OpenAI спроектировала чип за 20 месяцев с помощью собственного ИИ

25 августа OpenAI показала Jalapeño — свой первый чип для обработки запросов к нейросетям. Как пишет IEEE Spectrum, устройство выдаёт до 13,4 петафлопс вычислений при 4-битной точности, работает с 232 гигабайтами памяти нового поколения HBM4 и обменивается с ней данными на скорости 15,4 терабайта в секунду. По собственным замерам компании, задержка между запросом и последним словом ответа у Jalapeño ниже, чем у чипа Nvidia GB300, которым OpenAI сейчас пользуется, — до 3,6 раза. И при этом новый чип экономнее по энергии.

Цифры интересны сами по себе, но главный факт публикации в другом. От первой идеи архитектуры до готового кремния прошло меньше 20 месяцев. От написания кода, описывающего логику чипа, до передачи проекта на завод — всего девять месяцев. Для разработки специализированных процессоров это очень быстро. По данным IEEE Spectrum, ускорить процесс удалось не за счёт большой команды, а благодаря тому, что инженеры на всех этапах проектирования активно использовали собственные языковые модели OpenAI.

Читателю, у которого магазин, услуги или небольшое производство, до чипов дела нет. Но за этой историей стоят два вопроса, которые касаются любого бизнеса, использующего ИИ-сервисы: почему облачный ИИ может со временем дешеветь и ускоряться и какой урок из подхода OpenAI можно перенести на свои процессы, даже если они не связаны с электроникой.

Что именно построила OpenAI

Jalapeño — это не универсальный процессор, а специализированный чип для инференса, то есть для работы уже обученных моделей: он отвечает на запросы пользователей, а не обучает нейросети с нуля. Такие чипы объединяют в большие группы устройств — по данным IEEE Spectrum, Jalapeño рассчитан на развёртывание в кластерах по 2048 штук. Именно инференс — самая массовая и дорогая статья расходов у компаний вроде OpenAI, потому что каждый запрос в ChatGPT требует вычислений здесь и сейчас.

Разработку вела команда меньше 100 человек в среднем на протяжении проекта — примерно столько же, по словам вице-президента OpenAI по аппаратному обеспечению Ричарда Хо, работает и сейчас, уже над вторым и третьим поколением чипа. OpenAI не строила чип полностью самостоятельно: партнёром выступила Broadcom. Разделение труда было простым: команда OpenAI отвечала за архитектуру системы в целом — сам ускоритель, организацию памяти, сетевые соединения между чипами. Broadcom занималась физической реализацией — всем, что происходит «от логических элементов и дальше», как выразился Хо в разговоре с IEEE Spectrum.

Эксперты, опрошенные изданием, разошлись в оценках. Дэвид Чин и Рави Кришна, основатели стартапа Verkor.io, который занимается автоматизацией проектирования чипов через ИИ-агентов, назвали скорость OpenAI впечатляющей, но отметили, что без опытного партнёра в лице Broadcom такой темп был бы невозможен. Профессор Эндрю Канг из Калифорнийского университета в Сан-Диего назвал результат OpenAI, вероятно, лучшим сейчас среди подобных проектов.

Где именно помогал искусственный интеллект

Проектирование чипа делится на две большие части. «Фронтенд» — это путь от идеи и написания кода логики до проверки, что схема будет работать правильно. «Бэкенд» — это уже физическая реализация: разводка соединений внутри кристалла, расчёт тактовых сигналов и энергопотребления, подготовка данных для завода.

По данным IEEE Spectrum, основная выгода от ИИ пришлась именно на фронтенд. Команда построила рабочий процесс вокруг открытого инструмента XLS, изначально разработанного в Google. Он позволяет инженерам описывать логику чипа на языках, похожих на обычные языки программирования, — DSLX (диалект, похожий на Rust) и C++ — а затем автоматически превращает этот код в язык описания аппаратуры Verilog. Сотрудник OpenAI Крис Лири объяснил изданию логику выбора просто: языковые модели гораздо лучше справляются с задачами, похожими на обычное программирование, а XLS по стилю работы близок именно к программированию. Профессор Анкур Шривастава из Университета Мэриленда добавил: автоматизация в проектировании чипов существует десятилетиями, но именно языковые модели впервые дали инструмент, который понимает человеческий язык и код одновременно, а не просто выполняет заранее заданные правила.

Показательный пример из публикации — оптимизация программного обеспечения после того, как первые чипы вернулись с завода в мае. Команда направила внутренние модели на настройку программ для тестов производительности, в том числе для одного из ключевых вычислительных блоков модели DeepSeek. Результат вырос с 0,31 процента от теоретического предела чипа до 88,94 процента — и это произошло за 40 часов. Хо подчеркнул, что результат воспроизводимый, и теперь компания рассчитывает на такую скорость при планировании будущих проектов.

С бэкендом ситуация иная. Здесь основную работу вела Broadcom, у которой не было доступа к внутренним, специально дообученным моделям OpenAI — только к публичным коммерческим версиям. Тем не менее и здесь ИИ-подсказки дали измеримый эффект: как заявили Хо и Лири на конференции Hot Chips 2026, оптимизация с помощью ИИ позволила сократить площадь блоков умножения матриц на 10 процентов по сравнению с оптимизированным вручную вариантом — то есть на том же куске кремния поместилось больше схем. Основатели Verkor считают этот подход по бэкенду скорее консервативным для нынешнего уровня моделей и полагают, что чипы следующего поколения смогут автоматизировать эту часть процесса заметно сильнее.

Модели, которых пока нет в открытом доступе

Отдельная деталь, о которой пишет IEEE Spectrum: проект начинался с помощью модели o3, а завершался с использованием моделей — предшественников GPT-6 Astra, который на момент публикации ещё не был выпущен для широкой аудитории. Более новая модель умеет работать напрямую с языком Verilog, минуя промежуточный этап перевода через XLS, и, по словам Лири, близка к тому, чтобы самостоятельно управлять специализированными инструментами проектирования.

Хо подтвердил, что у команды был доступ и к внутренним моделям, специально дообученным для задач проектирования чипов, которые публично не раскрываются. Он подчеркнул: цель — перенести накопленный опыт в коммерческие продукты компании, и будущие версии моделей, включая Astra, должны неплохо справляться с задачами проектирования аппаратуры «из коробки».

Здесь стоит остановиться и не поддаваться соблазну увидеть в этом полную замену инженеров роботами. Сам Хо в разговоре с изданием прямо возразил такой трактовке: команда не утверждает, что кто угодно может прийти и с помощью инструмента для программирования Codex построить топовый ускоритель. Речь о том, что небольшая команда с правильно выстроенным процессом и текущими моделями показывает результат заметно быстрее, чем раньше. Финальные решения по-прежнему принимают инженеры.

Почему это касается стоимости и скорости облачного ИИ

Для бизнеса, который платит за подписки на ChatGPT, использует API нейросетей в чат-ботах или рекламных инструментах, важен один практический вывод из этой истории: чем быстрее и дешевле компании вроде OpenAI создают собственное оборудование для инференса, тем ниже потенциально их себестоимость обработки запросов. Именно инференс — то есть обслуживание миллионов повседневных запросов пользователей, а не обучение моделей, — съедает основную часть вычислительных мощностей у крупных ИИ-компаний.

Заявленное снижение задержки и энергопотребления по сравнению с чипами Nvidia — если оно подтвердится на практике при массовом внедрении, о чём сам IEEE Spectrum пишет с осторожностью, — одна из немногих реальных возможностей для таких компаний снизить затраты без повышения цен для клиентов. Прямых обещаний о снижении цен на подписки в публикации нет, и делать такой прогноз преждевременно. Но общая тенденция понятна: инфраструктура для ИИ становится эффективнее, а цикл её обновления — короче. Это означает, что качество и скорость сервисов, которыми пользуется бизнес, могут расти быстрее, чем кажется сегодня, а конкуренция среди поставщиков облачного ИИ — усиливаться.

Что это значит для малого бизнеса в России и СНГ

Прямого влияния на российский, белорусский или казахстанский малый бизнес история с чипом не несёт — доступ к самому Jalapeño и подобной инфраструктуре для локальных компаний закрыт по геополитическим и техническим причинам. Но урок из того, как OpenAI организовала работу, применим напрямую, и вот в чём он состоит.

Компания не поручила ИИ спроектировать чип целиком. Она разбила сложную задачу на понятные куски, нашла в ней части, похожие на обычное программирование, и именно там дала моделям максимум свободы. А там, где нужен многолетний инженерный опыт и физическая интуиция, оставила решение за людьми и партнёром с нужным опытом. Тот же принцип годится для любой компании, которая думает, куда встроить ИИ в свои процессы:

• выделите в своей работе задачи, которые по структуре похожи на текст или код, — переписка с клиентами, составление коммерческих предложений, разбор отзывов, первичная сортировка заявок — и отдайте их языковым моделям в первую очередь: там отдача будет самой быстрой;
• не пытайтесь автоматизировать сразу всё — OpenAI держала команду меньше ста человек и сознательно оставляла часть работы за собой и партнёром, потому что где-то ИИ пока слабее человека;
• фиксируйте измеримый результат, как это сделала команда Jalapeño с тестом производительности: рост с 0,31 до 88,94 процента за 40 часов легко объяснить руководству и повторить на следующем проекте, а размытые оценки «стало быстрее» не помогают принимать решения;
• следите за тем, как меняется стоимость и скорость доступных вам ИИ-сервисов — если крупные поставщики снижают себестоимость инференса, у вас появляется шанс получить больше возможностей за те же деньги, и время от времени стоит пересматривать тарифы и инструменты, которыми пользуется компания;
• не рассчитывайте, что ИИ заменит специалиста целиком в сложных технических или юридических задачах — даже в проекте с почти неограниченным бюджетом OpenAI оставила финальные решения за инженерами.

Итог

История с Jalapeño показывает не столько прорыв в оборудовании, сколько работающий пример того, как встроить ИИ в реальный, сложный, многоэтапный процесс так, чтобы это дало измеримый выигрыш во времени. Для владельца небольшого бизнеса в этом полезны не гигафлопсы и не терабайты в секунду, а сама логика: разделить работу на части, найти там, где модель сильна, довериться ей именно там, а результат проверять цифрами, а не ощущениями. Остальное — вопрос того, как быстро подешевеет и ускорится облачный ИИ, которым пользуется бизнес. Это зависит уже не от отдельного предпринимателя, а от того, насколько быстро крупные компании вроде OpenAI обновляют собственную инфраструктуру.