il primo chip AI di OpenAI batte Nvidia in efficienza 🌶️ – Quando il cliente diventa improvvisamente il concorrente

Risparmio energetico, prestazioni raddoppiate: cosa significa il nuovo chip AI di OpenAI per il settore

L’intelligenza artificiale crea chip basati sull’IA: “Jalapeño” di OpenAI surclassa la concorrenza in tempi record

Un chip che sta rimescolando completamente le carte nel mercato multimiliardario dell’IA: con “Jalapeño”, OpenAI ha sviluppato il suo primo acceleratore AI proprietario in tempi record, sfidando nientemeno che il suo partner hardware più importante fino ad oggi, Nvidia. I primi test indipendenti mostrano che il nuovo chip vanta un’impressionante efficienza energetica, superando significativamente l’attuale generazione Blackwell di Nvidia in alcune aree. Il vero colpo di genio dietro questo sviluppo: OpenAI ha utilizzato i propri modelli di IA avanzati per accelerare drasticamente la progettazione del chip. Cosa significa questa mossa strategica per l’alimentazione elettrica già sotto pressione dei data center, i costi operativi di ChatGPT e il potere di mercato di Nvidia? Un’analisi dettagliata rivela perché il debutto hardware di OpenAI è molto più di un semplice aggiornamento tecnologico: potrebbe cambiare radicalmente il modello di business dell’intero settore.

Da cliente a concorrente: OpenAI attacca Nvidia con il suo stesso chip prodigioso

In meno di un anno e mezzo, OpenAI ha sviluppato il proprio chip per l’intelligenza artificiale che, nei primi test indipendenti, dimostra un’efficienza significativamente superiore rispetto all’hardware di riferimento attuale di Nvidia. Questo è notevole, considerando che OpenAI era in precedenza uno dei maggiori clienti di Nvidia e ora sta entrando in un segmento di mercato dominato quasi esclusivamente da un unico fornitore. Dopo la presentazione del primo acceleratore AI proprietario, nome in codice Jalapeño, nel giugno 2026, sono ora disponibili dati affidabili sulle prestazioni, raccolti dalla società di analisi indipendente SemiAnalysis. Questi dati dimostrano che OpenAI, anche grazie al supporto attivo dello specialista di semiconduttori Broadcom, ha sviluppato da zero un chip AI ad alte prestazioni che supera significativamente l’attuale generazione Blackwell di Nvidia in determinate metriche e sembra essere ben posizionato rispetto alla futura piattaforma Rubin.

Le implicazioni economiche di questo sviluppo sono di fondamentale importanza, poiché toccano uno dei principali problemi di costo dell’intero settore dell’IA: l’enorme discrepanza tra la spesa per le infrastrutture di calcolo e i ricavi generati dai servizi di IA. Secondo alcune fonti, OpenAI consuma circa 3,7 miliardi di dollari a trimestre, con i costi di inferenza – ovvero i costi per l’implementazione continua di modelli pre-addestrati nelle operazioni quotidiane – che rappresentano la voce di spesa più consistente. Un chip in grado di ridurre significativamente questi costi non solo modifica un parametro tecnico, ma anche l’intero modello di business di un’azienda che gestisce ChatGPT, con oltre 400 milioni di utenti attivi.

Un banco di prova indipendente senza vincoli

I test sono stati condotti utilizzando la piattaforma di test proprietaria di SemiAnalysis, InferenceX. Tuttavia, secondo SemiAnalysis, agli analisti stessi non è stato consentito di eseguire i test, né sono stati testati tutti gli scenari, né è stata utilizzata la piattaforma di test più completa, AgentX. Questa limitazione è economicamente significativa perché significa che, sebbene i dati disponibili provengano da un’azienda rinomata specializzata nell’analisi dei chip, sono stati raccolti all’interno di un framework controllato da OpenAI. Chiunque desideri basare decisioni di investimento ponderate su tali dati dovrebbe tenere conto di questo contesto, anche se la direzione generale dei risultati appare plausibile.

InferenceX utilizza i modelli OpenWeights GPT-OSS, DeepSeek R1 e Kimi K2.5, suggerendo che Jalapeño non è progettato solo per i modelli proprietari di OpenAI, ma è anche adatto come piattaforma di inferenza generale per altre architetture. Come prova aneddotica della flessibilità dell’hardware, SemiAnalysis cita la dimostrazione degli sviluppatori secondo cui il gioco Doom, portato dall’assistente di programmazione Codex di OpenAI, è persino riuscito a funzionare sul chip. Sebbene tali dimostrazioni abbiano scarso valore economico, indicano che l’architettura non è limitata a una ristretta finestra applicativa, ma può gestire compiti computazionali più generali.

Aumento dell’efficienza che si traduce in denaro contante

I risultati confermano l’elevatissima efficienza di Jalapeño. In alcuni scenari, il chip di OpenAI raggiunge un tasso di tokenizzazione per watt 22 volte superiore rispetto al B300 di Nvidia, un risultato eccezionale per il primo chip proprietario di un’azienda senza decenni di esperienza nel settore dei semiconduttori. Jalapeño può competere anche con il nuovo sistema di Vera Rubin, attualmente in fase di implementazione presso i principali clienti, sebbene al momento siano disponibili pochi dati affidabili per questo confronto e una valutazione finale sia ancora in sospeso.

SemiAnalysis, tuttavia, evidenzia alcune limitazioni metodologiche che ridimensionano l’importanza dei dati. Sono stati testati solo prompt di dimensioni relativamente ridotte, con 8.192 token di input e 1.024 di output, mentre prompt più ampi, come quelli comuni in molte applicazioni di agenti di produzione, potrebbero alterare significativamente i risultati. Inoltre, la versione testata è stata eseguita con una versione preliminare A0, mentre è attualmente in produzione una versione ottimizzata B0, che secondo OpenAI sarà circa il 25% più efficiente. In termini economici, ciò significa che i dati, già di per sé impressionanti, rappresentano probabilmente un limite inferiore piuttosto che un limite superiore del potenziale effettivo, ammesso che gli annunci relativi alla versione B0 vengano confermati.

La vera leva non risiede nel chip, ma nella rete elettrica

Il chip di OpenAI potrebbe addirittura essere più conveniente di Vera-Rubin, dato che il sistema di Nvidia ha beneficiato della decodifica speculativa nei test, una tecnica per accelerare la generazione di testo, mentre Jalapeño ha dovuto fare a meno di questa ottimizzazione. Nel complesso, l’inferenza hardware proprietaria dovrebbe rendere OpenAI significativamente più economica, poiché l’azienda non deve più pagare margini commerciali a un fornitore esterno e l’architettura può essere adattata con precisione ai propri modelli di servizio.

Il vero vantaggio strategico, tuttavia, non risiede principalmente nel puro risparmio sui costi per chip, bensì nell’efficienza energetica. Grazie alla maggiore efficienza, è possibile far funzionare un numero significativamente maggiore di chip con la stessa potenza in ingresso, il che rappresenta il vero vantaggio competitivo in un settore in cui la disponibilità di elettricità e la capacità di connessione alla rete sono diventate il fattore limitante per la crescita. OpenAI stessa ha già firmato contratti per oltre dieci gigawatt di capacità di calcolo negli Stati Uniti, un obiettivo originariamente fissato per il 2029 che è stato ora raggiunto con diversi anni di anticipo. In un contesto in cui la capacità delle nuove centrali elettriche e le connessioni alla rete spesso costituiscono il vero collo di bottiglia per l’espansione dei data center, ogni watt utilizzato in modo più efficiente si traduce direttamente in maggiore potenza di calcolo disponibile, senza la necessità di costruire nuove centrali elettriche.

Un ritmo di sviluppo che sta mettendo alla prova l’industria dei semiconduttori

La tempistica di sviluppo del progetto è particolarmente degna di nota. Secondo OpenAI, sono trascorsi solo 16 mesi tra la formazione del team di sviluppo e il tape-out del chip, ovvero il completamento del progetto per l’approvazione alla produzione, con il primo progetto completo che sarebbe stato ultimato nove mesi prima del tape-out. Nell’industria tradizionale dei semiconduttori, i cicli di sviluppo di tre-cinque anni sono considerati standard per chip di complessità comparabile, quindi un ritmo simile, qualora venisse confermato nelle generazioni future, potrebbe mettere sotto pressione la struttura dei costi consolidata dell’intero settore.

Secondo OpenAI, ciò è stato reso possibile dall’uso intensivo dei propri sistemi di intelligenza artificiale (IA) nel processo di progettazione stesso. Questo ha permesso una valutazione più rapida delle decisioni di progettazione e, al contempo, ha contribuito a ottimizzare le unità di calcolo, riducendo significativamente i tradizionali cicli di iterazione nella progettazione dei chip. Si crea così un effetto di auto-rinforzo: più potenti diventano i modelli di IA dell’azienda, più velocemente e in modo più economico si possono sviluppare nuove generazioni di chip, che a loro volta eseguono questi modelli in modo ancora più efficiente. Un simile meccanismo di feedback, a condizione che si dimostri riproducibile, potrebbe diventare un vantaggio strutturale per le aziende che possiedono sia modelli di IA all’avanguardia sia proprie capacità di sviluppo di chip.

Quando la tua intelligenza artificiale diventa la cassetta degli attrezzi dell’ingegnere

Astra, la prossima versione di GPT, è già stata utilizzata da OpenAI per sviluppare core di calcolo ottimizzati, o kernel, per nuovi modelli. Secondo quanto riportato, il codice sviluppato da Astra in GPT-OSS è risultato dal 50 all’80% più veloce rispetto a programmi analoghi sviluppati da team di esperti umani. Questa scoperta ha implicazioni economiche ben più ampie di quanto possa sembrare a prima vista, in quanto suggerisce che il collo di bottiglia dell’ottimizzazione del software, che finora ha dipeso in larga misura dalla disponibilità di ingegneri altamente specializzati, può essere progressivamente risolto da sistemi automatizzati.

Per l’industria dei semiconduttori nel suo complesso, ciò significa un potenziale riallineamento dei fattori competitivi. Fino ad ora, decenni di esperienza, una profonda conoscenza ingegneristica e un ecosistema software consolidato come CUDA di Nvidia erano considerati barriere all’ingresso quasi insormontabili per i nuovi fornitori. Se gli strumenti basati sull’intelligenza artificiale riusciranno a compensare, almeno in parte, questo vantaggio derivante dall’esperienza, la soglia d’ingresso per i nuovi concorrenti si abbasserà, il che potrebbe portare, nel lungo termine, a una frammentazione dell’attuale mercato altamente concentrato degli acceleratori di intelligenza artificiale.