คำตอบเผยแพร่แล้ว25 แหล่งที่มา
ชิป Jalapeño ของ OpenAI แซง Nvidia Blackwell ด้านประสิทธิภาพการประมวลผล AI—แต่ยังไม่ใช่ทุกงาน
OpenAI รายงานว่า Jalapeño ทำงาน AI ต่อวัตต์ได้มากกว่า 1.5–1.9 เท่า และมีเวลาแฝงแบบ end to end ต่ำกว่า 1.7–3.6 เท่า เมื่อเทียบกับระบบ Nvidia GB200 และ GB300 ในการทดสอบโมเดลภาษาสามรายการ Jalapeño เป็น ASIC ที่พัฒนาร่วมกับ Broadcom และออกแบบมาเฉพาะสำหรับงาน Inference โดยมีอัตรากำลังไฟ 700 วัตต์ และใช้ไฟต่อเนื่องไม่เกิน...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Lunaรูปภาพสร้างด้วย GPT Image 1.5
คำตอบการวิจัย
ประเด็นสำคัญ
- OpenAI รายงานว่า Jalapeño ทำงาน AI ต่อวัตต์ได้มากกว่า 1.5–1.9 เท่า และมีเวลาแฝงแบบ end to end ต่ำกว่า 1.7–3.6 เท่า เมื่อเทียบกับระบบ Nvidia GB200 และ GB300 ในการทดสอบโมเดลภาษาสามรายการ
- Jalapeño เป็น ASIC ที่พัฒนาร่วมกับ Broadcom และออกแบบมาเฉพาะสำหรับงาน Inference โดยมีอัตรากำลังไฟ 700 วัตต์ และใช้ไฟต่อเนื่องไม่เกิน 550 วัตต์ในงานที่ทดสอบ
- การเปรียบเทียบยังไม่ใช่การวัดแบบเทียบกันได้ทุกด้าน เพราะ Jalapeño ใช้หน่วยความจำ HBM4 ขณะที่ระบบ Blackwell ที่นำมาทดสอบไม่มีเทคโนโลยีเดียวกัน
- OpenAI เตรียมเริ่มใช้งานในปริมาณน้อยมากช่วงปลายปี 2026 และคาดว่าจะขยายการใช้งานมากขึ้นในปี 2027 โดยยังคงพึ่งพา Nvidia สำหรับการฝึกโมเดลและงานที่ต้องการความยืดหยุ่นสูง
AI พรอมต์
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
ผลทดสอบชุดแรกของ Jalapeño ทำให้ OpenAI มีหลักฐานสำคัญว่า ชิปที่ออกแบบเฉพาะทางสามารถแข่งขันกับระบบ GPU ระดับสูงของ Nvidia ได้ในงานประมวลผลคำตอบจากโมเดลภาษา หรือ Inference แต่ตัวเลขดังกล่าวยังไม่ใช่คำยืนยันว่า OpenAI จะเลิกใช้ Nvidia หรือว่า Jalapeño จะเหนือกว่าในทุกประเภทงาน 5
7
ประเด็นที่น่าสนใจที่สุดอยู่ที่การใช้พลังงานและเวลาแฝง ซึ่งเป็นต้นทุนสำคัญของการให้บริการ AI ในระดับมหาศาล อย่างไรก็ตาม Jalapeño ถูกสร้างมาเพื่อทำงาน Inference โดยเฉพาะ ไม่ใช่ GPU อเนกประสงค์สำหรับฝึกโมเดลและรองรับเวิร์กโหลดทุกชนิด 5
7
Jalapeño คืออะไร และออกแบบมาเพื่ออะไร
Jalapeño คือวงจรรวมเฉพาะงาน หรือ ASIC (application-specific integrated circuit) ที่ OpenAI พัฒนาร่วมกับ Broadcom เพื่อใช้กับงาน Inference ของโมเดลภาษาขนาดใหญ่ โดย Inference คือขั้นตอนที่โมเดลนำความรู้ที่ฝึกไว้มาใช้สร้างคำตอบให้ผู้ใช้ ต่างจากการฝึกโมเดลซึ่งเป็นกระบวนการสร้างความสามารถของโมเดลตั้งแต่ต้น 6
19
การออกแบบชิปเฉพาะทางทำให้สามารถแลกความยืดหยุ่นบางส่วนกับประสิทธิภาพที่ดีขึ้นในงานซึ่งมีรูปแบบค่อนข้างแน่นอนและเกิดขึ้นจำนวนมาก จุดนี้แตกต่างจาก GPU ของ Nvidia ที่รองรับตั้งแต่การฝึกโมเดล การปรับแต่งโมเดล ไปจนถึงการให้บริการ Inference และยังรองรับสถาปัตยกรรมหรืออัลกอริทึมที่เปลี่ยนแปลงได้มากกว่า 5
6
ผลทดสอบที่ OpenAI รายงาน
OpenAI ระบุว่าได้นำ Jalapeño ไปเปรียบเทียบกับระบบที่ใช้ Nvidia GB200 และ GB300 โดยทดสอบกับโมเดลที่เปิดให้ใช้งานสาธารณะ 3 รายการ ได้แก่ GPT-OSS 120B, DeepSeek R1 670B และ Kimi K2.5 1T
ในภาพรวม Jalapeño ทำงาน AI ต่อวัตต์ได้มากกว่า 1.5–1.9 เท่า ที่จุดวัดอัตราการประมวลผลสูงสุด และมีเวลาแฝงแบบ end-to-end ต่ำกว่า 1.7–3.6 เท่า ตามผลที่ OpenAI เผยแพร่ 5
7
13
ตัวเลขรายโมเดลสะท้อนความแตกต่างดังนี้
- GPT-OSS 120B: Jalapeño ทำได้ 85,448 โทเค็นแบบผสมต่อวินาทีต่อกิโลวัตต์ เทียบกับ 44,960 ของระบบ GB200 หรือประมาณ 1.9 เท่า ขณะที่เวลาแฝงอยู่ที่ 1.03 วินาที เทียบกับ 1.80 วินาที
7
- DeepSeek R1 670B: Jalapeño ทำได้ 19,641 โทเค็นแบบผสมต่อวินาทีต่อกิโลวัตต์ เทียบกับ 11,781 ของ GB300 หรือประมาณ 1.7 เท่า ส่วนเวลาแฝงอยู่ที่ 1.65 วินาที เทียบกับ 5.99 วินาที
- Kimi K2.5 1T: Jalapeño ทำได้ 18,195 โทเค็นแบบผสมต่อวินาทีต่อกิโลวัตต์ เทียบกับ 11,862 ของ GB300 หรือประมาณ 1.5 เท่า
สำหรับงานที่เน้นการโต้ตอบอย่างรวดเร็วมากกว่าปริมาณงานรวม OpenAI ระบุว่าความได้เปรียบของ Jalapeño เพิ่มขึ้นเป็น 2.1–4.1 เท่า 4
13
ใช้ไฟน้อยกว่า แต่ไม่ได้แปลว่าต้นทุนศูนย์ข้อมูลลดลงเท่ากันทั้งหมด
Jalapeño มีอัตรากำลังไฟที่ 700 วัตต์ ขณะที่ตัวเร่งความเร็วที่ใช้ในระบบเปรียบเทียบมีอัตรากำลังไฟ 1,200 วัตต์สำหรับ GB200 และ 1,400 วัตต์สำหรับ GB300 โดย OpenAI ระบุว่าการใช้ไฟต่อเนื่องของ Jalapeño อยู่ที่ไม่เกิน 550 วัตต์ในงานที่ทดสอบ 6
12
13
การใช้ไฟของชิปที่ต่ำกว่าไม่ได้หมายความว่าค่าใช้จ่ายรวมของศูนย์ข้อมูลจะลดลงในสัดส่วนเดียวกันทันที แต่หากระบบสามารถประมวลผลคำขอได้มากขึ้นด้วยไฟเท่าเดิม ก็อาจช่วยลดแรงกดดันต่อระบบไฟฟ้า การระบายความร้อน และการจ่ายพลังงานภายในศูนย์ข้อมูลได้ สำหรับ OpenAI ซึ่งคาดว่าจะต้องให้บริการ AI ในระดับใหญ่มาก นี่คือเหตุผลทางเศรษฐกิจหลักของการพัฒนาชิปเฉพาะทาง 5
การทดสอบน่าเชื่อถือแค่ไหน
การทดสอบใช้ชุดวัดประสิทธิภาพ InferenceX ที่เผยแพร่โดย SemiAnalysis และวัดการให้บริการโมเดลแบบ end-to-end ในหลายโมเดลและหลายจุดการทำงาน จึงมีความใกล้เคียงกับการใช้งานจริงมากกว่าการดูเพียงสเปกทางทฤษฎีของตัวชิป 7
อย่างไรก็ดี ตัวเลขเหล่านี้ยังเป็น ผลที่ OpenAI รายงานเอง ไม่ใช่ข้อสรุปจากการทดสอบซ้ำโดยหน่วยงานอิสระหรือการประเมินที่เป็นกลางระหว่างผู้ผลิต 4
5
ข้อจำกัดสำคัญอีกประการคือเรื่องหน่วยความจำ Jalapeño ใช้ HBM4 ขณะที่ระบบ GB200 และ GB300 ที่นำมาเปรียบเทียบไม่มีหน่วยความจำรุ่นเดียวกัน ทำให้ SemiAnalysis มองว่าการเปรียบเทียบนี้ยังไม่สมบูรณ์และอาจไม่เท่าเทียมกันทั้งหมด 5
หน่วยความจำมีความสำคัญอย่างมากต่อการให้บริการโมเดลขนาดใหญ่ ทั้งในด้านแบนด์วิดท์และความจุ แพลตฟอร์ม Rubin รุ่นถัดไปของ Nvidia ก็ใช้ HBM4 เช่นกัน จึงอาจเป็นคู่เปรียบเทียบที่เหมาะสมกว่าในแง่ของเจเนอเรชัน ดังนั้นผลที่ Jalapeño เหนือกว่า GB200 และ GB300 ยังไม่ได้พิสูจน์ว่าจะเหนือกว่า Rubin ด้วย 5
17
นอกจากนี้ยังมีประเด็นเรื่องลักษณะของฮาร์ดแวร์ Nvidia กำลังนำระบบที่รองรับงานหลากหลายมาเทียบกับชิปที่สร้างขึ้นเพื่อ Inference โดยเฉพาะ การที่ ASIC ชนะในงานที่ถูกออกแบบมาให้ทำ จึงไม่เท่ากับการชนะในทุกงานของ GPU 5
20
เริ่มใช้งานเมื่อไร และมีแผนพัฒนาต่ออย่างไร
OpenAI วางแผนเริ่มนำ Jalapeño ไปใช้ในโครงสร้างพื้นฐานคอมพิวเตอร์ของตัวเองในปริมาณ น้อยมากช่วงปลายปี 2026 ก่อนขยายการใช้งานอย่างมีนัยสำคัญในปี 2027 11
33
โครงการนี้ถูกวางให้เป็นแพลตฟอร์มหลายรุ่น OpenAI ระบุว่าชิปรุ่นที่สองและรุ่นที่สามอยู่ระหว่างการพัฒนาแล้ว ขณะที่ Broadcom กล่าวถึงแผนการนำชิปไปใช้งานในศูนย์ข้อมูลระดับกิกะวัตต์ร่วมกับ Microsoft และพันธมิตรรายอื่นในหลายเจเนอเรชัน 3
11
30
แนวคิดหลักคือการออกแบบทั้งระบบร่วมกัน ตั้งแต่โมเดล ซอฟต์แวร์ Inference หน่วยความจำ เครือข่าย ระบบเซิร์ฟเวอร์ ไปจนถึงซิลิคอน วิธีนี้อาจช่วยให้ OpenAI ควบคุมเวลาแฝงและต้นทุนการให้บริการได้ละเอียดขึ้น แต่แลกกับการที่ฮาร์ดแวร์มีความสามารถนำกลับไปใช้กับงานอื่นน้อยกว่า GPU ทั่วไป 3
6
33
การพัฒนาจากการออกแบบสู่ขั้นตอน tape-out ได้อย่างรวดเร็วถือว่าน่าสนใจ แต่ความเร็วในการออกแบบไม่ได้แปลว่าจะผลิตจำนวนมากได้สำเร็จโดยอัตโนมัติ ปัจจัยอย่างอัตราผลิตผ่าน ระบบที่ประกอบเข้าด้วยกัน ซอฟต์แวร์ ความพร้อมของซัพพลาย และความสามารถในการรองรับโมเดลรุ่นใหม่ จะเป็นตัวตัดสินว่าความได้เปรียบในห้องทดสอบจะกลายเป็นข้อได้เปรียบถาวรของโครงสร้างพื้นฐานหรือไม่ 30
33
เหตุใด Jalapeño ยังไม่มาแทน Nvidia ในทันที
OpenAI ระบุว่าจะยังคงพึ่งพา Nvidia สำหรับการฝึกโมเดลและในฐานะพันธมิตรด้านคอมพิวเตอร์ 4
11
เหตุผลค่อนข้างชัดเจน การฝึกโมเดลแนวหน้าต้องใช้ระบบที่ยืดหยุ่นและรองรับสถาปัตยกรรม อัลกอริทึม และกระบวนการทดลองที่เปลี่ยนแปลงอยู่ตลอด GPU ของ Nvidia ยังได้เปรียบจากระบบซอฟต์แวร์ CUDA รวมถึงโครงสร้างพื้นฐานด้านเครือข่ายและระบบศูนย์ข้อมูลแบบครบชุด 5
ดังนั้น Jalapeño จึงควรถูกมองว่าเป็น กลยุทธ์ทดแทนเฉพาะจุด มากกว่าการแทนที่ GPU ทั้งหมด OpenAI อาจใช้ชิปนี้กับงาน Inference ที่เกิดซ้ำ มีปริมาณสูง และควบคุมโมเดล ซอฟต์แวร์ และศูนย์ข้อมูลได้เอง ขณะที่ Nvidia ยังคงมีบทบาทในงานฝึกโมเดล งานวิจัย การปรับปรุงโมเดล และเวิร์กโหลดที่ต้องการความยืดหยุ่น 4
5
ทำไม Jensen Huang จึงอาจมองภัยคุกคามนี้อย่างมีเงื่อนไข
จุดยืนของ Nvidia คือ ลูกค้าไม่ได้ซื้อเพียงชิปสำหรับ Inference แต่ซื้อแพลตฟอร์มคอมพิวเตอร์ที่ใช้ได้กับงานหลายประเภท GPU สามารถฝึกโมเดล ปรับแต่งโมเดล และให้บริการคำตอบได้ในระบบเดียว อีกทั้งยังปรับตามโมเดลและอัลกอริทึมใหม่ ๆ ได้ โดยมี CUDA ระบบเครือข่าย และซอฟต์แวร์ของ Nvidia คอยสนับสนุน 5
มุมมองนี้ทำให้การนำ ASIC ที่ออกแบบมาเฉพาะงานมาเทียบกับ GPU อเนกประสงค์ไม่ใช่การเปรียบเทียบที่ตรงไปตรงมาสำหรับลูกค้าที่มีเวิร์กโหลดหลากหลาย นอกจากนี้ Jalapeño ยังเริ่มต้นจากการใช้งานภายใน OpenAI ไม่ใช่สินค้าที่ลูกค้าทั่วไปสามารถซื้อไปติดตั้งได้ทันที ผลกระทบทางการแข่งขันในระยะสั้นจึงยังจำกัด 1
4
ผลกระทบต่อตลาดชิป AI
นักวิเคราะห์มองว่า Jalapeño เป็นหลักฐานว่า ASIC ที่ออกแบบโดยบริษัทเทคโนโลยีขนาดใหญ่สามารถทำประสิทธิภาพด้าน Inference ได้เทียบเท่าหรือเหนือกว่าระบบ GPU ระดับ Blackwell ในบางงาน ซึ่งอาจกดดัน Nvidia ในตลาด Inference โดยเฉพาะเมื่อผู้ให้บริการ AI รายใหญ่ต้องการลดต้นทุนการตอบคำถามและลดการพึ่งพาซัพพลายเออร์รายเดียว 17
32
OpenAI ไม่ใช่บริษัทเดียวที่เดินหน้าพัฒนาซิลิคอนของตัวเอง Google, AWS และ Meta ก็ถูกระบุว่าเป็นบริษัทเทคโนโลยีรายใหญ่ที่พัฒนาชิป AI ภายในองค์กรเช่นกัน แนวโน้มนี้สะท้อนการเปลี่ยนจากการพึ่งพาชิปมาตรฐานเพียงอย่างเดียวไปสู่โครงสร้างพื้นฐานที่ออกแบบตามลักษณะงาน 5
ภาพที่เป็นไปได้มากที่สุดจึงไม่ใช่การล่มสลายของตลาด GPU ในทันที แต่เป็นตลาดที่แบ่งบทบาทชัดเจนขึ้น
- ASIC เฉพาะทาง อาจเหมาะกับงาน Inference ที่มีรูปแบบคงที่ ปริมาณสูง และอยู่ภายใต้การควบคุมของแพลตฟอร์มขนาดใหญ่
- GPU ของ Nvidia น่าจะยังมีความสำคัญต่อการฝึกโมเดล การทดลองอย่างรวดเร็ว เวิร์กโหลดที่หลากหลาย และระบบซอฟต์แวร์ที่ให้คุณค่ากับความยืดหยุ่น
5
20
- บริษัทที่มีชิปของตัวเอง อาจมีอำนาจต่อรองมากขึ้นในการเจรจาซื้อ GPU ด้วยการย้ายงาน Inference ที่คาดการณ์ได้ไปทำบนฮาร์ดแวร์ภายในองค์กร
ข้อสรุปที่รอบคอบที่สุดในตอนนี้คือ OpenAI แสดงให้เห็นแล้วว่า ซิลิคอนเฉพาะทางสามารถแข่งขันกับ Blackwell ได้อย่างจริงจังในงาน Inference บางประเภท แต่ยังไม่มีหลักฐานว่า Jalapeño จะเหนือกว่าแพลตฟอร์ม Nvidia รุ่นใหม่กว่าในทุกสถานการณ์ หรือจะทำให้ OpenAI เลิกพึ่งพา Nvidia ได้ในเร็ว ๆ นี้
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "ชิป Jalapeño ของ OpenAI แซง Nvidia Blackwell ด้านประสิทธิภาพการประมวลผล AI—แต่ยังไม่ใช่ทุกงาน" คืออะไร
OpenAI รายงานว่า Jalapeño ทำงาน AI ต่อวัตต์ได้มากกว่า 1.5–1.9 เท่า และมีเวลาแฝงแบบ end to end ต่ำกว่า 1.7–3.6 เท่า เมื่อเทียบกับระบบ Nvidia GB200 และ GB300 ในการทดสอบโมเดลภาษาสามรายการ
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
OpenAI รายงานว่า Jalapeño ทำงาน AI ต่อวัตต์ได้มากกว่า 1.5–1.9 เท่า และมีเวลาแฝงแบบ end to end ต่ำกว่า 1.7–3.6 เท่า เมื่อเทียบกับระบบ Nvidia GB200 และ GB300 ในการทดสอบโมเดลภาษาสามรายการ Jalapeño เป็น ASIC ที่พัฒนาร่วมกับ Broadcom และออกแบบมาเฉพาะสำหรับงาน Inference โดยมีอัตรากำลังไฟ 700 วัตต์ และใช้ไฟต่อเนื่องไม่เกิน 550 วัตต์ในงานที่ทดสอบ
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
การเปรียบเทียบยังไม่ใช่การวัดแบบเทียบกันได้ทุกด้าน เพราะ Jalapeño ใช้หน่วยความจำ HBM4 ขณะที่ระบบ Blackwell ที่นำมาทดสอบไม่มีเทคโนโลยีเดียวกัน