ذكاء OpenAI الاصطناعي يحسّن شريحة AMD بنسبة تصل إلى 14% في الطاقة والسرعة والمساحة خلال خمسة أشهر
يقضي المهندسون أشهرًا في تحسين دائرة شريحة جاهزة يدويًا لانتزاع بضع نقاط مئوية: طاقة أقل، وسرعة أعلى، وسيليكون أقل. وقد حسّنت نماذج OpenAI هذه المؤشرات الثلاثة (PPA) في كتل المعالج الرسومي الرائد من AMD بنسبة إجمالية بلغت 14%. وبحسب تقدير OpenAI، استغرق العمل أقل من خمسة أشهر بدل عام، وتولّت برمجيات Synopsys التحقق من التعديلات. الخلاصة: يصلح الذكاء الاصطناعي لتحسين الدوائر إذا كان بالإمكان التحقق من النتيجة تلقائيًا.
معالج بواسطة الذكاء الاصطناعي من 3DNews AI؛ بتحرير Hamidun News
تخيّل أن لديك شيفرة برمجية تعمل، وقد حسّنها خبراء ذوو خبرة أصلًا، وتحتاج إلى انتزاع بضع نقاط مئوية إضافية منها. الأمر نفسه ينطبق على الرقاقات الإلكترونية، لكنه أكثر كلفة: فكل نقطة مئوية توفَّر في الطاقة أو السرعة أو مساحة السيليكون تعني أموالًا على ملايين الرقاقات. وقد أعلنت OpenAI أنها كلّفت نماذجها بهذا النوع من التحسين. فعلى كتل المعالج الرسومي الرائد من AMD، حسّنت النماذج ثلاثة مؤشرات دفعة واحدة: استهلاك الطاقة والأداء والمساحة التي تشغلها الدائرة، وهي مؤشرات تختصرها الصناعة في المصطلح PPA (Power, Performance, Area). وبلغ التحسن الإجمالي ما يصل إلى 14% قياسًا بتصاميم سبق أن حسّنها المهندسون بعناية. وبحسب تقدير OpenAI، استغرق ذلك أقل من خمسة أشهر، في حين كان النهج المعتاد يتطلب نحو عام.
ماذا فعل الذكاء الاصطناعي تحديدًا
بدأ العمل في مطلع عام 2025 على مسرّع OpenAI الخاص المسمى Jalapeño، وكان النموذج المستخدم حينها GPT-o3 mini. وتولّى النموذج الكتلة المتجهية، وهي الجزء من الشريحة الذي ينفّذ العمليات الحسابية المتوازية. وحسّن المجمِّعات ووحدات الضرب وكتل تحويل البيانات ووحدات العمليات الخاصة. كما بسّط النموذج الدوائر المنطقية وأعاد توزيع العمليات الحسابية على مراحل خط المعالجة. ونتيجة لذلك صارت عمليات مختلفة تستخدم المكوّنات العتادية نفسها، وانخفض حجم البيانات المخزّنة مؤقتًا في الذاكرة.
والأرقام كالتالي. صارت وحدة الضرب تشغل مساحة أقل بنسبة 15%، وتنفّذ العملية في دورة ساعة واحدة بدل دورتين. وتقلّص المجمِّع كذلك بنسبة 15%، مع بقاء زمن تأخيره كما هو، أي دورتين. وفي المجمل، انخفضت مساحة الخلايا القياسية في الكتلة المتجهية بنحو 13% بحسب التقدير، وفي الكتلة المصفوفية بنحو 10%.
كيف جرى العمل مع AMD
في إطار التعاون مع AMD، اقترحت نماذج OpenAI تعديلات على شيفرة RTL المكتوبة بلغة SystemVerilog، وهي اللغة التي تُوصف بها الدوائر الرقمية على مستوى العتاد. ولم ينظر النموذج إلى الكتل الحسابية فحسب، بل نظر أيضًا إلى دوائر التحكم ونقل البيانات.
ولم تُقبل اقتراحات الذكاء الاصطناعي على الثقة. فقد جرى التحقق من الدوائر بأدوات Synopsys، التي أكدت أن الكتل تحتفظ بسلوكها الأصلي بعد التعديلات، وساعدت في تقييم المفاضلات بين استهلاك الطاقة والأداء ومساحة الرقاقة. وأدرجت AMD بعض التعديلات بالفعل في أحد المشاريع المرسلة إلى التصنيع، وأضافت الباقي إلى وثائق المشروع للإصدارات المقبلة من الرقاقات. كما أكدت الشركة تحسنًا في PPA بنسبة بضعة بالمئة في الكتل الرئيسية لمعالجات مركزية رائدة من الجيل القادم، صُمّمت بمساعدة نماذج OpenAI.
اختبار على نوى RISC-V المفتوحة والتحفظات
لمقارنة أجيال النماذج، اعتمدت OpenAI نواتين معالجتين مفتوحتين من معمارية RISC-V: PicoRV32 المخصصة للدوائر القابلة للبرمجة، وIbex المستخدمة في OpenTitan. وكانت هناك مهمتان: تسريع نواة جاهزة، وتصميم معالج من الصفر استنادًا إلى وصف المتطلبات. وعند حجم حسابي متقارب، نحو 112 ألف رمز (توكن) لكل تشغيلة، حقق GPT-6.2 Astra أفضل نتيجة على النواتين معًا، وتفوّق GPT-6.1 Sol على GPT-5.6 Sol. وأُجري ما مجموعه 9881 اختبارًا، وحصلت النماذج الخمسة جميعها على تقييمات أعلى عند تصميم معالج من الصفر مقارنة بتحسين دائرة قائمة.
لكن لهذه الأفضلية جانبًا آخر تحذّر منه OpenAI نفسها. ففي التصميم من الصفر قد لا تُدرَج وظائف المعالج الأصلي التي بالكاد تؤثر في نتائج الاختبارات المحددة. لذلك لا تعكس هذه الاختبارات التطوير الفعلي بصورة كاملة. وللتحقق الصارم لا بد من وظائف إلزامية، وقيود أشد على مساحة الرقاقة، وفحص للدائرة بعد التصميم الفيزيائي.
ماذا يعني هذا عمليًا
الدرس الرئيسي لمن يبنون الوكلاء (agents): يحقق الذكاء الاصطناعي نتائج حيث يوجد تحقق تلقائي. وقد وفّرته هنا أدوات Synopsys، وتحوّل ثنائية «النموذج يقترح، والبرمجية المدققة تؤكد» الأفكارَ إلى تعديلات صالحة للتصنيع. والأمر نفسه ينطبق على التطوير البرمجي المعتاد: يمكن إشراك وكيل مزوَّد باختبارات وأدوات فحص الشيفرة (linters) في تحسين شيفرة جاهزة بجرأة أكبر بكثير من الوكيل الذي يفتقر إليها.
وتتخذ OpenAI خطوتها التالية مع Synopsys: تعمل الشركتان على تطوير نموذج GPT-Synopsys، الذي سيتمكن من استخدام أدوات التصميم والتحقق الآلي من الدوائر كما يفعل مصممو الرقاقات المحترفون.
وينبغي التنبه إلى القيود. فجميع الأرقام تقديرات من OpenAI نفسها، ولا توجد قياسات مستقلة. ورقم 14% هو «حتى»، وليس متوسطًا على جميع الكتل. ومقارنة «عام مقابل خمسة أشهر» تقدير تقريبي، وليست تجربة مضبوطة. لكن إدراج بعض التعديلات في مشروع أُرسل إلى التصنيع يدل على أن الذكاء الاصطناعي في تصميم الرقاقات تجاوز مرحلة العروض التوضيحية.
- 21 نوفمبر 2026نموذج GPT-6 Cyber من OpenAI يكتشف نحو 35 ثغرة في iPhone وMac وأجهزة Apple الأخرى
- 21 نوفمبر 202622 وكيل من Claude بحثوا ست أسابيع في ألغاز الثقوب السوداء — وحلّوا مسألتين
- 21 نوفمبر 2026Google تفصل بين حفظ المحادثات والتدريب في Gemini: إلغاء التدريب دون خسارة السجل
- 21 نوفمبر 2026في الإصدار التجريبي الثاني من macOS 27.3: أبل تتيح تقييد وصول وكلاء الذكاء الاصطناعي إلى ملفات Mac
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ماذا فعل الذكاء الاصطناعي تحديدًا؟
بدأ العمل في مطلع عام 2025 على مسرّع OpenAI الخاص المسمى Jalapeño، وكان النموذج المستخدم حينها GPT-o3 mini. وتولّى النموذج الكتلة المتجهية، وهي الجزء من الشريحة الذي ينفّذ العمليات الحسابية المتوازية. وحسّن المجمِّعات ووحدات الضرب وكتل تحويل البيانات ووحدات العمليات الخاصة. كما بسّط النموذج الدوائر المنطقية وأعاد توزيع العمليات الحسابية على مراحل خط المعالجة. ونتيجة لذلك صارت عمليات مختلفة تستخدم المكوّنات العتادية نفسها، وانخفض حجم البيانات المخزّنة مؤقتًا في الذاكرة. والأرقام كالتالي.
ما أبرز التفاصيل حول كيف جرى العمل مع AMD؟
في إطار التعاون مع AMD، اقترحت نماذج OpenAI تعديلات على شيفرة RTL المكتوبة بلغة SystemVerilog، وهي اللغة التي تُوصف بها الدوائر الرقمية على مستوى العتاد. ولم ينظر النموذج إلى الكتل الحسابية فحسب، بل نظر أيضًا إلى دوائر التحكم ونقل البيانات. ولم تُقبل اقتراحات الذكاء الاصطناعي على الثقة. فقد جرى التحقق من الدوائر بأدوات Synopsys، التي أكدت أن الكتل تحتفظ بسلوكها الأصلي بعد التعديلات، وساعدت في تقييم المفاضلات بين استهلاك الطاقة والأداء ومساحة الرقاقة.
ما أبرز التفاصيل حول اختبار على نوى RISC-V المفتوحة والتحفظات؟
لمقارنة أجيال النماذج، اعتمدت OpenAI نواتين معالجتين مفتوحتين من معمارية RISC-V: PicoRV32 المخصصة للدوائر القابلة للبرمجة، وIbex المستخدمة في OpenTitan. وكانت هناك مهمتان: تسريع نواة جاهزة، وتصميم معالج من الصفر استنادًا إلى وصف المتطلبات. وعند حجم حسابي متقارب، نحو 112 ألف رمز (توكن) لكل تشغيلة، حقق GPT-6.2 Astra أفضل نتيجة على النواتين معًا، وتفوّق GPT-6.1 Sol على GPT-5.6 Sol. وأُجري ما مجموعه 9881 اختبارًا، وحصلت النماذج الخمسة جميعها على تقييمات أعلى عند تصميم معالج من الصفر مقارنة بتحسين دائرة قائمة.
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.