Как OpenAI проектировала чип Jalapeño своими же моделями: 9 месяцев от RTL до кремния и команда меньше 100 человек

История про «ИИ, который проектирует чипы» до сих пор жила в презентациях. На прошлой неделе IEEE Spectrum опубликовал разбор с инженерами OpenAI, где впервые описано, что конкретно делали языковые модели при разработке Jalapeño — первого собственного ускорителя компании. Картина получилась куда менее сказочной и куда более полезной, чем маркетинговые обещания: модели не «нарисовали чип», они убрали рутину с самого дорогого участка — от первой строки описания схемы до передачи проекта на фабрику.

Ключевая цифра, вокруг которой всё крутится: девять месяцев от первого RTL до tape-out и меньше 20 месяцев от концепции до первого кремния. Для высокопроизводительной специализированной микросхемы такого класса это ненормально быстро.

Что за чип и зачем он OpenAI

Jalapeño — ASIC (специализированная микросхема под одну задачу), сделанный совместно с Broadcom и представленный 24 июня 2026 года. Он умеет ровно одно: инференс (inference — работа уже обученной модели, генерация ответа), то есть обучать на нём ничего не будут. Это важная оговорка: в тренировке позиции Nvidia никто не оспаривает.

Технические детали компания раскрыла позже, на конференции Hot Chips 2026:

• Вычисления: до 13,4 петафлопс в формате MXFP4 и 3,4 петафлопс в MXFP8 на один процессор.
• Память: шесть стеков HBM4 — 216 ГиБ (около 232 ГБ) с пропускной способностью до 15,4 ТБ/с.
• Кристалл: вычислительный чиплет около 840 мм² — практически у предела поля экспонирования EUV-литографии (858 мм²). Техпроцесс — 3-нанометрового класса TSMC.
• Питание: 700 Вт по паспорту, около 550 Вт в измерениях, тактовая частота 1,70 ГГц с прицелом на 1,80 ГГц.
• Архитектура: 64 «слайса» ядра, каждый со своим куском HBM — NUMA-подобная схема, где память нарезана под вычислительные блоки, а не висит общим пулом.
• Масштабирование: 128 ускорителей на стойку через Ethernet на 600 ГБ/с; до 2048 процессоров в поде — это 432 ТБ HBM4, 32 ПБ/с совокупной полосы памяти и 27 эксафлопс.

Физическую часть — бэкенд-проектирование от уровня вентилей до производства — вёл Broadcom. Платы, стойки и системную интеграцию делает Celestica. OpenAI оставила себе системный дизайн целиком и фронтенд: от RTL до верификации. Именно на этом участке и работали модели.

Как языковые модели вошли в маршрут проектирования

Ставка на XLS, а не на Verilog

Главное архитектурное решение принято до всякого ИИ: команда писала логику не на Verilog, а через XLS — открытый инструмент высокоуровневого синтеза (HLS, high-level synthesis — генерация схемы из кода на языке высокого уровня), который развивает Google. Проектировать в нём можно на DSLX или на C++. По данным Hot Chips, более половины ядра написано именно так.

Логика простая. Модели 2025 года были заметно сильнее в обычном программировании, чем в языках описания аппаратуры: корпусов кода на Verilog в природе на порядки меньше, чем на C++ и Python. Перенеся описание схемы ближе к обычному коду, команда получила участок, где ИИ уже был полезен. Ричард Хо, вице-президент OpenAI по железу, описал эффект так: модели «дают инженерам суперспособности» — можно перебрать гораздо больше вариантов, чем позволяет ручной труд.

Отдельно отмечено, что более поздние внутренние модели уже работают напрямую с Verilog, то есть обходной манёвр через HLS может оказаться приёмом одного поколения.

Где именно ИИ дал измеримый прирост

Самое ценное в этой истории — что приросты названы не «в целом», а по конкретным блокам. ИИ-оптимизация дала +56% для умножителя BF16 и +21% для блока скалярного произведения FP4 относительно базового варианта. Это микроархитектурная работа: перебор вариантов конвейера, разрядностей, способов раскладки операций — та самая задача, где человек упирается в количество итераций, а не в понимание.

И ещё 40 часов уже после кремния

Второй эпизод касается софта. Кремний с фабрики приехал в мае 2026-го, и дальше нужно было писать вычислительные ядра под новую архитектуру. По описанию Spectrum, для latency-ядра DeepSeek производительность подняли с 0,31% до 88,94% от теоретического потолка примерно за 40 часов работы с моделями.

Эта цифра честнее, чем кажется на первый взгляд: 0,31% — это состояние «код формально запускается на новом железе», а не «оптимизированная реализация». Но именно такой разрыв обычно и съедает месяцы инженерного времени при запуске любой новой архитектуры, и именно он закрылся за считанные дни.

Почему команда меньше 100 человек — главный результат

Над проектом работало в среднем менее сотни человек. На фоне штатов, которыми традиционно делаются ускорители такого класса, это и есть настоящая новость — не бенчмарки.

Сроки выстраиваются в понятную цепочку: RTL начали в феврале 2025-го, tape-out прошёл в ноябре, кремний получили в мае 2026-го, развёртывание в собственных дата-центрах намечено на конец года. Второе поколение, по словам компании, подойдёт к tape-out в ближайшие месяцы. Хок Тан, глава Broadcom, говорит о «многопоколенческой дорожной карте» и разворачивании на гигаваттных масштабах с Microsoft и другими партнёрами.

При этом сами инженеры расставили границы аккуратно. Хо и его коллега Лири прямо оговариваются: они не утверждают, что теперь кто угодно соберёт чип уровня state-of-the-art при помощи автоматизации. Экспертиза в предметной области никуда не делась — изменилась цена одной итерации.

Что с производительностью: цифры и оговорки

OpenAI заявляет в 1,5–1,9 раза больше пропускной способности на киловатт и в 1,7–3,6 раза меньшую сквозную задержку (end-to-end latency — время от запроса до полного ответа) по сравнению с системами Nvidia GB200 и GB300. Сравнение шло между 700-ваттным Jalapeño и ускорителями на 1200 и 1400 Вт.

Оговорок к этим числам достаточно, и их стоит держать в голове:

• Сравнивали не с актуальной платформой. Vera Rubin, которая разворачивается позже в 2026 году, в тестах не участвовала.
• Разные режимы генерации. Тесты шли на предсказании по одному токену, тогда как в реальных развёртываниях Nvidia часто применяется мультитокенное предсказание.
• Энергия «из розетки» сглаживает разрыв. При нормировке на полное потребление узла — 1,18 кВт против 2,55 кВт у GB300 — преимущество заметно сужается.
• Класс задач у́же. Обучение моделей Jalapeño не выполняет вовсе.

Иначе говоря: это не «убийца Nvidia», а очень узко заточенный инструмент, у которого хороший шанс окупиться внутри одной компании с гигантским собственным трафиком инференса.

Что здесь практического для разработчиков

Прямого вывода «идите проектировать чипы» тут нет. Зато есть переносимый принцип, который на этом кейсе виден в чистом виде.

Модели окупаются там, где задача измерима и итерация дешёвая. Оба задокументированных успеха — микроархитектурные блоки и вычислительные ядра — имеют жёсткий численный критерий качества: процент от теоретического потолка, площадь, задержка. Модель генерирует вариант, тест выносит вердикт, цикл повторяется тысячи раз. Там, где критерий размыт («сделай архитектуру лучше»), никакого чуда не произошло — это осталось работой людей.

Иногда выгоднее сменить язык, чем ждать модель получше. Переход на XLS — это решение подстроить процесс под сильные стороны инструмента, а не наоборот. Ровно тот же приём работает в обычной разработке: типизированный код, декларативные конфиги, тесты как спецификация — всё, что превращает задачу в проверяемую, резко повышает отдачу от ИИ-ассистента.

Порог входа в собственное железо падает. Если сотня человек за 20 месяцев доводит до кремния ускоритель ретикл-размера, то у компаний с предсказуемой и однотипной нагрузкой появляется аргумент считать свой ASIC. Для рынка это значит больше специализированных чипов и меньше универсальных — со всеми последствиями для того, под что придётся оптимизировать код в ближайшие годы.