دستهبندی نشده
تراشه جالاپینوی OpenAI؛ رقیب تازه انویدیا در استنتاج هوش مصنوعی
شرکت OpenAI برای نخستینبار نتایج عملکرد اولین تراشه اختصاصی استنتاج خود، با نام جالاپینو، را منتشر کرده است؛ تراشهای که به گفته این شرکت در برخی معیارها تا چند برابر سریعتر و کممصرفتر از سیستمهای رایج بازار عمل میکند.
لیست مطالب
۱. چرا OpenAI به فکر ساخت تراشه اختصاصی افتاد؟
تا امروز، تقریباً تمام شرکتهای بزرگ هوش مصنوعی از جمله OpenAI برای اجرای مدلهای زبانی بزرگ به پردازندههای گرافیکی انویدیا وابسته بودهاند. رشد سریع تقاضا برای چتجیپیتی و محصولات مبتنی بر آن، همراه با هزینه بالای این پردازندهها و محدودیت در زنجیره تأمین، شرکتهای بزرگ فناوری را به سمت طراحی سختافزار اختصاصی خود سوق داده است. گوگل سالهاست از تراشههای TPU استفاده میکند، آمازون تراشههای Trainium خود را دارد و اکنون OpenAI نیز با جالاپینو وارد این میدان شده تا وابستگی خود به تأمینکنندگان بیرونی را کاهش دهد.
هدف اصلی این پروژه، ارائه پاسخهای سریعتر، عاملهای هوش مصنوعی (AI Agents) پاسخگوتر و دسترسی پایدارتر به خدمات چتجیپیتی است، آن هم در شرایطی که تقاضا برای این محصولات هر ماه رشد میکند. برای کسبوکارهایی که بهطور روزافزون از ابزارهای هوش مصنوعی در فرایندهای خود استفاده میکنند، این موضوع میتواند به معنای هزینه پایینتر و پایداری بیشتر در دسترسی به این خدمات باشد؛ موضوعی که در مقاله اهمیت هوش مصنوعی برای کسبوکارها نیز به آن پرداختهایم.
۲. جالاپینو چیست و چه تفاوتی با تراشههای قبلی دارد؟
جالاپینو نام تراشهای است که OpenAI بهطور اختصاصی برای فاز «استنتاج» (inference) طراحی کرده است؛ یعنی همان مرحلهای که مدل آموزشدیده، پاسخ کاربر را تولید میکند، نه مرحله آموزش مدل. این تفاوت مهم است، چون بسیاری از تراشههای موجود در بازار برای آموزش مدلها بهینه شدهاند، در حالی که استنتاج نیازمندیهای متفاوتی از نظر تأخیر و مصرف انرژی دارد.
به گفته OpenAI، طراحی جالاپینو بهگونهای است که هم فاز پردازش اولیه ورودی (prefill) که ماهیتی محاسباتیمحور دارد، و هم فاز تولید توکن به توکن (decode) که به پهنای باند حافظه وابسته است، در یک تراشه واحد و با کمترین میزان جابهجایی داده بین واحدهای پردازش، حافظه و شبکه مدیریت شود. این رویکرد یکپارچه، یکی از دلایل اصلی برتری ادعایی این تراشه در مصرف انرژی و سرعت پاسخدهی است.
۳. نتایج عملکرد؛ اعداد و مقایسه با انویدیا
بر اساس دادههای منتشرشده توسط OpenAI، جالاپینو در مقایسه با سیستمهای رقیب که شامل پردازندههای نسل GB200 و GB300 انویدیا بودهاند، نتایج زیر را ثبت کرده است:
در معیار کارایی بر وات، این تراشه تا ۱.۹ برابر کار بیشتری در هر واحد انرژی مصرفی انجام میدهد. در معیار تأخیر سرتاسری پاسخدهی، جالاپینو تا ۳.۶ برابر سریعتر عمل کرده و در بارهای کاری تعاملی که سرعت پاسخ برای کاربر نهایی اهمیت بیشتری دارد، عملکردی تا ۴.۱ برابر بالاتر گزارش شده است. برای نمونه، در یکی از آزمایشها روی مدل Kimi K2.5، زمان پاسخدهی از ۵.۳۱ ثانیه در سیستم مقایسهای به ۱.۵۶ ثانیه روی جالاپینو کاهش یافته است.
البته باید در نظر داشت که این ارقام از سوی خود OpenAI منتشر شدهاند و هنوز آزمایش مستقل و بیطرفانهای از سوی نهادهای ثالث روی آنها انجام نشده است. با این حال، حتی اگر بخشی از این برتری در عمل کمتر از ادعا باشد، باز هم نشاندهنده گامی جدی در مسیر استقلال سختافزاری OpenAI است.
مقایسه فشرده نتایج
در مجموع سه محور اصلی مقایسه عبارتاند از: کارایی انرژی (تا ۱.۹ برابر بهتر)، تأخیر پاسخدهی (تا ۳.۶ برابر کمتر) و عملکرد در بارهای تعاملی (تا ۴.۱ برابر بالاتر). این سه محور دقیقاً همان معیارهایی هستند که برای عاملهای هوش مصنوعی و کاربردهای بلادرنگ مثل دستیارهای صوتی و چت زنده اهمیت حیاتی دارند.
۴. مدلهایی که برای آزمایش جالاپینو انتخاب شدند
برای سنجش عملکرد واقعی این تراشه، OpenAI آن را روی سه مدل زبانی متفاوت با اندازههای گوناگون آزمایش کرده است: مدل متنباز GPT-OSS با ۱۲۰ میلیارد پارامتر، مدل DeepSeek R1 با ۶۷۰ میلیارد پارامتر، و مدل Kimi K2.5 با یک تریلیون پارامتر که یکی از بزرگترین مدلهای زبانی عمومی موجود در حال حاضر محسوب میشود. انتخاب DeepSeek R1 بهعنوان یکی از مدلهای آزمایشی جالب توجه است؛ مدلی که پیشتر با معرفیاش بازار تراشهها و رقابت مدلهای زبانی را دگرگون کرد و در مقاله چتجیپیتی در برابر DeepSeek بیشتر دربارهاش خواندهاید.
آزمایش روی مدلهایی با اندازههای متفاوت، این پیام را میرساند که جالاپینو نهفقط برای مدلهای خاص OpenAI، بلکه برای طیف وسیعی از مدلهای زبانی بزرگ، از جمله مدلهای متنباز و مدلهای رقبا، بهینه طراحی شده است.
۵. طراحی با کمک هوش مصنوعی؛ راز تکمیل پروژه در کمتر از ۹ ماه
یکی از جالبتوجهترین بخشهای این خبر، نقش خود هوش مصنوعی در طراحی جالاپینو است. طراحی یک تراشه سرور معمولاً فرایندی چندساله و پرهزینه است، اما OpenAI مدعی شده کل این پروژه را در کمتر از نه ماه به سرانجام رسانده است. به گفته این شرکت، بخشهایی از هستههای محاسباتی مربوط به مکانیزم توجه (attention) و بخشهای مربوط به معماری آمیخته کارشناسان (mixture-of-experts) با کمک هوش مصنوعی نوشته شدهاند و این پیادهسازیهای تولیدشده توسط هوش مصنوعی، تا ۱.۸ برابر سریعتر از نسخههای نوشتهشده توسط مهندسان باتجربه انسانی عمل کردهاند.
این ادعا دوباره پرسش قدیمی را زنده میکند که آیا هوش مصنوعی میتواند جای مهندسان باتجربه را بگیرد یا صرفاً ابزاری برای تسریع کار آنهاست؛ بحثی که در مقاله توهم هوش مصنوعی؛ توسعهدهنده تنها در برابر مهندس واقعی از زوایای دیگری بررسی شده است. در مورد جالاپینو، بهنظر میرسد هوش مصنوعی نقش یک همکار سریع و دقیق را ایفا کرده، نه جایگزین کامل تیم مهندسی؛ رویکردی که با محدودیتها و ظرفیتهای واقعی هوش مصنوعی، همانطور که در پتانسیل و محدودیتهای واقعی هوش مصنوعی شرح دادهایم، همخوانی دارد.
۶. مشخصات فنی و مصرف انرژی تراشه جالاپینو
از نظر مشخصات فنی، جالاپینو با توان مصرفی نامی ۷۰۰ وات طراحی شده، اما در آزمایشهای عملی، مصرف پایدار آن حدود ۵۵۰ وات اندازهگیری شده است؛ یعنی فاصلهای معنادار بین توان نامی و مصرف واقعی که نشاندهنده بهینهسازی مناسب معماری تراشه است. معماری جالاپینو بهگونهای طراحی شده که داده کمترین مسیر ممکن را بین واحدهای محاسبه، حافظه و شبکه طی کند؛ عاملی که بهطور مستقیم روی کاهش تأخیر و مصرف انرژی تأثیر میگذارد.
این تراشه اولین نسل از یک برنامه بلندمدت است. OpenAI اعلام کرده نسل دوم این خانواده تراشهها هماکنون در حال توسعه است و طراحی نسل سوم نیز شکل گرفته؛ یعنی این شرکت جالاپینو را نه یک محصول یکباره، بلکه شروع یک پلتفرم چندنسلی سختافزاری میداند.
۷. رقابت تراشههای هوش مصنوعی؛ از گوگل و آمازون تا متا
ورود OpenAI به بازار تراشههای اختصاصی، این شرکت را به جمع تعداد رو به رشدی از غولهای فناوری میپیوندد که دیگر صرفاً به انویدیا متکی نیستند. گوگل با تراشههای TPU که سالهاست زیرساخت مدلهای Gemini را تغذیه میکنند، آمازون با خانواده تراشههای Trainium برای سرویسهای ابری AWS، و متا با پروژههای داخلی خود در حوزه سختافزار هوش مصنوعی، همگی در مسیر مشابهی حرکت میکنند. این روند نشان میدهد که سلطه انحصاری انویدیا بر بازار سختافزار هوش مصنوعی، دستکم در بخش استنتاج، بهتدریج در حال کمرنگشدن است.
برای کاربران عادی و کسبوکارهایی که از ابزارهای هوش مصنوعی مانند چتجیپیتی استفاده میکنند، این رقابت سختافزاری در نهایت میتواند به معنای هزینه پایینتر، پاسخدهی سریعتر و دسترسی پایدارتر باشد؛ بهخصوص برای کسانی که با تکنیکهای درست پرامپتنویسی، بیشترین بهره را از این ابزارها میگیرند. اگر هنوز با اصول نوشتن پرامپت مؤثر آشنا نیستید، مقاله آموزش پرامپتنویسی برای مبتدیان راهنمای خوبی است.
۸. چه زمانی جالاپینو در دسترس قرار میگیرد و چه معنایی برای کاربران چتجیپیتی دارد؟
طبق اعلام OpenAI، استقرار عملی جالاپینو در زیرساخت این شرکت تا پایان سال ۲۰۲۶ آغاز خواهد شد. این یعنی کاربران عادی چتجیپیتی احتمالاً بهطور مستقیم متوجه تغییر سختافزار زیرساخت نخواهند شد، اما بهمرور میتوانند شاهد پاسخدهی سریعتر، پایداری بیشتر در ساعات پرترافیک و احتمالاً هزینههای پایینتر برای خدمات مبتنی بر API باشند. برای عاملهای هوش مصنوعی (AI Agents) که وظایف چندمرحلهای و پیچیده انجام میدهند، کاهش تأخیر پاسخدهی میتواند تفاوت محسوسی در تجربه کاربری ایجاد کند.
اگر میخواهید از تازهترین قابلیتهای چتجیپیتی و بهروزرسانیهای مرتبط با آن باخبر شوید، صفحه آموزشهای چتجیپیتی در سایت Mr ChatGPT بهطور مستمر بهروزرسانی میشود و برای دنبالکردن سایر اخبار روز حوزه هوش مصنوعی نیز میتوانید سری به بخش اخبار هوش مصنوعی بزنید.
۹. پرسشهای متداول درباره تراشه جالاپینو OpenAI
جالاپینو دقیقاً چیست؟ جالاپینو اولین تراشه اختصاصی طراحیشده توسط OpenAI برای فاز استنتاج (اجرای) مدلهای زبانی بزرگ است، نه برای آموزش آنها.
آیا جالاپینو از انویدیا بهتر است؟ بر اساس دادههای منتشرشده توسط خود OpenAI، این تراشه در معیارهای کارایی انرژی، تأخیر و عملکرد تعاملی نسبت به سیستمهای مقایسهای برتری نشان داده، اما این نتایج هنوز بهطور مستقل تأیید نشدهاند.
چه زمانی این تراشه وارد سرویس میشود؟ بر اساس اعلام رسمی، استقرار عملی جالاپینو تا پایان سال ۲۰۲۶ آغاز خواهد شد.
آیا این تغییر روی قیمت یا سرعت چتجیپیتی تأثیر دارد؟ بهمرور و با گسترش استقرار جالاپینو، انتظار میرود پاسخدهی سریعتر و پایداری بیشتر خدمات مبتنی بر API و عاملهای هوش مصنوعی OpenAI مشهود شود.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
