كشفت OpenAI عن نموذج فائق السرعة للبرمجة لتجاوز رقائق Nvidia

قدمت OpenAI نموذج GPT-5.3-Codex-Spark — وهو نموذج متخصص لتوليد الأكواد يعمل بسرعة أسرع 15 مرة من الإصدار السابق. لكن الخبر الحقيقي لا يتعلق بقدر كبير بالسرعة، بل بالطريقة التي حققتها OpenAI: قامت الشركة بتحسين البنية المعمارية لمعالجات غير قياسية بحجم الطبق، متجاوزة فعليًا الاعتماد الحرج على معالجات الرسومات Nvidia النادرة. هذه الخطوة تدل على رغبة OpenAI في السيطرة على المجموعة الكاملة — من البرامج إلى الأجهزة الفيزيائية — وتسلط الضوء في الوقت نفسه على التنافس المتزايد في سوق معالجات الذكاء الاصطناعي المتخصصة.

خلال السنتين الماضيتين، أصبحت Nvidia عنق الزجاجة لجميع شركات الذكاء الاصطناعي الكبرى. معالجات الرسومات H100 و A100، التي أصبحت المعيار لتدريب نماذج اللغة الكبيرة، تحظى بطلب هائل، لكن العرض متأخر. الأسعار مرتفعة، الشحنات متأخرة، والقيود الجيوسياسية تعقد الأمور بشكل أكبر. OpenAI وMeta وGoogle — جميعها تبحث عن طرق لتقليل الاعتماد على Nvidia أو تحسين استخدام الموارد المتاحة. أعلنت شركة x.AI التابعة لإيلون ماسك مؤخرًا عن معالجها الخاص، وتفعل Apple الشيء نفسه مع Neural Engine الخاص بها، وتستثمر Amazon في معالجات Trainium و Inferentia. السوق ينقسم إلى أجزاء، وقررت OpenAI عدم التأخر.

GPT-5.3-Codex-Spark هو تطوير موجه. إذا كانت النماذج العامة مثل GPT-4o يجب أن تتعامل مع مهام متعددة، فإن Codex يركز على شيء واحد: كتابة الأكواد بأسرع طريقة وبدقة عالية. هذا سمح لمهندسي OpenAI بإجراء تحسين كبير. تمت إعادة هندسة البنية المعمارية لتتناسب مع خصوصيات البرمجة، تم إزالة الطبقات الحسابية غير الضرورية، تمت إعادة هيكلة العمليات الموترية. النتيجة هي نفس الإخراج عالي الجودة مع تكاليف حسابية أقل. لكن التغيير الرئيسي يتعلق بطبقة الأجهزة. قامت OpenAI بتطوير أو إعادة التفكير في معالجات غير قياسية تعمل مع هذه البنية المعمارية بشكل طبيعي. هذه المعالجات أكثر حجما صغرًا من معالجات الرسومات القياسية، وتتكامل بسهولة أكبر، وتتطلب كهرباء وتبريد أقل — كل ما يجعل مراكز البيانات أرخص وأكثر مرونة في مواجهة الأعطال.

الزيادة في الأداء 15 مرة مثيرة للإعجاب، لكن الرقم يتطلب سياقًا. من المحتمل أن لا يعني أن النموذج ينفذ الحسابات المباشرة بسرعة أسرع 15 مرة. الحديث يدور حول الوقت الشامل end-to-end لتوليد الأكواد — من طلب المستخدم إلى النتيجة النهائية. هنا التحسينات تتراكم: البنية المعمارية المحسّنة، المعالجات المتخصصة، خط أنابيب المعالجة المعاد هندسته. هذا نهج نموذجي لصناعة الذكاء الاصطناعي: أكثر الخوارزميات كفاءة على أكثر الأجهزة كفاءة يعطي أقصى نتيجة.

بالنسبة للصناعة، هذا يعني عدة أشياء في نفس الوقت. أولاً، يشتد الضغط على Nvidia. إذا بدأت شركات أخرى باستخدام معالجاتها الخاصة بنجاح، قد ينخفض الطلب على معالجات الرسومات. ثانيًا، يعزز الاتجاه نحو التكامل الرأسي في معامل الذكاء الاصطناعي. Apple وGoogle وMeta والآن OpenAI — جميعها تطور معالجاتها الخاصة. ثالثًا، بالنسبة للمطورين، هذه أخبار جيدة: مولد أكواد أسرع وأرخص يمكن أن يقلل تكلفة استخدام واجهات برمجية التطبيقات ويجعل مساعدات الذكاء الاصطناعي أكثر سهولة في الوصول.

لكن OpenAI لن تتحرر بالكامل من Nvidia. النماذج العامة تتطلب معالجات رسومات قوية أثناء التدريب. معالجات OpenAI الخاصة، يبدو أنها محسّنة على وجه التحديد للاستدلال — تشغيل النماذج المدربة بالفعل. هذا منطقي: التدريب يحدث بندرة، لكن طلبات المستخدمين تأتي باستمرار. وجدت OpenAI طريقة للسيطرة على الطبقة حيث يمكنها الربح من الحجم. وهذه هي الخطوة الاستراتيجية الصحيحة.