Jalapeño: První čip s umělou inteligencí od OpenAI poráží Nvidii v efektivitě – Když se zákazník náhle stane konkurentem

Úspora energie, dvojnásobný výkon: Co nový čip umělé inteligence od OpenAI znamená pro toto odvětví

Umělá inteligence staví čipy pro umělou inteligenci: „Jalapeño“ od OpenAI poráží konkurenci v rekordním čase

Čip, který kompletně přeskupuje karty na multimiliardovém trhu s umělou inteligencí: S čipem „Jalapeño“ vyvinula společnost OpenAI v rekordním čase svůj vůbec první interní akcelerátor umělé inteligence – a vyzývá tak nikoho jiného než svého dosud nejdůležitějšího hardwarového partnera, společnost Nvidia. První nezávislé testy ukazují, že nový čip se pyšní působivou energetickou účinností a v určitých oblastech výrazně překonává současnou generaci Blackwell od Nvidie. Skutečně geniální tah za tímto vývojem: OpenAI využila své vlastní pokročilé modely umělé inteligence k dramatickému urychlení návrhu čipu. Co tento strategický krok znamená pro již tak napjaté napájení datových center, provozní náklady ChatGPT a tržní sílu Nvidie? Podrobná analýza odhaluje, proč je hardwarový debut OpenAI mnohem víc než jen technologickým upgradem – mohl by zásadně změnit model příjmů celého odvětví.

Od zákazníka ke konkurentovi: OpenAI útočí na Nvidii vlastním zázračným čipem

Za necelý rok a půl vyvinula společnost OpenAI vlastní čip pro umělou inteligenci, který v počátečních nezávislých testech vykazuje výrazně vyšší účinnost než současný referenční hardware společnosti Nvidia. To je pozoruhodné, protože OpenAI byla dříve jedním z největších samostatných zákazníků společnosti Nvidia a nyní vstupuje do segmentu, kterému téměř výhradně dominoval jediný dodavatel. Poté, co společnost v červnu 2026 představila svůj první proprietární akcelerátor umělé inteligence s kódovým označením Jalapeño, jsou nyní k dispozici spolehlivá data o výkonu shromážděná nezávislou analytickou firmou SemiAnalysis. Tato data ukazují, že OpenAI, částečně díky aktivní podpoře specialisty na polovodiče Broadcom, vyvinula od základu vysoce výkonný čip pro umělou inteligenci, který v určitých metrikách výrazně překonává současnou generaci Blackwell od společnosti Nvidia a zdá se, že je také v dobré pozici proti připravované platformě Rubin.

Ekonomické důsledky tohoto vývoje lze jen stěží přeceňovat, jelikož se dotýká jednoho z ústředních problémů nákladů celého odvětví umělé inteligence: obrovského rozdílu mezi výdaji na výpočetní infrastrukturu a příjmy, které lze generovat ze služeb umělé inteligence. OpenAI údajně spálí přibližně 3,7 miliardy dolarů za čtvrtletí, přičemž největší jednotlivý výdaj představují náklady na inferenci – náklady na neustálé nasazení předtrénovaných modelů v každodenním provozu. Čip, který tyto náklady výrazně snižuje, nejen mění technickou metriku, ale také celý model příjmů společnosti, která provozuje ChatGPT s více než 400 miliony aktivních uživatelů.

Nezávislá zkušební stolice bez volného pohybu

Testy byly provedeny s využitím vlastního testovacího prostředku společnosti SemiAnalysis, InferenceX. Samotní analytici však podle SemiAnalysis nesměli testy provádět, ani nebyly testovány všechny scénáře, ani nebyl použit informativnější testovací prostředek AgentX. Toto omezení je ekonomicky významné, protože znamená, že ačkoli dostupná data pocházejí od renomované společnosti specializující se na analýzu čipů, byla shromážděna v rámci systému řízeného OpenAI. Každý, kdo chce na takových datech založit rozumná investiční rozhodnutí, by měl tento kontext zvážit, i když se obecný směr výsledků jeví jako pravděpodobný.

InferenceX používá modely OpenWeights GPT-OSS, DeepSeek R1 a Kimi K2.5, což naznačuje, že Jalapeño je navržen nejen pro vlastní modely OpenAI, ale je vhodný i jako obecná inferenční platforma pro jiné architektury. Jako neoficiální důkaz flexibility hardwaru uvádí SemiAnalysis demonstraci vývojářů, že na tomto čipu dokonce běžela hra Doom, portovaná z vlastního programovacího asistenta OpenAI Codex. I když takové demonstrace mají malý ekonomický význam, naznačují, že architektura není omezena na úzké aplikační okno, ale zvládne obecnější výpočetní úkoly.

Zvýšení efektivity, které se promítá do hotovosti

Výsledky potvrzují obzvláště vysokou účinnost čipu Jalapeño. V některých scénářích dosahuje čip OpenAI 22krát vyšší spotřeby tokenů na watt ve srovnání s čipem Nvidia B300, což je výjimečný výsledek pro první proprietární čip společnosti bez desítek let zkušeností s polovodiči. Jalapeño může také konkurovat novému systému Vera Rubin, který je v současné době zaváděn u velkých zákazníků, ačkoli pro toto srovnání je v současné době k dispozici jen málo spolehlivých údajů a konečné hodnocení stále čeká na výsledky.

SemiAnalysis však poukazuje na metodologická omezení, která staví význam čísel do perspektivy. Testovány byly pouze relativně malé velikosti výzev s 8 192 vstupními a 1 024 výstupními tokeny, zatímco větší výzvy, které jsou běžné v mnoha aplikacích produkčních agentů, mohly výsledky významně ovlivnit. Testovaná verze navíc běžela na raném steppingu A0, zatímco optimalizovaný stepping B0 je v současné době v produkci a OpenAI tvrdí, že bude přibližně o 25 procent efektivnější. Z ekonomického hlediska to znamená, že již tak působivá čísla pravděpodobně představují spíše spodní než horní hranici skutečného potenciálu, za předpokladu, že se potvrdí oznámení týkající se steppingu B0.

Skutečný potenciál nespočívá v čipu, ale v elektrické síti

Čip od OpenAI by mohl být dokonce cenově výhodnější než Vera-Rubin, protože systém od Nvidie v testech těžil ze spekulativního dekódování, techniky pro urychlení generování textu, zatímco Jalapeño se musel obejít bez této optimalizace. Celkově by interní hardwarová inference měla OpenAI výrazně zlevnit, protože společnost již nemusí platit obchodní marže externímu dodavateli a architektura může být přesně přizpůsobena jejím vlastním vzorcům obsluhy.

Skutečná strategická výhoda však nespočívá primárně v čistých úsporách nákladů na čip, ale v energetické účinnosti. Díky zvýšené účinnosti lze se stejným příkonem provozovat výrazně více čipů, což představuje skutečnou konkurenční výhodu v odvětví, kde se limitujícím faktorem růstu stala dostupnost elektřiny a kapacita připojení k síti. Samotná OpenAI již podepsala smlouvy na více než deset gigawattů výpočetní kapacity v USA, což byl cíl původně stanovený na rok 2029, kterého bylo nyní dosaženo již před lety. V prostředí, kde nová kapacita elektráren a připojení k síti často představují skutečnou překážku pro rozšiřování datových center, se každý efektivněji použitý watt přímo promítá do dodatečného dostupného výpočetního výkonu, aniž by bylo nutné stavět další elektrárny.

Tempo vývoje, které je výzvou pro čipový průmysl

Obzvláště pozoruhodná je doba vývoje projektu. Podle OpenAI uplynulo mezi vytvořením vývojového týmu a „tape-out“ čipu – tedy dokončením návrhu pro schválení výroby – pouze 16 měsíců, přičemž první kompletní návrh byl údajně dokončen devět měsíců před „tape-out“. V tradičním polovodičovém průmyslu jsou vývojové cykly tři až pět let považovány za standardní pro srovnatelně složité čipy, takže takové tempo, pokud se potvrdí v budoucích generacích, by mohlo vyvinout tlak na zavedenou nákladovou strukturu celého odvětví.

Podle společnosti OpenAI to bylo možné díky intenzivnímu využívání vlastních systémů umělé inteligence v samotném procesu návrhu. To umožnilo rychlejší vyhodnocování návrhových rozhodnutí a zároveň pomohlo optimalizovat výpočetní jednotky, čímž se výrazně zkrátily tradiční iterační smyčky v návrhu čipů. To vytváří samoposilující efekt: čím výkonnější jsou modely umělé inteligence společnosti, tím rychleji a nákladově efektivněji lze vyvíjet nové generace čipů, které pak tyto modely ještě efektivněji spouštějí. Takový mechanismus zpětné vazby, pokud se prokáže jako reprodukovatelný, by se mohl stát strukturální výhodou pro společnosti, které disponují jak předními modely umělé inteligence, tak vlastními schopnostmi vývoje čipů.

Když se vaše vlastní umělá inteligence stane nástrojem inženýra

Astra, další plánovaná verze GPT, již byla v OpenAI použita k vývoji optimalizovaných výpočetních jader neboli kernelu pro nové modely. Podle zpráv byl kód vyvinutý společností Astra v GPT-OSS o 50 až 80 procent rychlejší než srovnatelné programy vyvinuté týmy lidských expertů. Toto zjištění má dalekosáhlejší ekonomické důsledky, než se zpočátku zdá, protože naznačuje, že úzké hrdlo optimalizace softwaru, které dosud silně záviselo na dostupnosti vysoce specializovaných inženýrů, lze stále více řešit automatizovanými systémy.

Pro polovodičový průmysl jako celek to znamená potenciální přeskupení konkurenčních faktorů. Doposud byly desetiletí zkušeností, hluboké inženýrské znalosti a zavedený softwarový ekosystém, jako je CUDA od Nvidie, považovány za téměř nepřekonatelné překážky vstupu nových poskytovatelů. Pokud nástroje založené na umělé inteligenci dokážou tuto výhodu zkušeností částečně kompenzovat, vstupní práh pro další konkurenty se sníží, což by mohlo v dlouhodobém horizontu vést k fragmentaci v současnosti vysoce koncentrovaného trhu s akcelerátory umělé inteligence.

Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business - Obrázek: Xpert.Digital

Xpert.Digital je datově orientované B2B centrum pro průmysl, které vede Konrad Wolfenstein . Společnost funguje jako externí, kvazi-interní řešení pro průmyslové partnery a odstraňuje provozní mezery v marketingu, obsahu a prodeji – aniž by vyžadovala další zdroje na straně klienta.

Více informací zde:

• Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business

Architektura jako nákladové účetnictví v křemíku

OpenAI učinila s čipem Jalapeño několik zajímavých a ekonomicky rozumných konstrukčních rozhodnutí. Například maticové jednotky čipu nepodporují výpočty s použitím 16bitového formátu FP16 s plovoucí desetinnou čárkou, což výrazně zjednodušuje vnitřní logiku a odpovídá trendu v odvětví směrem ke kvantizovanějším modelům, tedy modelům s nižší numerickou přesností. 64bitové a 32bitové datové typy jsou podporovány pouze dodatečnými skalárními a vektorovými jednotkami, přičemž ty druhé jsou také omezeny na 32bitové výpočty. Jakákoli tranzistorová plocha ušetřená vynecháním zřídka používaných výpočetních formátů může být místo toho investována do větší šířky pásma paměti nebo více výpočetních jader pro formáty, které jsou skutečně potřebné, čímž se zvyšuje nákladová efektivita na vyrobený čip.

Pokud jde o čistý výpočetní výkon FP8 a FP4 – číselných formátů, které jsou obzvláště relevantní pro moderní kvantizované jazykové modely – čip OpenAI s 3,4 a 13,4 petaFLOPS formálně zaostává za čipem Blackwell od Nvidie s 5 a 15 petaFLOPS. Toto zdánlivě nevýhodné číslo je však zmírněno skutečným využitím systému, protože čipy v praxi zřídka dosahují svého teoretického maximálního výkonu. Podle pozorovatelů z oboru současné akcelerátory často pracují při reálných inferenčních zátěžích pouze s 30 až 50 procenty své teoretické účinnosti. Čip, který se přiblíží svému vlastnímu maximálnímu výkonu, proto může v praxi zůstat konkurenceschopný, nebo jej dokonce překonat, a to i přesto, že se jeho hrubý výkon na papíře jeví jako nižší.

Šířka pásma paměti namísto hrubého výpočetního výkonu jako strategická volba

Čip je vybaven šesti paměťovými zásobníky HBM4, což mu poskytuje téměř dvojnásobnou paměťovou propustnost oproti Blackwellu, a to 15,4 TB za sekundu oproti 8 TB za sekundu. Toto rozhodnutí odráží záměrné stanovení priorit, protože při odvozování modelů velkých jazyků často není limitujícím faktorem čistý výpočetní výkon, ale rychlost, s jakou lze váhy modelu a mezivýsledky přesouvat mezi pamětí a aritmeticko-logickou jednotkou (ALU). Čip, který konkrétně řeší toto tzv. úzké hrdlo šířky pásma paměti, může v reálných aplikačních scénářích fungovat efektivněji než konkurent s vyšším nominálním výpočetním výkonem, ale srovnatelně omezenějším přístupem k paměti.

Díky osmi paměťovým zásobníkům nabízí Blackwell a nadcházející generace Rubin vyšší celkovou paměťovou kapacitu 288 GB, zatímco Jalapeño má k dispozici pouze 216 GB. U velmi velkých modelů s odpovídajícím rozsáhlým kontextovým okny by se tato nižší kapacita mohla stát limitujícím faktorem, zejména pokud budou budoucí generace modelů ještě větší a náročnější na paměť. TDP čipu, neboli maximální tepelný návrhový výkon, je 700 wattů, ačkoli OpenAI uvádí, že čip v reálném provozu vyžaduje průměrně pouze kolem 550 wattů. Pro každodenní provoz datových center je to ekonomicky relevantnější metrika než teoretická špičková hodnota.

Latence versus flexibilita: vědomé kompromisní řešení

Hierarchie paměti čipu je zajímavá. OpenAI rozděluje čip do několika výpočetních skupin neboli segmentů, z nichž každý má pevně přidělenou paměť HBM. Toto těsné a pevné propojení mezi výpočetním jádrem a lokální pamětí výrazně snižuje latenci přístupu, protože každá výpočetní skupina má přímý přístup s nízkou latencí ke svému vlastnímu paměťovému oddílu, namísto nutnosti procházet víceúrovňovým sdíleným paměťovým systémem jako v tradičních architekturách GPU. Cenou za tuto rychlostní výhodu je snížená flexibilita při alokaci paměti, protože kapacitu nelze libovolně přerozdělovat mezi výpočetními skupinami, jakmile oddíl dosáhne svých limitů.

Skupiny jsou propojeny prostřednictvím dvou samostatných síťových vrstev: specializované, obzvláště nízkolatenční kolektivní sítě pro často se opakující, jasně definované komunikační vzorce, jako je synchronizace během paralelního zpracování, a obecnější sítě na čipu pro další komunikaci a přístup k vyšší úrovni škálovatelné sítě mezi více čipy. Toto architektonické rozdělení umožňuje, aby většina interního datového provozu byla zpracovávána rychlejší, vyhrazenou cestou, zatímco obecná síť zůstává vyhrazena pouze pro méně časté, časově méně kritické přístupy. Z ekonomického hlediska se jedná o klasický kompromis mezi specializací a univerzálním použitím, typický pro účelové inferenční čipy a zásadně odlišný od obecnější architektury klasických grafických procesorů.

Systolické pole jako odkaz filozofie TPU

Stejně jako mnoho jiných specializovaných akcelerátorů umělé inteligence se i Jalapeño spoléhá na systolické pole, kde se mezivýsledky předávají přímo mezi sousedními procesorovými jednotkami, namísto neustálého oscilování mezi pamětí a aritmeticko-logickou jednotkou. Tento koncept není v žádném případě nový, ale vychází z architektonické filozofie, která je v praxi úspěšně testována již léta, zejména u tenzorových procesorových jednotek od Googlu, kde již dosáhl srovnatelného zvýšení efektivity ve specializovaných úlohách umělé inteligence.

Na rozdíl od tradičních návrhů s velmi velkými systolickými poli podporuje Jalapeño podle SemiAnalysis také menší dimenze matic, čímž se vyhne typickým poklesům výkonu, ke kterým dochází, když velikosti dávek nebo dimenze matic přesně neodpovídají pevné velikosti pole. Čip navíc disponuje dedikovanými 64bitovými skalárními jádry a také vektorovými jednotkami s podporou FP32 a INT32 a využívá přístup k provádění mimo pořadí s klasickou mezipamětí L1 na každém výpočetním jádře, namísto spoléhání se na softwarově řízenou paměť typu scratchpad jako mnoho jiných akcelerátorů. Tato kombinace specializované maticové jednotky a flexibilnější skalární a vektorové logiky naznačuje, že OpenAI záměrně hledala střední cestu mezi čistou specializací a obecnou programovatelností.

Proč se nižší náklady neprojeví okamžitě u zákazníků

Z pohledu podnikových zákazníků a vývojářů je bezprostřední otázkou, zda slibované zvýšení efektivity povede také k nižším cenám API. Podle několika analytiků z oboru je to v krátkodobém horizontu poměrně nepravděpodobné, protože OpenAI v současnosti funguje primárně spíše s kapacitními než nákladovými omezeními. To znamená, že nižší jednotkové náklady se zpočátku promítnou do většího dostupného objemu, spíše než do nižších cen. Historické příklady, jako je zavedení vlastních TPU společností Google nebo čipy Trainium od Amazonu, ukazují, že ceny pro koncové zákazníky obvykle klesají až 12 až 24 měsíců po rozsáhlém zavedení nového proprietárního hardwaru, což je obvykle vyvoláno zvýšeným konkurenčním tlakem ze strany konkurenčních dodavatelů.

Kromě toho musí OpenAI nejprve získat zpět své značné počáteční investice do designu, výroby a infrastruktury prostřednictvím inferenčních výnosů v průběhu několika čtvrtletí, než se úspory nákladů skutečně promítnou do vyšších marží. Do té doby čip pravděpodobně pomůže především zmírnit stávající kapacitní úzká místa, jako je zkrácení dlouhých čekacích dob nebo limitů rychlosti v přístupu k API, spíše než aby vedl k okamžitému snížení cen. Nicméně pro společnosti, které vytvářejí střednědobé rozpočtové plány pro využívání služeb umělé inteligence, se zdá rozumné počítat s postupným snižováním nákladů potenciálně o 30 až 50 procent během dvou až tří let jako realistický scénář plánování.

Soutěž o tržní sílu, nejen o watty

Hlubší strategický důvod tohoto vývoje spočívá v boji za nezávislost na jediném, na trhu dominantním dodavateli. Nvidia po léta ovládala drtivou většinu trhu s hardwarem pro trénování a inferenční odvozování umělé inteligence, čímž dosahovala značných hrubých marží, které nakonec museli nést zákazníci. Pokud OpenAI, podobně jako Google, Amazon a Microsoft se svými příslušnými čipovými programy, přesune významnou část své inferenční zátěže na vlastní hardware, vyjednávací síla Nvidie s jejími největšími zákazníky se zmenší, i když Nvidia zůstane hlavním partnerem pro trénování nových modelů.

V této souvislosti je pozoruhodné, že Nvidia současně poskytuje masivní finanční závazky na rozšíření datového centra OpenAI, například prostřednictvím multimiliardové půjčky na nové datové centrum v Ohiu, zatímco OpenAI současně pracuje na své vlastní, potenciálně konkurenční čipové platformě. Tuto zdánlivě protichůdnou situaci lze ekonomicky interpretovat jako racionální chování obou stran: Nvidia si zajišťuje dlouhodobé závazky k nákupu a kapitálové závazky od svého největšího jednotlivého zákazníka, zatímco OpenAI si současně buduje strategickou nezávislost pro rostoucí část své inferenční zátěže, aniž by zcela zatěžovala svůj vztah se svým nejdůležitějším školicím partnerem.

Od oznámení po masovou výrobu

První dodávky Jalapeña v malém měřítku jsou plánovány na konec roku 2026, zatímco velkovýroba a rozsáhlé zavedení se očekává v průběhu roku 2027. Do té doby zůstane Nvidia, zejména prostřednictvím pokračujícího používání svých systémů Vera Rubin, ústřední součástí infrastruktury OpenAI, což znamená, že úplné opuštění hardwaru Nvidia se neuvažuje. Místo toho se objevuje hybridní model, ve kterém se pro různé profily pracovní zátěže paralelně používají různé generace hardwaru a dodavatelé.

Z dlouhodobého hlediska skutečný význam čipu Jalapeño pravděpodobně nespočívá ani tak v konkrétních údajích o efektivitě první generace, jako spíše v prokázaném tempu vývoje a související schopnosti využít nástroje poháněné umělou inteligencí pro vývoj vlastního hardwaru. Pokud by se tento sebeposilující cyklus výkonnějších modelů a rychlejších cyklů vývoje čipů ukázal jako reprodukovatelný, nejen by to změnilo konkurenční pozici OpenAI vůči Nvidii, ale také by to zásadně posunulo časový harmonogram, ve kterém lze vyvíjet nové generace polovodičů pro aplikace umělé inteligence.

Od viditelnosti k důvěře: Vaše škálovatelná cesta s Xpert.Digital - Obrázek: Xpert.Digital

V průmyslovém B2B segmentu se udržitelné obchodní vztahy zřídkakdy objevují přes noc. Rozvíjejí se krok za krokem – prostřednictvím viditelnosti, profesní relevance, opakujících se kontaktních bodů a rostoucí důvěry. Čtyřfázový model Xpert.Digital přesně toto řeší: Nabízí strukturovanou cestu, která začíná zvládnutelným vstupním bodem a v případě potřeby se může rozvinout do hlubší spolupráce v oblasti rozvoje podnikání.

Místo spoléhání se na hlasité marketingové sliby staví tento model do popředí vztah. Firmy začínají s jasně definovanými, snadno vypočítatelnými kritérii a poté se na základě vlastních zkušeností rozhodnou, jak dalece chtějí spolupráci rozšířit. Klíčovým faktorem pro tento nerušený proces budování důvěry je, že se platforma zcela vyhýbá otravným reklamám, takže redakční zaměření zůstává výhradně na odbornosti firem.

Více informací zde:

• Od viditelnosti k důvěře: Vaše škálovatelná cesta s Xpert.Digital

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem rodném jazyce!

Konrad Wolfenstein

Já a můj tým jsme rádi, že vám můžeme být k dispozici jako váš osobní poradce.

Můžete mě kontaktovat vyplněním kontaktního formuláře zde [email protected]:nebo mi jednoduše zavolat na číslo +49 7348 4088 965. Moje e-mailová adresa je

Těším se na náš společný projekt.

☑️ Podpora malých a středních podniků v oblasti strategie, poradenství, plánování a implementace

☑️ Vytvoření nebo restrukturalizace digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální B2B obchodní platformy

☑️ Průkopnický rozvoj podnikání / Marketing / PR / Veletrhy