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 الاستنتاجات
- أعلنت شركتا OpenAI وBroadcom عن إطلاق رقاقة استنتاج مُطوَّرة بشكل مشترك ومُحسَّنة خصيصًا لنماذج اللغة الكبيرة، وفقًا لتقرير موقع StorageNewsletter.
- وتستهدف هذه المُسرِّعة عمليات الاستنتاج — أي الجانب الخاص بتقديم الخدمة في أنظمة الذكاء الاصطناعي — وليس عمليات التدريب، وتُركِّز على الجزء الأسرع نموًّا في الطلب على قدرات الحوسبة.
- ويُعَد هذا التعاون أوضح تحركٍ لشركة OpenAI نحو تصنيع شرائح إلكترونية مخصصة، كما يعكس توسع شركة Broadcom المستمر في مجال مُسرِّعات الذكاء الاصطناعي المصممة خصيصًا لمراكز البيانات الضخمة (hyperscale).
- وتعد رقائق الاستنتاج المصممة خصيصًا لنماذج اللغة الكبيرة بخفض تكلفة كل رمز (token) وتحقيق تأخير زمني أقل دقةً وزيادة كفاءة استهلاك الطاقة مقارنة بوحدات معالجة الرسوميات العامة الغرض.
- وبشكل منفصل، يترافق تغطية موقع StorageNewsletter مع تقارير تفيد بأن ديب سيك تعمل حاليًّا على تطوير رقاقة استنتاج خاصة بها للذكاء الاصطناعي، ما يؤكد التحوُّل الأوسع الذي تشهده الصناعة نحو المُسرِّعات الداخلية.
لماذا تكتسب رقاقة الاستنتاج المُخصَّصة لنماذج اللغة الكبيرة أهميةً متزايدةً الآن؟
اقتصاديات تشغيل أنظمة الذكاء الاصطناعي الحديثة نموذج لغوي كبير شهدت تحوُّلًا حادًّا خلال الأشهر الثمانية عشر الماضية. فبينما كانت عمليات التدريب تهيمن سابقًا على العناوين الرئيسية والإنفاق الرأسمالي (capex)، فإن عمليات الاستنتاج — أي اللحظة التي يقدِّم فيها النموذج فعليًّا إجابةً للمستخدم — أصبحت الآن تشكِّل الجزء الأكبر من الإنفاق المستمر على قدرات الحوسبة في عمليات النشر على نطاق مراكز البيانات الضخمة. ويصف تقرير موقع StorageNewsletter المُسرِّعة المشتركة بين OpenAI وBroadcom بأنها استجابة مباشرة لهذا التحوُّل، ويشير إلى أنها مُحسَّنة لأنماط الاستنتاج القائمة على بنى التحويل التي تشكِّل أساس أنظمة من طراز ChatGPT.
وتختلف أحمال عمل الاستنتاج هيكليًّا عن أحمال عمل التدريب: فهي حساسة جدًّا للتأخير الزمني، ومقيَّدة بعرض النطاق الترددي للذاكرة، وغالبًا ما تهيمن عليها عمليات ضرب المصفوفة في المتجه (matrix–vector) بدلًا من عمليات ضرب المصفوفة في المصفوفة (matrix–matrix) بعد المرحلة الأولية لمعالجة المُدخلات (prompt-processing). وبالتالي، يمكن لتصميم شريحة إلكترونية يعامل هذه الخصائص كقيود أولية — بدلًا من اقتباس معمارية موجَّهة للتدريب — أن يحقِّق، من حيث المبدأ، قفزة نوعية في تكلفة كل رمز. وهذه هي الرهان الكامن وراء هذا الإعلان.
ما أكَّده موقع StorageNewsletter حول هذه الرقاقة
والحقائق الأساسية المُبلَّغ عنها موجزة لكنها دقيقة: يفيد موقع StorageNewsletter بأن شركتي OpenAI وBroadcom قد أعلنتا عن مُسرِّعة استنتاج مُحسَّنة لنماذج اللغة الكبيرة. ويضع التقرير هذا التعاون في سياق موجة أوسع من برامج تصنيع الشرائح الإلكترونية المخصصة عبر قطاع الذكاء الاصطناعي، ويصنِّف الرقاقة على أنها مُصمَّمة خصيصًا لعمليات الاستنتاج، وليس كمُسرِّع عام للذكاء الاصطناعي.
وباستثناء ذلك، لم تُفصَّل تفاصيل محددة حول عقدة التصنيع (process node) أو تكوين الذاكرة أو الجداول الزمنية للإطلاق في المقاطع التقريرية المتاحة وقت كتابة هذا التقرير. وينبغي للقراء التعامل بحذر مع أي أرقام دقيقة تتعلق بأداء الرقاقة (TFLOPS) أو ذاكرة HBM أو كثافة التوزيع لكل رف (per-rack density) المنتشرة عبر وسائل التواصل الاجتماعي، حتى يتم تأكيدها رسميًّا من قِبل الشركتين. أما ما هو واضحٌ لا لبس فيه فهو الاتجاه الاستراتيجي: إذ تسعى OpenAI إلى امتلاك شرائح إلكترونية مُصمَّمة خصيصًا تحت تأثيرها المباشر، بينما تُعتبر شركة Broadcom الشريك الذي يحوِّل هذه النوايا إلى شرائح فعلية.
تبلور استراتيجية OpenAI في مجال الشرائح الإلكترونية
ولدى شركة OpenAI، يمثل شراكتها مع شركة Broadcom أوضح نتيجة ملموسة حتى الآن لاستراتيجيةٍ كانت محل نقاش واسع في وسائل الإعلام المتخصصة: وهي تقليل الاعتماد الحصري على مورد واحد فقط لوحدات معالجة الرسوميات، واكتساب نفوذ معماري على الرقائق التي تخدم نماذجها. وبذلك، تمنحها الرقاقة المطورة بشكل مشترك وسيلةً لتحسين التكامل بين العتاد والبرمجيات — مثل جدولة النوى (kernel scheduling) ومعالجة ذاكرة KV-cache وتسريع أنماط الانتباه (attention pattern acceleration) — بطريقة لا تستطيع وحدات معالجة الرسوميات التجارية مطابقتها بسهولة. ولذلك آثارٌ تمتد بعيدًا عن منتجات OpenAI نفسها: فأسعار واجهة برمجة التطبيقات (API) الخاصة بها، واستجابة التطبيقات التابعة لها، واستدامة الطبقات الموجَّهة للمستهلكين، كلها تتبع في نهاية المطاف تكلفة الرمز الواحد الذي يولِّده النظام.
وبإمكان المطورين الذين يتابعون منحنى الأسعار هذا تتبع كيفية انتقال اقتصاديات التكلفة لكل رمز عبر مختلف المزوِّدين باستخدام حاسبة تكلفة واجهات برمجة تطبيقات الذكاء الاصطناعيحاسبة تكلفة واجهات برمجة التطبيقات الخاصة بالذكاء الاصطناعي لدينا، التي تُحلِّل تكاليف أحمال العمل الواقعية مقابل التعريفات المنشورة.
دور شركة Broadcom المتنامي في مجال رقائق الذكاء الاصطناعي المُخصَّصة
وقد أصبحت شركة Broadcom بهدوء واحدةً من أكثر الأسماء أهميةً في مجال مُسرِّعات الذكاء الاصطناعي المُخصَّصة. فلقد امتد نشاطها في مجال تصميم الدوائر المتكاملة المخصصة (custom-ASIC business) — الذي كان يركِّز تاريخيًّا على أجزاء الشبكات وأجزاء مراكز البيانات الضخمة المصممة خصيصًا — ليشمل رقائق التعلُّم الآلي الخاصة ببعض أكبر مشغِّلي خدمات السحابة. وبإدراج شركة OpenAI ضمن قائمة عملائها، كما ورد في تقرير موقع StorageNewsletter، فإن ذلك يرسِّخ مكانة شركة Broadcom باعتبارها الشريك المفضَّل «بدون مصنع» (fabless partner) للمنظمات التي ترغب في الحصول على مُسرِّع مخصص دون الحاجة إلى إنشاء فريق كامل لتصميم الشرائح الإلكترونية من الصفر.
وبالنسبة لسوق العتاد الأوسع، فإن مشاركة شركة Broadcom ذات أهمية بالغة لأنها تؤكِّد نموذجًا ناجحًا: حيث تقدِّم مختبرات الذكاء الاصطناعي الرائدة معرفتها بأحمال العمل والأولويات المعمارية، بينما تساهم الشركات الرائدة في مجال الشرائح التجارية بخبرتها في التصميم المادي والتغليف وشراكات التصنيع. وقد بدأ تكرار هذا النموذج الآن عبر قطاع الصناعة بأكمله.
رقائق الاستنتاج مقابل وحدات معالجة الرسوميات العامة الغرض
والسؤال الأكثر إلحاحًا للمستخدمين النهائيين لنماذج الذكاء الاصطناعي هو: كيف تتفوق رقاقة الاستنتاج المُحسَّنة خصيصًا لنماذج اللغة الكبيرة على وحدات معالجة الرسوميات العامة الغرض التي تهيمن حاليًّا على السوق؟ ويوضِّح الجدول أدناه الاختلاف النوعي بين هذين النهجين التصميميين، استنادًا إلى أهداف التصميم الموصوفة في التقارير الصناعية، وليس وفقًا لأي اختبار أداء منشور لهذه الرقاقة الجديدة.
| السمة | وحدة معالجة رسوميات عامة الغرض للذكاء الاصطناعي | رقاقة استنتاج مُحسَّنة لنماذج اللغة الكبيرة |
|---|---|---|
| الحمل التشغيلي الأساسي | التدريب والاستنتاج | الاستنتاج فقط |
| الأولوية التصميمية | أقصى أداء حسابي (Peak FLOPS) والمرونة | عدد الرموز المُنتَجة في الثانية لكل واط، والتأخير الزمني |
| النظام البيئي البرمجي | واسعة ومُثبتة | مُصمَّمة بشكل متكامل ودقيق مع النماذج المستهدفة |
| الهدف من النشر | أي حمل عمل ذكاء اصطناعي | أسطول خوادم خدمة نماذج التحويل الكبيرة (Transformer LLM) |
| الوعد الاقتصادي | إعادة الاستخدام عبر مراحل التدريب والخدمة | انخفاض التكلفة لكل رمزٍ مُولَّد |
يمكن للفِرق التي تقيّم المفاضلة بين استئجار القدرة على الاستنتاج (inference) على وحدات معالجة رسومية عامة (GPUs) أو تشغيل شرائحها الخاصة استكشاف الحسابات الرياضية الكامنة وراء هذا القرار من خلال حاسبة مقارنة الاستضافة الذاتية مقابل واجهات برمجة التطبيقات, أو مقارنة خيارات المعجِّلات الحالية في ملخّصنا أفضل وحدات معالجة الرسومات (GPUs) للذكاء الاصطناعي .
التحول الأوسع في الصناعة نحو رقائق الذكاء الاصطناعي المُخصَّصة
يأتي إعلان OpenAI وBroadcom في سوقٍ يعيد تنظيم نفسه بوضوح حول المعجِّلات المخصصة. وتترافق تغطيتنا الخاصة في موقع StorageNewsletter مع تقرير منفصل يفيد بأن شركة DeepSeek تعمل على تطوير شريحة استنتاج ذكاء اصطناعي خاصة بها، وهي علامةٌ أخرى تدلّ على أن مطوري النماذج لم يعودوا راضين عن كونهم مجرد عملاء لبائعي وحدات معالجة الرسوميات (GPUs). وللقُرّاء الذين يتتبعون هذا النظام البيئي الصيني، فإن نظرةً عامةً لنا حول ديب سيك V4 (DeepSeek V4) توفر سياقًا حول الجانب النموذجي من هذه الجهود نفسها.
والمنطق الاستراتيجي متسقٌ عبر هذه البرامج: فعند أحجام الخدمة الفائقة (hyperscale)، فإن حتى التحسينات بنسبة أحادية الأرقام في عدد الرموز المُولَّدة لكل واط تُرجم إلى مئات الملايين من الدولارات سنويًّا. ويمكن لشريحة استنتاج مخصصة صُمِّمت خصيصًا لعائلة واحدة محددة من النماذج أن تحقّق هذه المكاسب بطريقة لا تستطيع وحدة معالجة رسوميات عامة التوجه (GPU) تحقيقها. وهذا لا يعني نهاية شرائح الذكاء الاصطناعي التجارية — إذ سيظل التدريب على وجه الخصوص سوقًا تعتمد عليه وحدات معالجة الرسوميات بشكل كبير — لكنه يعيد تشكيل المشهد التنافسي لمرحلة الاستنتاج (inference)، وهي المرحلة التي تتحدد فيها التكلفة النهائية للمستخدم النهائي.
ما الذي يعنيه هذا الأمر لمطوري الذكاء الاصطناعي والمؤسسات
أما بالنسبة للمطورين الذين يبنون تطبيقاتهم فوق واجهات برمجة التطبيقات (APIs) المتقدمة نموذج لغوي كبير فإن التبعية العملية واضحة جدًّا: يمكن توقع استمرار انخفاض منحنى تكلفة الاستنتاج للنماذج الكبيرة خلال الأرباع العديدة القادمة. فالشرائح المصممة خصيصًا تمثّل رافعة هيكلية مستدامة، وليست عرضًا ترويجيًّا لمرة واحدة فقط؛ وإذا حققت شريحة OpenAI–Broadcom أداءً يتماشى مع أهداف تصميمها، فمن المرجح أن تنعكس آثار ذلك تدريجيًّا في أسعار واجهات برمجة التطبيقات (APIs) والقيود المفروضة على معدلات الاستخدام. ويمكن للفِرق قياس هذه التغيّرات مقارنةً بالسوق الأوسع عبر مؤشر أداء الذكاء الاصطناعي مقابل التكلفة ومن قاعدة بيانات نماذج الذكاء الاصطناعي.
أما بالنسبة للشركات التي تقيّم استراتيجيات النشر، فإن الإعلان يعزّز نمطًا أصبح مألوفًا الآن: فستصبح خدمة الاستنتاج الأكثر كفاءة من حيث التكلفة متاحةً بشكل متزايد من موفري الخدمات الذين يشغلون شرائحهم الخاصة على نماذجهم الخاصة. وستظل عمليات النشر الذاتي على وحدات معالجة الرسوميات العامة (GPUs) تنافسيةً في حالات الأحمال التشغيلية الحساسة من حيث الخصوصية، لكن الفجوة في التكلفة المباشرة لكل رمز ستتسع على الأرجح في الحالات التي تتضمّن استخدام معجِّلات مخصصة.
الأسئلة الشائعة
ما الذي أعلنته OpenAI وBroadcom بالضبط؟ وفقًا لتقرير موقع StorageNewsletter، فقد كشفت الشركتان عن شريحة استنتاج مُحسَّنة خصيصًا لنماذج اللغة الكبيرة (LLMs)، وتم تطويرها بشكل مشترك. ويصف التقرير هذه الشريحة باعتبارها معجِّل استنتاج (inference accelerator) وليس جزءًا مخصصًا للتدريب.
هل ستحل هذه الشريحة محل وحدات معالجة الرسوميات المُلائمة للذكاء الاصطناعي الأحمال التشغيلية؟ من غير المرجح أن يحدث ذلك على المدى القريب. فشرائح الاستنتاج المخصصة لنماذج اللغة الكبيرة تستهدف جانب الخدمة (serving) من الذكاء الاصطناعي، حيث تهيمن التكلفة لكل رمز. أما مهام التدريب والأحمال التشغيلية المختلطة فهي متوقعة أن تستمر في الاعتماد بشكل كبير على وحدات معالجة الرسوميات العامة.
هل سيؤدي هذا إلى خفض سعر واجهة برمجة تطبيقات OpenAI؟ لا يتضمّن الإعلان أي إرشادات تتعلق بالأسعار، لكن الأساس الاستراتيجي لتطوير شرائح الاستنتاج المخصصة هو بالضبط خفض التكلفة لكل رمز. وأي تغيير في السعر سيظهر في تحديثات التعريفات المستقبلية لواجهات برمجة التطبيقات (APIs)، وليس فورًا.
كيف يرتبط هذا بالجهود الأخرى لتصميم شرائح ذكاء اصطناعي مخصصة؟ تترافق تغطية موقع StorageNewsletter مع تقارير عن قيام شركة DeepSeek بتطوير شريحة استنتاج ذكاء اصطناعي خاصة بها، وهي جزء من حركة صناعية أوسع تقوم بها شركات تطوير النماذج نحو تصنيع معجِّلات داخلية.
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.
النتيجة النهائية
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 ٧ يوليو ٢٠٢٦.
