Халапеньо: Первый чип OpenAI для искусственного интеллекта превосходит Nvidia по эффективности – Когда клиент внезапно становится конкурентом – Изображение: Xpert.Digital
В 22 раза эффективнее: первый собственный чип OpenAI для искусственного интеллекта значительно превосходит чипы Nvidia
Экономия энергии, удвоение производительности: что означает новый чип OpenAI для искусственного интеллекта для отрасли
Искусственный интеллект создает чипы для ИИ: «Jalapeño» от OpenAI превзошел конкурентов в рекордно короткие сроки
Чип, который полностью меняет расстановку сил на многомиллиардном рынке ИИ: с помощью «Jalapeño» компания OpenAI разработала свой первый собственный ускоритель ИИ в рекордно короткие сроки, бросив вызов не кому другому, как своему самому важному на сегодняшний день партнеру по аппаратному обеспечению — компании Nvidia. Первые независимые тесты показывают, что новый чип обладает впечатляющей энергоэффективностью, значительно превосходя по некоторым параметрам текущее поколение Blackwell от Nvidia. Настоящий гениальный ход этой разработки: OpenAI использовала собственные передовые модели ИИ для значительного ускорения проектирования чипа. Что означает этот стратегический шаг для и без того перегруженного электроснабжения центров обработки данных, эксплуатационных расходов ChatGPT и рыночной власти Nvidia? Подробный анализ показывает, почему дебют OpenAI на рынке аппаратного обеспечения — это гораздо больше, чем просто технологическое обновление — он может коренным образом изменить модель получения дохода всей отрасли.
От клиента к конкуренту: OpenAI атакует Nvidia собственным чудо-чипом
Менее чем за полтора года компания OpenAI разработала собственный чип для искусственного интеллекта, который, согласно первоначальным независимым тестам, демонстрирует значительно более высокую эффективность, чем текущее эталонное оборудование Nvidia. Это примечательно, поскольку ранее OpenAI была одним из крупнейших клиентов Nvidia, а теперь выходит на сегмент, который почти полностью доминировался одним поставщиком. После того, как компания представила свой первый собственный ускоритель ИИ под кодовым названием Jalapeño в июне 2026 года, стали доступны надежные данные о производительности, собранные независимой аналитической фирмой SemiAnalysis. Эти данные показывают, что OpenAI, отчасти благодаря активной поддержке специалиста по полупроводникам Broadcom, разработала с нуля высокопроизводительный чип для ИИ, который значительно превосходит текущее поколение Blackwell от Nvidia по некоторым показателям и, похоже, хорошо позиционируется в сравнении с грядущей платформой Rubin.
Экономические последствия этого события трудно переоценить, поскольку оно затрагивает одну из центральных проблем затрат всей индустрии ИИ: огромную разницу между расходами на вычислительную инфраструктуру и доходами, которые можно получить от услуг ИИ. По имеющимся данным, OpenAI тратит около 3,7 миллиарда долларов в квартал, при этом наибольшую статью расходов составляют затраты на вывод данных — затраты на непрерывное развертывание предварительно обученных моделей в повседневной работе. Чип, который значительно снижает эти затраты, меняет не только технический показатель, но и всю модель получения дохода компании, которая управляет ChatGPT с более чем 400 миллионами активных пользователей.
Независимый испытательный стенд без полной свободы действий
Тестирование проводилось с использованием собственной тестовой среды SemiAnalysis, InferenceX. Однако, по данным SemiAnalysis, самим аналитикам не разрешалось проводить тесты, и не все сценарии были протестированы, а также не использовалась более информативная тестовая среда AgentX. Это ограничение имеет важное экономическое значение, поскольку означает, что, хотя доступные данные получены от авторитетной компании, специализирующейся на анализе микросхем, они были собраны в рамках, контролируемых OpenAI. Любой, кто хочет принимать обоснованные инвестиционные решения на основе таких данных, должен учитывать этот контекст, даже если общее направление результатов кажется правдоподобным.
InferenceX использует модели OpenWeights GPT-OSS, DeepSeek R1 и Kimi K2.5, что говорит о том, что Jalapeño разработан не только для собственных моделей OpenAI, но и подходит в качестве универсальной платформы для вывода результатов на других архитектурах. В качестве подтверждения гибкости оборудования SemiAnalysis приводит демонстрацию разработчиков, показавшую, что игра Doom, портированная с собственного программного помощника OpenAI Codex, даже работала на этом чипе. Хотя такие демонстрации не имеют большого экономического значения, они указывают на то, что архитектура не ограничена узким кругом приложений, а может справляться с более общими вычислительными задачами.
Повышение эффективности, которое конвертируется в реальные денежные средства
Результаты подтверждают особенно высокую эффективность Jalapeño. В некоторых сценариях чип OpenAI достигает в 22 раза большей производительности на ватт по сравнению с Nvidia B300, что является исключительным результатом для первого собственного чипа компании, не имеющей многолетнего опыта работы в полупроводниковой отрасли. Jalapeño также может конкурировать с новой системой Vera Rubin, которая в настоящее время внедряется для крупных клиентов, хотя на данный момент имеется мало достоверных данных для этого сравнения, и окончательная оценка еще не проведена.
Однако SemiAnalysis указывает на методологические ограничения, которые позволяют оценить значимость полученных данных. Были протестированы только относительно небольшие размеры запросов: 8192 входных и 1024 выходных токена, в то время как более крупные запросы, распространенные во многих приложениях для агентов в производственной среде, могли бы существенно изменить результаты. Кроме того, протестированная версия работала на ранней стадии A0, в то время как оптимизированная стадия B0 в настоящее время находится в производстве, и, по утверждению OpenAI, она будет примерно на 25 процентов эффективнее. С экономической точки зрения это означает, что уже впечатляющие показатели, вероятно, представляют собой нижний предел, а не верхний предел фактического потенциала, если заявления относительно стадии B0 подтвердятся.
Реальный рычаг воздействия заключается не в самом чипе, а в энергосистеме
Чип OpenAI может оказаться даже более экономически выгодным, чем Vera-Rubin, поскольку система Nvidia в тестах использовала спекулятивное декодирование — метод ускорения генерации текста, в то время как Jalapeño пришлось обходиться без этой оптимизации. В целом, собственная аппаратная обработка данных должна значительно снизить стоимость OpenAI, поскольку компании больше не нужно платить коммерческую маржу внешнему поставщику, а архитектура может быть точно адаптирована к собственным потребностям.
Однако реальное стратегическое преимущество заключается не столько в чистой экономии средств на каждый чип, сколько в энергоэффективности. Благодаря повышению эффективности, значительно больше чипов может работать при том же энергопотреблении, что представляет собой истинное конкурентное преимущество в отрасли, где доступность электроэнергии и пропускная способность электросетей стали ограничивающим фактором роста. Сама компания OpenAI уже заключила контракты на более чем десять гигаватт вычислительных мощностей в США, цель, первоначально поставленная на 2029 год, была достигнута на несколько лет раньше. В условиях, когда новые мощности электростанций и подключения к электросетям часто являются реальным узким местом для расширения центров обработки данных, каждый ватт, используемый более эффективно, напрямую приводит к увеличению доступной вычислительной мощности без необходимости строительства дополнительных электростанций.
Темпы развития, которые бросают вызов индустрии микросхем
Особенно примечательны сроки разработки проекта. По данным OpenAI, между формированием команды разработчиков и выпуском чипа на производство прошло всего 16 месяцев — то есть, завершением проектирования для получения разрешения на производство — при этом первый полный проект, как сообщается, был завершен за девять месяцев до выпуска чипа. В традиционной полупроводниковой промышленности циклы разработки от трех до пяти лет считаются стандартными для сравнительно сложных чипов, поэтому такой темп, если он подтвердится в будущих поколениях, может оказать давление на сложившуюся структуру затрат всей отрасли.
По данным OpenAI, это стало возможным благодаря интенсивному использованию собственных систем искусственного интеллекта в самом процессе проектирования. Это позволило ускорить оценку проектных решений и одновременно оптимизировать вычислительные блоки, значительно сократив традиционные циклы итераций в проектировании микросхем. Это создает самоподдерживающийся эффект: чем мощнее становятся модели ИИ компании, тем быстрее и экономичнее можно разрабатывать новые поколения микросхем, которые затем еще эффективнее используют эти модели. Такой механизм обратной связи, при условии его воспроизводимости, может стать структурным преимуществом для компаний, обладающих как передовыми моделями ИИ, так и собственными возможностями разработки микросхем.
Когда собственный ИИ становится инструментом инженера
Astra, следующая запланированная версия GPT, уже использовалась в OpenAI для разработки оптимизированных вычислительных ядер, или ядер, для новых моделей. Согласно отчетам, код, разработанный с помощью Astra в рамках GPT-OSS, был на 50–80 процентов быстрее, чем аналогичные программы, разработанные группами экспертов. Это открытие имеет более далеко идущие экономические последствия, чем кажется на первый взгляд, поскольку оно предполагает, что узкое место в оптимизации программного обеспечения, которое до сих пор в значительной степени зависело от наличия высококвалифицированных инженеров, все чаще может быть решено с помощью автоматизированных систем.
Для полупроводниковой промышленности в целом это означает потенциальную перестройку конкурентных факторов. До сих пор многолетний опыт, глубокие инженерные знания и развитая программная экосистема, такая как CUDA от Nvidia, считались практически непреодолимыми барьерами для входа новых поставщиков. Если инструменты на основе ИИ смогут частично компенсировать это преимущество в опыте, порог входа для дальнейших конкурентов снизится, что в долгосрочной перспективе может привести к фрагментации нынешнего высококонцентрированного рынка ускорителей ИИ.
🎯🎯🎯 Центр B2B-индустрии, основанный на данных, как своего рода внутреннее решение
Практически внутреннее решение: как Xpert.Digital устраняет операционные пробелы в B2B-маркетинге и продажах – Умный бизнес, основанный на контенте - Изображение: Xpert.Digital
Xpert.Digital — это ориентированный на данные B2B-индустрионный центр, возглавляемый Konrad Wolfenstein . Компания выступает в качестве внешнего, частично внутреннего решения для отраслевых партнеров, устраняя операционные пробелы в маркетинге, контенте и продажах — без необходимости привлечения дополнительных ресурсов со стороны клиента.
Более подробная информация здесь:
Чип Jalapeno от OpenAI: почему архитектура важнее вычислительной мощности
Архитектура как метод учета затрат в кремниевых технологиях
Компания OpenAI приняла ряд интересных и экономически обоснованных проектных решений при разработке Jalapeño. Например, матричные блоки чипа не поддерживают вычисления с использованием 16-битного формата чисел с плавающей запятой FP16, что значительно упрощает внутреннюю логику и соответствует отраслевой тенденции к использованию более квантованных моделей, то есть моделей с меньшей числовой точностью. 64-битные и 32-битные типы данных поддерживаются только дополнительными скалярными и векторными блоками, причем последние также ограничены 32-битными вычислениями. Любая сэкономленная площадь транзисторов за счет отказа от редко используемых форматов вычислений может быть инвестирована в увеличение пропускной способности памяти или увеличение количества процессорных ядер для действительно необходимых форматов, что повышает экономическую эффективность производства каждого чипа.
С точки зрения чистой вычислительной мощности в форматах FP8 и FP4 — форматах чисел, особенно актуальных для современных квантованных языковых моделей — чип OpenAI, с показателями 3,4 и 13,4 петафлопс соответственно, формально отстает от Blackwell от Nvidia, у которого 5 и 15 петафлопс. Однако этот, казалось бы, невыгодный показатель компенсируется фактической загрузкой системы, поскольку чипы редко достигают своего теоретического пика производительности на практике. По мнению отраслевых экспертов, современные ускорители часто работают лишь на 30–50 процентов от своей теоретической эффективности при реальных нагрузках на вывод. Поэтому чип, который приближается к своему пику производительности, может оставаться конкурентоспособным или даже превосходить его на практике, несмотря на то, что его производительность на бумаге кажется ниже.
Пропускная способность памяти, а не просто вычислительная мощность, как стратегический выбор
Чип оснащен шестью стеками памяти HBM4, что обеспечивает ему почти вдвое большую пропускную способность памяти, чем у Blackwell: 15,4 ТБ в секунду по сравнению с 8 ТБ в секунду. Это решение отражает преднамеренный приоритет, поскольку при выводе больших языковых моделей ограничивающим фактором часто является не столько вычислительная мощность, сколько скорость передачи весов модели и промежуточных результатов между памятью и арифметико-логическим устройством (АЛУ). Чип, специально решающий эту так называемую проблему узкого места в пропускной способности памяти, может работать более эффективно в реальных сценариях применения, чем конкурент с более высокой номинальной вычислительной мощностью, но сравнительно более узким доступом к памяти.
Благодаря восьми стекам памяти, процессоры Blackwell и грядущее поколение Rubin предлагают больший общий объем памяти — 288 ГБ, в то время как Jalapeño имеет всего 216 ГБ. Для очень больших моделей с соответственно обширными контекстными окнами этот меньший объем может стать ограничивающим фактором, особенно если будущие поколения моделей будут еще больше и потреблять больше памяти. Тепловая мощность (TDP) чипа составляет 700 Вт, хотя OpenAI утверждает, что в реальной работе чип потребляет в среднем около 550 Вт. Это более экономически значимый показатель для повседневной работы центров обработки данных, чем теоретическое пиковое значение.
Задержка против гибкости: осознанный компромисс
Иерархия памяти чипа представляет собой интересный пример. OpenAI разделяет чип на множество вычислительных групп, или сегментов, каждый из которых имеет фиксированное выделение памяти HBM. Эта тесная, фиксированная связь между процессорным ядром и локальной памятью значительно снижает задержку доступа, поскольку каждая вычислительная группа имеет прямой доступ с низкой задержкой к своему собственному разделу памяти, вместо того чтобы проходить через многоуровневую систему общей памяти, как в традиционных архитектурах GPU. Цена за это преимущество в скорости — снижение гибкости в распределении памяти, поскольку емкость не может быть произвольно перераспределена между вычислительными группами после того, как раздел достигнет своих пределов.
Группы связаны двумя отдельными сетевыми уровнями: специализированной, особенно низколатентной коллективной сетью для часто повторяющихся, четко определенных коммуникационных шаблонов, таких как синхронизация во время параллельной обработки, и более общей сетью на кристалле для других видов связи и доступа к масштабируемой сети более высокого уровня между несколькими чипами. Такое архитектурное разделение позволяет обрабатывать большую часть внутреннего трафика данных по более быстрому, выделенному пути, в то время как общая сеть остается зарезервированной только для менее частых и менее критичных по времени обращений. С экономической точки зрения, это классический компромисс между специализацией и универсальным использованием, типичный для специализированных чипов для обработки данных и принципиально отличающийся от более универсальной архитектуры классических графических процессоров.
Систолический массив как наследие философии ТПУ
Как и многие другие специализированные ускорители ИИ, Jalapeño использует систолический массив, где промежуточные результаты передаются напрямую между соседними процессорами, а не постоянно колеблются между памятью и арифметико-логическим устройством. Эта концепция отнюдь не нова, но она следует архитектурной философии, которая успешно тестировалась на практике в течение многих лет, в частности, на тензорных процессорах Google, где уже были достигнуты сопоставимые показатели эффективности в специализированных задачах ИИ.
В отличие от традиционных, очень больших систолических матриц, Jalapeño, по данным SemiAnalysis, также поддерживает меньшие размеры матриц, что позволяет избежать типичных падений производительности, возникающих, когда размеры пакетов или матриц не совсем соответствуют фиксированному размеру матрицы. Кроме того, чип имеет выделенные 64-битные скалярные ядра, а также векторные блоки с поддержкой FP32 и INT32 и использует подход внеочередного выполнения с классическим кэшем L1 на каждом процессорном ядре, вместо того чтобы полагаться на программно-управляемую память временного хранения, как многие другие ускорители. Такое сочетание специализированного матричного блока и более гибкой скалярной и векторной логики говорит о том, что OpenAI намеренно искала золотую середину между чистой специализацией и общей программируемостью.
Почему снижение цен не сразу доходит до потребителей
С точки зрения корпоративных клиентов и разработчиков, главный вопрос заключается в том, приведут ли обещанные повышения эффективности также к снижению цен на API. По мнению ряда отраслевых аналитиков, в краткосрочной перспективе это маловероятно, поскольку OpenAI в настоящее время работает в основном с ограничениями по мощности, а не по стоимости. Это означает, что снижение удельных затрат первоначально приведет к увеличению доступного объема, а не к снижению цен. Исторические примеры, такие как внедрение Google собственных TPU или чипов Trainium от Amazon, показывают, что цены для конечных потребителей обычно снижаются только через 12–24 месяца после широкого распространения нового проприетарного оборудования, обычно вызванного усилением конкурентного давления со стороны конкурирующих поставщиков.
Кроме того, OpenAI сначала должна окупить свои значительные первоначальные инвестиции в проектирование, производство и инфраструктуру за счет доходов от обработки данных в течение нескольких кварталов, прежде чем экономия средств действительно приведет к увеличению прибыли. До тех пор чип, скорее всего, будет в основном помогать устранять существующие узкие места в производственных мощностях, такие как сокращение времени ожидания или ограничений скорости доступа к API, а не приводить к немедленному снижению цен. Тем не менее, для компаний, разрабатывающих среднесрочные бюджетные планы по использованию услуг ИИ, представляется разумным учитывать постепенное снижение затрат на потенциально 30-50 процентов в течение двух-трех лет в качестве реалистичного сценария планирования.
Соревнование за рыночную власть, а не только за ватты
Более глубокая стратегическая причина этого развития событий кроется в борьбе за независимость от единственного, доминирующего на рынке поставщика. В течение многих лет Nvidia контролировала подавляющую часть рынка оборудования для обучения и вывода ИИ, получая тем самым значительную валовую прибыль, которую в конечном итоге приходилось нести клиентам. Если OpenAI, подобно Google, Amazon и Microsoft со своими программами по разработке чипов, перенесет значительную часть своей рабочей нагрузки по выводу на собственное оборудование, переговорная сила Nvidia с ее крупнейшими клиентами уменьшится, даже если Nvidia останется основным партнером по обучению новых моделей.
В этом контексте примечательно, что Nvidia одновременно предоставляет масштабные финансовые вложения в расширение центров обработки данных OpenAI, например, в виде многомиллиардного кредита на новый центр обработки данных в Огайо, в то время как OpenAI одновременно работает над собственной, потенциально конкурирующей платформой чипов. Эта, казалось бы, противоречивая ситуация может быть истолкована с экономической точки зрения как рациональное поведение обеих сторон: Nvidia обеспечивает себе долгосрочные обязательства по закупкам и капиталовложениям от своего крупнейшего клиента, в то время как OpenAI одновременно развивает стратегическую независимость для растущей части своей рабочей нагрузки по инференции, не подвергая при этом серьезному напряжению отношения со своим важнейшим партнером по обучению.
От анонса до серийного производства
Первые небольшие поставки Jalapeño запланированы на конец 2026 года, а крупномасштабное производство и массовый запуск, как ожидается, пройдут в течение 2027 года. До тех пор Nvidia, в частности, благодаря продолжающемуся использованию своих систем Vera Rubin, останется центральным компонентом инфраструктуры OpenAI, а это значит, что полный отказ от оборудования Nvidia не планируется. Вместо этого формируется гибридная модель, в которой различные поколения оборудования и производители используются параллельно для различных профилей рабочих нагрузок.
В долгосрочной перспективе истинное значение Jalapeño, вероятно, заключается не столько в конкретных показателях эффективности первого поколения, сколько в продемонстрированных темпах развития и связанной с этим способности использовать инструменты на основе ИИ для разработки собственного оборудования. Если этот самоподдерживающийся цикл более мощных моделей и более быстрых циклов разработки чипов окажется воспроизводимым, это не только изменит конкурентную позицию OpenAI по отношению к Nvidia, но и коренным образом изменит сроки разработки новых поколений полупроводников для приложений ИИ.
📈🚀 От прозрачности к доверию 👀🤝 Ваш масштабируемый путь с Xpert.Digital
От прозрачности к доверию: ваш масштабируемый путь с Xpert.Digital - Изображение: Xpert.Digital
В промышленном B2B-секторе устойчивые деловые отношения редко возникают за одну ночь. Они развиваются шаг за шагом – благодаря видимости, профессиональной значимости, регулярным контактам и растущему доверию. Четырехэтапная модель Xpert.Digital решает именно эту задачу: она предлагает структурированный путь, начинающийся с управляемой отправной точки и, при необходимости, перерастающий в более глубокое сотрудничество в развитии бизнеса.
Вместо громких маркетинговых обещаний, эта модель ставит во главу угла взаимоотношения. Компании начинают с четко определенных, легко поддающихся расчету показателей, а затем, основываясь на собственном опыте, решают, насколько они хотят расширить сотрудничество. Ключевым фактором этого беспрепятственного процесса построения доверия является то, что платформа полностью избегает навязчивой рекламы, поэтому редакционный фокус остается исключительно на экспертизе компаний.
Более подробная информация здесь:
Ваш глобальный партнер по маркетингу и развитию бизнеса
☑️ Язык ведения нашего бизнеса — английский или немецкий
☑️ НОВИНКА: Переписка на вашем родном языке!
Konrad Wolfenstein
Я и моя команда будем рады быть вашими личными консультантами.
Вы можете связаться со мной, заполнив контактную форму здесь wolfenstein@xpert.digital:или просто позвонив по номеру +49 7348 4088 965. Мой адрес электронной почты
Я с нетерпением жду начала нашего совместного проекта.
