RespuestasPublicado25 fuentes
Jalapeño, el chip de OpenAI que desafía a Nvidia en inferencia
OpenAI afirma que Jalapeño ofreció entre 1,5 y 1,9 veces más trabajo de IA por vatio y entre 1,7 y 3,6 veces menos latencia de extremo a extremo que los sistemas Nvidia GB200 y GB300 probados. Jalapeño es un ASIC especializado en inferencia, desarrollado junto con Broadcom; está diseñado para responder consultas con...
Publicado porEditado con GPT-5.6 LunaImágenes generadas con GPT Image 1.5
Respuesta de investigación
Conclusiones clave
- OpenAI afirma que Jalapeño ofreció entre 1,5 y 1,9 veces más trabajo de IA por vatio y entre 1,7 y 3,6 veces menos latencia de extremo a extremo que los sistemas Nvidia GB200 y GB300 probados.
- Jalapeño es un ASIC especializado en inferencia, desarrollado junto con Broadcom; está diseñado para responder consultas con eficiencia, no para sustituir a las GPU en entrenamiento y otros usos flexibles.
- La comparación no es completamente equivalente: Jalapeño utiliza memoria HBM4, mientras que los sistemas Blackwell evaluados no.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What are the reported performance results, power and cost-efficiency benefits, testing details and caveats, deployment timeline, development. Article summary: OpenAI reports that Jalapeño—a Broadcom co-developed, inference-focused ASIC—beats Nvidia’s Blackwell GB200/GB300 systems on the tested LLM-serving workloads for work per watt and latency. It is a meaningful proof point . Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Los primeros resultados publicados de Jalapeño respaldan una afirmación importante, aunque muy concreta: el ASIC de inferencia desarrollado por OpenAI y Broadcom superó a los sistemas Nvidia GB200 y GB300 en trabajo realizado por vatio y en latencia dentro de determinadas pruebas de servicio de modelos de lenguaje. 5
7
La diferencia importa porque la electricidad, la refrigeración y la distribución de energía se han convertido en factores decisivos para el coste de ofrecer respuestas de IA a gran escala. Pero el resultado no significa que Jalapeño sea un reemplazo universal de Nvidia. El chip está diseñado para inferencia —la fase en la que un modelo ya entrenado genera respuestas— y no para cubrir todo el abanico de tareas de una GPU. 5
7
Qué es Jalapeño y por qué está especializado
Jalapeño es un circuito integrado de aplicación específica, o ASIC, desarrollado conjuntamente por OpenAI y Broadcom para ejecutar inferencias de modelos de lenguaje de gran tamaño. A diferencia del entrenamiento, que consiste en crear o ajustar un modelo, la inferencia es el trabajo repetitivo de producir respuestas para los usuarios y las aplicaciones. 6
19
Un chip diseñado específicamente para ese proceso puede sacrificar flexibilidad a cambio de mayor eficiencia en cargas de trabajo previsibles y de gran volumen. Esa especialización es fundamental para interpretar los resultados: las plataformas de Nvidia están pensadas para admitir muchos más tipos de tareas, mientras que Jalapeño se optimiza alrededor de las necesidades de servicio de OpenAI y de su propia combinación de modelos, software y centros de datos. 5
6
Las cifras que ha comunicado OpenAI
OpenAI afirma que comparó Jalapeño con sistemas basados en Nvidia GB200 y GB300 utilizando tres modelos disponibles públicamente: GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T, de Moonshot AI. En el conjunto de esas pruebas, Jalapeño logró entre 1,5 y 1,9 veces más trabajo de IA por vatio en el punto de máximo rendimiento, además de entre 1,7 y 3,6 veces menos latencia de extremo a extremo. 5
7
13
Los resultados por modelo muestran el rango de la ventaja comunicada:
- Con GPT-OSS 120B, Jalapeño alcanzó 85.448 tokens mixtos por segundo y por kilovatio, frente a 44.960 del sistema GB200: aproximadamente 1,9 veces más. La latencia de extremo a extremo fue de 1,03 segundos, frente a 1,80 segundos.
7
- Con DeepSeek R1 670B, Jalapeño registró 19.641 tokens mixtos por segundo y por kilovatio, frente a 11.781 del GB300, lo que equivale a unas 1,7 veces más trabajo por vatio. La latencia comunicada fue de 1,65 segundos, frente a 5,99 segundos.
- Con Kimi K2.5 1T, el chip de OpenAI ofreció 18.195 tokens mixtos por segundo y por kilovatio, frente a 11.862 del GB300, o unas 1,5 veces más trabajo por vatio.
En los escenarios más interactivos, en los que importa contestar rápidamente y no solo maximizar el volumen total de procesamiento, OpenAI afirmó que la ventaja llegó a entre 2,1 y 4,1 veces más rendimiento. 4
13
El consumo nominal ayuda a entender el atractivo del diseño. Jalapeño está especificado en 700 vatios, mientras que los aceleradores comparados en los sistemas GB200 y GB300 figuran con 1.200 y 1.400 vatios, respectivamente. OpenAI asegura que el consumo sostenido medido de Jalapeño se mantuvo en 550 vatios o menos durante las cargas probadas. 6
12
13
Eso no implica automáticamente que el coste total de un centro de datos vaya a caer en la misma proporción. El consumo del acelerador es solo una parte de la factura. Sin embargo, hacer más trabajo con cada unidad de electricidad puede aliviar las necesidades de refrigeración, suministro eléctrico y distribución de potencia. A la escala que OpenAI prevé, ahí está la principal lógica económica de desarrollar silicio propio para inferencia. 5
Qué se midió y cuáles son las limitaciones
Las pruebas utilizaron InferenceX, un benchmark público de SemiAnalysis, y midieron el servicio de extremo a extremo en varios modelos y puntos de funcionamiento. Esto resulta más representativo de una operación real de inferencia que una simple comparación de especificaciones teóricas del chip. 7
Aun así, los resultados deben leerse como cifras comunicadas por OpenAI, no como un veredicto independiente y neutral replicado por terceros. 4
5
También hay una diferencia generacional relevante: Jalapeño utiliza memoria HBM4, mientras que los sistemas GB200 y GB300 probados no incorporan esa misma tecnología. SemiAnalysis describió por ello la comparación como incompleta y no del todo justa. 5
La memoria es especialmente importante al servir modelos grandes, tanto por su capacidad como por su ancho de banda. La plataforma Rubin de Nvidia también utiliza HBM4, por lo que puede constituir un rival generacional más comparable que los sistemas Blackwell evaluados. La ventaja de Jalapeño frente a GB200 y GB300, por tanto, no demuestra que vaya a superar a Rubin. 5
17
Hay otra limitación de fondo: se está comparando un chip exclusivamente orientado a inferencia con sistemas concebidos para un abanico de usos más amplio. Las GPU de Nvidia pueden emplearse para entrenar, ajustar y servir modelos, además de adaptarse a arquitecturas que cambian rápidamente. Un ASIC especializado es más valioso cuando la carga de trabajo es suficientemente estable como para justificar esa falta de flexibilidad. 5
20
Cuándo llegará y qué prepara OpenAI
OpenAI prevé comenzar a desplegar Jalapeño en su propia infraestructura informática en volúmenes muy pequeños a finales de 2026, con una ampliación más significativa durante 2027. 11
33
El proyecto está planteado como una plataforma de varias generaciones. OpenAI ha indicado que los chips de segunda y tercera generación ya están en desarrollo, mientras que Broadcom describe una hoja de ruta orientada a despliegues de escala de gigavatios con Microsoft y otros socios de centros de datos. 3
11
30
La estrategia es de codiseño vertical: coordinar modelos, software de inferencia, memoria, redes, sistemas y silicio en lugar de tratar el acelerador como un componente aislado. La posible recompensa es un mayor control sobre la latencia y el coste de servir modelos; el precio es que el hardware resultante puede ser menos reutilizable que una GPU de propósito general. 3
6
33
El rápido calendario de desarrollo es llamativo, pero completar el diseño de un chip no equivale a demostrar que puede fabricarse en grandes volúmenes. El rendimiento industrial, la integración de sistemas, la madurez del software, el suministro y la capacidad de adaptarse a futuros modelos determinarán si la ventaja del benchmark se convierte en una ventaja de infraestructura duradera. Las informaciones disponibles confirman el despliegue previsto, pero todavía no su escala definitiva de producción. 30
33
Por qué Jalapeño no reemplaza a Nvidia de inmediato
OpenAI ha dicho que seguirá recurriendo a Nvidia para el entrenamiento y que mantendrá a la compañía como socio de cómputo. 4
11
La división de funciones tiene sentido. Entrenar modelos avanzados exige sistemas muy flexibles, capaces de adaptarse a nuevas arquitecturas, algoritmos y experimentos. Además, las GPU de Nvidia se benefician del ecosistema de software CUDA y de una plataforma completa que incluye redes y sistemas de centro de datos. 5
Por eso, Jalapeño debe entenderse como una estrategia de sustitución selectiva. OpenAI podría utilizarlo para cargas de inferencia repetitivas y previsibles, en las que controla los modelos, el software de servicio y la infraestructura. Nvidia seguiría siendo importante para el entrenamiento, la investigación, la iteración de modelos y los trabajos en los que la flexibilidad pese más que la especialización. 4
5
La respuesta de Jensen Huang es más matizada de lo que parece
El argumento de Nvidia para restar importancia a la amenaza no es que un ASIC no pueda ganar una prueba de inferencia definida de antemano. Es que sus clientes suelen necesitar una plataforma capaz de hacer muchas cosas mientras cambian los modelos y el software. Una GPU puede entrenar, ajustar y servir modelos, mientras que un ASIC concentra su ventaja en una carga de trabajo mucho más estrecha. El software, las redes y los sistemas de Nvidia amplían además la comparación más allá del rendimiento aislado del chip. 5
La escala de despliegue también limita el impacto inmediato. Al principio, Jalapeño se utilizará en la infraestructura propia de OpenAI; no será una alternativa de disponibilidad general que los clientes puedan comprar y desplegar libremente en todo el mercado. 1
4
En otras palabras, el anuncio modifica antes el poder de negociación de OpenAI en inferencia que el conjunto del mercado de cómputo para IA. La empresa ha demostrado una posible alternativa para una parte de su carga, pero no ha dejado de depender de Nvidia.
Qué puede significar para Nvidia y el mercado de chips de IA
Analistas consideran que Jalapeño demuestra que un ASIC diseñado por un gran operador de infraestructura puede igualar o superar a los sistemas de clase Blackwell en eficiencia de inferencia. Eso podría aumentar la presión sobre Nvidia en este segmento, especialmente a medida que los grandes operadores intenten reducir el coste de servir modelos y su dependencia de un único proveedor. 17
32
OpenAI tampoco es la única compañía que apuesta por silicio propio. Google, AWS y Meta también aparecen entre las grandes empresas tecnológicas que desarrollan sus propios chips de IA, una señal del avance de la infraestructura adaptada a cargas de trabajo concretas. 5
El resultado más probable no es un colapso inmediato de las GPU, sino un mercado más segmentado:
- Los ASIC personalizados pueden resultar atractivos para cargas de inferencia estables, masivas y controladas por grandes plataformas.
- Las GPU de Nvidia probablemente conservarán un papel central en entrenamiento, experimentación rápida, cargas heterogéneas y ecosistemas de software que premian la flexibilidad.
5
20
- Las empresas que desarrollen silicio propio pueden ganar poder de negociación al trasladar parte de su demanda previsible de inferencia a hardware interno y reducir sus futuras compras de GPU.
La pregunta decisiva es si las mejoras comunicadas por OpenAI se mantienen en comparaciones más equilibradas, con modelos cambiantes y despliegues a escala industrial. Por ahora, la conclusión más sólida es más estrecha que el titular: Jalapeño demuestra que un ASIC especializado puede competir con fuerza frente a Blackwell en determinadas cargas de inferencia, mientras Nvidia continúa profundamente integrada en el resto de la infraestructura de IA.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Jalapeño, el chip de OpenAI que desafía a Nvidia en inferencia"?
OpenAI afirma que Jalapeño ofreció entre 1,5 y 1,9 veces más trabajo de IA por vatio y entre 1,7 y 3,6 veces menos latencia de extremo a extremo que los sistemas Nvidia GB200 y GB300 probados.
¿Cuáles son los puntos clave a validar primero?
OpenAI afirma que Jalapeño ofreció entre 1,5 y 1,9 veces más trabajo de IA por vatio y entre 1,7 y 3,6 veces menos latencia de extremo a extremo que los sistemas Nvidia GB200 y GB300 probados. Jalapeño es un ASIC especializado en inferencia, desarrollado junto con Broadcom; está diseñado para responder consultas con eficiencia, no para sustituir a las GPU en entrenamiento y otros usos flexibles.
¿Qué debo hacer a continuación en la práctica?
La comparación no es completamente equivalente: Jalapeño utiliza memoria HBM4, mientras que los sistemas Blackwell evaluados no.