OpenAI 25 августа 2026 года опубликовала первые результаты тестирования собственного ускорителя инференса Jalapeño. На публичном бенчмарке InferenceX от SemiAnalysis системы с новым чипом показали в 1,5–1,9 раза больше вычислений на ватт при пиковой пропускной способности и сократили задержку ответа в 1,7–3,6 раза по сравнению с системами на Nvidia GB200 и GB300. Тесты прошли на моделях GPT-OSS-120B, DeepSeek R1 и Kimi K2.5. Для компании, которая ежедневно обслуживает огромный поток запросов ChatGPT, Codex и собственного API, такие показатели напрямую связаны с себестоимостью каждого ответа.
Чип рассчитан на номинальную мощность 700 Вт, при этом устойчивое потребление на испытанных нагрузках оставалось на уровне до 550 Вт. Один блок из 128 Jalapeño заявлен на 1,7 экзафлопса вычислений в 4-битном формате.
Где заканчивается независимость от Nvidia
Jalapeño разрабатывался совместно с партнерами: Broadcom отвечала за реализацию кристалла и сетевую часть, Celestica — за платы и стойки. От начала проектирования до передачи дизайна в производство прошло девять месяцев. Развертывание чипа в инфраструктуре OpenAI планируется к концу 2026 года, а сам Jalapeño станет первым поколением в многолетней платформе с последующим расширением.
Универсальный ускоритель Nvidia вынужден обслуживать широкий круг клиентов и типов задач. Jalapeño же спроектирован под конкретную нагрузку, которую OpenAI сама генерирует, измеряет и может менять вместе с программным стеком — вокруг собственных языковых моделей, вычислительных ядер, движения данных, памяти и сетевого обмена.
Масштаб задан на 10 ГВт
Основа для всей программы — соглашение OpenAI и Broadcom, по которому стороны договорились о развертывании 10 ГВт ускорителей собственной разработки OpenAI. Установка стоек начнется во второй половине 2026 года и продлится до конца 2029-го. При такой мощности разница в ваттах и миллисекундах перестает быть лабораторной характеристикой и превращается в статью расходов на электричество, охлаждение, память, сеть, стойки и площадь дата-центров.
При этом OpenAI не отказывается от внешних поставщиков полностью:
- обучение передовых моделей по-прежнему требует внешних ускорителей;
- серийный выпуск Jalapeño зависит от партнеров по производству, памяти, упаковке и сборке;
- компания продолжит широко использовать чипы Nvidia и других поставщиков — как для обучения, так и для части инференса.
Граница проекта поэтому четкая: OpenAI сохраняет внешнюю цепочку поставок, но забирает себе архитектуру оборудования для крупнейшего потока ежедневных вычислений.
Экономика инференса
Разница между собственным чипом и покупкой GPU выходит за рамки энергопотребления. Nvidia завершила 2026 финансовый год с выручкой $215,9 млрд и валовой маржой 71,1%, а ее дата-центровый сегмент вырос на 68% год к году — эти данные отражены в отчетности компании перед Комиссией по ценным бумагам и биржам (SEC). Покупатель GPU оплачивает не только само оборудование, но и коммерческую прибыль поставщика поверх него.
OpenAI строит чип как внутренний компонент собственного сервиса и получает выгоду от снижения полной стоимости обработки запроса, даже без отдельной рыночной наценки на сам процессор. Часть стоимости, которая раньше оседала у поставщика универсальных ускорителей, компания пытается превратить в собственную экономию и дополнительную вычислительную емкость.
Более дешевый и быстрый инференс позволяет дольше выполнять агентные задачи, обслуживать больше параллельных запросов и снижать стоимость продуктов без пропорционального роста числа дата-центров. Рост использования сервиса, в свою очередь, повышает загрузку собственной платформы и делает следующее поколение специализированных чипов экономически оправданнее.
Jalapeño меняет положение OpenAI в цепочке ИИ-инфраструктуры: компания и раньше контролировала модель, программный стек и продукт, а теперь получает контроль над архитектурой процессора, от которой зависит цена ответа. Nvidia сохраняет за собой рынок обучения моделей и универсальных ускорителей, но самый массовый участок работы OpenAI перестает быть для нее гарантированной продажей.
Мнение ИИ
С точки зрения машинного анализа данных, кейс Jalapeño повторяет траекторию, которую до OpenAI уже прошли другие лидеры отрасли. Anthropic взяла обязательства по миллиону TPU от Google еще в октябре 2025 года, а Midjourney перенесла генерацию изображений на TPU Google Cloud ради экономии. Общая логика одна: гиперскейлеры уходят от универсальных GPU к чипам под собственную нагрузку, как только объем инференса становится достаточно предсказуемым и массовым.
Стратегия несет и обратную сторону. Специализация под конкретную модель и стек снижает гибкость при смене архитектур ИИ, а зависимость от Broadcom и Celestica в производстве создает единую точку риска на весь девятимесячный цикл разработки. Останется ли Jalapeño конкурентным через два-три поколения моделей, или узкая оптимизация под сегодняшний инференс превратится в ограничение завтра?
end-content
