TL;DR
・ OpenAI と Broadcom が、最初の自社開発 AI 推論チップ Jalapeño を発表。初期導入の目標は 2026 年末まで。
・ このチップは LLM の推論向けで、学習用 GPU の代替ではありません。初期段階の性能の主張は、いずれも会社のテスト指標に基づいています。
・ OpenAI は Nvidia への依存を減らす第一歩を踏み出しましたが、コスト削減の幅、量産規模、実負荷での性能はまだ開示されていません。
OpenAI と Broadcom は 6 月 24 日、Jalapeño を発表しました。これは大規模言語モデルの推論向けの自社開発 AI 加速器であり、OpenAI の最初の「Intelligence Processor」と呼ばれるチップでもあります。両社の発表によると、Jalapeño はまだテストおよびサンプル段階で、2026 年末までに初期導入を開始することを目標にしており、今後も数年にわたって拡張を続ける計画です。OpenAI にとって重要なのは、すべての Nvidia GPU をすぐに置き換えることではありません。ChatGPT、Codex、API、そして将来のエージェント製品において増え続ける推論リクエストを、より自社のモデルに適したソフトウェアとハードウェアの組み合わせへ、段階的に移していくことです。
推論から始め、毎日発生する問い合わせコストを狙う
AI チップの需要は、大まかに学習（トレーニング）と推論（インファレンス）に分かれます。学習はモデルの能力の上限を決め、推論は、モデルが学習を終えた後に、受け入れ可能なコストで大量のユーザー要求に答えられるかどうかを決めます。
Jalapeño が狙っているのは後者です。OpenAI によれば、このチップは大規模言語モデルの推論ワークロードに使われ、ChatGPT、Codex、API、そして将来のエージェント製品を支えます。一般のユーザーにとっては、チャットの画面が直接変わるわけではありませんが、バックエンドでの処理にかかるコスト、速度、拡張性に影響する可能性があります。
これも AI 企業による自社設計チップの潮流に共通する方向性です。Google には TPU があり、Amazon や Meta もカスタム・アクセラレータを推進しています。必ずしも Nvidia を完全に置き換える必要はなく、最も安定していて規模が大きい自社の内部ワークロードを、自社のモデルやソフトウェアスタックにより適したチップへ移すのが狙いです。
OpenAI はこれまで長期にわたり外部 GPU の供給に依存してきました。とりわけ Nvidia のハイエンド加速カードです。モデル呼び出し量が増えるにつれ、汎用 GPU を調達するだけでは、次のような二重の圧力が生じます。コストと、供給が外部のサプライチェーンに左右されることです。さらに、汎用チップは必ずしも特定のモデルやサービスの利用形態において、最大の効率を出せるとは限りません。Jalapeño がもたらす直接的な変化は、OpenAI が単に計算資源を購入するだけでなく、計算資源の定義にまで関与し始めたことです。
Broadcom はシリコン実装と接続技術を担当、ウエハ製造元は未開示
Jalapeño は OpenAI がゼロから設計し、Broadcom がシリコン実装、ネットワーク、接続技術を提供。Celestica は、ボード、ラック、システム層での実装に関わります。公式発表ではウエハ製造元が開示されていないため、Broadcom が製造を担当していると単純に書くことはできません。
Broadcom は、カスタム ASIC やデータセンター・ネットワークの分野で深い蓄積があります。ここ数年で、複数の AI 巨頭の自社チップの背後にいるサプライヤーのひとつにもなっています。OpenAI にとって Broadcom と組むことは、モデル企業の内部にあるアーキテクチャ要件を、成熟した半導体およびシステムのサプライチェーンに落とし込み、導入可能な製品へ転換するのに近い意味合いがあります。
性能面でもまだ余白を残す必要があります。両社によれば、Jalapeño の目標は、現在の最先端 AI 加速器のスループット能力を組み合わせ、さらに性能/ワットの面で現行の先進ソリューションに対して明確な向上を実現することです。公式は同時に、エンジニアリング・サンプルが実験室で目標の周波数と消費電力で機械学習ワークロードを動作させていると強調しています。最終的な性能はまだ測定段階であり、今後数か月のうちにより詳細な技術レポートが公開される予定です。
現時点では第三者ベンチマークは公開されておらず、正確なスループット、レイテンシ、消費電力、1 回の問い合わせ当たりコストの低下幅といった重要な指標も開示されていません。一部の市場解釈では、これをそのまま Nvidia の Blackwell や Google の TPU と並べて比較する見方もありますが、実際の展開データが出るまでは、コスト削減や性能優位を“会社の初期テスト時点の指標”としてしか評価できません。
9 か月で流片、AI 支援によるチップ製造が別の手がかりに
Jalapeño には、公式が強調しているもうひとつのポイントがあります。初期設計から製造用のテストチップ（流片）までわずか 9 か月しかかからなかったということです。これは完成した量産サイクルではなく、チップの設計が製造準備段階に入るまでの速さを指します。
従来の半導体開発では、アーキテクチャ設計、検証、EDA フローから流片まで、通常は長い期間を要します。OpenAI は、このプロセスを自社のモデルが加速していると述べています。同社は、AI はコードやコンテンツを生成するだけでなく、ハードウェア工学のプロセスにも入り込み、チップ設計と検証の時間を短縮できることを示そうとしています。
もしこの手法を今後の製品で再利用できるなら、Jalapeño は単なる単発のチップではなく、OpenAI の複数世代にわたるカスタム計算プラットフォームの出発点になります。OpenAI と Broadcom は、2025 年 10 月に 10GW 級のカスタム AI 加速器で協業するとすでに発表しており、2026 年後半から展開を開始し、2029 年末までに完了する計画です。Jalapeño は、この協業ラインが公開製品の段階に入るための最初のサンプルです。
とはいえ、設計速度が速いことは、導入速度が速いことと同じではありません。Jalapeño が OpenAI の中核インフラに組み込まれるかどうかは、その後の量産、パッケージング、高帯域メモリの供給、サーバーシステム統合、そしてデータセンターの運用（スケジューリング）次第です。どの工程にもボトルネックが発生すれば、年末までの初期導入のタイミングに影響する可能性があります。
Nvidia への依存を減らすのは方向性であって、すでに“置き換えが完了した”わけではない
Jalapeño は市場で最も「OpenAI が Nvidia に挑戦する」というふうに解釈されやすい存在です。より正確には、OpenAI が一部の推論ワークロードに対して、Nvidia 以外の自社カスタムの道を探し始めたということです。
Nvidia の優位性は、単体の GPU の性能だけではありません。CUDA エコシステム、学習・推論のツールチェーン、システムレベルの相互接続、開発者基盤、そして供給規模も含まれます。OpenAI が順調に Jalapeño を展開できたとしても、Nvidia からただちに完全に手を切れるわけではありません。特に、最先端の大規模モデル学習、汎用の研究開発、多様なワークロードにおいて、高性能 GPU は依然として重要なインフラです。
推論の場面の方が、自社カスタムチップの投入に向いています。要求パターンは比較的安定しており、モデル構造もより制御しやすく、サービス目標も明確だからです。もし OpenAI が ChatGPT、Codex、API の中で高頻度・標準化された推論タスクを Jalapeño に移行できれば、コストと供給の柔軟性の面で実際のメリットを得られる可能性があります。
Broadcom にとっては、AI の巨大企業が自社でチップを設計することは、チップ企業が完全に回避されることを意味しません。むしろ、より多くのカスタム案件を生むことになります。ただし、この種の案件の収益余地は、部品コスト、納入規模、システムの複雑さなどに左右されます。特に、高帯域メモリのような重要な供給品の価格と入手可能性が鍵になります。
Jalapeño が年内に本当に解決しようとしているのは、発表時点で Blackwell や TPU に対標できるかどうかではありません。どれほどの規模で年末までに導入できるのか、どのような実負荷を動かせるのか、推論コストをどの水準まで下げられるのか—それが焦点です。OpenAI にとってこの「メキシコの唐辛子」は、GPU のボトルネックを抜け出すための最初の“試し食い”にすぎません。主菜になれるかどうかは、実際の展開データ次第です。