OpenAI и Broadcom представили Jalapeño — первый чип OpenAI для инференса больших языковых моделей. Главное число в этой истории — девять месяцев: именно столько, по словам компаний, ушло от разработки до tape-out, что для ASIC такого класса выглядит почти вызывающе быстро. Для русскоязычной IT-аудитории сигнал понятный: крупнейшие игроки ИИ все меньше хотят зависеть от универсальных ускорителей и все активнее идут в собственное железо.
О проекте сообщает Tom's Hardware. По данным издания, Jalapeño — не «еще один AI-ускоритель на все случаи», а специализированный inference ASIC, который OpenAI проектировала под реальные паттерны работы LLM: движение данных, баланс между вычислениями и памятью, сетевую связанность и поведение модели в продакшене. Это важная деталь, потому что рынок уже наелся презентаций с абстрактными TOPS и красивыми слайдами, а вот инференс в масштабе упирается в куда более приземленные вещи — задержки, пропускную способность памяти и цену каждого токена на выходе.
OpenAI отдельно подчеркивает, что Jalapeño не является переделанным training-ускорителем и не претендует на роль универсального процессора для ИИ. Архитектуру с самого начала затачивали под вывод моделей, включая будущие агентные сценарии, где нужны и высокая пропускная способность, и низкая латентность. По этой же логике, если верить опубликованным изображениям корпуса и кристалла, в пакете используется один очень крупный вычислительный чиплет, шесть модулей HBM и отдельный чиплет ввода-вывода. Такой выбор выглядит дороже, чем ставка на более простую память, но у OpenAI здесь, похоже, другой приоритет: меньше штрафов на перемещение данных и меньше компромиссов по отклику под сложные reasoning-нагрузки.
Самый интересный технический штрих в статье — оценка размеров кристалла. Tom's Hardware прикинул габариты вычислительного чиплета по соседним HBM-пакетам и получил примерно 25,46 × 33 мм, то есть около 840 мм². Это очень близко к пределу reticle size для EUV-литографии, который издание оценивает в 858 мм². Иными словами, чип OpenAI оказался почти «на всю маску». Такой размер сам по себе не гарантирует победу в производительности, но хорошо показывает амбиции проекта: перед нами не экономичный боковой эксперимент, а попытка выжать максимум вычислений из одного большого кристалла и сократить задержки там, где многокристальные схемы могут проигрывать.
На этом месте, конечно, полезно включить профессиональный скепсис. Компании заявляют, что Jalapeño якобы превосходит актуальное передовое железо по показателю performance-per-watt и в ранних тестах работает близко к теоретическому максимуму. Но цифр нет: ни бенчмарков, ни конфигурации памяти, ни точных данных по энергопотреблению, ни сравнений на одинаковых моделях и длинах контекста. Есть только утверждение, что инженерные образцы уже работают в лаборатории на целевых частотах и в целевом энергобюджете, а среди тестовых нагрузок упоминается GPT-5.3-Codex-Spark. Для новости этого достаточно, для инженерного вывода — пока нет. Особенно если учитывать, что сравнивать Jalapeño нужно будет не только с нынешними линейками AMD Instinct MI350 и Nvidia Blackwell, но и с следующими поколениями, которые выйдут к моменту реального развертывания.
Именно сроки тут не менее важны, чем архитектура. Если Jalapeño действительно дошел до tape-out за девять месяцев, это очень быстрый цикл для кастомного ASIC, который обычно проектируют полтора-два года. Broadcom и OpenAI не раскрывают подробно, какую часть процесса ускорили с помощью моделей OpenAI, но признают, что ИИ использовали для отдельных этапов проектирования и оптимизации. Вторая часть ответа, вероятно, еще прозаичнее: Broadcom давно умеет собирать кастомные чипы из уже обкатанных логических блоков и переиспользовать удачные наработки. То есть магия здесь, скорее всего, состоит из двух вполне земных ингредиентов — зрелой инженерной платформы и ИИ как ускорителя рутины, а не из внезапного «чипа, который нарисовал себя сам».
Контекст у новости тоже жесткий. За последние два года рынок ИИ-инфраструктуры окончательно убедился, что дефицит — это уже не только про GPU, а про контроль над всей цепочкой: от вычислений и памяти до упаковки и поставок. Google давно живет со своими TPU, Meta двигает MTIA, Amazon развивает Trainium и Inferentia. Теперь свой маршрут публично обозначила и OpenAI. Для бизнеса это означает простую вещь: борьба за маржу и масштаб инференса смещается вниз по стеку. Побеждать будут не те, у кого просто больше ускорителей, а те, кто лучше контролирует цену токена, ватт на запрос и предсказуемость поставок. Для разработчиков и платформенных команд вывод еще практичнее: модели, фреймворки и serving-слой все сильнее будут затачиваться под конкретное железо, а не под абстрактное «CUDA-совместимое будущее».
Отдельно любопытно, что OpenAI описывает Jalapeño как решение не только для собственных нагрузок, но и для нынешних и будущих LLM «по всей индустрии». В переводе с корпоративного на человеческий это можно читать двояко. Либо компания просто страхуется формулировками и подчеркивает общую пригодность архитектуры, либо в перспективе оставляет дверь открытой для внешних заказчиков и партнеров. Но здесь упираемся в старую добрую физику цепочек поставок: даже если чип OpenAI окажется удачным, мало спроектировать хороший ASIC, нужно еще получить достаточные объемы производства и упаковки у TSMC и партнеров. А это уже игра, где побеждают не пресс-релизы, а доступ к мощностям.
Главный вопрос теперь не в том, может ли OpenAI показать собственный чип, а в том, сможет ли она превратить его в устойчивое инфраструктурное преимущество. Если Jalapeño подтвердит заявленную эффективность в реальных кластерах, рынок получит еще один пример того, как эпоха универсальных ИИ-ускорителей постепенно уступает место кастомному железу под конкретные модели и сценарии. Проверить исходные детали и заявления можно в материале .