Чип OpenAI Jalapeño пока не станет товаром для внешних клиентов: компания собирается закрывать им собственный голод на inference-вычисления. Но аппаратная история OpenAI уже выглядит шире, чем «сделали железку для себя»: на Hot Chips 2026 компания сравнила свой ASIC с Nvidia GB200 и GB300 и показала работу не только на своих моделях, сообщает Tom's Hardware.
Глава аппаратного направления OpenAI Ричард Хо объяснил позицию довольно прямолинейно: спрос на вычисления внутри компании настолько велик, что OpenAI еще долго будет занята только собственными дата-центрами. При этом он не стал закрывать тему внешнего применения. По его словам, Jalapeño технически можно использовать и для других заказчиков, но первый приоритет — инфраструктура OpenAI.
Это важная оговорка. OpenAI давно перестала быть только разработчиком моделей и интерфейса ChatGPT: ее продуктовая скорость упирается в стоимость, доступность и энергопотребление вычислений. Для русскоязычных IT-команд это не просто очередная новость из мира дорогого кремния. Если крупнейшие AI-провайдеры массово уходят в собственные ASIC, рынок облачного inference, цены API и доступность мощностей будут меняться не только решениями Nvidia.
Jalapeño — специализированный ASIC для AI-инференса, разработанный под вычислительные нужды OpenAI. Компания ранее раскрывала партнерство с Broadcom, а на Hot Chips 2026 показала дорожную карту не на одно поколение. Сам факт кастомного чипа не удивляет: hyperscaler’ы давно делают собственное железо. Интереснее другое — OpenAI публично сравнила производительность Jalapeño с ускорителями Nvidia и попыталась снять подозрение, что это узкая микросхема только под внутренние модели.
В тестах использовался бенчмарк SemiAnalysis InferenceX. OpenAI показывала сравнение с Nvidia GB200 и GB300, а в качестве нагрузок фигурировали open-weight модель GPT-OSS, DeepSeek R1 и Kimi K2.5. По словам Хо, изначально компания вообще не была уверена, что будет выступать на Hot Chips, и не планировала раскрывать бенчмарки. История получилась почти инженерная: между получением A0-сэмпла и презентацией команда за два месяца подняла на Jalapeño Kimi и DeepSeek.
Для ASIC это нетривиальный сигнал. Такие чипы обычно выигрывают за счет узкой специализации: чем точнее известно, какую нагрузку ускорять, тем выше шанс выжать эффективность. OpenAI теперь подчеркивает, что чип OpenAI Jalapeño программируемый и не «зашит» под один набор моделей. Это не превращает его в универсальный GPU, но показывает амбицию: сделать inference-ускоритель, который умеет работать с разными LLM-нагрузками, а не только с закрытым внутренним стеком.
Главная ставка, впрочем, не абсолютная скорость, а эффективность. Хо назвал ее ключевой причиной разработки Jalapeño. Логика понятна любому, кто считал экономику AI-сервиса: дата-центр упирается не только в количество стоек и чипов, но и в питание, охлаждение, контракты на энергию, плотность размещения и стоимость токена на выходе. В источнике также упоминается, что Jalapeño — 700-ваттный ASIC, тогда как один из материалов Tom's Hardware сравнивал его с 1400-ваттным флагманским решением Nvidia. Даже без прямого переноса этих цифр на боевые нагрузки направление очевидно: OpenAI хочет больше полезных токенов на ватт.
Еще один мотив — совместное проектирование железа и моделей. Хо объяснил, что глубоко делиться исследовательской интеллектуальной собственностью с внешним поставщиком кремния трудно: сколько ни подписывай NDA, риск утечки остается. Для OpenAI собственный ASIC — это способ теснее связать архитектуру моделей, рантайм и железо. Для отрасли это неприятная, но логичная развилка: чем крупнее AI-игрок, тем меньше ему подходит полностью универсальная инфраструктура.
С внешним рынком все сложнее. Даже если чип OpenAI Jalapeño способен исполнять чужие модели, поставлять его клиентам — отдельная история. Хо говорил о «новой базовой линии» поставок после двух лет поездок по фабрикам вместе с Сэмом Альтманом и попыток выбить больше производственных мощностей. Внутри OpenAI, по его словам, ситуация с supply выглядит нормально. Но одно дело — закрыть собственный план развертывания, другое — стать продавцом железа или облачной мощности на этом железе для внешних компаний.
Сравнение с Nvidia тоже быстро устаревает. В опубликованных тестах OpenAI ориентировалась на Blackwell-поколение, потому что это были лучшие доступные публичные результаты. Но если Jalapeño пойдет в масштабное развертывание позже, конкурировать ему придется уже с Vera Rubin, а возможно, с VR Ultra на части графика поставок. Хо сказал, что OpenAI проводила внутренние тесты против Vera Rubin и на более длинных контекстах, но не публикует эти данные. Публичный InferenceX-сценарий ограничивался режимом 8k1k: 8000 входных токенов и 1000 выходных.
Для разработчиков прикладной вывод простой: борьба за inference переезжает с уровня «какая модель умнее» на уровень «где дешевле и стабильнее выполнять миллиарды запросов». Если OpenAI сможет серьезно снизить стоимость собственного inference, это даст ей больше свободы в тарифах, лимитах, latency и запуске тяжелых функций. Для бизнеса это означает, что стоимость AI-интеграций будет зависеть не только от выбранной модели, но и от аппаратной стратегии поставщика API.
Для Nvidia новость не выглядит немедленной угрозой продажам: OpenAI еще долго будет покупать и использовать GPU, а внешний запуск Jalapeño не объявлен. Но направление неприятное. Самые крупные клиенты хотят не просто арендовать ускорители, а проектировать собственные. Google делает TPU, Amazon развивает Trainium и Inferentia, Microsoft работает с Maia, теперь OpenAI публично показывает свой inference ASIC. У Nvidia остается сильнейшая экосистема, но часть маржи в долгую будут пытаться забрать именно такие вертикально интегрированные игроки.
Пока чип OpenAI Jalapeño остается внутренним инструментом, а не новым SKU на рынке ускорителей. Но OpenAI уже сделала главное: показала, что ее ASIC не является лабораторной игрушкой под один закрытый сценарий. Следующий вопрос — не «продаст ли OpenAI чип», а станет ли она продавать вычисления на своей аппаратной базе так же агрессивно, как продает доступ к моделям. Подробности интервью и исходный материал доступны у .