OpenAI за 9 месяцев самостоятельно разработала чип, «превосходящий Blackwell» — останется ли у NVIDIA конкурентное преимущество?

OpenAI совместно с Broadcom впервые опубликовали реальные данные о своей собственной чипе для инференса Jalapeño – показатели производительности значительно превосходят существующие системы уровня Nvidia, что вызвало широкое обсуждение возможной перестройки рынка AI-чипов.

Согласно свежему анализу главы подразделения трейдинга Goldman Sachs Рича Приворотски, Jalapeño не является пресловутым “убийцей Nvidia”, но его появление знаменует переход рынка AI-оборудования от высокой концентрации к диверсификации. Эта оценка напрямую связана с долгосрочной логикой оценки Nvidia — вопрос не в объёмах поставок этого года, а в структуре прибыли на долгие годы вперёд.

Для рынка основные последствия этого события лежат в двух плоскостях: во-первых, “ров” Nvidia в сегменте обучающих чипов и экосистеме CUDA в ближайшей перспективе остаётся неприкосновенным; во-вторых, инференс — то есть рутинные задачи с высокой частотой и объёмом, — становится основным полем битвы для кастомизированных чипов, а “аннуитетный” источник доходов Nvidia подвергается медленному размыванию.

Реальные показатели Jalapeño: превосходство в инференсе, но чёткая специализация

Совместно разработанный OpenAI и Broadcom чип Jalapeño недавно прошёл первые открытые бенчмарк-тесты. Результаты показали, что объём AI-вычислений на ватт у этого чипа в 1,5–1,9 раза выше, чем у сопоставимых систем на базе Nvidia, а скорость отклика — быстрее в 1,7–3,6 раза.

По аппаратным характеристикам: номинальное энергопотребление одного Jalapeño — примерно 700 ватт, реальное рабочее значение часто ниже. Одна стойка вмещает 128 чипов, оснащённых около 27,5 ТБ высокоскоростной памяти HBM4, а пропускная способность памяти каждого чипа — 15,4 ТБ/сек.

Важный момент: OpenAI не пошла на компромисс по памяти — это чип с акцентом на максимальную пропускную способность, а не попытка удешевления за счёт снижения объёма памяти.

План внедрения Jalapeño — пилотный запуск в малых масштабах в конце этого года, с выходом на массовое производство в 2027 году. В OpenAI прямо подчёркивают, что этот чип — дополнение к партнёрам вроде Nvidia, а не замена им.

Фундаментальное различие между обучением и инференсом: в чём “ров” Nvidia

Ключ к пониманию этого события — различать два основных типа нагрузки AI-чипов.

Обучение — это “учёба”: скармливание модели огромных массивов данных с обновлением весов, задача сложная, масштабная и длительная, всё ещё критически зависящая от универсальных GPU, подобных Nvidia. Инференс — это “работа”: пользователь задаёт вопрос ChatGPT, агент бронирует билеты, инструменты генерируют код — модель уже обучена, и задача сводится к минимальной стоимости и максимальной скорости выдачи результата.

Jalapeño — специализированный ASIC для инференса, а не обучающий чип. По метафоре Приворотски: GPU — это швейцарский нож, ASIC — кулинарный — для конкретных задач последний лучше, но универсальность остаётся за первым.

Это означает, что OpenAI в обозримом будущем продолжит закупать GPU Nvidia для обучения и исследований. Приворотски прямо указывает, что Jalapeño не станет причиной “обрыва спроса на Nvidia”, но “дискуссия о границах AI-оборудования расширяется”.

Гибридный сдвиг, а не исчезновение отрасли

Приворотски в своём анализе формулирует три основных тезиса.

Первое: кастомные чипы для инференса перестали быть лабораторными экспериментами. Компания без бэкграунда в полупроводниках в кратчайшие сроки способна с Broadcom воплотить полнофункциональный чип — порог входа в сектор сильно понизился.

Второе: это не означает падения спроса на Nvidia в текущем году. Задачи обучения, исследований и нестандартизированные нагрузки по-прежнему требуют универсальных GPU, а объёмы и сроки поставок первого поколения кастомных чипов ограничены.

Третье: в более долгом горизонте всё больше задач в AI-инференсе будет переноситься на специализированные чипы. Это “гибридный сдвиг”: меняется распределение прибыли, а не масштаб отрасли.

Goldman Sachs также отмечает, что ни к каким негативным последствиям для индустрии памяти это не ведёт. Стойка со 128 чипами и 27,5 ТБ HBM4 означает, что OpenAI заплатит SK Hynix, Samsung, Micron и др. более высокую цену за эффективную рабочую ватт-память. Перенос инференса на кастомные чипы не снизит спрос на HBM, а, напротив, только усилит дефицит.

AI-поддержка чип-дизайна: недооценённый драйвер

Приворотски завершает анализ вопросом, который рынок нередко упускает: как компания без истории в чип-дизайне сумела реализовать такой проект в рекордные сроки?

Ответ Goldman Sachs — цикл усиленного обучения и AI-дизайна: применение моделей для поиска схемных решений, сжатие циклов проектирования/измерения/верификации и генерация AI-кода, исполняющегося на новых чипах.

Эта рекурсивная логика означает, что AI участвует в разработке машин для самого же AI. Если такой цикл сохранится, “ров” Nvidia, построенный вокруг ПО и экосистемы GPU, в задачах стационарного инференса станет размываться.

Для всей отрасли компиляторы, генераторы ядер и “модели, пишущие код для чипов” становятся не опциональными инструментами, а стратегической инфраструктурой.

Реструктуризация экосистемы: кто выигрывает, кто под давлением

Nvidia: в краткосроке — никаких угроз, в долгосрочной перспективе — структурное давление. Кластеры для обучения, экосистема CUDA, сетевые решения и гибкость “запускать новые модели во вторник” всё ещё создают устойчивый “ров”. Но если инференс, как массовая ежедневная нагрузка, будет переходить на ASIC, Nvidia удержит “золотую лихорадку”, но частично потеряет “аннуитеты”. Это вопрос многолетней оценки капитализации, а не кризис объёмов в 2026 году.

Broadcom и производители кастомных чипов: “оружейники” для компаний, желающих свои чипы, но не стремящихся быть TSMC. Кастомный инференс — сервисный и сетевой бизнес, чем больше Jalapeño, тем выше спрос на упаковку, SerDes и производство на уровне стоек.

Лаборатории моделей: Jalapeño становится инструментом маржи и продуктовой дифференциации. Лаборатория с собственным чипом смогла бы снизить цены, увеличить лимиты скорости или дать агентам больше действий до роста счета. Рентующие только GPU лаборатории — зависят от чужой себестоимости, обладая чипом — могут менять продукт. Для этого Google создали TPU, Amazon — Trainium, а OpenAI только что вступила в гонку с публично подтверждёнными результатами.

Пользователи и ценообразование: падение стоимости инференса обычно приводит к двум эффектам — дешевеет базовый уровень, а на передовых увеличиваются средние чеки за счёт роста размеров моделей и их “агентности”. Падение общего TCO на токен формирует цифровую основу и для “чат-бота за 20 долларов”, и для агентных сервисов по 2000 долларов в месяц.