OpenAI Jalapeño to własny układ do inferencji, którego pierwsze wyniki wydajności firma opublikowała 25 sierpnia 2026 roku. W benchmarku InferenceX od SemiAnalysis chip wyprzedził systemy Nvidia Blackwell w dwóch metrykach: liczbie tokenów na użytkownika oraz przepustowości na kilowat. To pierwszy publiczny dowód, że projekt sprzętowy OpenAI wychodzi poza fazę zapowiedzi.
Układ powstał we współpracy z Broadcomem, a w jego projektowaniu pomagały własne modele OpenAI. Firma opisuje Jalapeño jako element wieloletniej platformy łączącej modele, układy i pamięć. Konstrukcja celuje w wąskie gardła fazy prefill i komunikacji między układami: ogranicza ruch danych i trzyma stan modelu, w tym pamięć podręczną KV, blisko rdzenia obliczeniowego. Richard Ho, szef działu sprzętu w OpenAI, nazwał wynik „bardzo, bardzo istotnym postępem wydajnościowym" i dodał, że chip „obsługuje więcej pracy AI na jednostkę mocy, jednocześnie szybciej zwracając odpowiedzi".
Jalapeño — benchmarki i harmonogram wdrożenia
OpenAI porównało Jalapeño z aktualnymi układami Nvidii do inferencji, choć Ho zastrzegł, że w oknie wdrożenia konkurencja zdąży się zmienić. Wdrożenie zaplanowano dwuetapowo: pod koniec 2026 roku w bardzo małych ilościach, a szerzej dopiero w 2027 roku. Ogłoszenie pojawiło się obok firmowego eseju o „pełnym stosie" infrastruktury, w którym OpenAI argumentuje, że dopiero połączenie układów, mocy obliczeniowej, modeli i produktów obniża koszt dostarczanej inteligencji.
Kontekst rynkowy jest prosty. Koszt inferencji, czyli uruchamiania gotowych modeli, to dziś główny rachunek produkcyjny wdrożeń AI. Dlatego twórcy modeli budują własne układy, żeby zmniejszyć zależność od jednego dostawcy i obniżyć cenę za token.
Dla polskich firm ta zapowiedź nie zmienia niczego z dnia na dzień, bo Jalapeño nie trafi do wolnej sprzedaży. Ma jednak znaczenie pośrednie. Większa konkurencja w sprzęcie do inferencji to presja na spadek cen API, z których korzystają krajowe zespoły. Praktyczny wniosek pozostaje ten sam: mierzyć koszt na zadanie, dobierać wielkość modelu do problemu i nie przywiązywać procesu do jednego dostawcy. Pojedynczy benchmark od strony zainteresowanej wynikiem warto przy tym czytać ostrożnie.
Źródło: OpenAI — Jalapeño's first results (EN, 25.08.2026) oraz niezależna analiza benchmarków: TechCrunch (EN).
