OpenAIの独自ASICチップ、わずか9カ月でNvidia Blackwellを凌駕？

原文著者：Dong Jing

原文出典：Wallstreetcn

OpenAI初の自社開発チップ「Jalapeño」が登場し、AIチップ業界の既存の構図を驚異的なスピードで覆しつつある。これは単なる製品発表ではなく、AIがチップ設計のあり方そのものを再形成しているというシグナルだ。

Wallstreetcnの記事によると、Bloombergが8月25日に報じたところでは、OpenAIはJalapeñoがNvidiaのGB300を2つの主要指標で上回ると述べている。それは、消費電力あたりのAIワークロード処理量と応答速度だ。Broadcomと共同開発したこのチップは、AI推論段階に特化して設計されており、早ければ今年後半にも実用化される見込みだ。OpenAIのチップ部門責任者Richard Ho氏は、Jalapeñoが700ワットという低消費電力で高い性能を発揮し、データセンターの電力コスト削減に大きく貢献すると述べた。

半導体調査会社SemiAnalysisによると、このチップは設計開始からテープアウトまでわずか約16カ月で、重要なCoWoSパッケージングのテープアウトは2025年11月に完了した。これはわずか9カ月前のことで、業界の一般的な18～36カ月のサイクルを大幅に下回る。

SemiAnalysisの研究者はOpenAIのラボを直接訪問し、独自のベンチマークスイート「InferenceX」を用いてJalapeñoをテストした。その結論は明白だった。このチップは、これまでにテストしたすべてのNvidia、AMD、Googleのチップを性能対電力比（perf/W）で上回ったのだ。

さらに注目すべきは、この結果が、Jalapeñoが投機的デコーディングやプリフィル・デコード分離（PDD）を有効にしていない状態で達成されたことだ。比較対象の他のチップはすべて最適な構成で動作していた。

著名な半導体アナリストのDylan Patel氏が「Blackwellだけでなく、NvidiaのRubinチップさえも超えた」と率直に述べたのも無理はない。

アナリストは、この結果がNvidiaの市場での地位に直接的な挑戦となり、AIチップの競争環境の再評価を市場に迫ると見ている。

ベンチマークデータ：Jalapeñoが複数の主要指標でBlackwellを圧倒

SemiAnalysisのテスト結果によると、Jalapeñoの推論効率における優位性は非常に大きい。

GPT-OSS 120Bモデルでは、Jalapeñoは毎秒約1,459トークンを出力するのに対し、NvidiaのGB200は535にとどまる。エンドツーエンドのレイテンシでは、Jalapeñoはタスクをわずか1.65秒で完了するが、GB300は約6秒かかり、その差は3.6倍に達する。高インタラクティブ性のシナリオでは、GB300を最速のデコーディング速度（毎秒169トークン）に設定した場合、Jalapeñoのスループットは104.3倍高い。

データセンターのエネルギー効率の核心指標である毎秒メガワットあたりのトークン数では、JalapeñoはGPT-OSSモデルで約5,300万トークン/MW/sを達成するのに対し、GB200 NVL72は約1,000万にとどまる。

SemiAnalysisは、この指標は実質的にジュールあたりの生成トークン数に等しく、データセンターの収益上限を直接決定すると指摘する。電力が計算能力の制約となる時代において、この優位性は特に重要だ。

システムレベルのコストの観点では、SemiAnalysisが電源、冷却、ネットワークを考慮したところ、Jalapeñoのチップ1個あたりの時間当たり総所有コスト（TCO）は約1.56ドルで、H100の1.55ドルとほぼ同等である一方、NvidiaのVera Rubinは3.61ドルと高い。

なお、SemiAnalysisはいくつかの重要な注意点も挙げている。

第一に、テストに使用されたモデルは現在利用可能な最先端のものではない。NvidiaとAMDは、より大規模なモデル（DeepSeek V4 ProやKimi K3など）でAgentXスイートに基づく結果を公表しているが、JalapeñoはまだAgentXテストを完了していない。このスイートは、マルチターンや長いコンテキストのワークロードを伴う実際の本番環境での性能をよりよく反映する。

第二に、より公平な比較は、同じくHBM4を使用するNvidiaのVera Rubinに対して行うべきであり、Blackwellに対してではない。Vera Rubinの性能対電力比はGB200 NVL72の約5.4倍であり、Jalapeñoと比較すると、トークンあたりの総所有コスト（TCO）はほぼ同等である。

第三に、Jalapeñoはまだエンジニアリングサンプル段階にあり、量産は2027年までに徐々に立ち上がる見込みだ。

AI設計チップ：GPT-AstraとCodexのフライホイール効果

Jalapeñoが驚異的なスピードで開発された中核的な理由は、AIツールの深い関与にある。SemiAnalysisによると、OpenAIはチップ設計プロセスにおいて、広く注目されているGPT-Astraを含む社内AIモデルを広範に活用した。

ソーシャルプラットフォームXのユーザーAndrew Curran氏は、OpenAIの情報を引用し、GPT-AstraがJalapeñoの研究開発全体に深く関与したと指摘した。

「チームはCodexとGPT-Astraを使用して、当初Jalapeñoの量産計画にはなかった3つのオープンソースモデルを、2カ月以内に高性能にチューニングした。」

これは、AIがチップ設計そのものを加速するだけでなく、チップがサポートできるモデルの範囲を急速に拡大していることを意味する。

SemiAnalysisのデータは、この貢献をさらに定量化している。

AI支援設計により、SIMDユニット面積が8%、行列エンジン面積が10%削減され、タイミングと消費電力でも初期バージョンを上回った。

ソフトウェアレベルでは、OpenAIは社内で拡張したCodexを使用してJalapeñoのカーネルを作成し、一部のカーネルコードは約3,000行に達した。最も性能が重要なアテンションメカニズムとMoEモジュールでは、AI生成コードはトップクラスの人間エンジニアによる実装よりも1.5～1.8倍高速だった。

SemiAnalysisの評価は鋭い。Nvidia GPU上で動作するOpenAIモデル（GPT-5.6 Solなど）が、CUDAの堀に真の脅威をもたらすチップの設計に使用されている。「Nvidia自身のGPUが、潜在的な後継者をリアルタイムで育成している」のだ。

アーキテクチャ分析：なぜ「汎用」の方が速いのか？

外部では一般に、JalapeñoはOpenAI独自のモデル向けに深くカスタマイズされたチップだと考えられていたが、SemiAnalysisの結論は逆だ。JalapeñoはAI推論向けの汎用チップであり、さまざまなモデルやワークロードを実行でき、Codexで移植されたゲーム「Doom」さえも動作する。

アーキテクチャレベルでは、Jalapeñoの核となる設計思想は「固定レイテンシの排除」だ。複雑なメモリ階層に依存するGPUとは異なり、Jalapeñoは計算コアをHBMスライスに直接バインドし、コアは専用の高帯域幅アグリゲーションネットワークを介して同期することで、メモリアクセスレイテンシを大幅に削減する。

さらに、Jalapeñoはアウトオブオーダー実行（OoO）コアとL1キャッシュを組み合わせており、他のアクセラレータで一般的なソフトウェア管理のスクラッチパッドを使用しない。これにより、小バッチ・低レイテンシのシナリオでハードウェアの理論上のピークに近づくことができる。

メモリ帯域幅では、JalapeñoはHBM4を採用し、単一パッケージで15.4TB/sのメモリ帯域幅を実現し、ワットあたりのHBM帯域幅は22で、Nvidia Rubinの11.1、GB300のわずか5.71を大きく上回る。

SemiAnalysisは、JalapeñoのHBM4ピン速度は10Gbpsに達し、Nvidia Rubinの9.6Gbpsをわずかに上回り、HBMサプライヤーはSamsungの可能性があると指摘する。

特筆すべきは、Jalapeñoがプリフィル・デコード分離（PDD）を実装しないことを選択した点だ。SemiAnalysisは詳細な説明を提供している。

実際の本番環境では、入出力比、並行性、キャッシュヒット率などのパラメータが絶えず変化する。固定されたプーリングはグローバルな利用率の低下につながるが、均質なリソースプールはトラフィックの変化に柔軟に対応し、レイテンシに敏感なリクエストと高スループットのバッチ処理の間で動的に割り当てることができる。

CUDAの堀：すでに亀裂が生じているのか？

SemiAnalysisのレポートは重い判断を下している。CUDAの堀はすでに死んでいる可能性がある、と。

その根拠は、ソフトウェアの立ち上がり速度の比較にある。Nvidia RubinのCoWoSテープアウトはJalapeñoより1カ月早く完了したが、これまでのところ、Rubinの公開ベンチマークデータはCoreWeaveのエンジニアリングサンプルからのみ得られている。NvidiaはOpenAIのように第三者にラボを開放して無料テストを許可していない。SemiAnalysisは、これはハードウェアのギャップではなく、ソフトウェアの成熟度のギャップを反映していると考えている。

ソフトウェアスタックをゼロから構築することで、OpenAIは歴史的な負担を捨て、よりクリーンなアーキテクチャ上の決定を下すことができた。OpenAIは独自のカーネルプログラミング言語Gluon（Tritonベース）と「Teacup」と呼ばれる内部推論エンジンを使用し、Codexを活用してカーネルを迅速にチューニングする。SemiAnalysisは、2週間足らずで、特定のインタラクション速度におけるJalapeñoのスループットが2倍以上向上し、8日以内にチームはテンソル並列性をTP8からTP32にスケールし、ラック間でのフルラック展開を達成したと観察している。

ただし、SemiAnalysisは、現在のテストは比較的単純な8k1kワークロードのみをカバーしており、AgentXのマルチターン長コンテキストテストはまだ完了していないと明確に指摘している。より複雑なエージェントワークロードでは、ルーターやプレフィックスキャッシュなどのコンポーネントの性能が新たな課題となるだろう。

次のステップ：B0はすでにファブへ、10GWロードマップが展開

Jalapeñoの物語はまだ終わらない。

SemiAnalysisによると、公開テストされたすべてのサンプルはA0ステッピングであり、B0ステッピングはすでにファブに入っており、A0よりも性能対電力比が約25%向上すると予想されている。B0の単一コンピュートダイは、TDPを700Wに維持したまま、13.4 PFLOPsのMXFP4計算能力を提供する。

システムレベルでは、OpenAIはCelesticaと協力して完全なラックソリューションを設計した。各ASICキャビネットには128個のJalapeñoチップが搭載され、デュアルキャビネットシステムの総消費電力は約160kWで、NvidiaのGB300デュアルワイドキャビネットに匹敵する。

大規模展開では、単一のスケールアウトネットワークドメインで最大2,048個のJalapeño XPUを16ラックにわたって接続できる。量産については、SemiAnalysisは2027年に徐々に立ち上がると予想し、次のマイルストーンは100MWの展開規模だとしている。

より大きな戦略的構図としては、OpenAIとBroadcomが10GWのカスタムアクセラレータ協力協定を締結しており、これは原子力発電ユニット10基分の全出力にほぼ相当する規模だ。

Wallstreetcnの記事は、OpenAIのチップ部門責任者Richard Ho氏が、同社はインフラコストを効果的に削減できる電力とコストのレベルに達しており、「これは最初の一歩に過ぎない」と述べたと伝えている。また、Nvidiaは依然として重要なパートナーであり、OpenAIの計算能力需要は膨大であるため、短期的には既存のサプライヤーを放棄しないと強調した。

アナリストは、Jalapeñoの意義は、今日どれだけのNvidiaチップを置き換えられるかではなく、これまで広く疑われていたことを証明した点にあると指摘する。AI企業が、AIツールを使用し、記録的な速さで、真に競争力のあるチップを構築したのだ。このフライホイールは回り始めた。