OpenAI opublikował pierwsze wyniki wydajności autorskiego układu Jalapeño, stworzonego z firmą Broadcom. Nowy procesor do wnioskowania AI osiąga wyższą wydajność z każdego wata energii oraz niższe opóźnienia niż układy NVIDIA GB200 i GB300. Prace nad chipem wspierała sztuczna inteligencja, skracając czas do tapeoutu do 9 miesięcy. Pierwsze wdrożenia w infrastrukturze OpenAI ruszą przed końcem roku, a w przygotowaniu są już kolejne generacje.
OpenAI ujawnia wyniki chipu Jalapeño
OpenAI opublikował pierwsze oficjalne dane o wydajności swojego pierwszego autorskiego układu do akceleracji wnioskowania AI o nazwie Jalapeño, stworzonego we współpracy z firmą Broadcom. Projekt stanowi pokłosie ogłoszonego w ubiegłym roku partnerstwa, w ramach którego do 2029 r. ma dojść do wdrożenia akceleratorów o łącznej mocy 10 gigawatów.
Sam układ został wstępnie zaprezentowany w czerwcu 2026 r., jednak wówczas nie podano szczegółowych danych liczbowych, co wywołało sceptycyzm branży z uwagi na dominację doświadczonych graczy, takich jak NVIDIA, Google czy Amazon. Tymczasem z udostępnionych testów opartych na publicznym benchmarku InferenceX firmy SemiAnalysis wynika, że nowa konstrukcja wykazuje znaczącą przewagę nad dotychczasowymi rozwiązaniami.
W testach obejmujących modele GPT-OSS 120B, DeepSeek R1 670B oraz Kimi K2.5 1T nowy układ osiągnął od 1,5 do 1,9 raza wyższą wydajność w przeliczeniu na wat przy szczytowej przepustowości, a także od 1,7 do 3,6 raza niższe opóźnienia końcowe w porównaniu do systemów bazujących na układach NVIDIA GB200 i GB300. W przypadku obciążeń o wysokim stopniu interaktywności przewaga skoczyła do zakresu od 2,1 do 4,1 raza.
Sztuczna inteligencja sama projektuje dla siebie sprzęt
Głównym elementem przewagi nowej architektury pozostaje efektywność poboru mocy. Znamionowe zużycie energii akceleratora wynosi 700W, podczas gdy ciągły pobór w warunkach testowych nie przekraczał 550W. Dla porównania - konkurencyjne systemy NVIDIA GB300 pobierają znamionowo 1400W.
Podczas uruchomienia modelu DeepSeek R1 sprzęt OpenAI wygenerował 19 641 mieszanych tokenów na sekundę z każdego kilowata, podczas gdy system z GB300 uzyskał 11 781 tokenów. Skrócono przy tym opóźnienie końcowe z 5,99 sekundy do 1,65 sekundy. W teście z modelem Kimi K2.5 odnotowano 1,5-krotnie wyższą wydajność z wata oraz 3,4-krotnie niższe opóźnienia.
Since announcing Jalapeño, our first custom inference chip, we’ve been testing it and the system around it.
— OpenAI (@OpenAI) August 25, 2026
The results show a major advance: more intelligence from every watt and faster responses, delivering both higher throughput and lower latency in one architecture without… pic.twitter.com/vj7VOrA8pP
W tworzeniu sprzętu odegrały bezpośrednią rolę same modele sztucznej inteligencji OpenAI, skracając czas od wstępnych koncepcji do gotowego projektu fizycznego (tapeout) do zaledwie 9 miesięcy. Generatywna AI posłużyła m.in. do optymalizacji obwodów arytmetycznych. Układ zaprojektowano jako przewidywalny cel programistyczny dla algorytmów mapujących, rozmieszczających i szeregujących pracę w systemie równoległym.
Wykorzystanie rozwiązań Codex z GPT-Astra pozwoliło zespołowi w 2 miesiące dostosować i zoptymalizować 3 otwarte modele spoza pierwotnego planu. W wybranych blokach pamięci rozproszonej i uwagi kod wygenerowany przez AI okazał się od 1,5 do 1,8 raza szybszy od kodu napisanego przez ludzkich ekspertów.
Kiedy premiera i nadejście kolejnych generacji?
OpenAI planuje rozpocząć instalację układów we własnej infrastrukturze przed końcem 2026 r., traktując ten krok jako początek wielogeneracyjnej platformy. Druga generacja chipu znajduje się na zaawansowanym etapie prac, a projektowanie trzeciej już się zaczęło.
Mimo obiecujących wyników i rozwijania własnego krzemu firma zapowiada dalsze, masowe korzystanie z akceleratorów NVIDIA i innych dostawców, co jest podyktowane stale rosnącym zapotrzebowaniem na moce obliczeniowe do treningu i wnioskowania sztucznej inteligencji.
