق من التغييرات المقترحة، ولا إلى أي حد ستتكرر النتائج على كتل أخرى. لكن الاتجاه واضح: بدأ الذكاء الاصطناعي يسرّع إنتاج العتاد الذي يعمل عليه الجيل التالي من الذكاء الاصطناعي.
- 19 نوفمبر 2026كلمة «لعبة فيديو» ترفع استعداد GPT-6 Astra لاختيار الأهداف من 6% إلى 92%
- 19 نوفمبر 2026وكلاء OpenAI ينجزون بمفردهم 46% من المهام البحثية التي تستغرق 2–4 ساعات، مقابل 23% سابقًا
- 18 نوفمبر 2026AWS تدمج Dynamo في HyperPod: نموذج Qwen3-235B يولّد 207 رموز/ثانية لكل GPU بدلاً من 101
- 18 نوفمبر 2026نموذج Jev الجديد يستجيب في 150 مللي ثانية مقابل 1,89 ثانية لدى GPT-6 Astra
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ماذا حققت OpenAI وAMD بالضبط؟
يتعلق الأمر بما يُعرف بكتلة IP، وهي جزء جاهز من تصميم الرقاقة يُستخدم لاحقًا في المنتجات. والمقصود هنا كتلة GPU الرئيسية من AMD، أي أنها ليست مسودة أولية يجد فيها أي نهج جديد هامش تحسين بسرعة. فقد أمضى مهندسو AMD سنوات في تحسينها. وبحسب تقدير OpenAI، فإن النتيجة، وهي تحسين في PPA يصل إلى 14% في أقل من خمسة أشهر، تعادل نحو عام من التقدم فوق العمل الذي أنجزه البشر أصلًا. وهنا تحفظان مهمان: عبارة «يصل إلى 14%» تعني الحد الأقصى وليس المتوسط، و«عام من التقدم» تقدير من OpenAI نفسها وليس قيمة مقيسة.
ما أبرز التفاصيل حول Jalapeño وRISC-V وSynopsys؟
ساعدت الطريقة نفسها في Jalapeño، وهي أول رقاقة من تصميم OpenAI مخصصة للاستدلال، أي لتشغيل النماذج المدرَّبة بالفعل. وبالنسبة إلى شركة تشتري قدرات حوسبة بكميات هائلة، يتحول كل واط وكل مليمتر مربع من السيليكون يجري توفيره مباشرة إلى مال. واختبرت OpenAI النماذج بشكل منفصل على أنوية المعالجات المفتوحة RISC-V. وهناك حقق GPT-6.2 Astra الجديد أفضل النتائج بين جميع أجيال النماذج. وهذه إشارة للمختصين إلى أن قدرة النماذج على المساعدة في تصميم الرقائق تتزايد من إصدار إلى آخر.
ما أبرز التفاصيل حول Anthropic تسلك الطريق نفسه؟
وتعرض Anthropic نتائج مشابهة. فبحسب الشركة، عالج نموذج Mythos الـprompts الخاصة بنموذج على GPU من طراز AMD MI355X في ثلاثة أيام فقط، في حين تستغرق هذه المهمة عادةً من ستة إلى اثني عشر شهرًا. ويعمل Claude حاليًا على أربع عائلات من الرقائق، وبهذا تحسّن الشركة الكلفة والأداء لكل دولار.
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.