Российские институты тратят три-пять лет на разработку одной микросхемы и платят штрафы за просрочку, а OpenAI спроектировала свой первый ИИ-ускоритель за девять месяцев и использовала для этого собственные языковые модели. Нейросеть проектирует микросхему, на которой будет работать следующая нейросеть. Замкнутый цикл, о котором теоретики говорили годами, впервые реализован на практике.
24 июня 2026 года OpenAI и Broadcom представили Jalapeño — специализированный процессор для инференса (исполнения запросов к нейросетям). Не GPU общего назначения, а ASIC, спроектированный под конкретную задачу: обслуживание ChatGPT, Codex и будущих агентных продуктов OpenAI. Производство — TSMC, техпроцесс 3 нм. Инженерные образцы уже работают в лаборатории, обрабатывая запросы к модели GPT-5.3-Codex-Spark на целевой частоте и энергопотреблении.
Предварительные тесты показывают: стоимость инференса на токен — на 50% ниже, чем на текущих GPU Nvidia. Если цифра подтвердится в независимых бенчмарках — расклад сил на рынке ИИ-ускорителей изменится.
Что такое Jalapeño и чем отличается от GPU
GPU Nvidia (Blackwell, Rubin) — универсальные ускорители. Они обучают нейросети, запускают инференс, обрабатывают графику, выполняют научные расчёты. Универсальность — сила, но и слабость: часть вычислительных блоков GPU простаивает при выполнении конкретной задачи.
Jalapeño — специализированный ASIC (Application-Specific Integrated Circuit). Спроектирован исключительно под инференс языковых моделей. Архитектура на основе систолической матрицы — регулярная структура вычислительных элементов, оптимизированная для матричных операций, которые составляют основу работы трансформеров.
Ключевое отличие — в подходе к данным. Ричард Хо, руководитель аппаратной программы OpenAI:
«Мы оптимизировали архитектуру, учитывая ядра, перемещение памяти, сетевые возможности и шаблоны обслуживания, которые наиболее важны для передовых моделей ИИ».
Jalapeño минимизирует перемещение данных — главный источник энергопотерь и задержек в современных ускорителях.
Что известно о конструкции:
- Техпроцесс: TSMC 3 нм;
- Размер кристалла: ретикл-лимит (максимальный для одного экспонирования, ~800 кв. мм). На 300-мм пластине помещается 50–60 кристаллов;
- Память: 8 стеков HBM на корпусе — та самая память, дефицит которой разгоняет цены на всю электронику;
- Сеть: интеграция с коммутаторами Broadcom Tomahawk для масштабирования в дата-центрах;
- Интегратор: Celestica (платы, стойки, сетевое оборудование)
Девять месяцев: рекорд, требующий объяснения
Стандартный цикл разработки высокопроизводительного ASIC — 1,5–2 года от архитектуры до tape-out (передачи проекта на фабрику). OpenAI заявляет: Jalapeño прошёл этот путь за девять месяцев.
Два фактора ускорения:
- Broadcom
Компания реализовала RTL-имплементацию (перевод архитектурной спецификации в логические вентили), физический дизайн, трассировку, замыкание тайминга и подготовку масок. Broadcom проектирует десятки заказных ASIC в год и переиспользует проверенные блоки между проектами — конвейер, недоступный разработчику первого кристалла
- ИИ-ускоренное проектирование
OpenAI применяла собственные модели для оптимизации отдельных этапов разработки. Конкретные модели не названы, но компания подтвердила: «Те же модели, которые обслуживают пользователей, помогают улучшить инфраструктуру для запуска будущих моделей»
Нейросеть, проектирующая микросхему для собственного исполнения, — это та самая обратная связь, которая ускоряет развитие ИИ не линейно, а экспоненциально. Если каждое поколение ИИ проектирует оборудование для следующего быстрее и эффективнее — темп прогресса определяется не количеством инженеров, а мощностью текущей модели.
Кто заплатит и кто получит
Jalapeño — не коммерческий продукт. OpenAI не планирует продавать процессор внешним клиентам. Все микросхемы пойдут в собственные дата-центры компании и партнёров.
Финансовая модель:
- Microsoft — основной облачный партнёр OpenAI. По данным The Decoder, Microsoft гарантировала закупку ~40% начального выпуска. У Microsoft есть собственный ИИ-ускоритель Maia 200 (TSMC 3 нм), уже обслуживающий GPT-5.2 в Azure. Jalapeño дополняет, а не заменяет Maia;
- 10 гигаватт — совокупное обязательство OpenAI и Broadcom по развёртыванию вычислительных мощностей через 2029 год. Для масштаба: один гигаватт — мощность крупной атомной электростанции;
- Nvidia остаётся для обучения. OpenAI в феврале 2026 получила $30 млрд инвестиций от Nvidia с обязательством развернуть 10 ГВт вычислительных систем на платформе Vera Rubin. Обучение моделей — по-прежнему на GPU. Инференс — на Jalapeño.
Хок Тан, гендиректор Broadcom:
«Это начало многопоколенческой дорожной карты. Мы обеспечиваем развёртывание дата-центров гигаваттного масштаба с Microsoft и другими партнёрами, начиная с 2026 года».
Тренд: каждая ИИ-компания строит собственные микросхемы
Jalapeño — не аномалия. Это завершение цикла, в который вошли все крупнейшие технологические компании:
- Google — TPU (с 2015 года, уже восьмое поколение Icefish, 3 млн штук заказано у Intel);
- Amazon — Trainium (обучение) и Inferentia (инференс), OpenAI обязалась использовать 2 ГВт мощностей Trainium;
- Microsoft — Maia 100 (2023), Maia 200 (2026, 3 нм);
- OpenAI — Jalapeño (2026, инференс).
Общая логика: компании, потребляющие больше всего вычислительных ресурсов, перестают покупать универсальные GPU и проектируют специализированные микросхемы под свои задачи. Nvidia остаётся незаменимой для обучения (где нужна гибкость), но в инференсе (где нужна эффективность) — уступает территорию.
Для Nvidia — не катастрофа, но тревожный сигнал. Компания в ответ запускает процессоры Vera (серверные ARM CPU, которые уже продаёт в Китай) и наращивает инвестиции в клиентов ($30 млрд в OpenAI, $2 млрд в Coherent, $2 млрд в Lumentum). Стратегия: если клиент строит собственные ASIC для инференса — привязать его к GPU Nvidia для обучения.
Что это значит для тех, кто работает с электроникой в России
Jalapeño спроектирован за девять месяцев вместо стандартных полутора-двух лет. OpenAI использовала собственные нейросети для оптимизации отдельных этапов разработки. Для российских дизайн-центров, которые ведут десятки ОКР параллельно и регулярно срывают сроки (штрафы НИИМЭ, Курчатовского института, СКТБ «Электронные системы» — тому подтверждение), — это не абстрактная новость, а рабочий метод.
Минпромторг финансирует 21 тематику по модулям САПР для микроэлектроники. Интеграция ИИ в эти инструменты — логичный следующий шаг. Открытые модели (DeepSeek, Qwen) и российские разработки способны ускорить оптимизацию топологий, верификацию и трассировку — самые трудоёмкие этапы проектирования микросхем. Не до девяти месяцев, но с трёх-пяти лет до полутора-двух — реалистичный горизонт.
Второй урок — архитектурный. Jalapeño — не универсальный GPU, а специализированный ASIC под конкретную задачу. Тензорный чиплет ФПИ на 28 нм строится по той же логике: не пытаться конкурировать с Nvidia в универсальности, а сделать микросхему, которая решает одну задачу — но лучше и дешевле, чем GPU. Подход OpenAI подтверждает: специализация побеждает универсальность в инференсе. Для российских проектов ИИ-ускорителей — прямой ориентир.
Последний пункт — самый практичный. OpenAI доказала: нейросеть способна ускорить проектирование микросхемы в разы. Инструмент не привязан к конкретной компании. Открытые модели (DeepSeek, Qwen) и российские разработки могут применяться для оптимизации EDA-процессов. Минпромторг финансирует 21 тематику по модулям САПР — интеграция ИИ в эти инструменты логична и своевременна.
Компания, которая никогда не производила оборудование, спроектировала процессор за девять месяцев, и он работает. Нейросети помогли. TSMC изготовила. Broadcom реализовала физический дизайн. Celestica собрала стойки. OpenAI написала код. Каждый — свою часть. Вместе — за девять месяцев.