أعلنت شركتا OpenAI وBroadcom عن إطلاق رقاقة استنتاج مُصمَّمة خصيصًا لنماذج اللغة الكبيرة، وهي خطوةٌ جوهرية قد تعيد تشكيل طريقة تقديم أنظمة الذكاء الاصطناعي الأكثر استخدامًا في العالم على نطاق واسع. ووفقًا لتقرير موقع StorageNewsletter، فقد تم تصميم هذه المُسرِّعة بشكل مشترك خصيصًا لأحمال العمل التي تعتمد اعتمادًا كبيرًا على بنى التحويل (transformer)، والتي تهيمن حاليًّا على الذكاء الاصطناعي التوليدي، ما يمثل أوضح خطوة حتى الآن من جانب OpenAI نحو دمجها الرأسي في مجال تصنيع الشرائح الإلكترونية (silicon). ولصناعة ظلت تعتمد لفترة طويلة على وحدات معالجة الرسوميات العامة الغرض لتشغيل عمليات الاستنتاج، فإن هذا الإعلان يُعد إشارةً إلى أن الاقتصاديات والتأخير الزمني (latency) وسلاسل التوريد المتعلقة بتقديم النماذج الكبيرة قد دخلت مرحلة جديدة. نموذج لغوي كبير أنظمة الذكاء الاصطناعي على نطاق واسع. ووفقاً لتقرير موقع StorageNewsletter، فقد صُمِّمت هذه المُسرِّعة خصيصًا لأنماط الاستنتاج القائمة على بنى التحويل التي تشكِّل الأساس لأنظمة من طراز ChatGPT، ما يُشير إلى استجابة مباشرة لهذه التحوُّلات.
أبرز النقاط المستخلصة
- كشفت OpenAI و Broadcom عن رقاقة استدلال مطورة بشكل مشترك مُحسّنة خصيصاً للنماذج اللغوية الكبيرة، وفقاً لـ StorageNewsletter.
- المسرع موجه نحو الاستدلال — الجانب التقديمي من الذكاء الاصطناعي — بدلاً من التدريب، استهدافاً للجزء الأسرع نمواً من طلب الحوسبة.
- تمثل هذه الشراكة أوضح خطوة لـ OpenAI نحو رقاقات سيليكون مخصصة وتوسع مستمر من Broadcom في مسرعات الذكاء الاصطناعي فائقة النطاق.
- رقاقات استدلال LLM المصممة بغرض محدد تعد بتكلفة منخفضة لكل رمز، وكمون أقل إحكاماً، وكفاءة طاقة محسّنة مقابل وحدات معالجة الرسومات ذات الأغراض العامة.
- بشكل منفصل، يترافق تغطية StorageNewsletter مع تقارير مفادها أن DeepSeek تطور رقاقة استدلال ذكاء اصطناعي مملوكة خاصة بها، مما يعكس محوراً أوسع في الصناعة نحو مسرعات داخلية.
لماذا تكون رقاقة استدلال LLM متخصصة مهمة الآن
اقتصاديات تشغيل نموذج حديث نموذج لغوي كبير قد تغيرت بشكل حاد في الثمانية عشر شهرًا الماضية. حيث كان التدريب يسيطر على العناوين ونفقات الاستثمار الرأسمالي في السابق، فإن الاستدلال — اللحظة التي يجيب فيها النموذج بالفعل على مستخدم — يمثل الآن النصيب الأكبر من نفقات الحسابات المستمرة في النشرات على نطاق واسع. يضع تقرير StorageNewsletter معجل OpenAI–Broadcom باعتباره ردًا مباشرًا على هذا التحول، واصفًا إياه بأنه محسّن لأنماط استدلال المحولات التي تدعم أنظمة من فئة ChatGPT.
أحمال عمل الاستدلال مختلفة هيكليًا عن التدريب: فهي حساسة للكمون، محدودة بنطاق ذاكرة الوصول العشوائي، وتهيمن عليها عمليات مصفوفة-متجه بدلاً من عمليات مصفوفة-مصفوفة بعد تجاوز مرحلة معالجة الموجه. التصميم السيليكوني الذي يعامل هذه الخصائص كقيود من الدرجة الأولى — بدلاً من استعارة معمارية موجهة للتدريب — يمكن، من حيث المبدأ، أن يحقق قفزة نوعية في التكلفة لكل رمز. هذا هو الرهان الذي يكمن وراء الإعلان.
ما أكدته StorageNewsletter بشأن الرقاقة
الحقائق الأساسية المُبلغ عنها مختصرة لكن ذات صلة: يقول StorageNewsletter إن OpenAI و Broadcom كشفا عن معجل استدلال محسّن لـ LLMs. يضع التقرير هذا التعاون جنبًا إلى جنب مع موجة أوسع من برامج السيليكون المخصصة عبر صناعة الذكاء الاصطناعي، ويضعه كتصميم موجه للاستدلال أولاً بدلاً من معجل ذكاء اصطناعي عام.
بعد ذلك، لم يتم تفصيل عقدة العملية المحددة، وتكوين الذاكرة، والجداول الزمنية للشحن في مقتطفات التقارير المتاحة وقت الكتابة. يجب على القراء التعامل بحذر مع أي أرقام TFLOPS أو HBM stack أو كثافة لكل رف تنتشر على وسائل التواصل الاجتماعي حتى يتم تأكيدها من قبل الشركات نفسها. ما هو واضح هو الاتجاه الاستراتيجي — OpenAI تريد سيليكون مخصص تحت تأثيرها الخاص، و Broadcom هي الشريك الذي يحول هذه النية إلى رقائق.
استراتيجية OpenAI للرقاقات تتخذ شكلها
بالنسبة لـ OpenAI، يمثل شراكة Broadcom أكثر النتائج ملموسة حتى الآن لاستراتيجية طويلة الأمد تمت مناقشتها في الصحافة المتخصصة: تقليل الاعتماد الحصري على مورد GPU واحد والحصول على النفوذ المعماري على الرقائق التي تخدم نماذجها. يمنح الجزء الاستدلالي المطور بشكل مشترك الشركة طريقة لمشاركة تحسين الأجهزة والبرامج — جدولة النواة، معالجة KV-cache، تسريع نمط الاهتمام — بطرق لا يستطيع GPU التاجر مطابقتها بسهولة. لهذا آثار تتجاوز بكثير منتجات OpenAI الخاصة: الأسعار على واجهته البرمجية، استجابة التطبيقات النهائية، واستدامة الطبقات الموجهة للمستهلك كلها تعود في النهاية إلى تكلفة رمز واحد مُنشأ.
يمكن للمطورين الذين يراقبون منحنى التسعير هذا تتبع كيفية ترجمة اقتصاديات التكلفة لكل رمز عبر الموفرين باستخدام حاسبة تكلفة واجهات برمجة تطبيقات الذكاء الاصطناعي (API)، الذي يحاكي تكاليف الأحمال الحقيقية مقابل التعريفات المنشورة.
الدور المتسع لـ Broadcom في رقاقات الذكاء الاصطناعي المخصصة
أصبحت Broadcom بهدوء واحدة من أهم الأسماء في معجلات الذكاء الاصطناعي المخصصة. امتد عملها في ASIC المخصص — المرسّخ تاريخيًا بأجزاء الشبكات والأجزاء المصممة من قبل hyperscaler — إلى سيليكون التعلم الآلي لبعض أكبر مشغلي السحابة. إضافة OpenAI إلى هذه القائمة، كما يفيد StorageNewsletter، يعزز موقع Broadcom كشريك fabless المفضل للمنظمات التي تريد معجل مخصص دون بناء فريق تصميم رقاقات كامل من الصفر.
بالنسبة لسوق الأجهزة الأوسع، تهم مشاركة Broadcom لأنها تؤيد نموذجًا: مختبر ذكاء اصطناعي متطورة يوفر معرفة الحمل والأولويات المعمارية، بينما يساهم محارب سيليكون التاجر في التصميم الفيزيائي والتغليف والشراكات التصنيعية. يتم الآن نسخ هذا النموذج عبر الصناعة.
رقاقات الاستدلال مقابل وحدات معالجة الرسومات ذات الأغراض العامة
السؤال الأكثر إلحاحًا لمستخدمي نماذج الذكاء الاصطناعي هو كيف يقارن معجل استدلال LLM المخصص مع GPUs ذات الأغراض العامة التي تهيمن حاليًا على السوق. يلتقط الجدول أدناه الفرق النوعي بين فلسفتي التصميم، بناءً على أهداف التصميم الموضحة في تقارير الصناعة بدلاً من أي معيار نشر للجزء الجديد.
| السمة | معالج رسومات ذكاء اصطناعي متعدد الأغراض | شريحة استدلال محسّنة للنماذج اللغوية الكبيرة |
|---|---|---|
| عبء العمل الأساسي | التدريب والاستدلال | الاستدلال فقط |
| أولوية التصميم | ذروة FLOPS والمرونة | الرموز في الثانية لكل واط والكمون |
| النظام البيئي للبرمجيات | واسعة وناضجة | مصممة بتعاون وثيق مع النماذج المستهدفة |
| هدف النشر | أي عبء عمل ذكاء اصطناعي | أساطيل خدمة نماذج Transformer LLM |
| الوعد الاقتصادي | إعادة الاستخدام عبر التدريب والخدمة | انخفاض التكلفة لكل رمز مولد |
يمكن للفريق التي تزن المقابلة بين استئجار الاستدلال على معالجات GPU العامة وتشغيل السيليكون الخاص بها أن تستكشف الرياضيات وراء هذا الاختيار من خلال حاسبة المقارنة بين الاستضافة الذاتية وواجهة برمجة التطبيقات (API)أو مقارنة خيارات المسرّعات الحالية في أفضل معالجات الرسومات للذكاء الاصطناعي ملخصنا.
الاتجاه الأوسع للصناعة نحو رقاقات ذكاء اصطناعي مخصصة
يأتي الإعلان المشترك بين OpenAI و Broadcom في سوق يعيد ترتيب نفسه بشكل واضح حول المسرّعات المخصصة. يجلس التغطية الخاصة بـ StorageNewsletter جنباً إلى جنب مع تقرير منفصل مفاده أن DeepSeek تطور رقاقة استدلال ذكاء اصطناعي مملوكة، وهي علامة أخرى على أن مطوري النماذج لم يعودوا مكتفين بكونهم عملاء محضين لبائعي معالجات GPU التجاريين. بالنسبة للقراء الذين يتابعون تلك النظام البيئي الصيني، يوفر ملخصنا الخاص بـ DeepSeek V4 السياق على جانب النموذج من نفس الدفع.
المنطق الاستراتيجي متسق عبر هذه البرامج: عند أحجام الخدمة على نطاق واسع، حتى التحسينات بنسبة أحادية الأرقام في الرموز لكل واط تترجم إلى مئات الملايين من الدولارات سنوياً. يمكن لرقاقة استدلال مخصصة مصممة لعائلة نموذج واحدة محددة استخراج هذه المكاسب بطرق لا يستطيع معالج GPU موجه على نطاق واسع القيام بها. هذا لا يعني نهاية السيليكون التجاري للذكاء الاصطناعي — سيظل التدريب على وجه الخصوص سوقاً موجهة بشدة نحو معالجات GPU — لكنه يعيد تشكيل المشهد التنافسي للاستدلال، وهو المكان الذي يتم فيه تحديد التكلفة النهائية للمستخدم في النهاية.
ماذا يعني هذا لمطوري وشركات الذكاء الاصطناعي
بالنسبة للمطورين الذين يبنون على نموذج لغوي كبير واجهات برمجية التطبيقات الرائدة، الآثار العملية واضحة ومباشرة: توقع أن تستمر منحنى التكلفة للاستدلال من النماذج الكبيرة في الانحناء نحو الأسفل على مدى الأرباع القادمة. السيليكون المصنوع بأغراض محددة هو رافعة هيكلية دائمة، وليس ترويجاً لمرة واحدة، وإذا كانت رقاقة OpenAI–Broadcom تعمل كما تقترح أهداف تصميمها، فيجب أن تنتقل إلى تسعير واجهة برمجية التطبيقات والحدود المسموحة بمرور الوقت. يمكن للفريق قياس هذه التغييرات مقابل السوق الأوسع عبر مؤشر الأداء السعري للذكاء الاصطناعي ونحن قاعدة بيانات نماذج الذكاء الاصطناعي.
بالنسبة للمؤسسات التي تقيّم استراتيجيات النشر، يعزز الإعلان نمطاً أصبح الآن مألوفاً: سيأتي الاستدلال الأكثر فعالية من حيث التكلفة بشكل متزايد من مزودي الخدمة الذين يشغلون السيليكون الخاص بهم على نماذجهم الخاصة. ستظل عمليات النشر ذاتية الاستضافة على وحدات معالجة الرسومات العامة الغرض قادرة على المنافسة للأعباء الحساسة للخصوصية، لكن الفجوة في التكلفة الخام لكل رمز من المرجح أن تتسع عندما تكون معالجات التسريع المخصصة متورطة.
الأسئلة الشائعة
ما الذي أعلنته OpenAI و Broadcom بالضبط؟ وفقاً لـ StorageNewsletter، كشفت الشركتان عن رقاقة استدلال محسّنة خصيصاً للنماذج اللغوية الكبيرة، طورتاها بشكل مشترك. تقدّم التقارير الأمر على أنه معالج موجه للاستدلال بدلاً من أن يكون جزء تدريب.
هل ستحل هذه الرقاقة محل وحدات معالجة الرسومات (GPUs) المُستخدمة في تطبيقات الذكاء الاصطناعي الأعباء؟ من غير المرجح في المدى القريب. يستهدف السيليكون المتخصص للاستدلال LLM جانب الخدمة في الذكاء الاصطناعي، حيث تهيمن التكلفة لكل رمز. من المتوقع أن يستمر التدريب والأعباء المختلطة في الاعتماد بشكل كبير على وحدات معالجة الرسومات العامة الغرض.
هل سيؤدي هذا إلى خفض سعر API الخاص بـ OpenAI؟ لا يتضمن الإعلان إرشادات تسعيرية، لكن المنطق الاستراتيجي لسيليكون الاستدلال المخصص هو بالضبط لتقليل التكلفة لكل رمز. أي تغيير سيظهر في تحديثات رسوم API المستقبلية بدلاً من الظهور فوراً.
كيف يرتبط هذا بجهود رقاقات الذكاء الاصطناعي المخصصة الأخرى؟ يظهر تقرير StorageNewsletter بجانب تغطية DeepSeek لتطوير رقاقة استدلال ذكاء اصطناعي خاصة بها، وهي جزء من حركة صناعية أوسع من مطوري النماذج نحو معالجات داخلية الصنع.
متى ستُطرح هذه الشريحة فعليًّا في الأسواق؟ لم تُفصّل التقارير المتاحة وقت كتابة هذا التقرير جداول زمنية محددة. وينبغي على القرّاء متابعة الإعلانات التكميلية الصادرة مباشرةً عن OpenAI أو Broadcom للحصول على تواريخ النشر النهائية.
الخلاصة
إن معجِّل الاستنتاج المشترك بين OpenAI وBroadcom، كما ورد في تقرير موقع StorageNewsletter، لا يركّز كثيرًا على مواصفات شريحة واحدة، بل يعكس تحولًا دائمًا في طريقة تقديم الذكاء الاصطناعي المتقدم. فقد أصبحت شرائح نماذج اللغة الكبيرة المصممة خصيصًا — والتي صُمِّمت بالتعاون الوثيق بين المختبر الذي يملك الحمولة التشغيلية والشركة المصممة للشرائح دون مصانع (fabless) التي تمتلك تدفق التصميم المادي — النموذج الذي بدأت شركات تطوير النماذج الأخرى تقليده بوضوح. أما الاستنتاج العملي للمستخدمين والمطورين لنماذج الذكاء الاصطناعي فهو أن «الحد الأدنى» للتكلفة التشغيلية لنماذج اللغة الكبيرة عند نطاق واسع ينخفض بفعل التصميم، وليس بسبب الخصومات المؤقتة؛ والشركات التي تنسّق استراتيجيات النشر لديها مع هذه الاتجاهات ستكون في أفضل وضعٍ للاستفادة منها.
المصادر: news.google.com. نُشر التقرير في 7 يوليو 2026.