OpenAI تكشف عن نموذج فائق السرعة لكتابة الأكواد البرمجية دون الاعتماد على رقائق Nvidia

كشفت OpenAI عن GPT-5.3-Codex-Spark، وهو نموذج متخصص في توليد الأكواد البرمجية يعمل أسرع بـ15 مرة من الإصدار السابق. غير أن الخبر الحقيقي لا يكمن في السرعة بقدر ما يكمن في كيفية تحقيقها: فقد حسّنت الشركة بنية النموذج لتناسب رقائق غير تقليدية بحجم الطبق، متجاوزةً عملياً اعتمادها الحرج على وحدات معالجة الرسوميات الشحيحة من Nvidia. وتعكس هذه الخطوة سعي OpenAI إلى السيطرة على المنظومة بأكملها، من البرمجيات إلى العتاد المادي، كما تؤكد تصاعد المنافسة في سوق معالجات الذكاء الاصطناعي المتخصصة.

خلال العامين الماضيين، تحولت Nvidia إلى ما يشبه عنق الزجاجة لجميع شركات الذكاء الاصطناعي الكبرى. فوحدات GPU من طرازي H100 وA100، اللتان أصبحتا معياراً لتدريب النماذج اللغوية الكبيرة، تحظيان بطلب هائل بينما يتخلف العرض عنه. الأسعار مرتفعة، والتوريدات تتأخر، والقيود الجيوسياسية تزيد الأمر تعقيداً. وتبحث OpenAI وMeta* وGoogle عن سبل لتقليل الاعتماد على Nvidia أو لتحسين استغلال الموارد المتاحة. وقد أعلنت شركة x.AI التابعة لإيلون ماسك مؤخراً عن رقاقة خاصة بها، وتفعل Apple الشيء نفسه عبر Neural Engine، بينما تستثمر Amazon في معالجات Trainium وInferentia. السوق يتفتت إلى شظايا، وقررت OpenAI ألا تتخلف عن الركب.

يُعدّ GPT-5.3-Codex-Spark تطويراً موجهاً لغرض محدد. فإذا كانت النماذج العامة مثل GPT-4o مطالبة بالتعامل مع مهام متعددة، فإن Codex يركّز على مهمة واحدة: كتابة الأكواد بأقصى سرعة ودقة ممكنتين. وقد أتاح ذلك لمهندسي OpenAI إجراء تحسينات جوهرية. فأُعيد تصميم البنية لتناسب خصوصية البرمجة، وأُزيلت طبقات حسابية زائدة، وأُعيدت هيكلة عمليات التنسورات (tensor operations). والنتيجة هي المستوى نفسه من جودة المخرجات بأدنى قدر من التكاليف الحسابية. لكن التغيير الأهم طال طبقة العتاد. فقد طورت OpenAI رقائق غير تقليدية، أو أعادت تصميمها بما يناسب احتياجاتها، بحيث تعمل مع هذه البنية بكفاءة تامة. وهذه المعالجات أصغر حجماً من وحدات GPU القياسية، وأسهل في الدمج، وتتطلب كهرباء وتبريداً أقل، وهي كلها عوامل تجعل مراكز البيانات أقل تكلفة وأكثر قدرة على تحمل الأعطال.

يبدو تحسن الأداء بمقدار 15 ضعفاً لافتاً، لكن هذا الرقم يحتاج إلى سياق. فالأرجح أنه لا يعني أن النموذج ينفذ العمليات الحسابية المباشرة أسرع بـ15 مرة، بل يتعلق بالزمن الكلي لتوليد الأكواد (end-to-end)، أي منذ طلب المستخدم وحتى ظهور المخرجات الجاهزة. وهنا تتراكم التحسينات: بنية محسّنة، ورقائق متخصصة، وخط معالجة (pipeline) أُعيد تصميمه. وهذا نهج مألوف في صناعة الذكاء الاصطناعي: خوارزمية في أعلى درجات الكفاءة على عتاد في أعلى درجات الكفاءة تعطي أفضل نتيجة.

وتحمل هذه الخطوة للصناعة عدة دلالات في آن واحد. أولاً، يزداد الضغط على Nvidia؛ فإذا بدأت شركات أخرى باستخدام رقائقها الخاصة بنجاح، فقد ينخفض الطلب على وحدات GPU. ثانياً، يعزز ذلك اتجاه التكامل الرأسي في مختبرات الذكاء الاصطناعي؛ فـApple وGoogle وMeta* والآن OpenAI، جميعها تطور رقائق خاصة بها. ثالثاً، هو خبر جيد للمطورين: فمولّد أكواد أسرع وأرخص قد يخفض تكلفة استخدام API ويجعل مساعدي الذكاء الاصطناعي في متناول عدد أكبر من المستخدمين.

لكن OpenAI لن تتخلص من Nvidia بالكامل. فالنماذج العامة لا تزال تتطلب وحدات GPU قوية في مرحلة التدريب. ويبدو أن رقائق OpenAI الخاصة محسّنة تحديداً للاستدلال (inference)، أي تشغيل النماذج المدرَّبة بالفعل. وهذا منطقي: فالتدريب يحدث نادراً، بينما تصل طلبات المستخدمين باستمرار. وقد وجدت OpenAI طريقة للسيطرة على الطبقة التي يمكن تحقيق الأرباح منها عبر الحجم الكبير. وهذه خطوة استراتيجية صائبة.

*Meta مصنّفة منظمة متطرفة ومحظورة في روسيا.