- OpenAI ha presentato Jalapeño, il suo primo chip proprietario (ASIC) sviluppato con Broadcom.
- Progettato a tempo di record in soli 9 mesi (sfruttando l'IA stessa per il design), è ottimizzato esclusivamente per l'inferenza dei modelli così da massimizzare la velocità e l'efficienza rispetto alle GPU tradizionali.
- La mossa punta a tagliare gli enormi costi hardware dell'azienda e a ridurre la dipendenza da Nvidia.
OpenAI ha speso circa 14 miliardi di dollari nel 2025 per far girare ChatGPT su GPU di terzi. Questa settimana ha presentato il suo primo chip proprietario, progettato per cambiare questa equazione. Si chiama Jalapeño, OpenAI lo ha sviluppato insieme a Broadcom ed è un ASIC, cioè un chip a circuito integrato specifico per applicazione, costruito da zero attorno alle esigenze dell’inferenza dei modelli linguistici di OpenAI.
Non è una GPU. Non è un chip generico che si adatta a qualsiasi workload. È un acceleratore pensato per fare una cosa sola, ma farla meglio di qualsiasi alternativa attuale: eseguire i modelli OpenAI nel modo più efficiente possibile nei data center.
9 mesi dal disegno al chip fisico
Il dettaglio più sorprendente dell’annuncio non riguarda le prestazioni ma i tempi. Jalapeño ha raggiunto il tape-out in soli nove mesi, dalla progettazione iniziale alla consegna fisica del chip. Normalmente lo sviluppo di un ASIC avanzato richiede due anni o più. OpenAI e Broadcom sostengono che questo sia il ciclo di sviluppo più rapido mai raggiunto nell’ambito dei semiconduttori ad alte prestazioni.
La velocità è stata possibile grazie a tre fattori. La stretta collaborazione software-hardware tra i team di OpenAI e l’esperienza di Broadcom nell’implementazione del silicio. La capacità di OpenAI di definire le specifiche con precisione, avendo una visione interna profonda dei propri workload di inferenza. E, dettaglio non secondario, l’uso dei modelli AI di OpenAI stessi per accelerare parti del processo di progettazione e ottimizzazione del chip. I modelli hanno aiutato a progettare il chip che girerà i modelli futuri.
Cosa fa Jalapeño e perché è diverso da una GPU Nvidia
Le GPU di Nvidia, come quelle della serie H100 e B200 che dominano i data center AI, sono progettate per essere flessibili. Possono addestrare modelli, eseguire inferenza, elaborare grafica, girare simulazioni. Questa flessibilità ha un costo in termini di efficienza: una parte della potenza del chip viene sprecata per funzionalità che nel caso specifico dell’inferenza LLM non servono.
Un ASIC come Jalapeño fa l’opposto. Sacrifica la flessibilità per massimizzare l’efficienza su un workload specifico. L’architettura è stata progettata attorno ai colli di bottiglia reali dell’inferenza su larga scala: il movimento dei dati in memoria, il bilanciamento tra capacità di calcolo e larghezza di banda, l’efficienza della rete tra chip diversi. Il risultato dichiarato è un’utilizzazione reale del chip molto più vicina al picco teorico rispetto a quanto ottenibile con una GPU generica.
I test preliminari mostrano, secondo OpenAI, prestazioni per watt sostanzialmente migliori rispetto allo stato dell’arte attuale. Le specifiche tecniche complete, comprese architettura del core, larghezza di banda della memoria e consumo energetico preciso, arriveranno con un report tecnico dettagliato nei prossimi mesi. Per ora i numeri ufficiali non ci sono: solo la promessa, accompagnata dal fatto che i sample del chip stanno già girando in laboratorio con workload reali, incluso un modello GPT-5.3-Codex-Spark non ancora rilasciato.
Non solo Jalapeño-OpenAI: perché tutti stanno costruendo i propri chip
OpenAI non è sola in questa strategia. Google ha i TPU, Meta ha MTIA, Amazon ha Trainium e Inferentia, Apple ha i chip della serie M. Tutti i grandi player tecnologici stanno costruendo silicio proprietario per ridurre la dipendenza da Nvidia e ottimizzare l’infrastruttura per i propri workload specifici.
La logica economica è semplice. Nvidia applica margini elevati sulle sue GPU, che rimangono il gold standard per il training dei modelli e per molti workload di inferenza. Per un’azienda come OpenAI, che serve milioni di utenti ogni giorno, anche una riduzione del 30% nel costo dell’inferenza vale miliardi di dollari all’anno. Progettare il chip significa controllare quella leva.
Broadcom è già il principale produttore di chip custom per hyperscaler: Google, Meta e ora OpenAI usano il suo silicio per costruire le proprie soluzioni proprietarie. Il CEO di Broadcom Hock Tan ha dichiarato che la domanda di compute da parte dei sei principali clienti dell’azienda è “semplicemente insaziabile” e che questo vale non solo per il 2026 ma fino al 2028 e oltre.
Cosa cambia per ChatGPT e gli utenti
Il deployment iniziale di Jalapeño è previsto nei data center AI entro la fine del 2026, con una fase prototipale piccola e poi un’espansione negli anni successivi. L’obiettivo dichiarato da OpenAI è rendere l’AI più veloce, più affidabile e più economica per gli utenti. Tradotto: se Jalapeño mantiene le promesse di efficienza, il costo di gestione di ChatGPT scende e quella riduzione può essere trasferita in forma di servizi più accessibili o di margini migliori per l’azienda.
Questo è anche il motivo per cui il chip interessa al di là dell’aspetto tecnico. OpenAI ha presentato la sua IPO il mese scorso e la capacità di controllare i costi dell’inferenza è uno dei fattori principali che determinerà se il modello di business dell’azienda sia sostenibile nel lungo periodo. Jalapeño è hardware, ma il problema che risolve è economico.
Nvidia non è in pericolo immediato. Le GPU rimangono insostituibili per il training dei modelli di frontiera, e il mercato degli ASIC custom è complementare, non sostitutivo, almeno nel breve periodo. Ma la direzione è chiara: i grandi consumatori di compute non vogliono dipendere da un solo fornitore e stanno investendo le risorse necessarie per uscire da quella dipendenza.
