OpenAI zaprojektowało własny układ z pomocą własnych modeli. Przewagę liczy na wat, a nie na układ

OpenAI podało, że jego pierwszy własny układ scalony jest od 1,5 do 1,9 raza wydajniejszy od systemów porównawczych. Liczba jest podana w przeliczeniu na wat pobieranej mocy, a nie na układ. To nie jest szczegół techniczny ukryty w przypisie: przy innej jednostce to samo zestawienie wygląda inaczej, a OpenAI pisze o tym wyborze wprost w tekście.

Układ nazywa się Jalapeño. Powstał we współpracy z Broadcomem, został ogłoszony 24 czerwca 2026, a wyniki pierwszych pomiarów OpenAI opublikowało 25 sierpnia. Nie służy do trenowania modeli, tylko do ich obsługi, czyli do odpowiadania na zapytania użytkowników. To ta część rachunku, którą płaci się codziennie.

Jalapeño ma znamionowy pobór mocy 700 watów. Systemy, z którymi go zestawiono, mają 1200 i 1400 watów. Przy pomiarze na układ liczy się, ile jeden kawałek krzemu zrobi pracy. Przy pomiarze na wat liczy się, ile pracy przypada na jednostkę prądu. Układ pobierający połowę mocy ma w drugim ujęciu przewagę, której w pierwszym mieć nie musi.

Uzasadnienie jest sensowne. W centrum danych ograniczeniem nie jest liczba układów, które da się kupić, tylko prąd, który da się doprowadzić i odebrać w postaci ciepła. Warto jednak wiedzieć, że jednostka została wybrana, a nie jest naturalna, bo w innych zestawieniach na rynku podaje się wydajność na układ i wtedy porównania wychodzą inaczej.

Jedna rzecz w tym opisie działa na niekorzyść producenta i warto to odnotować, bo rzadko się zdarza. Do znormalizowania wyników użyto mocy znamionowej 700 watów, choć zmierzona moc ciągła utrzymywała się na poziomie 550 watów lub niższym. Gdyby liczyć od wartości zmierzonej, podana przewaga byłaby większa.

Pomiary wykonało OpenAI. Test, na którym je wykonano, nazywa się InferenceX i jest publicznie dostępny, a jego autorem jest firma analityczna SemiAnalysis. To dwie różne rzeczy i obie są istotne. Publiczny test oznacza, że metodę da się powtórzyć. Własny pomiar oznacza, że wyników nie potwierdziła dotąd żadna niezależna strona.

Podane zakresy dotyczą trzech modeli o otwartych wagach: GPT-OSS 120B, DeepSeek R1 670B i Kimi K2.5 1T. Przy maksymalnej przepustowości Jalapeño wykonał od 1,5 do 1,9 raza więcej pracy na wat niż systemy porównawcze, a opóźnienie całkowite było od 1,7 do 3,6 raza niższe. Przy obciążeniach najbardziej interaktywnych przewaga wyniosła od 2,1 do 4,1 raza. OpenAI dodaje, że na własnych modelach przewaga była jeszcze większa, ale tych pomiarów nie pokazuje.

Od pierwszego projektu do tape-outu, czyli przekazania gotowego wzoru do produkcji, minęło dziewięć miesięcy. OpenAI i Broadcom podają to jako najszybszy cykl w tej klasie układów i wiążą wynik z użyciem modeli OpenAI do części prac projektowych i optymalizacyjnych. Warto pamiętać, że rekord ogłaszają tu obie zainteresowane firmy, a nie strona trzecia.

Konkretne przyspieszenia, które OpenAI podaje, są wyraźnie węższe niż hasło o projektowaniu układów przez AI. Dla wybranych bloków mechanizmu uwagi w modelu GPT-OSS implementacje wygenerowane przez model działały od 1,5 do 1,8 raza szybciej niż napisane przez ekspertów. Producent sam zaznacza, że liczby dotyczą wybranych bloków, a nie całego modelu.

IEEE Spectrum, opisując tę samą sprawę, dokłada rzecz, której w komunikacie producenta nie ma: modele językowe okazały się najmniej przydatne przy fizycznej części projektu, czyli przy rozmieszczeniu i połączeniu elementów na krzemie. Tę część prowadził Broadcom i miał do dyspozycji wyłącznie modele publicznie dostępne. Cytowany w tekście szef programu sprzętowego OpenAI ujmuje podział pracy tak samo.

Wdrożenie pierwszej generacji zaplanowano do końca 2026 roku, druga jest w zaawansowanych pracach, trzecia dopiero się kształtuje. Przez cały ten czas OpenAI zapowiada dalsze kupowanie akceleratorów od NVIDII i innych dostawców. Czyli własny układ nie zastępuje dotychczasowych zakupów, tylko dochodzi do nich.