OpenAI показала, что ASIC Jalapeño можно спроектировать с нуля примерно за девять месяцев — вместо привычных для отрасли 18–24 месяцев. Это важно не только для производителей чипов: если такой темп закрепится, стоимость и доступность инференса для ChatGPT, Codex и будущих AI-агентов начнут зависеть не только от поставок GPU, но и от того, насколько быстро сами AI-компании научатся делать железо под свои модели.
О деталях проекта рассказал вице-президент OpenAI по аппаратному обеспечению Ричард Хо в интервью, сообщает Tom's Hardware. Jalapeño представили на Hot Chips в августе 2026 года как inference ASIC — специализированный ускоритель для запуска уже обученных моделей. По словам Хо, главный мотив был не в красивом жесте «мы тоже умеем в кремний», а в эффективности: OpenAI упирается не только в количество чипов, но и в электрическую мощность, которую можно завести в дата-центры.
Хо прямо связал выбор архитектуры с пользовательским опытом. Обучение моделей дорогое, но для пользователя ежедневная цена интеллекта проявляется в инференсе: насколько быстро отвечает ChatGPT, как оперативно работает Codex, какую задержку дают агенты. Поэтому Jalapeño проектировали так, чтобы можно было менять баланс между низкой задержкой и высокой пропускной способностью. Для бизнеса это звучит менее романтично, чем «новая эра ИИ», зато точнее: меньше ватт на ответ, ниже себестоимость запроса, больше пространства для функций, которые раньше были слишком дорогими.
Ключевой аргумент OpenAI — полный co-design, то есть совместная настройка модели, компилятора, софта и железа. Хо объясняет, что с внешним поставщиком кремния такой режим почти невозможен: внутри моделей и исследовательских пайплайнов слишком много закрытого IP, которым нельзя свободно делиться даже под NDA. Собственная команда получила видимость всего стека и могла решать, где лучше делать оптимизацию: в модели, в программном слое или прямо в микросхеме. Это не отменяет Nvidia, AMD и других поставщиков, но меняет переговорную позицию: OpenAI теперь может сравнивать чужое железо не только между собой, но и со своим вариантом.
Отдельно Хо попытался закрыть важное недопонимание: ASIC Jalapeño, по его словам, не зашит только под модели OpenAI. Для демонстрации использовали InferenceX от SemiAnalysis с open-source моделями разной архитектуры и размера. OpenAI утверждает, что чип хорошо показывает себя на transformer-based LLM и что команда смогла поднять эти модели уже после получения кремния примерно за два месяца. Это важная ремарка для отрасли: специализированный ускоритель, который нельзя программировать под внешние модели, быстро превращается в дорогой сувенир для одного дата-центра.
Самая громкая часть истории — сроки. Хо говорит, что Jalapeño начали фактически с пустого листа: без унаследованной архитектуры и без готовой кодовой базы. Старый ориентир для подобных проектов он оценивает в 18 месяцев — два года, а новый baseline, который OpenAI хочет показать индустрии, — девять месяцев с сильной командой и активным использованием ИИ. Внутри разработки применяли модели для инженерных задач, включая Codex и последующие внутренние поколения. При этом Хо отдельно подчеркивает: инженеров не заменили, они стали продуктивнее. Прозаичная, но, пожалуй, самая полезная формула для всех, кто устал от лозунгов про «автоматическую разработку всего».
Важно, что речь не о магическом промпте «сделай мне процессор». Для финальной проверки OpenAI все равно использовала стандартные EDA-процессы: sign-off в чипах пока не та зона, где разумно играть в самоуверенность. По описанию Хо, ИИ помогал ускорять проектирование и оптимизацию, а не отменял дисциплину полупроводниковой инженерии. Особенно заметный эффект команда увидела на оптимизации kernel-кода: уже после возврата первых чипов инженеры за короткий спринт смогли выжать достаточно производительности, чтобы успеть с результатами к Hot Chips.
Jalapeño пока не выглядит продуктом для внешних клиентов. Хо говорит, что теоретически чип можно использовать не только внутри OpenAI, но спрос компании на вычисления настолько велик, что ближайшая задача — закрыть собственные потребности. Рост активных пользователей, новые модели, развитие Codex и reasoning-функций создают внутреннюю очередь на мощности. Небольшие объемы OpenAI хотела получить до конца 2026 года для проверки в продакшене, а реальный ramp-up ожидается в 2027 году.
Есть и более приземленные инженерные решения. В связке с Jalapeño OpenAI выбрала Turing, а не Vera, потому что хотела снизить риски и быстрее довести систему до рабочего состояния. Хо описывает это как прагматичный выбор: агрессивные цели по производительности и стоимости, но без лишнего риска там, где зрелость компонентов пока недостаточна. С speculative decode похожая история: аппаратная поддержка есть, но в публичном бенчмарке ее не показывали, потому что не успели подготовить draft-модели. Внутри OpenAI ожидает, что multi-token prediction даст кратный прирост, но публичные сравнения компания пока не раскрывает.
Для русскоязычной IT-аудитории здесь главный сигнал не в том, что OpenAI «убивает GPU» — сама компания говорит, что продолжит использовать разные ускорители и выбирать лучшее по цене и производительности. Сигнал в другом: крупные AI-компании начинают относиться к железу как к части продукта, а не как к закупке у вендора. Если подход с ASIC Jalapeño подтвердится в продакшене, конкурировать будут уже не отдельные модели и не отдельные GPU, а целые вертикальные стеки: дата-центр, чип, компилятор, модель и продуктовая метрика задержки. Подробности интервью опубликованы у , и следующий открытый вопрос теперь не «сможет ли ИИ помогать в chip design», а кто первым превратит это из эффектного кейса в регулярный производственный цикл.