OpenAI ha un chip proprio: Jalapeño punta a superare Nvidia nell’efficienza
Per OpenAI la sfida dell’intelligenza artificiale non riguarda più soltanto la capacità di costruire modelli sempre più potenti. Il vero limite, ormai, è diventato quanto costa in termini energetici farli funzionare su larga scala. La crescita dei sistemi di IA generativa richiede infatti una quantità crescente di infrastrutture, server e acceleratori, mentre la disponibilità di energia elettrica e la capacità dei data center rischiano di trasformarsi in un collo di bottiglia per l’espansione del settore.
È in questo scenario che la società ha iniziato a spingere con decisione sullo sviluppo di chip progettati internamente, con l’obiettivo di ridurre i consumi e aumentare l’efficienza delle proprie infrastrutture. I primi risultati di Jalapeño, il nuovo acceleratore di inferenza sviluppato da OpenAI insieme a Broadcom, indicano che questa strategia potrebbe avere un impatto significativo sulla competizione tecnologica con Nvidia.
Perché OpenAI sta progettando i propri chip per l’intelligenza artificiale?
Il problema che OpenAI sta cercando di risolvere è molto concreto. Addestrare e soprattutto utilizzare modelli linguistici di grandi dimensioni richiede enormi quantità di potenza di calcolo e, di conseguenza, di energia. L’inferenza, cioè la fase in cui un modello già addestrato elabora una richiesta e produce una risposta, rappresenta una parte sempre più importante dei carichi di lavoro dell’IA generativa. Con milioni di utenti e sistemi che devono rispondere in tempo reale, anche piccoli miglioramenti nell’efficienza di ogni singolo acceleratore possono trasformarsi in risparmi energetici e operativi enormi su scala globale.
Per questo motivo OpenAI non sembra più voler dipendere esclusivamente dall’hardware disponibile sul mercato. La società continua naturalmente a utilizzare e acquistare acceleratori Nvidia e quelli prodotti da altri partner, ma lo sviluppo di una propria architettura consente di progettare l’hardware intorno alle caratteristiche specifiche dei modelli che dovrà eseguire. Jalapeño nasce proprio con questa logica: non essere semplicemente un altro chip generico per l’intelligenza artificiale, ma un acceleratore costruito per rendere più efficiente l’esecuzione dei modelli linguistici.
Quanto è più efficiente Jalapeño rispetto ai chip Nvidia?
I primi dati diffusi da OpenAI sono particolarmente interessanti perché non si concentrano soltanto sulla potenza assoluta, ma sul rapporto tra prestazioni ed energia consumata. Nei test condotti su tre modelli open source, Jalapeño avrebbe raggiunto tra 1,5 e 1,9 volte più token generati per watt rispetto ai sistemi Nvidia GB200 e GB300 utilizzati come riferimento. In altre parole, a parità di energia disponibile, il nuovo acceleratore sarebbe in grado di produrre una quantità sensibilmente maggiore di output.
Anche la latenza, cioè il tempo necessario per generare le risposte, mostra risultati rilevanti: secondo i dati presentati da OpenAI, Jalapeño avrebbe ridotto questo parametro di 1,7 fino a 3,6 volte rispetto alle configurazioni confrontate. È un aspetto particolarmente importante per servizi conversazionali come ChatGPT, dove la velocità di risposta non è soltanto una questione tecnica, ma costituisce una parte fondamentale dell’esperienza dell’utente.
Il dato energetico rende il confronto ancora più interessante. Jalapeño presenta un consumo nominale di 700 watt, contro i 1.200 watt del GB200 e i 1.400 watt del GB300. OpenAI sostiene inoltre che durante le prove il chip abbia mantenuto un consumo sostenuto inferiore ai 550 watt. Se questi livelli di efficienza dovessero essere confermati su carichi di lavoro rappresentativi e su larga scala, il vantaggio potrebbe diventare significativo soprattutto nei giganteschi data center necessari per sostenere la crescita dell’IA.
È davvero un nuovo vantaggio competitivo contro Nvidia?
È ancora presto per dirlo. I numeri pubblicati da OpenAI sono certamente interessanti, ma devono essere interpretati con cautela. Il confronto, infatti, è stato effettuato con sistemi appartenenti alla generazione Blackwell di Nvidia, mentre il vero termine di paragone per un acceleratore che arriverà progressivamente sul mercato dovrebbe essere rappresentato dalle architetture successive, a partire dalla nuova generazione Rubin.
È proprio questo uno degli elementi sottolineati dagli analisti di SemiAnalysis, secondo i quali serviranno test più vicini ai carichi di lavoro reali di OpenAI prima di poter stabilire quanto il vantaggio dichiarato sia effettivamente significativo. Le prestazioni di un acceleratore possono infatti variare sensibilmente a seconda del modello utilizzato, della configurazione del sistema, della memoria, delle interconnessioni e del tipo di inferenza eseguita. Un risultato particolarmente favorevole in un benchmark non significa necessariamente che lo stesso vantaggio si manterrà nelle condizioni operative di un grande servizio globale.
La prudenza, quindi, è d’obbligo. Ma il progetto rimane strategicamente importante anche indipendentemente dal confronto diretto con Nvidia. Per OpenAI, sviluppare un proprio acceleratore significa soprattutto ridurre la dipendenza da un singolo fornitore di hardware e acquisire maggiore controllo sull’intera catena tecnologica necessaria per far funzionare i propri modelli.
Quanto è importante il fatto che l’IA abbia contribuito a progettare il chip?
Jalapeño rappresenta anche un interessante esempio di quello che potrebbe diventare un nuovo paradigma nella progettazione hardware. OpenAI sostiene che i propri modelli di intelligenza artificiale siano stati utilizzati durante il processo di sviluppo e che sia stato possibile passare dal progetto iniziale alla versione definitiva del chip in appena nove mesi.
Il significato di questo passaggio va oltre la semplice riduzione dei tempi. Se i modelli di IA possono aiutare gli ingegneri a esplorare architetture, ottimizzare circuiti e individuare soluzioni progettuali, si crea un particolare ciclo tecnologico circolare: l’intelligenza artificiale contribuisce a progettare l’hardware destinato a eseguire l’intelligenza artificiale stessa. È una dinamica che potrebbe accelerare ulteriormente l’evoluzione dei sistemi specializzati, soprattutto quando aziende come OpenAI possono utilizzare internamente i propri modelli come strumenti di progettazione.
Quando arriverà Jalapeño nei data center di OpenAI?
Il calendario delineato dalla società indica che Jalapeño dovrebbe iniziare a essere utilizzato nella propria infrastruttura entro la fine del 2026, mentre la produzione su larga scala sarebbe prevista per il quarto trimestre del 2027. Non si tratta quindi di una sostituzione immediata degli acceleratori Nvidia, ma dell’avvio di una strategia industriale destinata a svilupparsi nel tempo.
OpenAI ha già iniziato a lavorare anche sulla seconda generazione del chip, segnale che Jalapeño viene considerato come l’inizio di una famiglia di acceleratori proprietari e non come un esperimento isolato. Parallelamente, la società continuerà ad acquistare hardware da Nvidia e da altri partner, mantenendo quindi un modello ibrido nel quale soluzioni proprietarie e acceleratori commerciali convivranno.
La vera partita si giocherà dunque nei prossimi anni. Se i vantaggi di Jalapeño in termini di prestazioni per watt, latenza e costi operativi saranno confermati anche nelle condizioni reali, OpenAI potrebbe avere a disposizione uno strumento importante per affrontare uno dei problemi più difficili della propria espansione: non soltanto costruire più data center, ma farli funzionare consumando meno energia per ogni risposta generata. Ed è proprio qui che la competizione sull’intelligenza artificiale potrebbe spostarsi: dalla semplice potenza dei chip alla capacità di ottenere più calcolo con meno energia.