شريحة OpenAI المخصصة تتفوق على Nvidia Blackwell خلال 9 أشهر فقط؟

المؤلف الأصلي: دونغ جينغ

المصدر الأصلي: Wallstreetcn

ظهرت أول شريحة طورتها OpenAI ذاتيًا، جالابينو، فجأة على الساحة، مقلوبةً المشهد الحالي لصناعة رقائق الذكاء الاصطناعي بوتيرة مذهلة—هذا ليس مجرد إطلاق منتج، بل إشارة إلى أن الذكاء الاصطناعي يعيد تشكيل طريقة تصميم الرقائق نفسها.

وفقًا لمقال على Wallstreetcn، ذكرت بلومبرغ في 25 أغسطس أن OpenAI صرحت بأن جالابينو تتفوق على شريحة GB300 من Nvidia في مقياسين رئيسيين: حجم أعباء عمل الذكاء الاصطناعي المعالجة لكل وحدة طاقة وسرعة الاستجابة. الشريحة، التي طُورت بالتعاون مع Broadcom، مصممة خصيصًا لمرحلة الاستدلال في الذكاء الاصطناعي ومن المتوقع أن تدخل حيز الاستخدام العملي في وقت مبكر من أواخر هذا العام. قال ريتشارد هو، رئيس قسم الرقائق في OpenAI، إن جالابينو تقدم أداءً قويًا باستهلاك طاقة منخفض يبلغ 700 واط، مما يساعد على خفض تكاليف الكهرباء في مراكز البيانات بشكل كبير.

وفقًا لشركة أبحاث أشباه الموصلات SemiAnalysis، استغرقت الشريحة حوالي 16 شهرًا فقط من بدء التصميم إلى إخراج الشريحة، مع اكتمال عقدة تغليف CoWoS الحرجة في نوفمبر 2025—أي قبل 9 أشهر فقط، وهي فترة أقصر بكثير من دورة الصناعة المعتادة التي تتراوح بين 18 و36 شهرًا.

زار باحثو SemiAnalysis مختبر OpenAI شخصيًا واختبروا جالابينو باستخدام مجموعة المعايير الخاصة بهم InferenceX. وكانت النتيجة مباشرة: تفوقت الشريحة على جميع رقائق Nvidia وAMD وGoogle التي اختبروها سابقًا من حيث الأداء لكل واط (perf/W).

والأكثر إثارة للاهتمام أن هذه النتيجة تحققت دون تفعيل جالابينو لفك الترميز التخميني أو فصل التعبئة المسبقة عن فك الترميز (PDD)، بينما كانت الرقائق الأخرى المقارنة تعمل جميعها بإعداداتها المثلى.

لا عجب أن محلل أشباه الموصلات الشهير ديلان باتيل صرح بصراحة: "لم يتم الإطاحة بـ Blackwell فحسب—بل تم تجاوز شريحة Rubin من Nvidia أيضًا"!

يعتقد المحللون أن هذه النتيجة تشكل تحديًا مباشرًا لمكانة Nvidia في السوق وتجبر السوق على إعادة تقييم المشهد التنافسي لرقائق الذكاء الاصطناعي.

بيانات المعايير: جالابينو تسحق Blackwell في مقاييس رئيسية متعددة

تظهر نتائج اختبارات SemiAnalysis أن ميزة جالابينو في كفاءة الاستدلال كبيرة جدًا.

على نموذج GPT-OSS 120B، تنتج جالابينو حوالي 1,459 رمزًا في الثانية، بينما تحقق GB200 من Nvidia 535 فقط. من حيث زمن الوصول الكلي، تكمل جالابينو المهمة في 1.65 ثانية فقط، بينما تستغرق GB300 ما يقرب من 6 ثوانٍ—فارق 3.6 أضعاف. في السيناريوهات عالية التفاعل، عندما يتم دفع GB300 إلى أقصى سرعة فك ترميز (169 رمزًا في الثانية)، يكون معدل إنتاجية جالابينو أعلى بمقدار 104.3 مرة.

من حيث الرموز لكل ميغاواط في الثانية—وهو مقياس أساسي لكفاءة الطاقة في مراكز البيانات—تحقق جالابينو حوالي 53 مليون رمز/ميغاواط/ثانية على نموذج GPT-OSS، بينما تصل GB200 NVL72 إلى حوالي 10 ملايين فقط.

تشير SemiAnalysis إلى أن هذا المقياس يعادل أساسًا الرموز المنتجة لكل جول، ويحدد مباشرة سقف الإيرادات لمركز البيانات—وهي ميزة بالغة الأهمية في عصر تكون فيه القدرة الحاسوبية مقيدة بالكهرباء.

من منظور التكلفة على مستوى النظام، بعد أن أخذت SemiAnalysis في الاعتبار إمدادات الطاقة والتبريد والشبكات، تبلغ التكلفة الإجمالية للملكية (TCO) لكل شريحة في الساعة لجالابينو حوالي 1.56 دولار، وهي تقريبًا على قدم المساواة مع 1.55 دولار لشريحة H100، بينما تصل تكلفة Vera Rubin من Nvidia إلى 3.61 دولار.

من الجدير بالذكر أن SemiAnalysis أثارت أيضًا عدة تحفظات مهمة.

أولاً، النماذج المستخدمة في الاختبار ليست الأحدث المتاحة حاليًا. نشرت Nvidia وAMD نتائج بناءً على مجموعة AgentX على نماذج أكبر حجمًا (مثل DeepSeek V4 Pro وKimi K3)، بينما لم تكمل جالابينو اختبار AgentX بعد—وهي مجموعة تعكس الأداء بشكل أفضل في سيناريوهات الإنتاج الحقيقية مع أعباء عمل متعددة الأدوار وسياقات طويلة.

ثانيًا، المقارنة الأكثر إنصافًا ستكون مع Vera Rubin من Nvidia، التي تستخدم أيضًا HBM4، بدلاً من Blackwell. أداء Vera Rubin لكل واط أعلى بحوالي 5.4 أضعاف من GB200 NVL72، وبالمقارنة مع جالابينو، فإن الاثنتين متقاربتان تقريبًا في التكلفة الإجمالية للملكية (TCO) لكل رمز.

ثالثًا، لا تزال جالابينو في مرحلة العينات الهندسية، ومن المتوقع أن يبدأ الإنتاج الضخم تدريجيًا بحلول عام 2027.

رقائق مصممة بالذكاء الاصطناعي: تأثير دولاب الموازنة لـ GPT-Astra وCodex

السبب الأساسي وراء تطوير جالابينو بهذه السرعة المذهلة هو المشاركة العميقة لأدوات الذكاء الاصطناعي. وفقًا لـ SemiAnalysis، استخدمت OpenAI نماذج ذكاء اصطناعي داخلية على نطاق واسع في عملية تصميم الرقاقة، بما في ذلك GPT-Astra الذي حظي باهتمام واسع.

أشار مستخدم منصة X أندرو كوران، نقلاً عن معلومات من OpenAI، إلى أن GPT-Astra شارك بعمق في جميع مراحل بحث وتطوير جالابينو:

"استخدم الفريق Codex وGPT-Astra لضبط ثلاثة نماذج مفتوحة المصدر لم تكن في الأصل ضمن خطة الإنتاج الضخم لجالابينو للوصول إلى أداء عالٍ خلال شهرين."

هذا يعني أن الذكاء الاصطناعي لا يسرع تصميم الرقائق فحسب، بل يوسع أيضًا بسرعة نطاق النماذج التي يمكن للرقاقة دعمها.

بيانات SemiAnalysis تحدد هذا الإسهام بشكل أكبر:

التصميم بمساعدة الذكاء الاصطناعي قلل مساحة وحدة SIMD بنسبة 8% ومساحة محرك المصفوفات بنسبة 10%، مع تفوقه أيضًا على النسخة الأولية في التوقيت واستهلاك الطاقة.

على مستوى البرمجيات، استخدمت OpenAI نسخة موسعة داخليًا من Codex لكتابة نوى جالابينو، حيث وصلت بعض أكواد النوى إلى حوالي 3,000 سطر. في آليات الانتباه الأكثر أهمية من حيث الأداء ووحدات MoE، كان الكود المولد بالذكاء الاصطناعي أسرع بمقدار 1.5 إلى 1.8 مرة من تطبيقات أفضل المهندسين البشريين.

تقييم SemiAnalysis حاد: نماذج OpenAI التي تعمل على وحدات معالجة الرسوميات من Nvidia (مثل GPT-5.6 Sol) تُستخدم لتصميم شريحة تشكل تهديدًا حقيقيًا لخندق CUDA—"وحدات معالجة الرسوميات الخاصة بـ Nvidia تولد خليفتها المحتمل في الوقت الفعلي."

تحليل البنية: لماذا تكون "الأغراض العامة" أسرع؟

افترض العالم الخارجي عمومًا أن جالابينو شريحة مخصصة بعمق لنماذج OpenAI الخاصة، لكن استنتاج SemiAnalysis عكس ذلك: جالابينو شريحة عامة الأغراض لاستدلال الذكاء الاصطناعي، قادرة على تشغيل نماذج وأعباء عمل متنوعة، حتى بما في ذلك لعبة Doom المنقولة باستخدام Codex.

على المستوى المعماري، فلسفة التصميم الأساسية لجالابينو هي "القضاء على زمن الوصول الثابت". على عكس وحدات معالجة الرسوميات التي تعتمد على تسلسلات هرمية معقدة للذاكرة، تربط جالابينو نوى الحوسبة مباشرة بشرائح HBM، مع مزامنة النوى عبر شبكة تجميع مخصصة عالية النطاق الترددي، مما يقلل بشكل كبير من زمن الوصول إلى الذاكرة.

بالإضافة إلى ذلك، تستخدم جالابينو نوى تنفيذ خارج الترتيب (OoO) مقترنة بذاكرة تخزين مؤقت L1، بدلاً من الذاكرات المؤقتة المدارة برمجيًا الشائعة في المسرعات الأخرى، مما يسمح لها بالاقتراب من الذروة النظرية للأجهزة في سيناريوهات الدفعات الصغيرة وزمن الوصول المنخفض.

من حيث عرض النطاق الترددي للذاكرة، تستخدم جالابينو HBM4، محققة عرض نطاق ترددي للذاكرة يبلغ 15.4 تيرابايت/ثانية للحزمة الواحدة، مع عرض نطاق ترددي لـ HBM لكل واط يبلغ 22، مقارنة بـ 11.1 لشريحة Rubin من Nvidia و5.71 فقط لشريحة GB300.

تشير SemiAnalysis إلى أن سرعة دبابيس HBM4 في جالابينو تصل إلى 10 جيجابت/ثانية، وهي أعلى قليلاً من 9.6 جيجابت/ثانية في Rubin من Nvidia، وقد يكون مورد HBM هو سامسونج.

من الجدير بالذكر أن جالابينو اختارت عدم تنفيذ فصل التعبئة المسبقة عن فك الترميز (PDD). قدمت SemiAnalysis شرحًا مفصلاً:

في بيئات الإنتاج الحقيقية، تتغير المعلمات مثل نسبة الإدخال إلى الإخراج والتزامن ومعدل إصابة ذاكرة التخزين المؤقت باستمرار. يؤدي التجميع الثابت إلى انخفاض الاستخدام العالمي، بينما يمكن لمجموعة الموارد المتجانسة الاستجابة بمرونة لتغيرات حركة المرور والتخصيص الديناميكي بين الطلبات الحساسة لزمن الوصول ومعالجة الدفعات عالية الإنتاجية.

خندق CUDA: هل بدأت الشقوق تظهر بالفعل؟

يقدم تقرير SemiAnalysis حكمًا ثقيلاً: قد يكون خندق CUDA قد مات بالفعل.

الأساس يكمن في مقارنة سرعة تطوير البرمجيات. اكتمل إخراج شريحة CoWoS لـ Rubin من Nvidia قبل شهر واحد من جالابينو، ولكن حتى الآن، البيانات المعيارية الوحيدة المنشورة لـ Rubin تأتي من عينات هندسية من CoreWeave. لم تفتح Nvidia مختبراتها لأطراف ثالثة للاختبار المجاني كما فعلت OpenAI. تعتقد SemiAnalysis أن هذا لا يعكس فجوة في الأجهزة بل فجوة في نضج البرمجيات.

بناء مجموعة برمجيات من الصفر سمح لـ OpenAI بالتخلص من الأعباء التاريخية واتخاذ قرارات معمارية أنظف. تستخدم OpenAI لغة برمجة النوى الخاصة بها Gluon (المبنية على Triton) ومحرك استدلال داخلي يسمى "Teacup"، وتستفيد من Codex لضبط النوى بسرعة. لاحظت SemiAnalysis أنه في أقل من أسبوعين، تحسن معدل إنتاجية جالابينو عند سرعات تفاعل محددة بأكثر من الضعف؛ وخلال 8 أيام، وسع الفريق التوازي الموتر من TP8 إلى TP32، محققًا نشرًا كاملاً عبر الرفوف.

ومع ذلك، تشير SemiAnalysis بوضوح إلى أن الاختبارات الحالية تغطي فقط عبء العمل البسيط نسبيًا 8k1k ولم تكمل بعد اختبار AgentX متعدد الأدوار ذي السياق الطويل. في ظل أعباء عمل الوكلاء الأكثر تعقيدًا، سيصبح أداء مكونات مثل أجهزة التوجيه وذاكرات التخزين المؤقت للبادئات تحديات جديدة.

الخطوات التالية: B0 دخلت المصنع بالفعل، وخارطة طريق 10 جيجاواط تتكشف

قصة جالابينو لم تنته بعد.

وفقًا لـ SemiAnalysis، جميع العينات المختبرة علنًا هي من مراجعة A0، بينما دخلت مراجعة B0 المصنع بالفعل ومن المتوقع أن تحسن الأداء لكل واط بنحو 25% مقارنة بـ A0—ستوفر قالب الحوسبة الواحد في B0 قدرة 13.4 بيتافلوب من حسابات MXFP4 مع الحفاظ على TDP عند 700 واط.

على مستوى النظام، تعاونت OpenAI مع Celestica لتصميم حل رف كامل: تحتوي كل خزانة ASIC على 128 شريحة جالابينو، مع استهلاك طاقة إجمالي لنظام الخزانتين يبلغ حوالي 160 كيلوواط، وهو ما يضاهي خزانة GB300 المزدوجة العرض من Nvidia.

للنشر واسع النطاق، يمكن لنطاق شبكة توسع أفقي واحد توصيل ما يصل إلى 2,048 وحدة XPU من جالابينو عبر 16 رفًا. فيما يتعلق بالإنتاج الضخم، تتوقع SemiAnalysis زيادة تدريجية في عام 2027، مع المرحلة التالية عند نطاق نشر 100 ميجاواط.

الصورة الاستراتيجية الأكبر هي أن OpenAI وBroadcom وقعتا اتفاقية تعاون لتسريع مخصص بقدرة 10 جيجاواط، وهو نطاق يعادل تقريبًا الإنتاج الكامل لعشر وحدات طاقة نووية.

يكتب مقال Wallstreetcn أن ريتشارد هو، رئيس قسم الرقائق في OpenAI، قال إن الشركة وصلت إلى مستوى من الطاقة والتكلفة يمكن أن يقلل بشكل فعال من تكاليف البنية التحتية، و"هذه مجرد الخطوة الأولى". كما أكد أن Nvidia لا تزال شريكًا مهمًا، وأن طلب OpenAI على القدرة الحاسوبية هائل، لذا لن تتخلى عن الموردين الحاليين في المدى القصير.

يشير المحللون إلى أن أهمية جالابينو قد لا تكمن في عدد رقائق Nvidia التي يمكنها استبدالها اليوم، بل في إثبات شيء كان موضع شك واسع سابقًا: شركة ذكاء اصطناعي، باستخدام أدوات الذكاء الاصطناعي، وفي وقت قياسي، بنت شريحة تنافسية حقًا. لقد بدأ دولاب الموازنة هذا في الدوران.