AnswersPublished24 sources
OpenAI:n Jalapeño-siru haastaa Nvidian tekoälylaskennassa
OpenAI kertoo Jalapeñon tuottaneen kolmella kielimallilla 1,5–1,9 kertaa enemmän tekoälytyötä wattia kohden ja saavuttaneen 1,7–3,6 kertaa pienemmän kokonaisviiveen kuin Nvidian GB200 ja GB300 järjestelmät. Jalapeño on Broadcomin kanssa kehitetty päättelyyn eli inferenssiin tarkoitettu ASIC piiri.
JulkaisijaMuokattu mallilla GPT-5.6 LunaKuvat luotu mallilla GPT Image 1.5
Research answer
Key takeaways
- OpenAI kertoo Jalapeñon tuottaneen kolmella kielimallilla 1,5–1,9 kertaa enemmän tekoälytyötä wattia kohden ja saavuttaneen 1,7–3,6 kertaa pienemmän kokonaisviiveen kuin Nvidian GB200 ja GB300 järjestelmät.
- Jalapeño on Broadcomin kanssa kehitetty päättelyyn eli inferenssiin tarkoitettu ASIC piiri.
- Vertailu ei ole täysin tasapuolinen: Jalapeño käyttää HBM4 muistia, kun testatut Blackwell järjestelmät eivät käyttäneet.
- OpenAI aikoo aloittaa Jalapeñon käyttöönoton pienessä mittakaavassa vuoden 2026 lopulla ja kasvattaa käyttöä vuonna 2027 – samalla yhtiö jatkaa Nvidian käyttöä koulutuksessa ja muissa joustavuutta vaativissa tehtävissä.
AI Prompt
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
OpenAI:n ensimmäiset julkistetut Jalapeño-tulokset sisältävät tärkeän mutta rajatun väitteen: yhtiön oma, päättelyyn suunniteltu ASIC-piiri päihitti valituissa suurten kielimallien palvelutesteissä Nvidian GB200- ja GB300-järjestelmät sekä wattitehokkuudessa että vastausviiveessä. Tämä on merkittävä signaali tekoälyinfrastruktuurille, jossa sähkön ja jäähdytyksen hinta vaikuttaa yhä suoremmin mallien käytön kustannuksiin.
Tuloksia ei kuitenkaan pidä tulkita niin, että Jalapeño olisi yleiskäyttöinen korvaaja Nvidian grafiikkasuorittimille. Piiri on rakennettu ennen kaikkea inferenssiin eli valmiin mallin tuottamien vastausten laskentaan, ei mallien kouluttamiseen tai monenlaisiin muuttuviin työkuormiin. 5
7
Mihin Jalapeño on suunniteltu?
Jalapeño on OpenAI:n ja Broadcomin yhdessä kehittämä sovelluskohtainen ASIC-piiri (application-specific integrated circuit), joka on tarkoitettu suurten kielimallien inferenssiin. Inferenssillä tarkoitetaan vaihetta, jossa koulutettu malli vastaa käyttäjän pyyntöön. Se eroaa koulutuksesta, jossa mallin parametrit opetetaan valtavalla datamäärällä.
Tarkoitukseen rakennettu piiri voi vaihtaa osan yleiskäyttöisyydestään parempaan tehokkuuteen silloin, kun työkuorma on ennakoitava ja sitä ajetaan erittäin suuria määriä. Tämä erikoistuminen on keskeinen seikka myös vertailun ymmärtämisessä: Nvidian GPU-järjestelmät on suunniteltu paljon laajempaan käyttöön, kun taas Jalapeño on optimoitu OpenAI:n omiin palvelutarpeisiin ja sen laajempaan laitteisto-ohjelmistokokonaisuuteen. 5
6
19
Mitä testit osoittivat?
OpenAI kertoo testanneensa Jalapeñoa Nvidian GB200- ja GB300-järjestelmiä vastaan kolmella julkisesti saatavilla olevalla mallilla: GPT-OSS 120B:llä, DeepSeek R1 670B:llä ja Moonshot AI:n Kimi K2.5 1T:llä.
Yhtiön mukaan Jalapeño tuotti vertailuissa 1,5–1,9 kertaa enemmän tekoälytyötä wattia kohden huipputeholla ja saavutti 1,7–3,6 kertaa pienemmän päästä päähän -viiveen. 5
7
13
Mallikohtaiset luvut havainnollistavat eroja:
- GPT-OSS 120B:n kanssa Jalapeño saavutti 85 448 sekalaista tokenia sekunnissa kilowattia kohden, kun GB200-järjestelmän tulos oli 44 960. Etu oli noin 1,9-kertainen. Ilmoitettu kokonaisviive oli 1,03 sekuntia verrattuna 1,80 sekuntiin.
7
- DeepSeek R1 670B:llä Jalapeño saavutti 19 641 sekalaista tokenia sekunnissa kilowattia kohden, kun GB300 ylsi 11 781:een. Ero oli noin 1,7-kertainen, ja viiveeksi ilmoitettiin 1,65 sekuntia verrattuna GB300:n 5,99 sekuntiin.
- Kimi K2.5 1T:n kanssa Jalapeño tuotti 18 195 sekalaista tokenia sekunnissa kilowattia kohden, kun GB300:n vastaava luku oli 11 862. Etu oli noin 1,5-kertainen.
OpenAI ilmoitti vielä suuremmasta edusta erittäin vuorovaikutteisissa käyttötilanteissa, joissa tärkeintä on nopea vastaus eikä mahdollisimman suuri kokonaisläpimeno. Näissä työkuormissa yhtiö raportoi 2,1–4,1 kertaa paremman suorituskyvyn. 4
13
Pienempi tehonkulutus ei yksin ratkaise kustannuksia
Jalapeñon nimellisteho on 700 wattia. Vertailussa käytettyjen GB200- ja GB300-kiihdyttimien nimellistehot ovat vastaavasti 1 200 ja 1 400 wattia. OpenAI:n mukaan Jalapeñon testeissä mitattu jatkuva tehonkulutus pysyi enintään 550 watissa. 6
12
13
Pienempi kiihdyttimen tehonkulutus ei automaattisesti tarkoita yhtä suurta säästöä koko datakeskuksessa. Mukaan tulevat muun muassa palvelimet, verkkolaitteet, jäähdytys, sähkönjakelu, ohjelmistot ja sirujen hankinta.
Jos yhdellä wattitunnilla voidaan kuitenkin palvella enemmän pyyntöjä, paine sähköverkkoon, jäähdytykseen ja tehonsyöttöön pienenee. OpenAI:n suunnittelemassa mittakaavassa juuri nämä käyttökustannukset ovat oman inferenssipiirin tärkein taloudellinen perustelu. 5
Kuinka vakuuttava vertailu on?
Testit tehtiin SemiAnalysisin julkisella InferenceX-vertailulla. Siinä mitataan mallien päästä päähän -palvelua useilla malleilla ja käyttötilanteilla, eikä tarkastella vain sirun teoreettista laskentatehoa. Tämä tekee tuloksista käytännön palvelutoiminnan kannalta kiinnostavampia. 7
Tulokset ovat silti OpenAI:n ilmoittamia, eivät riippumattomasti toistettuja tai täysin toimittajaneutraaleja päätelmiä. 4
5
Vertailuun liittyy myös merkittävä sukupolviero. Jalapeño käyttää HBM4-muistia, kun testatut GB200- ja GB300-järjestelmät eivät käytä samaa muistiteknologiaa. SemiAnalysis piti vertailua tästä syystä puutteellisena eikä täysin reiluna. 5
Muistilla on suurten mallien palvelussa suuri merkitys, sillä sekä muistikapasiteetti että muistikaistan leveys vaikuttavat suorituskykyyn. Nvidian Rubin-alusta käyttää HBM4-muistia, joten se olisi teknisesti läheisempi vertailukohta kuin Blackwell-järjestelmät ilman samaa muistiratkaisua. Jalapeñon ilmoitettu etu GB200- ja GB300-järjestelmiin nähden ei siis osoita, että se päihittäisi myös Rubinin. 5
17
Lisäksi vertailussa vastakkain ovat eri tarkoituksiin suunnitellut tuotteet. Nvidian GPU:ita voidaan käyttää koulutukseen, hienosäätöön, inferenssiin ja muuttuvien mallirakenteiden ajamiseen. ASIC-piiri on parhaimmillaan silloin, kun kohdekäyttö on riittävän vakaa ja yleiskäyttöisyydestä luopuminen kannattaa. 5
20
Käyttöönotto alkaa pienesti
OpenAI aikoo ottaa Jalapeñon käyttöön omassa laskentainfrastruktuurissaan hyvin pienessä mittakaavassa vuoden 2026 loppuun mennessä. Laajempaa käyttöönottoa on suunniteltu vuodelle 2027. 11
33
Hanke on tarkoitettu usean sukupolven alustaksi. OpenAI:n mukaan toisen ja kolmannen sukupolven piirit ovat jo kehityksessä. Broadcom puolestaan kuvaa tiekarttaa gigawatin mittakaavan käyttöönottoihin Microsoftin ja muiden datakeskuskumppaneiden kanssa. 3
11
30
Strategian ytimessä on vertikaalinen yhteissuunnittelu: mallit, inferenssiohjelmistot, muisti, verkkoyhteydet, järjestelmät ja piirit pyritään sovittamaan yhteen. Näin voidaan hallita viivettä ja palvelun kustannuksia aiempaa tarkemmin. Vastapainona laitteisto on vähemmän uudelleenkäytettävää kuin yleiskäyttöinen GPU. 3
6
33
Nopea kehitystahti on huomionarvoinen, mutta sirun saaminen tuotantoon ei vielä tarkoita todistettua massatuotantoa. Valmistuksen saanto, järjestelmäintegraatio, ohjelmistojen kypsyys, toimitusketju ja tulevien mallien tuki ratkaisevat, muuttuuko testietu pysyväksi infrastruktuurieduksi. Saatavilla olevat tiedot vahvistavat suunnitellun käyttöönoton, eivät vielä sen lopullista tuotantomäärää. 30
33
Miksi Jalapeño ei syrjäytä Nvidiaa heti?
OpenAI on sanonut jatkavansa Nvidian käyttöä mallien koulutuksessa ja laskentakumppanina. 4
11
Jako on looginen. Suurten ja edistyneiden mallien koulutus vaatii joustavia järjestelmiä, jotka mukautuvat muuttuviin arkkitehtuureihin, algoritmeihin ja kokeiluihin. Nvidian asemaa vahvistavat myös CUDA-ohjelmistoekosysteemi sekä verkkoyhteyksien ja datakeskusjärjestelmien kattava kokonaisuus. 5
Nvidian toimitusjohtaja Jensen Huangin varauksellinen suhtautuminen räätälöityihin piireihin voidaan ymmärtää tästä näkökulmasta. Hänen argumenttinsa ei ole, etteikö ASIC voisi voittaa kapeassa inferenssitestissä, vaan että asiakkaat tarvitsevat usein saman alustan koulutukseen, hienosäätöön, inferenssiin ja nopeasti muuttuviin malleihin. GPU:n arvo on silloin joustavuudessa, ohjelmistotuessa, verkkoratkaisuissa ja koko järjestelmässä – ei vain sirun yksittäisessä suorituskykyluvussa. 5
Jalapeño onkin parasta nähdä kohdennettuna korvausstrategiana. OpenAI voi käyttää sitä toistuviin ja ennakoitaviin inferenssitehtäviin, joissa yhtiö hallitsee mallit, palveluohjelmistot ja infrastruktuurin. Nvidia säilyy tärkeänä koulutuksessa, tutkimuksessa, mallien kehittämisessä ja työkuormissa, joissa joustavuus painaa enemmän kuin erikoistuminen. 4
5
Mitä tämä merkitsee Nvidialle?
Analyytikot pitävät Jalapeñoa osoituksena siitä, että suuren pilvi- tai teknologiayhtiön suunnittelema ASIC voi yltää Blackwell-luokan järjestelmien tasolle tai niiden ohi tietyissä inferenssitehokkuuden mittareissa. Tämä voi lisätä painetta Nvidiaan erityisesti inferenssimarkkinalla, kun suuret tekoälyoperaattorit pyrkivät pienentämään palvelun kustannuksia ja riippuvuuttaan yhdestä toimittajasta. 17
32
OpenAI ei ole kehityksessä yksin. Myös Google, AWS ja Meta kehittävät omia tekoälypiirejään, mikä vahvistaa siirtymää kohti työkuormakohtaista infrastruktuuria. 5
Todennäköisin lopputulos ei ole GPU-markkinan äkillinen romahdus vaan markkinan jakautuminen:
- Räätälöidyt ASIC-piirit voivat olla houkuttelevia vakaissa ja suurivolyymisissa inferenssitehtävissä, joita suuret alustayhtiöt hallitsevat itse.
- Nvidian GPU:t säilyttävät todennäköisesti vahvan asemansa koulutuksessa, nopeissa mallikokeiluissa, vaihtelevissa työkuormissa ja tilanteissa, joissa ohjelmistoekosysteemin joustavuus on ratkaisevaa.
5
20
- Oma sirutuotanto voi antaa suurille asiakkaille enemmän neuvotteluvoimaa tulevissa GPU-hankinnoissa, kun ennakoitavaa inferenssikysyntää voidaan siirtää omalle raudalle.
Jalapeñon todellinen merkitys riippuu siitä, kestävätkö ilmoitetut hyödyt tasapuolisemmissa vertailuissa, muuttuvilla malleilla ja tuotannon laajentuessa. Tällä hetkellä näyttö tukee rajatumpaa johtopäätöstä: OpenAI on osoittanut räätälöidyn piin voivan kilpailla erittäin vahvasti Nvidian Blackwellin kanssa valituissa inferenssitehtävissä, mutta Nvidia on edelleen syvällä muun tekoälylaskennan perustassa.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "OpenAI:n Jalapeño-siru haastaa Nvidian tekoälylaskennassa"?
OpenAI kertoo Jalapeñon tuottaneen kolmella kielimallilla 1,5–1,9 kertaa enemmän tekoälytyötä wattia kohden ja saavuttaneen 1,7–3,6 kertaa pienemmän kokonaisviiveen kuin Nvidian GB200 ja GB300 järjestelmät.
What are the key points to validate first?
OpenAI kertoo Jalapeñon tuottaneen kolmella kielimallilla 1,5–1,9 kertaa enemmän tekoälytyötä wattia kohden ja saavuttaneen 1,7–3,6 kertaa pienemmän kokonaisviiveen kuin Nvidian GB200 ja GB300 järjestelmät. Jalapeño on Broadcomin kanssa kehitetty päättelyyn eli inferenssiin tarkoitettu ASIC piiri.
What should I do next in practice?
Vertailu ei ole täysin tasapuolinen: Jalapeño käyttää HBM4 muistia, kun testatut Blackwell järjestelmät eivät käyttäneet.