AnswersPublished25 sources
OpenAIs Jalapeño-brikke slår Nvidia Blackwell på energieffektivitet – men ikke overalt
OpenAI rapporterer at Jalapeño leverte 1,5–1,9 ganger mer KI arbeid per watt og 1,7–3,6 ganger lavere ende til ende forsinkelse enn Nvidia GB200 og GB300 systemer i tester av tre språkmodeller. Jalapeño er en inferensorientert ASIC utviklet sammen med Broadcom.
Publisert avRedigert med GPT-5.6 LunaBilder generert med GPT Image 1.5
Research answer
Key takeaways
- OpenAI rapporterer at Jalapeño leverte 1,5–1,9 ganger mer KI arbeid per watt og 1,7–3,6 ganger lavere ende til ende forsinkelse enn Nvidia GB200 og GB300 systemer i tester av tre språkmodeller.
- Jalapeño er en inferensorientert ASIC utviklet sammen med Broadcom. Brikken er oppgitt til 700 watt, mens målt vedvarende effekt i testene var 550 watt eller lavere.
- Sammenligningen er ikke helt like for like: Jalapeño bruker HBM4 minne, mens de testede Blackwell systemene ikke gjør det.
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
OpenAIs første publiserte resultater for Jalapeño-brikken fremmer en avgrenset påstand – ikke et universelt Nvidia-nederlag. I utvalgte tester av hvordan store språkmodeller leverer svar, sier OpenAI at den egenutviklede inferensbrikken slo Nvidias GB200- og GB300-systemer på arbeid per watt og responstid. Det er et viktig signal i en KI-bransje der strøm, kjøling og kapasitet i datasentre blir stadig viktigere kostnadsfaktorer. Men Jalapeño er laget for inferens, ikke som en generell erstatning for Nvidias GPU-er, og sammenligningen har flere begrensninger. 5
7
En brikke bygget for én hovedoppgave
Jalapeño er en applikasjonsspesifikk integrert krets, eller ASIC, utviklet av OpenAI i samarbeid med Broadcom for inferens på store språkmodeller. Inferens er fasen der en ferdigtrent modell genererer svar – i motsetning til treningen, der selve modellen bygges. En spesialbrikke kan gi fra seg noe fleksibilitet for å bli mer effektiv på forutsigbare oppgaver i stort volum. 6
19
Dette er avgjørende for å forstå resultatene. Nvidias GPU-systemer er laget for et langt bredere spekter av arbeidsoppgaver, mens Jalapeño er optimalisert for OpenAIs modeller, programvare og infrastruktur. 5
6
OpenAI rapporterer tydelig forsprang i testene
OpenAI sier at Jalapeño ble testet mot Nvidia-systemer basert på GB200 og GB300 ved bruk av tre offentlig tilgjengelige modeller: GPT-OSS 120B, DeepSeek R1 670B og Moonshot AIs Kimi K2.5 1T. På tvers av sammenligningene rapporterte selskapet 1,5–1,9 ganger mer KI-arbeid per watt ved maksimal gjennomstrømming og 1,7–3,6 ganger lavere ende-til-ende-forsinkelse. 5
7
13
De modellspesifikke tallene viser spennvidden:
- For GPT-OSS 120B nådde Jalapeño 85 448 blandede token per sekund per kilowatt, mot 44 960 for GB200-systemet – omtrent 1,9 ganger mer. Rapportert ende-til-ende-forsinkelse var 1,03 sekunder mot 1,80 sekunder.
7
- For DeepSeek R1 670B nådde Jalapeño 19 641 blandede token per sekund per kilowatt, mot 11 781 for GB300. Det tilsvarer omtrent 1,7 ganger mer arbeid per watt. Forsinkelsen ble oppgitt til 1,65 sekunder mot 5,99 sekunder.
- For Kimi K2.5 1T leverte Jalapeño 18 195 blandede token per sekund per kilowatt, mot 11 862 for GB300 – omtrent 1,5 ganger mer arbeid per watt.
OpenAI rapporterte også et større forsprang i svært interaktive situasjoner, der rask respons er viktigere enn høyest mulig samlet gjennomstrømming. Her oppga selskapet 2,1–4,1 ganger høyere ytelse. 4
13
Effektforbruket er en del av forklaringen. Jalapeño er oppgitt til 700 watt, mens de sammenlignede GB200- og GB300-akseleratorene er oppgitt til henholdsvis 1 200 og 1 400 watt. OpenAI sier at målt vedvarende effekt for Jalapeño holdt seg på eller under 550 watt i de testede arbeidsbelastningene. 6
12
13
Lavere effektforbruk i selve akseleratoren betyr likevel ikke automatisk tilsvarende lavere kostnad for hele datasenteret. Mer modellarbeid med mindre strøm kan imidlertid redusere presset på strømforsyning, kjøling og distribusjonskapasitet. I den skalaen OpenAI ser for seg, er nettopp slike driftsgevinster hovedargumentet for spesialutviklet inferensmaskinvare. 5
Hvor godt kan sammenligningen stoles på?
Testene brukte SemiAnalysis’ offentlige InferenceX-benchmark og målte ende-til-ende-modellservering på flere modeller og driftsnivåer. Det er mer relevant for faktisk inferensdrift enn en sammenligning som bare ser på teoretiske spesifikasjoner. 7
Resultatene bør likevel leses som tall rapportert av OpenAI, ikke som en uavhengig og leverandørnøytral konklusjon. 4
5
Det finnes også en viktig generasjonsforskjell: Jalapeño bruker HBM4-minne, mens de testede GB200- og GB300-systemene ikke gjør det. SemiAnalysis har derfor beskrevet sammenligningen som ufullstendig og ikke helt rettferdig. 5
Det har betydning fordi minnebåndbredde og minnekapasitet er sentrale når store modeller skal serveres. Nvidias Rubin-plattform bruker også HBM4 og kan dermed bli en mer relevant sammenligning på samme generasjon. Jalapeños rapporterte forsprang over GB200 og GB300 viser derfor ikke at brikken vil slå Rubin. 5
17
En annen begrensning er at en inferensbrikke sammenlignes med systemer som er laget for langt mer enn inferens. Nvidias GPU-er kan brukes til trening, finjustering, inferens og nye modellarkitekturer. En ASIC er mest verdifull når arbeidsbelastningen er stabil nok til at spesialiseringen lønner seg. 5
20
Utrulling fra slutten av 2026
OpenAI planlegger å begynne å ta Jalapeño i bruk i sin egen datainfrastruktur i svært små volumer mot slutten av 2026, før en større opptrapping i 2027. 11
33
Planen er fler generasjoner lang. OpenAI har sagt at andre- og tredjegenerasjonsbrikker allerede er under utvikling, mens Broadcom beskriver en strategi for utrulling i gigawatt-skala sammen med Microsoft og andre datasenterpartnere. 3
11
30
Den overordnede strategien er vertikal samutvikling: modeller, inferensprogramvare, minne, nettverk, systemer og silisium skal utvikles tettere sammen. Det kan gi bedre kontroll over responstid og kostnad per forespørsel, men gjør samtidig maskinvaren mindre allsidig enn en generell GPU. 3
6
33
Den korte utviklingstiden er oppsiktsvekkende, men en rask «tape-out» er ikke det samme som dokumentert masseproduksjon. Produksjonsutbytte, systemintegrasjon, programvaremognad, forsyning og evnen til å støtte fremtidige modeller vil avgjøre om benchmark-forspranget blir en varig fordel i infrastrukturen. Kildene bekrefter den planlagte utrullingen, men ikke hvor stor produksjonen til slutt blir. 30
33
Derfor erstatter Jalapeño ikke Nvidia med det første
OpenAI har sagt at selskapet fortsatt vil være avhengig av Nvidia til trening og som datapartner. 4
11
Arbeidsdelingen er logisk. Trening av de mest avanserte modellene krever svært fleksible systemer som kan håndtere nye arkitekturer, algoritmer og eksperimenter. Nvidias GPU-er har dessuten et omfattende CUDA-økosystem og en komplett plattform som også omfatter nettverk og ferdige datasentersystemer. 5
Jalapeño bør derfor først og fremst forstås som en målrettet strategi for å erstatte deler av Nvidia-bruken. OpenAI kan bruke brikken på gjentakende og forutsigbare inferensoppgaver der selskapet selv kontrollerer modellene, serveringsprogramvaren og infrastrukturen. Nvidia vil fortsatt være viktig for trening, forskning, modellutvikling og arbeidsbelastninger der fleksibilitet veier tyngre enn spesialisering. 4
5
Nvidias motargument er mer nyansert enn at spesialbrikker er irrelevante
Det sterkeste argumentet for Nvidia er ikke at en ASIC umulig kan vinne en snever inferensbenchmark. Poenget er at kundene ofte trenger én plattform som kan håndtere mange oppgaver mens modeller og programvare endres. GPU-er kan både trene, finjustere og kjøre modeller, mens en spesialbrikke konsentrerer fordelene sine om en smalere arbeidsbelastning. Nvidias programvare, nettverk og komplette systemplattform gjør også sammenligningen bredere enn bare ytelsen i selve brikken. 5
Utrullingsskalaen begrenser dessuten den umiddelbare konkurranseeffekten. I første omgang skal Jalapeño brukes i OpenAIs egen infrastruktur, ikke tilbys som et generelt alternativ som kunder over hele markedet kan kjøpe og ta i bruk. 1
4
På kort sikt endrer kunngjøringen derfor OpenAIs forhandlingsposisjon innen inferens mer enn den endrer hele markedet for KI-databehandling. OpenAI har vist et mulig alternativ for en del av arbeidsbelastningen, men selskapet har ikke avsluttet avhengigheten av Nvidia.
Hva kan dette bety for Nvidia og KI-brikkemarkedet?
Analytikere ser Jalapeño som et tegn på at en ASIC utviklet av en stor KI-plattform kan matche eller slå Blackwell-systemer på inferenseffektivitet. Det kan legge press på Nvidia innen inferens, særlig når store KI-aktører forsøker å redusere kostnadene ved å levere svar og avhengigheten av én leverandør. 17
32
OpenAI er heller ikke alene om å utvikle spesialmaskinvare. Google, AWS og Meta nevnes også blant de store teknologiselskapene som lager egne KI-brikker. Det peker mot en utvikling der maskinvaren i større grad skreddersys til bestemte arbeidsoppgaver. 5
Det mest sannsynlige utfallet er ikke at GPU-er kollapser over natten, men at markedet blir mer oppdelt:
- Egne ASIC-er kan bli attraktive for stabile inferensoppgaver i stort volum, særlig hos plattformer som kontrollerer både modeller og programvare.
- Nvidia-GPU-er vil trolig fortsatt være verdifulle til trening, rask utprøving av nye modeller, blandede arbeidsbelastninger og miljøer der fleksibilitet og programvarestøtte er avgjørende.
5
20
- Kunder med egen maskinvare kan få sterkere forhandlingsmakt i fremtidige GPU-kjøp ved å flytte forutsigbar inferens over på egne brikker.
Det avgjørende spørsmålet er om Jalapeños rapporterte gevinster holder seg i mer rettferdige sammenligninger, med nye modeller og ved produksjon i stor skala. Foreløpig støtter bevisene en smalere konklusjon: OpenAI har vist at spesialutviklet silisium kan være svært konkurransedyktig mot Blackwell i utvalgte inferensoppgaver. Nvidia er samtidig fortsatt dypt integrert i resten av KI-infrastrukturen.
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 "OpenAIs Jalapeño-brikke slår Nvidia Blackwell på energieffektivitet – men ikke overalt"?
OpenAI rapporterer at Jalapeño leverte 1,5–1,9 ganger mer KI arbeid per watt og 1,7–3,6 ganger lavere ende til ende forsinkelse enn Nvidia GB200 og GB300 systemer i tester av tre språkmodeller.
What are the key points to validate first?
OpenAI rapporterer at Jalapeño leverte 1,5–1,9 ganger mer KI arbeid per watt og 1,7–3,6 ganger lavere ende til ende forsinkelse enn Nvidia GB200 og GB300 systemer i tester av tre språkmodeller. Jalapeño er en inferensorientert ASIC utviklet sammen med Broadcom. Brikken er oppgitt til 700 watt, mens målt vedvarende effekt i testene var 550 watt eller lavere.
What should I do next in practice?
Sammenligningen er ikke helt like for like: Jalapeño bruker HBM4 minne, mens de testede Blackwell systemene ikke gjør det.