OpenAI за 9 місяців розробила чіп, що перевершує Blackwell. Чи залишилось у NVIDIA конкурентна перевага?

OpenAI разом з Broadcom вперше оприлюднили дані про власний інференс-чип Jalapeño, показники якого значно перевершують існуючі системи рівня Nvidia, що спровокувало широкі дискусії щодо переформатування ринку AI-чипів.

За останнім аналізом керівника торгового підрозділу Goldman Sachs, Rich Privorotsky, Jalapeño не є так званим "вбивцею Nvidia", але його поява знаменує перехід AI-апаратного ринку від високої концентрації до різноманітності. Ця оцінка напряму впливає на довгострокову логіку оцінки Nvidia — мова йде не про обсяги поставок цього року, а про структуру прибутків наступних років.

Для ринку основний вплив цієї події має два аспекти: перше, оборонні позиції Nvidia у сфері тренувальних чипів та CUDA-екосистеми в короткій перспективі залишаються незворушними; друге, інференс — це висока частота, обсяг і щоденна практична робота — стає головним полем битви для кастомних чипів, а "аннуїтетні" джерела доходу Nvidia поступово піддаються ерозії.

Реальні дані Jalapeño: лідерство в інференсі, але чітка позиція

Jalapeño, спільно розроблений OpenAI і Broadcom, нещодавно оприлюднив свої перші відкриті бенчмарк-результати. Вони показують, що чип може виконувати AI-розрахунків на кожен ват у 1,5-1,9 разів більше, ніж аналогічні системи Nvidia, а швидкість реакції — у 1,7-3,6 разів вища.

З точки зору апаратних характеристик: номінальне енергоспоживання одного чипа — близько 700 ват, фактичне — зазвичай нижче. Один повний стелаж вміщує 128 чипів, оснащених приблизно 27,5 TB високошвидкісної пам'яті HBM4, а кожен чип має пропускну здатність пам'яті у 15,4 TB/сек.

Вартим уваги є те, що OpenAI не пожертвувала пам'яттю — це чип з чітко спрямованим дизайном на максимальний пропускний канал, а не на зниження собівартості за рахунок менших обсягів пам'яті.

План розгортання Jalapeño — невелика пілотна партія цього року, а масове виробництво заплановане на 2027 рік. OpenAI вже чітко заявив, що цей чип розглядається як доповнення до партнерства з Nvidia, а не як заміна.

Сутність розмежування тренування та інференсу: в чому оборонні позиції Nvidia

Ключ до розуміння цієї події — розрізнення двох основних навантажень для AI-чипів.

Тренування — це "навчання": моделі обробляють величезні обсяги даних і оновлюють ваги, це складне, масштабне і тривале завдання, що все ще значною мірою залежить від універсальних GPU Nvidia. Інференс — це "робота": користувачі ставлять питання ChatGPT, агенти бронюють квитки, інструменти для кодування генерують функції — модель вже навчена, головна задача — видати результат найшвидше і найдешевше.

Jalapeño — це ASIC (кастомний чип) для інференсу, а не для тренування. За аналогією Privorotsky: GPU — це швейцарський ніж, ASIC — це ніж кухаря — другий кращий для специфічних задач, але не може замінити універсальність першого.

Це означає, що в передбачуваному майбутньому OpenAI буде і надалі закуповувати GPU Nvidia для тренування та досліджень. Privorotsky чітко підкреслює: Jalapeño не стане причиною "обриву попиту на Nvidia", але "границі дискусій про AI-апаратні рішення невпинно розширюються".

Гібридна міграція, а не зникнення індустрії

Privorotsky у своєму аналізі виділяє три ключові тези.

Перше: кастомні інференс-чипи вже не лабораторні проекти. Компанія з програмної сфери без історії у напівпровідниках у рекордно короткі строки разом з Broadcom запустила конкурентний чип, що означає значне зниження бар'єрів для входу.

Друге: це не означає падіння попиту на Nvidia цього року. Тренування, дослідження та значна кількість нестандартних навантажень все ще потребують універсальних GPU, а перше покоління кастомних чипів має обмежені обсяги і затягнуті терміни поставки.

Третє: у більш тривалій перспективі все більше навантажень у сфері інференсу переноситиметься на спеціалізовані чипи. Це "гібридна міграція" — змінюється розподіл прибутків, але не масштаб індустрії.

Goldman Sachs також зазначає, що ця подія не є негативом для індустрії пам’яті. Один стелаж із 128 чипами Jalapeño і 27,5 TB HBM4 означає, що OpenAI платитиме SK hynix, Samsung, Micron та іншим постачальникам пам'яті більшу суму за одиницю потужності. Міграція інференсу на кастомні чипи не зменшує попиту на високошвидкісну пам'ять, а навпаки може лише посилити її дефіцит.

AI-допомога у дизайні чипів: справжня недооцінена історія

У кінці аналізу Privorotsky піднімає питання, яке часто ігнорується ринком: як компанія без досвіду у розробці чипів змогла завершити проект у рекордно короткий строк?

Відповідь Goldman Sachs: навчання з підкріпленням та цикли AI-допомоги у дизайні — використання моделей для експериментів з електричними схемами, скорочення циклу розробки, тестування і валідації, а потім генерація програмного коду для нового чипа вже за допомогою AI.

Ця "рекурсія" означає, що AI бере участь у дизайні машини для запуску AI. Якщо цикл дизайну стабільно працює, оборонні позиції універсальних GPU, побудовані навколо програмної екосистеми, у стабільних інференс-сценаріях поступово стануть менш значущими.

Для всієї індустрії компілятори, генератори ядер і "моделі для написання коду під чип" з периферійних інструментів перетворюються на стратегічну інфраструктуру.

Нове розшарування екосистеми: хто у виграші, хто під тиском

Nvidia: у короткій перспективі без ризиків, у довгостроковій — під структурним тиском. Кластери тренування, екосистема CUDA, мережевий інтерфейс і гнучкість запуску нових моделей "у вівторок" залишаються справжніми оборонними позиціями. Але якщо інференс — цей високочастотний щоденний робочий навантаження — надалі буде мігрувати до ASIC, Nvidia збереже "золоту лихоманку", але поступово втратить частку "аннуїтетів". Це питання вартості в кілька років, а не криза відвантажень у 2026-му.

Broadcom і кастомні чипи: стають "збройовими баронами" для кожної компанії, яка хоче розробляти власні чипи, але не прагне стати TSMC. Кастомний інференс — це доказовий бізнес і мережева послуга; більше Jalapeño означає більше упаковки, SerDes і стелажного виробництва.

Лабораторії моделей: Jalapeño — це зброя прибутку й продукту. Лабораторія, що має власний інференс-чип, може знизити ціни, підняти межу швидкості, або дозволити агентам виконувати більше кроків, не перевищуючи рахунок. Лабораторії на GPU беруть чужі витрати; лабораторії з власним інференс-чипом можуть переосмислювати продукт. Google створив TPU для цього, Amazon — Trainium, OpenAI щойно приєдналася з офіційними показниками до цієї гонки.

Користувачі і ціноутворення: зниження вартості інференсу приносить два одночасні результати — базові ціни знижуються, а лідерні через більші, більш "інтелектуальні" моделі стають дорожчими. Зниження остаточної вартості на token одночасно забезпечує цифрову основу для "бота за $20" і "інтелектуальних агентів за $2000 на місяць".