OpenAIs Jalapeño hevder 3,6 ganger lavere latens enn Nvidias GB300 – men tallene er uavhengig uverifiserte
Halvlederkonkurransen har i årevis handlet om én ting: hvem som leverer den raskeste akseleratoren. To hendelser i løpet av fire uker denne høsten peker på noe annet. 25. august 2026 avslørte OpenAI fullstendig sin første egenutviklede AI-akselerator, Jalapeño. 23. september 2026 publiserte SiliconANGLE en analyse basert på samtaler med teknologiledere i AMD, Broadcom, Samsung og OpenAI, der konklusjonen er at konkurransen ikke lenger handler om enkeltbrikker — men om hele systemer. Tilsammen markerer de et tidspunkt der tilpassede akseleratorer, minnesentriske design og LLM-assistert chipedesign blir synlige som en strukturell endring i bransjen — ikke som enkelttilfeller.
Tesen: fabrikken er datamaskinen
Det er verdt å være tydelig med hva som er hva. Hovedtesen stammer fra John Furrier i SiliconANGLE, som skriver at diskusjonen om AI-infrastruktur raskt handler om systemer: CPU-er, GPU-er og tilpassede XPUs; minne og høybåndsbredde-minne; scale-up- og scale-out-nettverk; chiplets; avansert pakking; optikk; kjøling; programvare; elektrisitet — og til slutt «hele campuser som opererer som enorme datamaskiner». Dette er en kommentaranalyse, ikke etablert bransjekonsensus. Men den hviler på utsagn fra navngitte ledere Furrier har intervjuet over tid: AMDs teknologidirektør Mark Papermaster, Broadcoms halvledersjef Charlie Kawwas, Samsungs Paul Cho og OpenAIs maskinvareleder Richard Ho.
Poenget er konkret: Når en AI-datasenterleverandør bygger ut kapasitet, bestemmes ytelsen ikke lenger av den enkelte GPU-en. Den bestemmes av hvor raskt data flyttes mellom beregningsbrikker og minne, hvordan brikker pakkes sammen, hvordan racks kobles med kobber og optikk, hvor mye strøm og kjøling campuset tåler, og hvordan programvaren utnytter det hele. Co-design av alle disse lagene rundt en kjent arbeidsmengde er det nye konkurranseområdet, hvis tesen stemmer.
Tre posisjoner fra bransjelederne
De fire lederne Furrier siterer tegner ikke et samstemt bilde, og det er nettopp det som gjør materialet nyttig. De representerer tre ulike posisjoner i samme skifte.
Kawwas: XPUs er en nisje for de færreste. Broadcoms halvledersjef framstilte ifølge SiliconANGLE tilpassede akseleratorer som et marked reelt tilgjengelig bare for et relativt lite antall frontier-AI-selskaper som opererer i enorm skala — med nok eierskap til programvarestakken og forutsigbar etterspørsel til å amortisere utviklingskostnadene. Google, AWS, Microsoft, Meta og OpenAI har alle interne akseleratorprogrammer. Det er en viktig avgrensning: systemskiftet betyr ikke at alle kan eller bør bygge egne brikker.
Cho: Minnet er designsentrum. Samsungs Paul Cho beskrev ifølge SiliconANGLE skiftet konsist: «Minne er ikke lenger en birolle i AI-infrastruktur — det blir designsentrum.» Bakgrunnen er at dataflytting — båndbredde, kapasitet, effekt og nærhet til beregning — i økende grad bestemmer ytelsen. Det forklarer også hvorfor minneleverandørenes posisjon er styrket: når en akselerator i stor grad defineres av hvor mye HBM den kan adressere og hvor fort, flyttes makten delvis fra beregningsbrikken til minnestakken rundt den. Det bør nevnes at Cho sitates via SiliconANGLE; det eksakte tidspunktet og anledningen for uttalelsen er ikke spesifisert i rapporteringen.
Papermaster: De generelle brikkene består. AMDs teknologidirektør argumenterte for at breddeksende CPU-er og GPU-er ikke forsvinner. I stedet lar modulære arkitekturer og chiplets halvlederleverandører lage arbeidsmengdespesifikke varianter — inkludert konfigurasjoner for agentbaserte arbeidsmengder — på felles plattformer. Det er motposisjonen: systemtenkning trenger ikke bety at hver kunde designer sin egen silisium fra bunnen av.
Jalapeño som testtilfelle
OpenAIs Jalapeño er det mest konkrete eksemplet på hva «hel-system»-konkurranse betyr i praksis — og samtidig en påminnelse om hva som ennå ikke er bevist.
Brikken ble fullt avslørt 25. august 2026 som selskapets første AI-akselerator. Den leverer opptil 13,4 petaflops beregning i 4-bit og adresserer 232 GB av den mest avanserte minnetypen som finnes, koblet med 15,4 terabyte per sekund. Benchmarks OpenAI selv siterer hevder opptil 3,6 ganger lavere ende-til-ende-latens enn Nvidias GB300, ved lavere effekt.
Det siste punktet krever presisjon: disse tallene er selskapets egne benchmarkresultater, ikke uavhengig verifiserte målinger. IEEE Spectrum bemerker uttrykkelig at det gjenstår å se om tallene oversettes til reelle gevinster når Jalapeño tas i utstrakt bruk i OpenAIs inferensflåte. Fram til da er 3,6x et påstandsnivå, ikke et faktanivå.
Hva som derimot er godt dokumentert, er designfilosofien. Richard Ho, visepresident for maskinvare i OpenAI, sa ifølge SiliconANGLE at Jalapeño er optimalisert rundt «kjernene, minneflyttingen, nettverket og serveringsmønstrene» som betyr noe for frontier-modeller. Det er systemtesen i miniatyr: brikken er ikke designet for å vinne en generell benchmark, men for å passe et spesifikt, internt kjent arbeidsmønster.
Under 20 måneder — og hvorfor
Kanskje det mest omdiskuterte tallet er tidslinjen. Jalapeño gikk fra første arkitekturkonsept til første silisium på under 20 måneder. Bare ni måneder skilte første RTL — registertransfer-nivåkoden som definerer brikkens logikk — fra tape-out, der det ferdige designet sendes til produksjon. Designteamet besto i gjennomsnitt av færre enn 100 personer, rundt 100 i dag, og OpenAI inngikk partnerskap med Broadcom om fysisk design.
En del av forklaringen ligger i verktøykjeden. OpenAI bygde sin front-end-arbeidsflyt rundt Accelerated Hardware Synthesis (XLS), en åpen kildekode-verktøykjede for høynivåsyntese opprinnelig utviklet hos Google. Chris Leary, medlem av teknisk stab i OpenAI, forklarer hvorfor LLM-ene fungerte godt her: «XLS ligner på mange måter programvare, så det fikk den fordelen.» Ho oppsummerer poenget enda kraftigere: «Modellene gir superkrefter til ingeniørene våre.»
Men det ville være feil å tilskrive farten LLM-ene alene — og uavhengige eksperter gjør nettopp det. David Chin, medgründer av chipedesign-selskapet Verkor.io, sier at «tidsskjemaet de ga oss er ganske troverdig», men mener at Broadcoms hjelp var avgjørende for Jalapeños raske tidslinje. Andrew Kahng ved UC San Diego kalte tidslinjen «sannsynligvis best in class i dag». Med andre ord: troverdigheten er understreket, men årsaksforklaringen er todelt — LLM-assistert front-end-arbeid på toppen av en svært erfaren fysisk designpartner med moden infrastruktur.
Det betyr ikke at LLM-bidraget er ubetydelig. Det betyr at «under 20 måneder» ikke uten videre kan generaliseres til «LLM-er revolusjonerte chipedesign». Teamstørrelsen, partnerskapet og verktøyvalget henger sammen, og det gjenstår å se hvor mye av metoden som kan replikeres av selskaper uten Broadcom-trakt.
Hvem har egentlig råd til dette?
Kawwas' avgrensning fortjener egen vekt. Egen silisium krever ifølge den logingen han selv legger opp til tre ting samtidig: drift i en skala der selv små effektivitetsgevinster betaler utviklingskostnadene, eierskap til programvarestakken som brikken optimaliseres mot, og forutsigbar etterspørsel nok til å planlegge en produksjonsflåte. Det er grunnen til at listen over aktører med interne akseleratorprogrammer er så kort: Google, AWS, Microsoft, Meta og OpenAI. Alle er samtidig store kunder av kommersielle akseleratorer — egen silisium er i denne lesingen et pressmiddel og en flaskehalsredusering, ikke nødvendigvis en erstatning.
For alle andre — skytjenesteleverandører i andre divisjon, bedriftskunder, offentlig sektor — betyr systemskiftet noe annet: de er pris- og arkitekturetakere i et marked der konkurransemåtet har blitt vanskeligere å sammenligne. En brikke som er optimalisert for én aktørs inferensmønstre er ikke direkte sammenlignbar med en generell GPU på en pris-per-flops-liste, og det er delvis poenget.
Det som er åpent
To store spørsmål står ubesvart i bevismaterialet. Det første er om Jalapeños benchmarktall holder i produksjon. IEEE Spectrum er eksplisitt på at reelle gevinster i OpenAIs inferensflåte gjenstår å se; ingen uavhengig måling av latens- eller effektfordelen mot GB300 foreligger. Det andre er om systemskiftet gjelder utover de få frontier-aktørene. Posisjonene til Kawwas, Cho og Papermaster kan leses som tre svar på samme spørsmål — nisje, sentrum, plattform — men hvem som får rett, bestemmes av noe ingen av dem kan love i dag: hvor raskt arbeidsmengdene stabiliserer seg, og hvor billig modulære plattformer kan tilpasses.
Det dokumenterte er likevel nok til å fastslå retningen. Minne er løftet fra birolle til designsentrum. Nettverk, pakking, kjøling og strøm er co-designobjekter, ikke ettertanke. Og en brikke designet rundt egne arbeidsmønstre, på under 20 måneder og med et team på under 100, viser at inngangsbilletten til egen silisium har blitt lavere — selv om den fortsatt er høy nok til at bare noen få kan betale den.
(Kilder: SiliconANGLE, 23. september 2026, IEEE Spectrum)