Универсальный ускоритель Nvidia вынужден обслуживать широкий круг клиентов и типов задач. Jalapeño же спроектирован под конкретную нагрузку, которую OpenAI сама генерирует, измеряет и может менять вместе с программным стеком — вокруг собственных языковых моделей, вычислительных ядер, движения данных, памяти и сетевого обмена.
Масштаб задан на 10 ГВт
Основа для всей программы — соглашение OpenAI и Broadcom, по которому стороны договорились о развертывании 10 ГВт ускорителей собственной разработки OpenAI. Установка стоек начнется во второй половине 2026 года и продлится до конца 2029-го. При такой мощности разница в ваттах и миллисекундах перестает быть лабораторной характеристикой и превращается в статью расходов на электричество, охлаждение, память, сеть, стойки и площадь дата-центров.
При этом OpenAI не отказывается от внешних поставщиков полностью:
- обучение передовых моделей по-прежнему требует внешних ускорителей;
- серийный выпуск Jalapeño зависит от партнеров по производству, памяти, упаковке и сборке;
- компания продолжит широко использовать чипы Nvidia и других поставщиков — как для обучения, так и для части инференса.
Граница проекта поэтому четкая: OpenAI сохраняет внешнюю цепочку поставок, но забирает себе архитектуру оборудования для крупнейшего потока ежедневных вычислений.
Экономика инференса
Разница между собственным чипом и покупкой GPU выходит за рамки энергопотребления. Nvidia завершила 2026 финансовый год с выручкой $215,9 млрд и валовой маржой 71,1%, а ее дата-центровый сегмент вырос на 68% год к году — эти данные отражены в отчетности компании перед Комиссией по ценным бумагам и биржам (SEC). Покупатель GPU оплачивает не только само оборудование, но и коммерческую прибыль поставщика поверх него.
OpenAI строит чип как внутренний компонент собственного сервиса и получает выгоду от снижения полной стоимости обработки запроса, даже без отдельной рыночной наценки на сам процессор. Часть стоимости, которая раньше оседала у поставщика универсальных ускорителей, компания пытается превратить в собственную экономию и дополнительную вычислительную емкость.
Более дешевый и быстрый инференс позволяет дольше выполнять агентные задачи, обслуживать больше параллельных запросов и снижать стоимость продуктов без пропорционального роста числа дата-центров. Рост использования сервиса, в свою очередь, повышает загрузку собственной платформы и делает следующее поколение специализированных чипов экономически оправданнее.
Jalapeño меняет положение OpenAI в цепочке ИИ-инфраструктуры: компания и раньше контролировала модель, программный стек и продукт, а теперь получает контроль над архитектурой процессора, от которой зависит цена ответа. Nvidia сохраняет за собой рынок обучения моделей и универсальных ускорителей, но самый массовый участок работы OpenAI перестает быть для нее гарантированной продажей.
Мнение ИИ
С точки зрения машинного анализа данных, кейс Jalapeño повторяет траекторию, которую до OpenAI уже прошли другие лидеры отрасли. Anthropic взяла обязательства по миллиону TPU от Google еще в октябре 2025 года, а Midjourney перенесла генерацию изображений на TPU Google Cloud ради экономии. Общая логика одна: гиперскейлеры уходят от универсальных GPU к чипам под собственную нагрузку, как только объем инференса становится достаточно предсказуемым и массовым.
Стратегия несет и обратную сторону. Специализация под конкретную модель и стек снижает гибкость при смене архитектур ИИ, а зависимость от Broadcom и Celestica в производстве создает единую точку риска на весь девятимесячный цикл разработки. Останется ли Jalapeño конкурентным через два-три поколения моделей, или узкая оптимизация под сегодняшний инференс превратится в ограничение завтра?
hashtelegraph.com
