Jalapeño: Как OpenAI разработала свой первый ИИ-чип с помощью собственных LLM — и что это значит для индустрии

Чип, спроектированный с помощью ИИ — Jalapeño от OpenAI задаёт новые стандарты

В конце августа 2026 года OpenAI официально представила свой первый собственный ускоритель на базе ИИ: Jalapeño. Одни лишь технические характеристики внушают уважение — до 13,4 петафлопс вычислительной мощности в формате 4-бит, 232 гигабайта высокопроизводительной памяти новейшего поколения и пропускная способность памяти 15,4 терабайта в секунду. Бенчмарки показывают, что Jalapeño способен сократить сквозную задержку — то есть время между вводом промпта и генерацией последнего токена — в 3,6 раза по сравнению с Nvidia GB300, причём при меньшем энергопотреблении. Однако, пожалуй, более значимая история, стоящая за этим чипом, — не сам результат, а путь к нему: при проектировании собственного чипа OpenAI в значительной мере опиралась на свои Large Language Models.

От идеи до кремния менее чем за 20 месяцев

То, на что в полупроводниковой отрасли традиционно уходят годы, OpenAI реализовала в поразительно короткие сроки. От первой архитектурной концепции до готового первого кремниевого прототипа прошло менее 20 месяцев. Особенно примечательно: лишь девять месяцев разделили первый RTL-код (Register-Transfer-Level — логическое описание функциональности чипа) и так называемый tapeout — момент, когда готовый дизайн передаётся в производство. В отрасли, где сложные проекты по разработке чипов рутинно занимают от пяти до семи лет, это исключительный темп.

Такой темп был достигнут командой, насчитывавшей в среднем менее 100 человек, — поистине минимальный состав для подобного проекта. Немаловажную роль сыграло партнёрство с Broadcom, которая взяла на себя физическую реализацию начиная с уровня вентильных схем, тогда как OpenAI отвечала за сквозное системное проектирование, включая ускоритель инференса, иерархию памяти и сетевую архитектуру.

«Модели наделяют наших инженеров суперспособностями. Наши инженеры по-прежнему являются движущей силой, по-прежнему остаются последней инстанцией. Но они могут делать вещи гораздо быстрее и исследовать значительно больше путей». — Richard Ho, вице-президент по аппаратному обеспечению OpenAI

Как LLMs изменили процесс проектирования чипов

Автоматизация в проектировании чипов — не новая концепция: Electronic Design Automation (EDA) существует уже несколько десятилетий. То, что отличает Large Language Models от прежних подходов к автоматизации, — это их способность семантически понимать язык и код, а не просто обрабатывать их синтаксически. Это делает их особенно ценными на тех этапах процесса проектирования, которые всё ещё находятся в «лингвистической области» задачи — то есть там, где спецификации, архитектурные документы и код тесно взаимодействуют между собой.

OpenAI выстроил свой Frontend-Workflow на основе фреймворка с открытым исходным кодом XLS (Accelerated Hardware Synthesis), изначально разработанного в Google. XLS позволяет разработчикам микросхем работать на языках высокого уровня — таких как C++ или вдохновлённый Rust предметно-ориентированный язык DSLX — и автоматически транслирует их в Verilog, классический язык описания аппаратуры. Поскольку такой код имеет программную структуру, LLM могут работать с ним особенно эффективно: быстро итерировать, предлагать оптимизации и помогать инженерам исследовать множество параллельных путей проектирования.

Этот подход — использование LLM для высокоуровневого синтеза — эксперты, в частности Эндрю Канг, заслуженный профессор Калифорнийского университета в Сан-Диего, оценивают как особенно перспективный. Возможность быстрой итерации считается ключевым преимуществом: чем больше циклов проектирования команда завершает за день, тем быстрее удаётся прийти к оптимальному результату.

Программная оптимизация с помощью ИИ: от 0,31 % до реалистичных целевых показателей

Примечателен и подход OpenAI после получения первых физических чипов в мае 2026 года. Вместо классической разработки программного обеспечения команда направила свои внутренние модели ИИ на создание бенчмаркового программного обеспечения. На бенчмарке ядра для Multi-Head Latent Attention — критически важного вычислительного блока современных языковых моделей — производительность выросла с первоначальных 0,31 процента теоретической вычислительной мощности до значительно более высоких значений. Этот скачок демонстрирует способность LLM решать сложные задачи оптимизации и на программном уровне.

Для Dr. Maik Bunzel, основателя и генерального директора mabucon.eu, этот подход иллюстрирует принцип, далеко выходящий за рамки полупроводниковой отрасли: «То, что демонстрирует здесь OpenAI, — это основополагающий принцип любого успешного применения ИИ-агентов: ИИ не берёт управление в свои руки, а кардинально расширяет возможности действия человека-эксперта. Инженер по-прежнему остаётся финальной инстанцией — но скорость, с которой он может проверять гипотезы и проводить итерации, возрастает многократно.»

Что это означает для компаний за пределами чипового сектора?

Чип Jalapeño — продукт полупроводниковой индустрии, однако по-настоящему важным в этой истории является принцип рабочего процесса. OpenAI продемонстрировал, как агенты на базе LLM могут применяться в узкоспециализированном техническом процессе проектирования — с измеримыми результатами в скорости разработки и качестве. Эта модель применима во многих других отраслях:

• Разработка продуктов и инжиниринг: циклы итерации можно существенно сократить за счёт поддерживаемых ИИ процессов проектирования и тестирования.
• Разработка программного обеспечения: Agentic Coding — ИИ-агенты, самостоятельно генерирующие, тестирующие и оптимизирующие код, — следует точно той же модели, что и XLS-Workflow OpenAI.
• Комплаенс и документация: везде, где спецификации необходимо переводить в практически значимые результаты, LLM могут выступать в роли транслятора и ускорителя.
• Исследования и разработки: параллельное исследование множества вариантов решений — ресурсоёмкое для человека — становится рутиной благодаря ИИ-агентам.

Главный урок заключается не в том, что ИИ заменяет людей, а в том, что он масштабирует выработку каждого эксперта. Команда менее чем из 100 человек, реализующая при поддержке ИИ проект по разработке чипа, который традиционно потребовал бы нескольких сотен специалистов, — вот подлинный сигнал.

Скептицизм оправдан — но импульс реален

Эксперты из полупроводниковой отрасли указывают, что Broadcom как опытный партнёр внёс существенный вклад в успех проекта и его сжатые сроки. Команде без сопоставимой инфраструктуры и партнёрства пришлось бы значительно труднее. Кроме того, насколько показатели бенчмарков Jalapeño подтвердятся в реальных производственных средах, станет ясно лишь после широкого развёртывания.

Вместе с тем такие эксперты, как Рави Кришна из стартапа по разработке чипов Verkor.io, убеждены, что сроки станут ещё короче по мере дальнейшего роста возможностей LLM. Это указывает на своего рода самоусиливающийся цикл: более совершенные модели ИИ ускоряют разработку аппаратного обеспечения, а более совершенное аппаратное обеспечение, в свою очередь, открывает возможности для более мощных моделей ИИ.

Dr. Maik Bunzel, основатель и генеральный директор mabucon.eu, видит в этом развитии важный ориентир для компаний: «Вопрос больше не в том, будет ли ИИ интегрирован в критически важные процессы разработки, а в том, насколько быстро компании выстроят правильные рабочие процессы, чтобы извлечь из этого выгоду. OpenAI продемонстрировал это с Jalapeño для чипиндустрии — но тот же принцип в равной мере применим к логистике, финансовым услугам и перерабатывающей промышленности.»

Перспектива: чип как чертёж для разработки, управляемой ИИ

Jalapeño — это нечто большее, чем просто продукт: это доказательство того, что агентные рабочие процессы на основе LLM работают в высококомплексных, узкоспециализированных средах. Сам чип внесёт значительный вклад в снижение затрат OpenAI на инференс и сокращение зависимости от Nvidia. Однако методология, благодаря которой он был создан, потенциально оказывает большее влияние, чем сам продукт.

Для компаний из этого вытекает чёткое стратегическое следствие: те, кто уже сейчас начнёт интегрировать ИИ-агентов в итеративные профессиональные процессы — сочетая сильные стороны LLM (понимание естественного языка, генерация кода, быстрая итерация) с экспертными знаниями специалистов, — смогут реализовать значительные конкурентные преимущества в ближайшие годы. Окно, в котором эта трансформация ещё может быть осуществлена избирательно и под контролем, открыто. Но оно не останется открытым бесконечно.