OpenAI 9 oyda "Blackwell chipidan ustun" chip yaratdi, Nvidia hali ham himoyalangan ko'prik bormi?

OpenAI va Broadcom hamkorligida ishlab chiqilgan ichki Jalapeño inference chipining dastlabki test natijalari ilk bor e’lon qilindi, va uning unumdorlik ko‘rsatkichlari mavjud Nvidia darajasidagi tizimlardan ancha ustun ekani bozorga AI chiplar bozoridagi tuzilmani qayta ko‘rib chiqish boʻyicha keng muhokamalarni uyg‘otdi.

Goldman Sachs savdo bo‘limi rahbari Rich Privorotskyning so‘nggi tahliliga ko‘ra, Jalapeño hech qanday “Nvidia ni yo‘q qiluvchi” emas, biroq u paydo bo‘lgani bilan AI texnikasi bozorida yuqori darajadagi markazlashuvdan koʻp jihatli, turlicha bozor tuzilmasiga o‘tish jarayoni boshlanganini anglatadi. Bu fikr Nvidia uchun uzoq muddatli baholash tamoyiliga bevosita ta’sir qiladi — gap bu yilgi yetkazib berish hajmi emas, balki kelgusi bir necha yillik foydaning strukturasi haqida ketmoqda.

Bozor uchun bu voqeaning asosiy ta’siri ikki o‘nga ega: birinchi, Nvidia qisqa muddatda trening chipi va CUDA ekotizimidagi himoya devoriga tahdid yo‘q; ikkinchisi, inference (tushunish, ishga tatbiq etish) sohasida o‘ta ko‘p va yuqori chastotali, kundalik ish yuklamalari endi moslashtirilgan chiplar asosiy jang maydoniga aylanmoqda, va Nvidia “yillik renta” daromad manbai bosqichma-bosqich yemirilishi mumkin.

Jalapeño-ning real test natijalari: inference unumdorligi yetakchi, lekin yo‘nalishi aniq

OpenAI va Broadcom birgalikda ishlab chiqqan Jalapeño chipseti yaqinda birinchi ochiq benchmart test natijalarini e’lon qildi. Test natijalariga ko‘ra, ushbu chip har bir vatt uchun bajara oladigan AI hisoblash hajmi o‘xshash Nvidia tizimlaridan 1.5 dan 1.9 baravargacha yuqoriroq, javob tezligi esa 1.7 dan 3.6 baravargacha tez.

Jismoniy xususiyatlari bo‘yicha, bitta Jalapeño chipining nominal quvvat iste’moli taxminan 700 vatt, amalda esa undan kam. To‘liq bir rackda 128 ta chip joylashishi mumkin, taxminan 27.5TB HBM4 yuqori tarmoqli xotirasi bilan, va har bir chip uchun xotira o‘tkazuvchanligi 15.4TB/sekundni tashkil qiladi.

E’tiborli jihat, OpenAI xotira konfiguratsiyasida murosaga bormagan — bu chip ataylab yuqori tarmoqli o‘tkazuvchanlik dizayniga yo‘naltirilgan, va xotirani qisqartirish hisobiga narxni pasaytirishni maqsad qilmagan.

Jalapeño joriy etish rejasi bu yil oxirida kichik miqyosda ishga tushirish, va 2027-yilga kelib ommaviy ishlab chiqarishga o‘tishni ko‘zda tutadi. OpenAI tomonidan aniq aytib o‘tilgan: bu chip Nvidia va boshqa hamkorlarni to‘ldiruvchi unsur, lekin ularni to‘liq almashtiruvchi emas.

Trening va inference o‘rtasidagi chinakam tafovut: Nvidia himoya devori qayerda

Bu voqeani tushunish uchun AI chiplarining ikki asosiy ish yuklamalarini farqlash muhim.

Training — bu “o‘qish” — juda ko‘p ma’lumotlarni modelga yuborib, og‘irliklarni yangilash, topshiriq murakkab, masshtabi katta, vaqt oladi va hamon Nvidia turidagi umumiy GPUlarga tayanadi. Inference esa — bu “ish qilish” — foydalanuvchi ChatGPT ga savol beradi, agent reys band qiladi, kod vositasi funksiya yaratadi; model allaqachon o‘rgatilgan bo‘lib, endi eng arzon narxda, eng tez natija kerak bo‘ladi.

Jalapeño — inference uchun mo‘ljallangan ASIC (maxsus chip), trening chipi emas. Privorotsky ta’riflaganidek: GPU — bu Shveytsariya pichog‘i, ASIC esa oshpazning maxsus pichog‘i — ikkinchisi ma’lum bir vazifada juda yaxshi, lekin birinchisining universalligini to‘liq to‘ldira olmaydi.

Shu sabab, OpenAI yaqin kelajakda model treningi va tadqiqot ishlari uchun hamon Nvidia GPUlarini sotib olishda davom etadi. Privorotsky aniq aytmoqda: Jalapeño “Nvidia talabining to‘satdan keskin tushishiga” olib kelmaydi, lekin “AI texnikasi muhokama doirasi tobora kengaymoqda”.

Aralash tranzitsiya, soha yo‘qolishi emas

Privorotsky tahlilida uchta asosiy tezisni ilgari suradi.

Birinchidan, moslashtirilgan inference chiplar endi faqat laboratoriya loyihasi emas. Hattoki ilgari mikrochip ishlab chiqarishda tajribasi bo‘lmagan dasturiy kompaniya, Broadcom kabi hamkor bilan qisqa muddatda yaxshi unumdor chip chiqara olishi, sohaga kirish to‘siqlari ancha pasayganini ko‘rsatadi.

Ikkinchidan, bu Nvidia uchun bu yil talab pasayishini anglatmaydi. Trening, tadqiqot va juda ko‘p no-standart ish yuklamalari uchun umumiy GPUlar zarur, va birinchi avlod moslashtirilgan chiplar hamon kam miqdorda, yetkazib berish muddati uzoq.

Uchinchidan, uzoq muddatli tarixiy davrda, AI inference biznesida ko‘proq ish yuklari maxsus chiplarga ko‘chadi. Bu “aralash tranzitsiya” — foydaning egaligi o‘zgaradi, lekin sohaning hajmi o‘zgarmaydi.

Goldman Sachs, shuningdek, mazkur voqea xotira sanoatiga salbiy ta’sir ko‘rsatmaydi deya qayd qiladi. 27.5TB HBM4 ga ega 128 chipli rack, demak, OpenAI SK Hynix, Samsung, Micron kabilarga har bir vatt uchun ko‘proq haq to‘laydi. Inference maxsus chiplarga ko‘chsa ham, yuqori tarmoqli xotiraga talab kamaymaydi, aksincha, taqchillik kuchayishi mumkin.

AI yordamida chip dizayni: haqiqatan e’tibordan chetda qolgan ssenariy

Privorotsky tahlilida so‘ngida bozorda ko‘pchilik e’tibor bermagan savolni tuhfa qildi: ilgari chip dizayn tajribasi bo‘lmagan kompaniya qanday qilib rekord vaqt ichida bu chipni yaratdi?

Goldman Sachs javobi: kuchaygan o‘rganish va AI yordamida dizayn aylanishi — model yordamida yangi elektr sxemalari kiritish, dizayn–o‘lchov–tasdiqlash siklini qisqartirish, so‘ng chipda ishlaydigan dastur kodini ham AI bilan generatsiya qilish.

Ushbu “rekursiv” mantiq shuni anglatadiki, AI endi o‘zini ishlatadigan mashinalar dizaynida ham ishtirok etmoqda. Agar ushbu dizayn aylanishi barqaror ishlasa, umumiy GPU atrofida qurilgan dasturiy ekotizimning himoya devori inference holatlarida asta-sekin yupqalashadi.

Soha uchun, kompilyator, yadro generatsiyasi hamda “chip uchun kod yozadigan model” endi chekka vosita emas, balki strategik infratuzilma sifatida shakllanmoqda.

Ekotizimning qayta qatlamlanishi: kim foyda ko‘radi, kim bosimda qoladi

Nvidia: qisqa muddatda xavfsiz, uzoq muddatda tuzilmaviy bosimga duch keladi. Trening clustergi, CUDA ekotizimi, tarmoq integratsiyasi va “seshanba kuni yangi modelni ishga tushira olish” imkoniyati hali ham chinakam himoya devoridir. Lekin, agar inference sohasidagi yuqori chastotali ishlanmalar asta-sekin ASIC-larga ko‘chsa, Nvidia “oltin qazish ishi”da qoladi, lekin “yillik renta” dan ayrilishi mumkin. Bu ishlab chiqarish hajmidan ko‘ra uzoq yillik baholash muammosi.

Broadcom va maxsus chiplarni ishlab chiqaruvchilar: o‘z chipini yaratmoqchi, lekin TSMC bo‘lishni xohlamaydigan har bir kompaniya uchun “qurol yetkazib beruvchi”ga aylanadi. Moslashtirilgan inference xizmati va tarmoq biznesi bo‘lib, ko‘proq Jalapeño — ko‘proq packaging, SerDes va rack darajasidagi ishlab chiqarish demakdir.

Model laboratoriyalari: Jalapeño — bu foyda va mahsulot quroli. O‘z moslashtirilgan inference chipga ega laboratoriyalar narxni pasaytirishi, tezlik chegarasini oshirishi yoki agentlarga ko‘proq amallarni bajarishga ruxsat berishi mumkin. Faqat GPU ijaraga olayotgan laboratoriyalar esa, boshqasining xarajat mexanizmini ijaraga oladi; inference chipi bor laboratoriya esa, mahsulotni qaytadan belgilay oladi. Google shuning uchun TPU qildi, Amazon shuning uchun Trainium yaratdi, OpenAI esa ochiq natijalar bilan bu raqobatga endi qo‘shildi.

Foydalanuvchi va narxlash: inference narxi pasayganda ikki natija parallel ravishda yuz beradi — pastki qatlam narxi pasayadi, ilg‘or qatlam esa yirikroq model va ilg‘or agent xususiyatlari sababli qimmatroq bo‘ladi. Har bir token uchun umumiy egalik narxining pasayishi, “20 dollarli chat-bot” va “oyiga 2000 dollarli agent xizmati” uchun raqamli zaminni yaratadi.