OpenAI 9 ay ərzində özünün “Blackwell çipini üstələyən” çipini hazırladı, bəs Nvidia-nın hələ də maneəsi varmı?

OpenAI və Broadcom tərəfindən birgə hazırlanmış Jalapeño adlı inference çipi ilk dəfə test nəticələrini açıqladı; performans göstəriciləri mövcud Nvidia səviyyəli sistemləri nəzərəçarpacaq şəkildə üstələyir və AI çip bazasında struktur dəyişikliyi ilə bağlı geniş müzakirələrə səbəb olur.

Goldman Sachs-ın treydinq departamentinin rəhbəri Rich Privorotsky-nin son analizinə görə Jalapeño "Nvidia terminatoru" deyil, lakin onun bazara çıxması AI hardware bazarının yüksək konsentrasiyadan daha çox müxtəlifliyə doğru irəlilədiyini göstərir. Bu qiymətləndirmə birbaşa Nvidia-nın uzunmüddətli qiymətləndirmə məntiqini müəyyən edir — söhbət bu ilin satışlarından yox, önümüzdəki illərin mənfəət strukturundan gedir.

Bazar üçün, bu hadisənin əsas təsiri iki istiqamətdədir: birincisi, Nvidia-nın training çip və CUDA ekosistemi üzrə müdafiə xətti qısa müddətdə təhdid olunmayacaq; ikincisi, inference hissəsi — tez-tez və çox miqdarda gündəlik iş yükünün əsas döyüş meydanı olur və Nvidia-nın "illik annuitet" gəlir mənbələri tədricən eroziyaya məruz qalır.

Jalapeño-nun test nəticələri: inference performansı liderdir, lakin mövqeyi açıqdır

OpenAI və Broadcom tərəfindən birgə dizayn edilmiş Jalapeño çipi son zamanlar ilk açıq benchmark testlərini təqdim etdi. Test nəticələrinə görə, çipin hər watt üçün AI hesablama tutumu oxşar Nvidia sistemindən 1.5–1.9 dəfə yüksəkdir, cavab sürəti isə 1.7–3.6 dəfə daha tezdir.

Hardware xüsusiyyətlərinə baxanda, Jalapeño çipinin nominal enerji istehlakı təxminən 700 watt-dır, real iş yükündə bu, daha aşağı olur. Tam bir rack 128 çipi qəbul edir və təxminən 27.5 TB HBM4 yüksək bant genişlikli yaddaşla təchiz edilir; hər bir çip üçün yaddaş bant genişliyi 15.4 TB/saniyəyə çatır.

Qeyd edilməlidir ki, OpenAI yaddaş konfiqurasiyasında güzəştə getməyib — bu, xüsusilə bant genişliyi əsaslı dizayna malik çipdir, və yaddaş həcmini azaltmaqla maliyyəti aşağı salmaq seçilməyib.

Jalapeño-nun yerləşdirilməsi bu ilin sonunda kiçik miqyasda başlayacaq, 2027-ci ildə isə kütləvi istehsal mərhələsinə keçəcək. OpenAI bəyan edib ki, bu çip Nvidia və digər tərəfdaşlara əlavədir, əvəzetmə deyil.

Training və inference arasındakı əsas fərq: Nvidia-nın müdafiəsi harada yerləşir

Bu hadisəni başa düşmək üçün, AI çiplərinin iki əsas iş yükünü fərqləndirmək lazımdır.

Training – “məktəbə getməkdir” — modelə böyük həcmdə data vermək və weightsləri yeniləmək, və bu proses kompleks, geniş miqyaslı və çox vaxt tələb edən bir işdir; hələ də universal Nvidia GPU-lara güclü ehtiyac var. Inference isə “iş görməkdir” — istifadəçi ChatGPT-yə sual verir, agent aviabilet sifariş edir, kod generator alətləri funksiyalar yaradır; model artıq train olunub və ən ucuz və sürətli şəkildə nəticə çıxarılması tələb olunur.

Jalapeño inference üçün xüsusi ASIC-dir (custom chip), training üçün nəzərdə tutulmayıb. Privorotsky-nin benzetmesi ilə: GPU İsveçrə bıçağıdır, ASIC isə baş aşbaz bıçağıdır — ikincisi xüsusi işdə daha üstündür, amma birincinin universallığını əvəz edə bilməz.

Bu o deməkdir ki, OpenAI yaxın gələcəkdə model training və tədqiqat işləri üçün Nvidia GPU-larını almaqda davam edəcək. Privorotsky açıq şəkildə bildirir ki, Jalapeño "Nvidia tələbatında sürətli eniş" yaratmayacaq, lakin "AI hardware müzakirələrinin sərhədləri genişlənməkdədir".

Hibrit transfer, yoxsa sənayenin sonu

Privorotsky analizində üç əsas məqamı vurğulayır.

Birincisi, custom inference çipləri artıq laboratoriya layihəsi deyil. Yaddaş tarixi olmayan bir proqram şirkəti çox qısa vaxtda Broadcom ilə yüksək performanslı çipi təqdim etdi və bu, bazara girişin maneələrinin xeyli azaldığını göstərir.

İkincisi, bu, Nvidia tələbatının bu il azalacağı demək deyil. Training, tədqiqat və bir çox standart olmayan iş yükü hələ də universal GPU-lara ehtiyac duyur və ilk nəsil custom çiplərin sayı məhduddur, çatdırılma müddəti uzun olur.

Üçüncüsü, uzun dövr üçün, AI inference işində daha çox iş yükü xüsusi çiplərə transfer olunacaq. Bu, “hibrit transfer”dir — dəyişən mənfəətin məxsusluğudur, sənayenin həcmi deyil.

Goldman Sachs eyni zamanda qeyd edir ki, bu hadisə yaddaş sənayesinə mənfi təsir göstərmir. 128 çiplik maşın, 27.5 TB HBM4 ilə, OpenAI-nin SK Hynix, Samsung, Micron kimi memory təchizatçılara daha yüksək effektiv watt qiyməti ödəyəcəyini göstərir. Inference-in custom çiplərə transferi yüksək bant genişlikli yaddaşa tələbi azaltmayacaq, əksinə azlıq yaratma ehtimalı var.

AI ilə dəstəklənən çip dizaynı: həqiqətən az qiymətləndirilən hekayə

Privorotsky analizinin sonunda bazarın diqqət etmədiyi bir sualı gündəmə gətirir: Yaddaş tarixi olmayan bir şirkət necə rekord zamana bu çipi dizayn edəbildi?

Goldman Sachs-ın cavabı: Reinforcement Learning və AI ilə dəstəklənən dizayn prosesi — model vasitəsilə circuit həllərinin tapılması, dizayn-ölçü-verify dövrünün sıxılması, və AI ilə yeni çipdə işləyən proqram kodunun yaradılması.

Bu "rekursiv" məntiq deməkdir ki, AI artıq AI işləyən maşınların dizaynında iştirak edir. Əgər bu dizayn dövrü davamlı effektli olsa, universal GPU-ların software ekosistemi ətrafında qurulmuş müdafiə xətti stabil inference şəraitində nazilə bilər.

Sənaye üçün, compilerlər, kernel generatorları və "çip üçün kod yazan model" kənar alətlərdən strateji infrastruktur roluna yüksəlir.

Ekosistemin yenidən təbəqələşməsi: kim fayda qazanır, kim təzyiq hiss edir

Nvidia: qısa müddətdə təhlükəsizdir, uzun müddətdə struktur təzyiqlərlə üzləşir. Training clusterləri, CUDA ekosistemi, network interconnect və yeni modeli çərşənbə axşamı işə salmaq elastikliyi real müdafiə xətti qalır. Amma inference – tez-tez təkrarlanan gündəlik iş yükü — ASIC-lərə transfer olduqda, Nvidia "qızıl axtarışı"nı qoruyub saxlayacaq, lakin "illik annuitet"in bir hissəsini itirəcək. Bu məsələ çoxillik qiymətləndirmə mövzusudur, 2026-nın satış riski deyil.

Broadcom və custom chip contract istehsalçıları: hər bir öz çipini dizayn etmək istəyən, amma TSMC olmaq istəməyən şirkətin "silah tədarükçüsü" olurlar. Custom inference xidmət və network biznesidir; daha çox Jalapeño — daha çox packaging, SerDes və rack səviyyəli istehsal deməkdir.

Model laboratoriyaları: Jalapeño həm mənfəət, həm də məhsul silahıdır. Öz inference çipi olan laboratoriya qiyməti endirə, sürət limiti artıra və ya agentlərin xərci idarə etmədən daha çox əməliyyat icra etməsinə imkan verə bilər. GPU-ları yalnız kirayə edənlər başqasının xərci strukturunu kirayə götürürlər; inference çipi olan laboratoriya məhsulun öz tərifini yeniləyə bilir. Google TPU-nu, Amazon Trainium-u, OpenAI isə ilk dəfə açıq nəticələrlə bu yarışa qatıldı.

İstifadəçi və qiymət: inference xərcinin düşməsi ən azı iki paralel nəticəyə səbəb olur — baza səviyyəsində qiymət düşür, qabaqcıl səviyyədə daha böyük və agent xüsusiyyətli modellərə görə bahalaşır. Token başına ümumi xərclərin azalması "20 dollarlıq chatbot" və "ayda 2000 dollar agent xidməti"nin eyni zamanda mümkün olmasını təmin edən rəqəmsal əsası yaradır.